WO2020130238A1 - 사망 위험도의 예측 방법 및 이를 이용한 디바이스 - Google Patents

사망 위험도의 예측 방법 및 이를 이용한 디바이스 Download PDF

Info

Publication number
WO2020130238A1
WO2020130238A1 PCT/KR2019/004825 KR2019004825W WO2020130238A1 WO 2020130238 A1 WO2020130238 A1 WO 2020130238A1 KR 2019004825 W KR2019004825 W KR 2019004825W WO 2020130238 A1 WO2020130238 A1 WO 2020130238A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
death
risk
predicting
individual
Prior art date
Application number
PCT/KR2019/004825
Other languages
English (en)
French (fr)
Inventor
박진영
오주영
김재진
이병수
양학식
Original Assignee
연세대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 연세대학교 산학협력단 filed Critical 연세대학교 산학협력단
Publication of WO2020130238A1 publication Critical patent/WO2020130238A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment

Definitions

  • the present invention relates to a method and device for predicting the risk of death, and more particularly, to a method and device configured to predict and provide the risk of death based on various clinical data obtained from an individual.
  • various predictive devices may be provided. These predictive devices measure the patient's condition and display the results for medical staff to check.
  • the conventional prediction equipment has a limitation in that the medical staff should continuously monitor the prediction equipment as the display provides predicted information about the patient's condition. That is, the risk prediction system based on the conventional prediction equipment has a problem that it is impossible to provide appropriate preliminary measures according to the prediction information when continuous monitoring is not possible.
  • the inventors of the present invention paid attention to the initial values of the clinical data first evaluated or first measured after entering the intensive care unit (or general ward) for patients. More specifically, the inventors of the present invention sought to predict the risk of death for an individual, such as a patient, based on initial data values measured or evaluated first in predetermined time units.
  • the inventors of the present invention in connection with the prediction of the risk of death, further noted that factors such as whether an individual dies or not, and the sex age of the individual, are associated with the risk of death.
  • delirium evaluation data evaluated from an individual such as whether delirium occurred, Korean version of the Delirium Rating Scale (KDRS) score, or Delirium Motor Subtype Scale (DMSS) score, are associated with mortality risk. Notice that there is.
  • KDRS Delirium Rating Scale
  • DMSS Delirium Motor Subtype Scale
  • the inventors of the present invention noted that the characteristic data of the individual, such as the gender, age, body mass index, exercise status, disease onset, smoking status, and drinking of the individual, are associated with the risk of death.
  • the inventors of the present invention sought to further consider these delirium evaluation data and individual characteristic data in the prediction of the risk of death.
  • the inventors of the present invention died based on clinical data of initial biosignal data obtained from an individual, medical treatment data, blood data, psychological evaluation and severity evaluation data, and further delirium evaluation data and individual characteristic data.
  • the risk prediction system has been developed.
  • the inventors of the present invention the clinical data of the initial biosignal data, medical treatment data, blood data, psychological state evaluation and severity evaluation data, further delirium evaluation data and individual feature data for the new death risk prediction system Based on the prediction model learned to predict the risk of death could be applied.
  • the inventors of the present invention performed evaluations to determine clinical data highly relevant to predicting risk of death among various clinical data, or clinical data highly relevant to predicting survival, and predicted this It was intended to be applied to model learning. Through this, the inventors of the present invention were expected to improve the diagnostic capability of predicting the risk of death in the predictive model.
  • the new mortality risk prediction system based on the mortality risk prediction model was able to provide accurate and reliable prediction information to an individual at an early stage.
  • the inventors of the present invention could expect that through the development of such a system for predicting the risk of death, the patient's condition can be quickly detected and the emergency situation such as death is recognized in advance, thereby improving the treatment performance by accelerating the time of treatment for the patient. Furthermore, the inventors of the present invention could further expect that the development of a system for predicting the risk of death can provide an effect of increasing the survival rate of patients and reducing the cost of treatment.
  • the inventors of the present invention when the guardian or medical staff is predicted to be high risk of death by the predictive model for the individual, so that the subject can be more easily recognized high-risk groups for individuals that require continuous monitoring, an alarm was provided to inform the risk of death.
  • the problem to be solved by the present invention is to predict the risk of death based on at least one of blood data, severity evaluation data, psychological state evaluation data, biosignal data, and medical treatment data for a received individual. It is to provide a method for predicting death risk, which predicts death risk for an individual using a learned death risk prediction model.
  • death risk which is configured to further receive delirium evaluation data and individual characteristic data, and based on these data, use a death risk prediction model to further predict death risk for the individual. It is to provide a prediction method.
  • the method for predicting the risk of death of the present invention includes receiving at least one data among blood data on an individual, severity evaluation data, psychological state evaluation data, biosignal data, and medical treatment data. Basically, using a mortality risk prediction model configured to predict mortality risk, predicting the mortality risk for the individual, and providing the predicted mortality risk for the individual.
  • at least one data is defined as initial data that is evaluated once or measured once for the individual.
  • the at least one data includes psychological state evaluation data
  • the psychological state evaluation data may be RASS (Richmond Agitation and Sedation Scale) or STAI (State-Trait Anxiety Inventory) score.
  • At least one data includes blood data
  • the blood data includes blood urea nitrogen (BUN), pH, HCO 3 , Alb (albumin), Hb (hemoglobin), and Hct (hematocrit).
  • BUN blood urea nitrogen
  • Alb albumin
  • Hb hemoglobin
  • Hct hematocrit
  • BILI Blood urea nitrogen
  • Na and NLR Neurotrophil to Lymphocyte Ratio
  • the at least one data includes severity evaluation data
  • the severity evaluation data can include an APACHE II (Acute Physiology and Chronic Health Evaluation) score.
  • the at least one data includes biosignal data
  • the biosignal data includes at least one of pulse, respiratory, body temperature, systolic blood pressure (SBP) and diastolic blood pressure (DBP). It can contain.
  • the medical treatment data is at least one of a catheter, a foley, a restraint, and a drainage device using medical device data and nutritional intake data. It may include one medical treatment data.
  • the step of receiving delirium evaluation data or individual feature data may be further performed.
  • the death risk prediction model may be further configured to predict the risk of death based on delirium evaluation data or individual feature data.
  • the delirium evaluation data at least one of the occurrence of delirium, KDRS (Korean version of the Delirium Rating Scale) diagnostic score, KDRS severity score, DMSS (Delirium Motor Subtype Scale) hyper score, DMSS mixed score, and DMSS hypo score
  • the individual characteristic data may include at least one of an individual's gender, an individual's age, an individual's body mass index, exercise status, disease onset, smoking and drinking.
  • the initial data is defined as initial data initially measured or initially measured in a predetermined unit of time during the hospitalization period, and the risk of death is defined as the risk of death occurring after a predetermined time. Can be.
  • the step of providing a risk of death may include providing a death risk notification for the subject when the risk of death for the subject is predicted by the death risk prediction model.
  • the death risk prediction model includes blood data, severity evaluation data, psychological evaluation data, biosignal data, medical treatment data, delirium evaluation data, and specimens for the death sample object and the survival sample object. It may be a model trained through the step of receiving learning data consisting of at least one of the object feature data, and predicting death or survival based on the learning data.
  • the method may further include evaluating the learning data, which is performed after the step of receiving the learning data. At this time, the step of evaluating the learning data, the step of calculating a relevance (relevance) score with respect to death for the learning data, and based on the score of the association with death, determines the death-related learning data within a predetermined rank It may include the steps.
  • the step of evaluating the learning data includes: calculating a correlation score with death for the learning data using a layer-wise relevance propagation (LRP) algorithm, and association with death And determining death-related learning data within a predetermined ranking based on the degree score.
  • LRP layer-wise relevance propagation
  • the device for predicting the risk of death of the present invention comprises: a receiving unit, and a receiving unit configured to receive at least one of blood data, severity evaluation data, psychological state evaluation data, biosignal data, and medical treatment data for an individual; And a processor configured to communicate.
  • the processor is configured to predict the risk of death for an individual and provide the predicted risk of death for an individual, using a death risk prediction model configured to predict the risk of death based on at least one data.
  • at least one data is defined as initial data that is evaluated once or measured once for the individual.
  • the at least one data includes psychological state evaluation data
  • the psychological state evaluation data may be RASS score or STAI score.
  • the at least one data includes blood data
  • the blood data can include values of at least one of BUN, pH, HCO3, Alb, Hb, Hct, BILI, Na and NLR. have.
  • the at least one data may include severity evaluation data, and the severity evaluation data may include an APACHE2 score.
  • the at least one data includes biosignal data
  • the biosignal data may include at least one of pulse, respiratory, body temperature, SBP and DBP.
  • the medical treatment data may include at least one medical treatment data of whether the catheter, poly, listraint, and drainage device is used for medical devices and whether nutrition is ingested.
  • the receiver may be further configured to receive delirium evaluation data or individual feature data.
  • the death risk prediction model may be further configured to predict the risk of death based on delirium evaluation data or individual feature data.
  • the delirium evaluation data may include at least one of whether a delirium has occurred, a diagnostic score, a KDRS severity score, a DMSS hyper score, a DMSS mixed score, and a DMSS hypo score.
  • the individual characteristic data may include at least one of an individual's gender, an individual's age, an individual's body mass index, exercise status, disease onset, smoking and drinking.
  • the initial data is defined as initial data initially measured or initially measured in a predetermined unit of time during the hospitalization period, and the risk of death is defined as the risk of death occurring after a predetermined time. Can be.
  • the processor may be further configured to provide a death risk notification for the individual when the risk of death for the individual is predicted by the death risk prediction model.
  • the present invention is to receive a variety of clinical data for an individual, and to provide a system for predicting the risk of death based on the received data, to quickly detect the risk of death of an individual and provide information related thereto to quickly predict an emergency. Can contribute.
  • the present invention is based on the initial biosignal data obtained from an individual, medical treatment data, blood data, and furthermore, psychological state evaluation and severity evaluation data along with clinical data of the individual's delirium evaluation data and individual characteristic data.
  • information related to an individual's risk of death can be provided.
  • the present invention can provide a risk of death after a predetermined time, predicted with high precision and accuracy for an individual.
  • the present invention can provide a good prognosis by advancing the time of medical treatment for a high-risk group in which death is predicted.
  • the present invention has an effect that may be attributed to an improvement in medical service, an increase in survival rate, prevention of complications, and reduction of treatment cost.
  • the present invention is configured to provide an alarm to notify the risk of death.
  • High-risk groups can be easily recognized.
  • the present invention has the effect of overcoming the limitations of the conventional risk prediction system based on a display that cannot provide appropriate preliminary measures according to the prediction information when continuous monitoring is not possible.
  • the effect according to the present invention is not limited by the contents exemplified above, and more various effects are included in the present specification.
  • FIG. 1A is an exemplary diagram illustrating a system for predicting death risk based on a method and device for predicting death risk according to an embodiment of the present invention.
  • FIG. 1B exemplarily shows the configuration of a device for predicting the risk of death according to an embodiment of the present invention.
  • FIG. 2 exemplarily shows a procedure of a method for predicting the risk of death according to an embodiment of the present invention.
  • 3A exemplarily shows training data of a model for predicting death risk used in various embodiments of the present invention.
  • 3B exemplarily shows the construction of a model for predicting death risk used in various embodiments of the present invention.
  • 4A and 4B show evaluation results of a model for predicting death risk used in various embodiments of the present invention.
  • the term “individual” may mean an object to predict the risk of death.
  • the individual may be'patient' or'severe patient', but is not limited thereto, and may include all subjects who wish to predict the risk of death.
  • the individual may be an onset of delirium.
  • blood data may refer to clinical data on biological samples of blood isolated from an individual.
  • blood data disclosed in the present specification includes blood urea nitrogen (BUN), pH, HCO 3 , Alb (albumin), Hb (hemoglobin), Hct (hematocrit), BILI (Bilirubin) measured from blood isolated from an individual. ), Na and NLR (Neutrophil to Lymphocyte Ratio).
  • the blood data may be initial data initially measured from an individual.
  • blood data may refer to initial blood data measured for the first time after admission.
  • blood data is measured multiple times (eg, 3 times/day) for an individual in a predetermined time unit (eg, 24 hour units)
  • the blood data is acquired at the first time every predetermined time unit It may include a plurality of blood data.
  • blood data is not limited to this.
  • severity assessment data may mean a value of a scale for evaluating the severity status of an individual.
  • the severity assessment data disclosed herein can be an APACHE II (Acute Physiology and Chronic Health Evaluation) score.
  • the severity evaluation data indicating the severity of the individual may be related to whether the individual has died.
  • the severity evaluation data may be initial data that is first evaluated from an individual.
  • the severity evaluation data may refer to initial severity evaluation data that is first evaluated after admission.
  • the severity evaluation is performed multiple times (for example, 3 times/day) on an individual in a predetermined time unit (for example, 24 hour units)
  • the severity evaluation data is first time for each predetermined time unit. It may mean the initial data acquired in.
  • psychological state evaluation data may mean a value of a scale for evaluating an individual's anxiety, depression, and other psychological states.
  • the psychological state evaluation data disclosed in the present specification may be a Richmond Agitation and Sedation Scale (RASS) or State-Trait Anxiety Inventory (STAI) score.
  • RASS Richmond Agitation and Sedation Scale
  • STAI State-Trait Anxiety Inventory
  • these psychological state evaluation data may be related to the onset of delirium as well as death.
  • the psychological state evaluation data may be initial data that is first evaluated from the individual.
  • the psychological state evaluation data may mean initial psychological state evaluation data that is first evaluated after admission.
  • the mental state evaluation is performed multiple times (for example, 3 times/day) on an entity in a predetermined time unit (eg, 24 hour units)
  • the mental state evaluation data is determined for each predetermined time unit. It may mean the initial data acquired in the first episode.
  • the psychological state evaluation data is not limited thereto.
  • biosignal data means vital signs, vital signs, and may refer to data related to an individual's condition. Such biosignal data may be associated with an individual's risk of death.
  • the bio-signal data may be body temperature, pulse, oxygen saturation, systolic blood pressure, diastolic blood pressure, average blood pressure, and respiratory rate for an individual measured from the bio-signal measurement equipment.
  • the present invention is not limited thereto, and the biosignal data may include various measurement data associated with an individual's health status.
  • the biosignal data may be initial data first measured from an individual.
  • the biosignal data may mean initial data measured for the first time after admission.
  • the biosignal data is received multiple times (eg, 3 times/day) with respect to an individual in a predetermined time unit (eg, 24 hour units)
  • the biosignal data is firstly displayed for each predetermined time unit. It may mean data acquired in.
  • medical treatment data may mean data regarding whether medical treatment is used for an individual.
  • the medical treatment data may be at least one of catheter, foley, restraint, and drainage device medical device use data and nutritional intake data. .
  • catheter foley, restraint, and drainage device medical device use data and nutritional intake data.
  • it is not limited thereto.
  • the medical treatment data may be initial medical treatment data first measured from an individual.
  • the medical treatment data may refer to initial medical treatment data acquired first after admission. That is, the medical treatment data may refer to all medical treatment data obtained initially defined as an arbitrary time point.
  • the medical treatment data may be data about the medical treatment used for the first time with respect to the individual. However, it is not limited thereto.
  • the medical treatment data is It may also mean data acquired in the first time for each predetermined time unit.
  • delivery evaluation data may mean data on whether or not delirium evaluated from an individual has occurred.
  • delirium evaluation data may be data of at least one of a KDRS diagnostic score, a KDRS severity score, a DMSS hyper score, a DMSS mixed score, and a DMSS hypo score.
  • KDRS diagnostic score a KDRS severity score
  • DMSS hyper score a DMSS hyper score
  • DMSS mixed score a DMSS mixed score
  • DMSS hypo score a DMSS hypo score
  • the KDRS diagnosis score may be composed of three items, such as fluctuation, acute onset, and severity of physical illness, associated with delirium symptoms.
  • the KDRS severity score can be composed of 13 items such as auditory hallucinations, delusions, concentration, and memory to determine the severity of delirium. More specifically, a relatively high KDRS diagnostic score may mean suitability for delirium diagnosis, and a relatively high KDRS severity score may mean serious delirium status.
  • the delirium evaluation data may be initial data that is first evaluated from an individual.
  • delirium evaluation data may refer to initial data initially evaluated after admission.
  • the evaluation is performed multiple times (for example, 3 times/day) on an object in a predetermined time unit (for example, in 24 hour units)
  • the delirium evaluation data is first displayed for each predetermined time unit. It may mean the initial data obtained.
  • delirium evaluation data is not limited thereto.
  • individual characteristic data may be data on factors that may be associated with death to an individual.
  • the individual characteristic data may be at least one of an individual's gender, an individual's age, an individual's body mass index, exercise status, disease onset, smoking status, and alcohol consumption.
  • the individual characteristic data is not limited thereto, and may further include various data on factors related to the death of the individual.
  • the term “initial data” may refer to clinical data first evaluated or measured for an individual. Furthermore, the initial data may refer to all clinical data obtained once at any time.
  • the blood data, severity evaluation data, psychological state evaluation data, biosignal data, clinical data of medical treatment data, and further delirium evaluation data disclosed in the present specification are one day after admission for an individual entering the intensive care unit It may mean the initial data acquired once in each.
  • the clinical data may mean the first acquired data when multiple times of data are acquired per day.
  • the term “death risk prediction model” is based on clinical and delirium assessment data and individual feature data of initial blood data, severity assessment data, psychological status assessment data, biosignal data, and medical treatment data. It may be a model trained to predict the risk of death.
  • it may be a model trained to predict the risk of mortality based on initial clinical data obtained at predetermined time intervals from a death sample individual or a living sample individual.
  • the mortality risk prediction model predicts death risk based on all clinical data of blood data, severity evaluation data, psychological state evaluation data, biosignal data and medical treatment data, and further delirium evaluation data and individual characteristic data. It can be a trained model. However, the data used for learning is not limited to this, and a combination of more various clinical data may be used for learning the predictive model.
  • the association evaluation may be performed based on a LRP (Layer-wise Relevance Propagation) algorithm.
  • the predictive model may be a model with improved predictive ability of death risk than other models.
  • the death risk prediction model of the present invention may be a prediction model based on a long short-term memory (LSTM) algorithm, which is a circulatory neural network.
  • LSTM long short-term memory
  • the death risk prediction model of the present invention includes blood data, severity evaluation data, psychological state evaluation data, biosignal data and medical treatment data, and further, an input layer into which delirium evaluation data and individual feature data are input, and death or It may be a prediction model of a multilayer layer structure in which an output layer predicting survival and one hidden layer exist between these layers.
  • the death risk prediction model of the present invention may be configured to include one hidden layer composed of 64 nodes. Furthermore, in the prediction model, a learning rate value that may be a parameter for finding a weight that minimizes an error in prediction in predictive learning of death risk may be set to 0.0009. In addition, a momentum value that is a parameter value for minimizing the error of prediction and increasing the learning speed may be set to 0.9. In addition, the mortality risk prediction model of the present invention may be configured to use'rmsprop' as an optimization function for updating parameters in learning, and a function for determining the strength at which input values of various clinical data are transmitted to output values As can be configured to use the'relu' function.
  • the type of death risk prediction model of the present invention is not limited thereto.
  • the prediction model includes: Deep Neural Network (DNN), Convolutional Neural Network (CNN), Recurrent Neural Network (RNN), Deep Convolutional Neural Network (DCNN), Restricted Boltzmann Machine (RBM), Deep Belief Network (DBN) , SSD (Single Shot Detector), MLP (Multilayer Processing) model or U-net based prediction model.
  • DNN Deep Neural Network
  • CNN Convolutional Neural Network
  • RNN Recurrent Neural Network
  • DCNN Deep Convolutional Neural Network
  • RBM Restricted Boltzmann Machine
  • DBN Deep Belief Network
  • SSD Single Shot Detector
  • MLP Multilayer Processing
  • FIGS. 1A and 1B a device for predicting death risk according to an embodiment of the present invention and a system for predicting death risk using the same will be described in detail with reference to FIGS. 1A and 1B.
  • FIG. 1A is an exemplary diagram illustrating a system for predicting death risk based on a method and device for predicting death risk according to an embodiment of the present invention.
  • FIG. 1B exemplarily shows the configuration of a device for predicting the risk of death according to an embodiment of the present invention.
  • a system for predicting death risk is obtained for a device 100 and an individual 200 for predicting death risk, medical treatment data 310 and a living body.
  • Clinical data 300, medical device 400, external including signal data 320, psychological state evaluation data 330, blood data 340, severity evaluation data 350 and delirium evaluation data 360 It consists of object feature data 500 and medical device 600 that can be received from.
  • the clinical data 300 may be the first data measured or evaluated at any point in time from the subject 200. However, it is not limited thereto.
  • the device 100 for predicting death risk in the death risk prediction system 1000 includes the individual characteristic data 500 along with various clinical data 300 initially measured or evaluated for the individual 200. It can be configured to receive, and to predict the risk of death based on this.
  • the medical device 400 is a living body capable of providing at least one biosignal data 320 from the group consisting of temperature, pulse, oxygen saturation, systolic blood pressure, diastolic blood pressure, average blood pressure, and respiratory rate to the object 200 It may be a signal measurement device. Furthermore, the medical device 400 may be a medical device of a catheter, poly, stramentine, and drainage device that can provide medical treatment data 310.
  • medical treatment data 310 biosignal data 320, psychological condition evaluation data 330, blood data 340, severity evaluation data 350, and delirium evaluation data in the death risk prediction system 1000
  • the clinical data 300 of 360, furthermore, the individual feature data 500 may be obtained from an external system, such as an Electronic Medical Record (EMR) system.
  • EMR Electronic Medical Record
  • the device 100 for predicting death risk includes a reception unit 110, an input unit 120, an output unit 130, a storage unit 140, and a processor 150.
  • the receiving unit 110 includes medical treatment data 310, biosignal data 320, psychological state evaluation data 330, blood data 340, severity evaluation data 350 and delirium of the individual 200 It may be configured to receive clinical data 300 including evaluation data 360 and further subject feature data 500.
  • the receiving unit 110 may be further configured to transmit the predicted result for the subject 200 determined by the processor 150 to be described later, with respect to the medical staff device 600.
  • the input unit 120 is not limited, such as a keyboard, mouse, or touch screen panel.
  • the input unit 120 may set the device 100 for predicting the risk of death, and may instruct the operation of the device 100 for predicting the risk of death.
  • the output unit 130 may display various clinical data 300 received by the receiving unit 110, and furthermore, object characteristic data 500.
  • the output unit 130 may display information related to the risk of death predicted by the processor 150 on a display. Furthermore, the output unit 130 may be further configured to output a notification sound when the processor 150 determines that the risk of death of the object 200 is high.
  • the storage unit 140 stores various clinical data 300 and object characteristic data 500 for the object 200 received through the reception unit 110, and a device for predicting death risk set through the input unit 120 It may be configured to store the instructions of (100). Furthermore, the storage unit 140 is configured to store the prediction information of the risk of death in the object 200 generated by the processor 150 to be described later. However, the present invention is not limited to the above, and the storage unit 140 may store various information determined by the processor 150 to predict the risk of death.
  • the processor 150 may be a component for providing accurate prediction results of the device 110 for predicting risk of death. At this time, for accurate mortality risk prediction, the processor 150 may be based on a predictive model configured to predict mortality risk based on various clinical data 300 and individual feature data 500.
  • the processor 150 may be configured to provide a notification to the medical staff device 600 when the subject 200 is predicted as a high-risk group of deaths by the death risk prediction model. Accordingly, the medical staff can take quick action on the subject 200.
  • the death risk prediction system 1000 of the present invention can be applied to various medical systems as the subject 200 can be provided with early prediction of death occurrence and treatment accordingly.
  • FIG. 2 exemplarily shows a procedure of a method for predicting the risk of death according to an embodiment of the present invention.
  • the method of predicting the risk of death first, blood data, severity evaluation data, psychological evaluation data, biosignal data and medical treatment data from an individual at least one data Receiving (S210), based on the at least one data, using a death risk prediction model configured to predict the risk of death, predict the death risk for the individual (S220). Finally, the predicted risk of death for an individual is provided (S230).
  • At least one data among blood data, severity evaluation data, psychological state evaluation data, biosignal data, and medical treatment data initially measured or obtained for an individual is to be received.
  • the blood data received in step S210 for receiving data is blood urea nitrogen (BUN), pH, HCO 3 , Alb (albumin), Hb (hemoglobin) measured from blood separated from an individual. ), Hct (hematocrit), BILI (Bilirubin), Na and NLR (Neutrophil to Lymphocyte Ratio).
  • the severity evaluation data received in step S210 of receiving data may be APACHE II (Acute Physiology and Chronic Health Evaluation) scores.
  • the psychological state evaluation data received in step S210 of receiving data may be a Richmond Agitation and Sedation Scale (RASS) or State-Trait Anxiety Inventory (STAI) score.
  • RASS Richmond Agitation and Sedation Scale
  • STAI State-Trait Anxiety Inventory
  • the bio-signal data received in step S210 of receiving data includes body temperature, pulse, oxygen saturation, systolic blood pressure, diastolic blood pressure, and diastolic blood pressure for an individual measured from the bio-signal measurement device. And respiratory rate.
  • the biosignal data may include various measurement data associated with an individual's health status.
  • the medical treatment data received in step S210 for receiving the data, the medical treatment data, catheter (Catheter), poly (Foley), restraint (Restraint) and drainage It may be at least one of data on whether or not to use the medical device of the device (Drainage) and nutritional data.
  • step S210 of receiving data delirium evaluation data or individual feature data may be further received.
  • KDRS Korean version of the Delirium Rating Scale
  • KDRS severity score KDRS severity score
  • DMSS Delirium Motor Subtype Scale
  • DMSS Delirium evaluation data including at least one of hypo scores may be received.
  • step S210 of receiving the data at least one individual characteristic data of the sex of the individual, the age of the individual, the body mass index of the individual, whether or not exercise, disease onset, smoking, and whether or not drinking may be received.
  • the risk of death of the individual may be determined by a death risk prediction model configured to predict the risk of death.
  • the model for predicting the risk of death in the step of predicting the risk of death (S220), the model for predicting the risk of death, the initial blood data received in the step of receiving data (S210), severity evaluation data, psychological state evaluation data, The risk of death can be predicted based on biosignal data and medical treatment data, and further, delirium status data or individual characteristic data.
  • the risk of death after a predetermined time for an individual may be predicted by the death risk prediction model.
  • the risk of death after a predetermined time for the individual may be predicted as survival or death, but is not limited thereto.
  • the risk of occurrence of death after a predetermined time for an individual may be predicted stochastically by the prediction model.
  • the death risk prediction model includes initial blood data, severity evaluation data, psychological state evaluation data, biosignal data and medical treatment data, and further delirium evaluation data and individual features received in step S210 of receiving data. It may be a model trained to predict the risk of death based on clinical data from the data.
  • the mortality risk prediction model includes blood data, severity evaluation data, psychological evaluation data, biosignal data, medical treatment data, delirium evaluation data and individuals, initially measured or evaluated for the death sample object and the survival sample object. It may be a model trained by receiving learning data consisting of at least one of the feature data, and predicting death or survival based on the learning data.
  • the mortality risk prediction model calculates a relevance score with respect to death for learning data, and determines death-related learning data within a predetermined rank based on the score with respect to death. It may be a model configured to predict the risk of death based on the determined death-related learning data.
  • step S230 of providing the risk of death information regarding the risk of death predicted in step S220 of predicting the aforementioned risk of death may be provided.
  • the risk of occurrence of death after a predetermined time for an individual, probabilistically predicted by the death risk prediction model may be provided.
  • a probability of occurrence of death may be provided.
  • the step of providing the risk of death (S230), as a result of the step of predicting the risk of death (S220), if the risk of death for a subject is predicted by the prediction model of the risk of death, the subject Notification of the risk of death may be provided.
  • step S230 of providing a risk of death more various information may be provided in addition to the above.
  • the method for predicting the risk of death determines whether death occurs to an individual in real time or predicts the risk of death occurring after a certain time, information about the risk of death, and furthermore An alarm can be provided to alert the high-risk group. Accordingly, the medical staff may be able to predict the occurrence of death in an individual early. Furthermore, medical staff can take quick action against high-risk groups.
  • FIGS. 3A and 3B a death risk prediction model used in various embodiments of the present invention will be described in detail.
  • the model for predicting the risk of death includes initial psychological state evaluation data obtained once/day for 2 days in units of 24 hours from a patient entering an intensive care unit composed of a patient who has died or survives, It may be a model trained to predict whether a person dies after 1 year or 3 years based on clinical data of biosignal data, medical treatment data, blood data, severity evaluation data, and delirium evaluation data. It is not limited to this. Furthermore, clinical data used to predict the risk of death may be selected in different configurations depending on the learning method.
  • 3A exemplarily shows training data of a model for predicting death risk used in various embodiments of the present invention.
  • learning data obtained from sample individuals of death and surviving individuals is composed of psychological state evaluation data, biosignal data, medical treatment data, blood data, and severity evaluation data.
  • the psychological state evaluation data for learning may be configured with values of RASS and STAI scores.
  • the biosignal data for learning may be composed of pulse, respiratory, body temperature, SBP and DBP values.
  • the medical treatment data for learning may be configured as whether a catheter, poly, listraint, or drainage device is applied or treated, and furthermore, nutrition is ingested.
  • blood data for learning include, BUN- (blood urea nitrogen), pH-, HCO 3 -, Alb- (albumin), Hb- (hemoglobin), Hct- (hematocrit), BILI- (Bilirubin), Na and NLR ( Neutrophil to Lymphocyte Ratio).
  • the learning severity evaluation data may be composed of APACHE score values.
  • the psychological state evaluation data for learning may include KDRS (diagnosis score, KDRS severity score, DMSS hyper score, DMSS mixed score, and DMSS hypo score).
  • KDRS diagnosis score, KDRS severity score, DMSS hyper score, DMSS mixed score, and DMSS hypo score.
  • each learning data may be initial data obtained from the patient once/day for 2 days on a 24-hour basis. At this time, data missing for 2 days of acquiring data may be processed as an average value or 0.
  • the death risk prediction model of the present invention may be trained to determine whether death occurs for a sample individual based on the above learning data.
  • the learning data of the death risk prediction model of the present invention is not limited thereto.
  • the learning data may further include individual characteristic data consisting of the sex of the individual, the age of the individual, the body mass index of the individual, whether or not exercise, disease onset, smoking, and drinking.
  • 3B exemplarily shows the construction of a model for predicting death risk used in various embodiments of the present invention.
  • the death risk prediction model of the present invention may be a prediction model based on the LSTM algorithm, which is a circulatory neural network.
  • blood data e.g., blood data, severity evaluation data, psychological state evaluation data, biosignal data, medical treatment data, further delirium evaluation data, input layer into which object feature data is input (input layer ) And an output layer predicting death or survival, and a predictive model of a multi-layered structure in which one hidden layer exists between these layers.
  • the death risk prediction model of the present invention may be configured to include one hidden layer composed of 64 nodes. Furthermore, in the prediction model, a learning ratio value that may be a parameter for finding a weight that minimizes an error in prediction in predictive learning of death risk may be set to 0.0009. In addition, a momentum value that is a parameter value for minimizing the error of prediction and increasing the learning speed may be set to 0.9. In addition, the mortality risk prediction model of the present invention may be configured to use'rmsprop' as an optimization function for updating parameters in learning, and a function for determining the strength at which input values of various clinical data are transmitted to output values As can be configured to use the'relu' function.
  • the type of death risk prediction model of the present invention is not limited thereto.
  • the prediction model may be a DNN, CNN, RNN, DCNN, RBM, DBN, SSD, MLP model, or U-net based prediction model.
  • an evaluation in which clinical data having a high degree of association with predicting death or survival may be determined.
  • the association evaluation may be performed based on a LRP (Layer-wise Relevance Propagation) algorithm.
  • L means an output layer value
  • Z ji may mean a product of the weight of the l+1th layer and the lth layer, and the input value of the lth layer ( ).
  • b j may mean a bias value of the j-th node.
  • the calculated association score may determine clinical data having a high degree of relevance to predicting the occurrence of death or clinical data having a high degree of relevance to predicting survival among various clinical data.
  • the predictive model of the present invention in predicting the risk of mortality may have better predictive ability of mortality risk than other models.
  • evaluation of the model for predicting the risk of death is not limited to the aforementioned LRP algorithm and can be performed based on more various algorithms. For example, based on the Randomized Decision forest algorithm or the Penalized Logistic Regression algorithm, clinical data highly relevant to predicting risk of death or clinical data highly relevant to predicting survival may be determined.
  • 4A and 4B show evaluation results of a model for predicting death risk used in various embodiments of the present invention.
  • the predicted sensitivity to the risk of death after one year of the risk of death of the predictive model is 0.76, the specificity is 0.90, and the accuracy is It is high at 0.81.
  • the AUC value which can mean the diagnostic ability, is high at 0.90, the predicted mortality risk model learned from the training data, when applied to the mortality risk system, more specifically, the risk of mortality to an individual, The risk of death after one year can be predicted with high accuracy.
  • death or survival is predicted after 3 years based on psychological evaluation data, biosignal data, medical treatment data, blood data, and severity evaluation data, excluding individual feature data. The results of the evaluation of the predicted risk of death model constructed to do so are shown.
  • the predictive model has a sensitivity of 0.64, a specificity of 0.77, and an accuracy of 0.67.
  • AUC value that can mean the diagnostic ability of the predictive model is represented by 0.80, it is lower than the evaluation result of the predictive model trained to predict the risk of death after one year in FIG. 4A described above, but has a higher level of AUC value. It appears to have.
  • the death risk prediction model used in various embodiments of the present invention when applied to the death risk system, can predict the risk of death to an individual, more specifically, the risk of death after 3 years.
  • the risk of death after 3 years when learning data is added, performance improvement of the prediction of the risk of death can be expected.
  • the death risk prediction model used in various embodiments of the present invention predicts the death risk with high accuracy.
  • the death risk prediction model can predict the risk of death after a predetermined time with high accuracy and precision.
  • the predictive model of the present invention has excellent diagnostic ability.
  • the present invention can provide a good prognosis for treatment by advancing the time of treatment for clinical symptoms associated with death.
  • the present invention provides a system for predicting death risk based on clinical data of initial biosignal data obtained from an individual, medical treatment data, blood data, psychological evaluation and severity evaluation data, and further delirium evaluation data and individual characteristic data.
  • an individual can be provided with an early diagnosis of the occurrence of death.
  • the present invention can provide an effect of increasing the survival rate of an individual.
  • the guardian or medical staff can monitor the subject in need of continuous monitoring such as critically ill. It is easier to recognize the high-risk group of death.

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

본 명세서에서는, 개체에 대한 혈액 데이터, 중증도 평가 데이터, 심리 상태 평가 데이터, 생체 신호 데이터 및 의료적 처치 데이터 중 적어도 하나의 데이터를 수신하고, 적어도 하나의 데이터를 기초로, 사망 위험도를 예측하도록 구성된 사망 위험도 예측 모델을 이용하여, 개체에 대한 사망 위험도를 예측하고, 개체에 대하여 예측된 사망 위험도를 제공하고, 적어도 하나의 데이터가 개체에 대하여 단일회 평가되거나 단일회 측정된 초기 데이터로 정의되는, 사망 위험도의 예측 방법 및 이를 이용한 사망 위험도 예측용 디바이스가 제공된다.

Description

사망 위험도의 예측 방법 및 이를 이용한 디바이스
본 발명은 사망 위험도의 예측 방법 및 디바이스에 관한 것으로, 보다 구체적으로 개체로부터 획득한 다양한 임상적 데이터를 기초로 사망 발생의 위험도를 예측하고 제공하도록 구성된 방법 및 이를 이용한 디바이스에 관한 것이다.
의료 서비스를 이용하는 많은 환자들은 치명적인 질환에 쉽게 노출되기 쉽고 경우에 따라 지속적인 건강상태의 체크와 이에 따른 조치를 필요로 한다. 특히, 병원의 중환자실에 수용된 중환자와 같은 요주의 환자들은 환자의 상태에 대한 지속적인 관찰이 보다 중요할 수 있다.
중환자에 대하여 맥박수나 혈압 또는 호흡, 등 병의 진행이나 생명유지와 관련된 환자의 상태를 체크하기 위해, 다양한 예측 장비가 구비될 수 있다. 이러한 예측 장비는 환자의 상태를 측정하고 그 결과를 의료진이 확인할 수 있도록 디스플레이 한다. 그러나, 종래의 예측 장비는 환자 상태에 대하여 예측된 정보를 디스플레이적으로 제공함에 따라, 의료진이 지속적으로 예측 장비를 모니터링 해야 한다는 한계를 갖는다. 즉, 종래의 예측 장비에 기초한 위험도 예측 시스템은, 지속적인 모니터링이 불가능할 경우 예측 정보에 따른 적절한 예비 조치를 제공할 수 없다는 문제점을 갖는다.
특히, 비 특이적인 증상과 다양한 병명으로 중환자실에 입실해 있는 환자의 경우, 입실 이후에도 급격한 상태 변화를 보이는 경향이 있어 종래의 예측 장비를 이용하여 그 예후를 예측하기 더 어려울 수 있다.
따라서, 의료 서비스를 제공받은 환자, 사망과 같은 응급 상황을 미리 예측하고, 응급 상황과 연관된 정보를 빠르게 제공할 수 있는 새로운 사망 위험도 예측 시스템에 대한 개발이 지속적으로 요구되고 있는 실정이다.
발명의 배경이 되는 기술은 본 발명에 대한 이해를 보다 용이하게 하기 위해 작성되었다. 발명의 배경이 되는 기술에 기재된 사항들이 선행기술로 존재한다고 인정하는 것으로 이해되어서는 안 된다.
한편, 본 발명의 발명자들은, 임상적으로 사망과 같은 응급 상황이 발생하기 이전에 미리 인체의 생리학적 대응 반응의 일환으로 생체 신호들의 변화가 선행 할 것이라는 점에 주목하였다.
보다 구체적으로, 본 발명의 발명자들은 시간마다 상태가 변하는 중한 상태의 환자에 대하여, 중환자실에서 획득할 수 있는 다양한 임상적 데이터의 변화가 사망과 같은 잠재적 중한 상태와 연관성을 가질 수 있음에 주목하였다.
결과적으로, 본 발명의 발명자들은, 생체 신호 데이터와 함께 의료적 처치 데이터, 혈액 데이터, 나아가 심리 상태 평가 및 중증도 평가 데이터의 임상적 데이터들이 환자, 특히 중환자에 대한 사망 위험도를 예측하는 것에 이용될 수 있음을 인지할 수 있었다.
이때, 본 발명의 발명자들은, 환자들에 대하여 중환자실 (또는, 일반 병동) 입실 후 처음 평가되거나 처음 측정된 상기 임상적 데이터들의 초기 값에 주목하였다. 보다 구체적으로, 본 발명의 발명자들은 미리 결정된 시간 단위로 첫 회 측정되거나 평가된 초기 데이터값을 기초로 환자와 같은 개체에 대한 사망 위험도를 예측하고자 하였다.
한편, 본 발명의 발명자들은, 사망 위험도의 예측과 관련하여, 개체의 사망 발생 여부, 나아가 개체의 성별 나이 등의 인자들이 사망 위험도와 연관이 있음에 더욱 주목하였다.
보다 구체적으로, 본 발명의 발명자들은, 섬망 발생 여부, KDRS (Korean version of the Delirium Rating Scale) 점수, DMSS (Delirium Motor Subtype Scale) 점수와 같은, 개체로부터 평가된 섬망 평가 데이터들이 사망 위험도와 연관이 있음에 주목하였다.
또한, 본 발명의 발명자들은, 개체의 성별, 나이, 체질량 지수, 운동 여부, 질환 발병 여부, 흡연 여부 및 음주 여부와 같은 개체의 특징 데이터들이 사망 위험도와 연관이 있음에 주목하였다.
결과적으로, 본 발명의 발명자들은 이들 섬망 평가 데이터들과 개체의 특징 데이터들을 사망 위험도의 예측에 더욱 고려하고자 하였다.
그 결과, 본 발명의 발명자들은 개체로부터 획득한 초기의 생체 신호 데이터, 의료적 처치 데이터, 혈액 데이터, 심리 상태 평가 및 중증도 평가 데이터, 나아가 섬망 평가 데이터 및 개체의 특징 데이터의 임상적 데이터에 기초한 사망 위험도 예측 시스템을 개발하기에 이르렀다.
한편, 본 발명의 발명자들은, 새로운 사망 위험도 예측 시스템에 대하여, 초기의 생체 신호 데이터, 의료적 처치 데이터, 혈액 데이터, 심리 상태 평가 및 중증도 평가 데이터, 나아가 섬망 평가 데이터 및 개체 특징 데이터의 임상적 데이터를 기초로 사망 위험도를 예측하도록 학습된 예측 모델을 적용할 수 있었다.
특히, 본 발명의 발명자들은, 다양한 임상적 데이터 중 사망 위험도를 예측하는 것에 연관도가 큰 임상적 데이터 또는, 생존을 예측하는 것에 연관도가 큰 임상적 데이터를 결정하도록 평가를 수행하였고, 이를 예측 모델의 학습에 적용하고자 하였다. 이를 통해, 본 발명의 발명자들은 예측 모델의 사망 위험도의 예측의 진단 능력 향상을 기대할 수 있었다.
결과적으로, 사망 위험도 예측 모델에 기초한 새로운 사망 위험도 예측 시스템은, 개체에 대하여 정확도 및 신뢰도 높은 예측 정보를 조기에 제공할 수 있었다.
본 발명의 발명자들은 이러한 사망 위험도 예측 시스템 개발을 통해, 환자의 상태에 대하여 빠르게 감지하고 사망과 같은 응급 상황을 미리 인지하여, 환자에 대한 처치 시점을 앞당겨 치료 성과를 높일 수 있음을 기대할 수 있었다. 나아가, 본 발명의 발명자들은 사망 위험도의 예측 시스템의 개발이 환자의 생존률 증가 및 치료 비용의 감소 효과를 제공할 수 있다는 것을 더욱 기대할 수 있었다.
또한, 본 발명의 발명자들은, 보호자 또는 의료진이 중환자와 같은 지속적인 모니터링이 요구되는 개체에 대하여 보다 용이하게 고위험군을 인지할 수 있도록, 개체에 대하여 예측 모델에 의해 사망 위험도가 높은 것으로 예측될 경우, 알람을 제공하여 사망 발생 위험도를 알리도록 구성하였다.
이에, 본 발명이 해결하고자 하는 과제는, 수신된 개체에 대한 혈액 데이터, 중증도 평가 데이터, 심리 상태 평가 데이터, 생체 신호 데이터 및 의료적 처치 데이터 중 적어도 하나의 데이터를 기초로, 사망 위험도를 예측하도록 학습된 사망 위험도 예측 모델을 이용하여, 개체에 대한 사망 위험도를 예측하는, 사망 위험도 예측 방법을 제공하는 것이다.
본 발명이 해결하고자 하는 다른 과제는, 섬망 평가 데이터 및 개체의 특징 데이터를 더 수신하고, 이들 데이터를 기초로, 사망 위험도 예측 모델을 이용하여, 개체에 대한 사망 위험도를 더 예측하도록 구성된, 사망 위험도 예측 방법을 제공하는 것이다.
본 발명의 과제들은 이상에서 언급한 과제들로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
전술한 바와 같은 과제를 해결하기 위해, 본 발명의 일 실시예에 따른 사망 위험도의 예측 방법이 제공된다. 이때, 본 발명의 사망 위험도의 예측 방법은, 개체에 대한 혈액 데이터, 중증도 평가 데이터, 심리 상태 평가 데이터, 생체 신호 데이터 및 의료적 처치 데이터 중 적어도 하나의 데이터를 수신하는 단계, 적어도 하나의 데이터를 기초로, 사망 위험도를 예측하도록 구성된 사망 위험도 예측 모델을 이용하여, 개체에 대한 사망 위험도를 예측하는 단계, 및 개체에 대하여 예측된 사망 위험도를 제공하는 단계를 포함한다. 이때, 적어도 하나의 데이터는 개체에 대하여 단일회 평가되거나 단일회 측정된 초기 데이터로 정의된다.
본 발명의 특징에 따르면, 적어도 하나의 데이터는, 심리 상태 평가 데이터를 포함하고, 심리 상태 평가 데이터는, RASS (Richmond Agitation and Sedation Scale) 또는 STAI (State-Trait Anxiety Inventory) 점수일 수 있다.
본 발명의 다른 특징에 따르면, 적어도 하나의 데이터는, 혈액 데이터를 포함하고, 혈액 데이터는, BUN (blood urea nitrogen), pH, HCO3, Alb (albumin), Hb (hemoglobin), Hct (hematocrit), BILI (Bilirubin), Na 및 NLR (Neutrophil to Lymphocyte Ratio) 중 적어도 하나의 수치를 포함할 수 있다.
본 발명의 또 다른 특징에 따르면, 적어도 하나의 데이터는, 중증도 평가 데이터를 포함하고, 중증도 평가 데이터는, APACHE II (Acute Physiology and Chronic Health Evaluation) 점수를 포함할 수 있다.
본 발명의 또 다른 특징에 따르면, 적어도 하나의 데이터는, 생체 신호 데이터를 포함하고, 생체 신호 데이터는, 맥박, 호흡, 체온, SBP (systolic blood pressure) 및 DBP (diastolic blood pressure) 중 적어도 하나를 포함할 수 있다.
본 발명의 또 다른 특징에 따르면, 의료적 처치 데이터는, 카테터 (Catheter), 폴리 (Foley), 리스트레인트 (Restraint) 및 배액 기기 (Drainage) 의 의료 기기 사용 여부 데이터 및 영양 섭취 여부 데이터중 적어도 하나의 의료적 처치 데이터를 포함할 수 있다.
본 발명의 또 다른 특징에 따르면, 섬망 평가 데이터 또는 개체 특징 데이터를 수신하는 단계가 더 수행될 수 있다. 나아가, 사망 위험도 예측 모델은, 섬망 평가 데이터 또는 개체 특징 데이터를 기초로, 사망 위험도를 예측하도록 더 구성될 수 있다. 이때, 섬망 평가 데이터는, 섬망 발생 여부, KDRS (Korean version of the Delirium Rating Scale) 진단 점수, KDRS 심각도 점수, DMSS (Delirium Motor Subtype Scale) hyper 점수, DMSS mixed 점수, 및 DMSS hypo 점수 중 적어도 하나를 포함할 수 있다. 나아가, 개체 특징 데이터는, 개체의 성별, 개체의 나이, 개체의 체질량 지수, 운동 여부, 질환 발병 여부, 흡연 여부 및 음주 여부 중 적어도 하나를 포함할 수 있다.
본 발명의 또 다른 특징에 따르면, 초기 데이터는, 개체에 대하여, 입원 기간 동안 미리 결정된 시간 단위로 처음 평가되거나 처음 측정된 초기 데이터로 정의되고, 사망 위험도는 미리 결정된 시간 후 사망 발생의 위험도로 정의될 수 있다.
본 발명의 또 다른 특징에 따르면, 사망 위험도를 제공하는 단계는, 사망 위험도 예측 모델에 의해 개체에 대한 사망 발생 위험도가 예측될 경우, 개체에 대한 사망 위험 알림을 제공하는 단계를 포함할 수 있다.
본 발명의 또 다른 특징에 따르면, 사망 위험도 예측 모델은, 사망 표본 개체 및 생존 표본 개체에 대한 혈액 데이터, 중증도 평가 데이터, 심리 상태 평가 데이터, 생체 신호 데이터, 의료적 처치 데이터, 섬망 평가 데이터 및 표본 개체 특징 데이터 중 적어도 하나의 데이터로 구성된 학습용 데이터를 수신하는 단계, 및 학습용 데이터를 기초로, 사망 또는 생존을 예측하는 단계를 통해 학습된 모델일 수 있다.
본 발명의 또 다른 특징에 따르면, 상기 방법은, 학습용 데이터를 수신하는 단계 이후에 수행되는, 학습용 데이터를 평가하는 단계를 더 포함할 수 있다. 이때, 학습용 데이터를 평가하는 단계는, 학습용 데이터에 대하여 사망과의 연관도 (relevance) 점수를 산출하는 단계, 및 사망과의 연관도 점수를 기초로, 미리 결정된 순위 내에 있는 사망 연관 학습용 데이터를 결정하는 단계를 포함할 수 있다.
본 발명의 또 다른 특징에 따르면, 학습용 데이터를 평가하는 단계는, LRP (Layer-wise Relevance Propagation) 알고리즘을 이용하여, 학습용 데이터에 대하여 사망과의 연관도 점수를 산출하는 단계, 및 사망과의 연관도 점수를 기초로, 미리 결정된 순위 내에 있는 사망 연관 학습용 데이터를 결정하는 단계를 포함할 수 있다.
전술한 바와 같은 과제를 해결하기 위해, 본 발명의 일 실시예에 따른 사망 위험도의 예측용 디바이스가 제공된다. 이때, 본 발명의 사망 위험도의 예측용 디바이스는, 개체에 대한 혈액 데이터, 중증도 평가 데이터, 심리 상태 평가 데이터, 생체 신호 데이터 및 의료적 처치 데이터 중 적어도 하나의 데이터를 수신하도록 구성된 수신부, 및 수신부와 통신하도록 구성된 프로세서를 포함한다. 이때, 프로세서는, 적어도 하나의 데이터를 기초로, 사망 위험도를 예측하도록 구성된 사망 위험도 예측 모델을 이용하여, 개체에 대한 사망 위험도를 예측하고, 개체에 대하여 예측된 사망 위험도를 제공하도록 구성된다. 이때, 적어도 하나의 데이터는 개체에 대하여 단일회 평가되거나 단일회 측정된 초기 데이터로 정의된다.
본 발명의 특징에 따르면, 적어도 하나의 데이터는, 심리 상태 평가 데이터를 포함하고, 심리 상태 평가 데이터는, RASS점수 또는 STAI점수일 수 있다.
본 발명의 다른 특징에 따르면, 적어도 하나의 데이터는, 혈액 데이터를 포함하고, 혈액 데이터는, BUN, pH, HCO3, Alb, Hb, Hct, BILI, Na 및 NLR 중 적어도 하나의 수치를 포함할 수 있다.
본 발명의 또 다른 특징에 따르면, 적어도 하나의 데이터는, 중증도 평가 데이터를 포함하고, 중증도 평가 데이터는, APACHE2 점수를 포함할 수 있다.
본 발명의 또 다른 특징에 따르면, 적어도 하나의 데이터는, 생체 신호 데이터를 포함하고, 생체 신호 데이터는, 맥박, 호흡, 체온, SBP 및 DBP 중 적어도 하나를 포함할 수 있다.
본 발명의 또 다른 특징에 따르면, 의료적 처치 데이터는, 카테터, 폴리, 리스트레인트 및 배액 기기의 의료 기기 사용 여부 데이터 및 영양 섭취 여부 데이터중 적어도 하나의 의료적 처치 데이터를 포함할 수 있다.
본 발명의 또 다른 특징에 따르면, 수신부는 섬망 평가 데이터 또는 개체 특징 데이터를 수신하도록 더 구성될 수 있다. 나아가, 사망 위험도 예측 모델은, 섬망 평가 데이터 또는 개체 특징 데이터를 기초로, 사망 위험도를 예측하도록 더 구성될 수 있다. 이때, 섬망 평가 데이터는, 섬망 발생 여부, 진단 점수, KDRS 심각도 점수, DMSS hyper 점수, DMSS mixed 점수, 및 DMSS hypo 점수 중 적어도 하나를 포함할 수 있다. 나아가, 개체 특징 데이터는, 개체의 성별, 개체의 나이, 개체의 체질량 지수, 운동 여부, 질환 발병 여부, 흡연 여부 및 음주 여부 중 적어도 하나를 포함할 수 있다.
본 발명의 또 다른 특징에 따르면, 초기 데이터는, 개체에 대하여, 입원 기간 동안 미리 결정된 시간 단위로 처음 평가되거나 처음 측정된 초기 데이터로 정의되고, 사망 위험도는 미리 결정된 시간 후 사망 발생의 위험도로 정의될 수 있다.
본 발명의 또 다른 특징에 따르면, 프로세서는, 사망 위험도 예측 모델에 의해 개체에 대한 사망 발생 위험도가 예측될 경우, 개체에 대한 사망 위험 알림을 제공하도록 더 구성될 수 있다.
이하, 실시예를 통하여 본 발명을 보다 상세히 설명한다. 다만, 이들 실시예는 본 발명을 예시적으로 설명하기 위한 것에 불과하므로 본 발명의 범위가 이들 실시예에 의해 한정되는 것으로 해석되어서는 아니 된다.
본 발명은 개체에 대하여 다양한 임상적 데이터를 수신하고, 수신된 데이터 기반의 사망 위험도 예측 시스템을 제공함으로써, 개체의 사망 위험도에 대하여 빠르게 감지하고, 이와 연관된 정보를 제공함으로써 응급 상황을 빠르게 예측하는 것에 기여할 수 있다.
특히, 본 발명은 개체로부터 획득한 초기의 생체 신호 데이터, 의료적 처치 데이터, 혈액 데이터, 나아가 심리 상태 평가 및 중증도 평가 데이터와 함께 개체의 섬망 평가 데이터 및 개체 특징 데이터의 임상적 데이터에 기초한 사망 위험도 예측 시스템을 제공함으로써, 개체의 사망 위험도와 연관된 정보를 제공할 수 있다. 예를 들어, 본 발명은, 개체에 대하여 높은 정밀도 및 정확도로 예측된, 미리 결정된 시간 후의 사망 위험도를 제공할 수 있다.
이에, 본 발명은, 사망 발생이 예측되는 고위험군에 대하여 의료적 처치 시점을 앞당겨 좋은 예후를 제공할 수 있다.
따라서, 본 발명은 의료 서비스 개선뿐만 아니라, 생존률 증가, 합병증 예방, 및 치료 비용 감소에 기인할 수 있는 효과가 있다.
또한, 본 발명은, 개체에 대하여 예측 모델에 의해 사망 발생 위험도가 예측될 경우, 알람을 제공하여 사망 위험을 알리도록 구성됨에 따라, 보호자 또는 의료진은 중환자와 같은 지속적인 모니터링이 요구되는 개체에 대하여 보다 용이하게 고위험군을 인지할 수 있다.
즉, 본 발명은, 지속적인 모니터링이 불가능할 경우 예측 정보에 따른 적절한 예비 조치를 제공할 수 없는 디스플레이 기반의 종래의 위험도 예측 시스템이 갖는 한계를 극복할 수 있는 효과가 있다.
본 발명에 따른 효과는 이상에서 예시된 내용에 의해 제한되지 않으며, 더욱 다양한 효과들이 본 명세서 내에 포함되어 있다.
도 1a는 본 발명의 일 실시예에 따른 사망 위험도의 예측 방법 및 디바이스에 기초한 사망 위험도 예측 시스템을 예시적으로 도시한 것이다.
도 1b는 본 발명의 일 실시예에 따른 사망 위험도의 예측용 디바이스의 구성을 예시적으로 도시한 것이다.
도 2는 본 발명의 일 실시예에 따른 사망 위험도의 예측 방법의 절차를 예시적으로 도시한 것이다.
도 3a는 본 발명의 다양한 실시예에 이용되는 사망 위험도 예측 모델의 학습 데이터를 예시적으로 도시한 것이다.
도 3b는 본 발명의 다양한 실시예에 이용되는 사망 위험도 예측 모델의 구성을 예시적으로 도시한 것이다.
도 4a 및 4b는 본 발명의 다양한 실시예에 이용되는 사망 위험도 예측 모델에 대한 평가 결과를 도시한 것이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
본 발명의 실시예를 설명하기 위한 도면에 개시된 형상, 크기, 비율, 각도, 개수 등은 예시적인 것이므로 본 발명이 도시된 사항에 한정되는 것은 아니다. 또한, 본 발명을 설명함에 있어서, 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명은 생략한다. 본 명세서 상에서 언급된 '포함한다', '갖는다', '이루어진다' 등이 사용되는 경우, '~만'이 사용되지 않는 이상 다른 부분이 추가될 수 있다. 구성요소를 단수로 표현한 경우에 특별히 명시적인 기재 사항이 없는 한 복수를 포함하는 경우를 포함한다.
구성요소를 해석함에 있어서, 별도의 명시적 기재가 없더라도 오차 범위를 포함하는 것으로 해석한다.
본 발명의 여러 실시예들의 각각 특징들이 부분적으로 또는 전체적으로 서로 결합 또는 조합 가능하며, 당업자가 충분히 이해할 수 있듯이 기술적으로 다양한 연동 및 구동이 가능하며, 각 실시예들이 서로에 대하여 독립적으로 실시 가능할 수도 있고 연관 관계로 함께 실시 가능할 수도 있다.
본 명세서의 해석의 명확함을 위해, 이하에서는 본 명세서에서 사용되는 용어들을 정의하기로 한다.
본 명세서에서 사용되는 용어, "개체"는 사망 발생의 위험도를 예측하고자 하는 대상을 의미할 수 있다. 한편, 본원 명세서 내에서 개체는 '환자' 또는 '중환자'일 수 있으나, 이에 제한되는 것은 아니며 사망 발생의 위험도를 예측하고자 하는 모든 대상을 포함할 수 있다. 예를 들어, 개체는 섬망 발병 개체일 수도 있다.
본 명세서에서 사용되는 용어, "혈액 데이터"는 개체로부터 분리된 혈액의 생물학적 시료에 대한 임상적 데이터를 의미할 수 있다.
예를 들어, 본원 명세서 내에 개시된 혈액 데이터는, 개체로부터 분리된 혈액으로부터 측정된 BUN (blood urea nitrogen), pH, HCO3, Alb (albumin), Hb (hemoglobin), Hct (hematocrit), BILI (Bilirubin), Na 및 NLR (Neutrophil to Lymphocyte Ratio) 중 적어도 하나의 수치일 수 있다.
바람직하게 혈액 데이터는, 개체로부터 최초로 측정된 초기의 데이터일 수 있다. 예를 들어, 상기 개체가 중환자에 입실했을 경우, 혈액 데이터는 입실 후 처음 측정된 초기의 혈액 데이터를 의미할 수 있다. 나아가, 미리 결정된 시간 단위 (예를 들어, 24 시간 단위) 로 개체에 대하여 복수회 (예를 들어, 3 회/일) 혈액 데이터가 측정될 경우, 혈액 데이터는 미리 결정된 시간 단위마다 첫 회에 획득한 복수의 혈액 데이터를 포함할 수도 있다. 그러나, 혈액 데이터는 이에 제한되는 것이 아니다.
본 명세서에서 사용되는 용어, "중증도 평가 데이터"는 개체에 대하여 중증도 상태를 평가하기 위한 척도의 값을 의미할 수 있다.
예를 들어, 본원 명세서 내에 개시된 중증도 평가 데이터는, APACHE II (Acute Physiology and Chronic Health Evaluation) 점수일 수 있다.
이때, 개체의 중증도 상태를 나타내는 중증도 평가 데이터는, 개체의 사망 발생 여부와 연관이 있을 수 있다.
한편, 중증도 평가 데이터는 개체로부터 최초로 평가된 초기의 데이터일 수 있다. 예를 들어, 상기 개체가 중환자에 입실했을 경우, 중증도 평가 데이터는 입실 후 처음 평가된 초기의 중증도 평가 데이터를 의미할 수 있다. 나아가, 미리 결정된 시간 단위 (예를 들어, 24 시간 단위) 로 개체에 대하여 복수회 (예를 들어, 3 회/일) 의 중증도 평가가 수행될 경우, 중증도 평가 데이터는 미리 결정된 시간 단위마다 첫 회에 획득한 초기의 데이터들을 의미할 수도 있다.
본 명세서에서 사용되는 용어, "심리 상태 평가 데이터"는 개체의 불안도, 우울감 등의 심리 상태를 평가하기위한 척도의 값을 의미할 수 있다.
예를 들어, 본원 명세서 내에 개시된 심리 상태 평가 데이터는, RASS (Richmond Agitation and Sedation Scale) 또는 STAI (State-Trait Anxiety Inventory) 점수일 수 있다. 한편, 이들 심리 상태 평가 데이터는, 사망뿐만 아니라 섬망의 발병과 연관이 있을 수 있다.
이때, 심리 상태 평가 데이터는 개체로부터 최초로 평가된 초기의 데이터일 수 있다. 예를 들어, 상기 개체가 중환자에 입실했을 경우, 심리 상태 평가 데이터는 입실 후 처음 평가된 초기의 심리 상태 평가 데이터를 의미할 수 있다. 나아가, 미리 결정된 시간 단위 (예를 들어, 24 시간 단위) 로 개체에 대하여 복수회 (예를 들어, 3 회/일) 의 심리 상태 평가가 수행될 경우, 심리 상태 평가 데이터는 미리 결정된 시간 단위마다 첫 회에 획득한 초기의 데이터들을 의미할 수도 있다. 그러나, 심리 상태 평가 데이터는 이에 제한되는 것이 아니다.
본 명세서에서 사용되는 용어, "생체 신호 데이터"는 활력 징후, 생명 징후로, 개체의 상태와 연관된 데이터를 의미할 수 있다. 이러한 생체 신호 데이터는, 개체의 사망 위험도와 연관될 수 있다.
이때, 생체 신호 데이터는 생체 신호 계측 장비로부터 측정된 개체에 대한 체온, 맥박, 산소 포화도, 수축기 혈압, 이완기 혈압, 평균 혈압 및 호흡수일 수 있다. 그러나, 이에 제한되지 않고 생체 신호 데이터는, 개체의 건강 상태와 연관된 다양한 측정 데이터를 포함할 수 있다.
바람직하게 생체 신호 데이터는, 개체로부터 최초로 측정된 초기의 데이터일 수 있다. 예를 들어, 상기 개체가 중환자에 입실했을 경우, 생체 신호 데이터는, 입실 후 처음 측정된 초기의 데이터를 의미할 수 있다. 나아가, 미리 결정된 시간 단위 (예를 들어, 24 시간 단위) 로 개체에 대하여 복수회 (예를 들어, 3 회/일) 생체 신호 데이터가 수신될 경우, 생체 신호 데이터는 미리 결정된 시간 단위마다 첫 회에 획득한 데이터들을 의미할 수도 있다.
본 명세서에서 사용되는 용어, "의료적 처치 데이터"는 개체에 대하여 이용된 의료적 처치 여부에 관한 데이터를 의미할 수 있다.
예를 들어, 의료적 처치 데이터는, 카테터 (Catheter), 폴리 (Foley), 리스트레인트 (Restraint) 및 배액 기기 (Drainage) 의 의료 기기 사용 여부 데이터 및 영양 섭취 데이터 중 적어도 하나의 데이터일 수 있다. 그러나, 이에 제한되는 것은 아니다.
한편, 의료적 처치 데이터는, 개체로부터 최초로 측정된 초기의 의료적 처치 데이터일 수 있다. 예를 들어, 상기 개체가 중환자에 입실했을 경우, 의료적 처치 데이터는, 입실 후 처음 획득된 초기의 의료적 처치 데이터를 의미할 수 있다. 즉, 의료적 처치 데이터는 임의의 시점으로 정의된 초기에 획득한 모든 의료적 처치 데이터를 의미할 수도 있다. 나아가, 의료적 처치 데이터는 개체에 대하여 처음으로 사용된 의료적 처치에 대한 데이터일 수도 있다. 그러나, 이에 제한되는 것은 아니다.
예를 들어, 미리 결정된 시간 단위 (예를 들어, 24 시간 단위) 로 개체에 대하여 복수회 (예를 들어, 3 회/일) 의 의료적 처치 데이터가 획득될 수 있는 경우, 의료적 처치 데이터는 미리 결정된 시간 단위마다 첫 회에 획득한 데이터들을 의미할 수도 있다.
본 명세서에서 사용되는 용어, "섬망 평가 데이터"는 개체로부터 평가된 섬망 발생 여부에 대한 데이터를 의미할 수 있다.
예를 들어, 섬망 평가 데이터는 KDRS 진단 점수, KDRS 심각도 점수, DMSS hyper 점수, DMSS mixed 점수, 및 DMSS hypo 점수 중 적어도 하나의 데이터일 수 있다. 그러나, 이에 제한되는 것이 아니다.
이때, KDRS 진단 점수는, 섬망 증상과 연관된, 흥망 (fluctuation), 급성 시작 (acute onset), 신체 질환의 중증도 여부등을 확인하는 3 가지 항목으로 구성될 수 있다. KDRS 심각도 점수는, 섬망의 심각도를 판단하도록, 환청, 망상 여부, 집중력, 기억력 여부 등 13가지 항목으로 구성될 수 있다. 보다 구체적으로, 상대적으로 높은 KDRS 진단 점수는, 섬망 진단에 적합성을 의미할 수 있고, 상대적으로 높은 KDRS 심각도 점수는 심각한 섬망 상태를 의미할 수 있다.
이때, 섬망 평가 데이터는 개체로부터 최초로 평가된 초기의 데이터일 수 있다. 예를 들어, 상기 개체가 중환자에 입실했을 경우, 섬망 평가 데이터는 입실 후 처음 평가된 초기의 데이터를 의미할 수 있다. 나아가, 미리 결정된 시간 단위 (예를 들어, 24 시간 단위) 로 개체에 대하여 복수회 (예를 들어, 3 회/일) 의 평가가 수행될 경우, 섬망 평가 데이터는 미리 결정된 시간 단위마다 첫 회에 획득한 초기의 데이터들을 의미할 수도 있다. 그러나, 섬망 평가 데이터는 이에 제한되는 것이 아니다.
본 명세서에서 사용되는 용어, "개체 특징 데이터"는 개체에 대한 사망과 연관될 수 있는 인자에 대한 데이터일 수 있다.
예를 들어, 개체 특징 데이터는, 개체의 성별, 개체의 나이, 개체의 체질량 지수, 운동 여부, 질환 발병 여부, 흡연 여부 및 음주 여부 중 적어도 하나일 수 있다. 그러나, 개체 특징 데이터는 이에 제한되지 않고, 개체의 사망과 연관된 인자에 대한 다양한 데이터를 더 포함할 수 있다.
본 명세서에서 사용되는 용어, "초기 데이터"는 개체에 대하여 최초로 평가되거나 최초로 측정된 임상적 데이터를 의미할 수 있다. 나아가, 초기 데이터는, 임의의 시점에서 단일번 획득된 모든 임상적 데이터를 의미할 수도 있다. 예를 들어, 본원 명세서에 개시된 혈액 데이터, 중증도 평가 데이터, 심리 상태 평가 데이터, 생체 신호 데이터, 의료적 처치 데이터의 임상적 데이터, 나아가 섬망 평가 데이터는, 중환자실에 입실한 개체에 대하여 입실 후 하루에 1 번씩 획득된 초기의 데이터를 의미할 수 있다.
나아가, 상기 임상적 데이터는, 하루에 복수회의 데이터가 획득될 경우, 가장 처음 획득된 데이터를 의미할 수 있다.
본 명세서에서 사용되는 용어, "사망 위험도 예측 모델"은 초기의 혈액 데이터, 중증도 평가 데이터, 심리 상태 평가 데이터, 생체 신호 데이터 및 의료적 처치 데이터의 임상적 데이터와 섬망 평가 데이터 및 개체 특징 데이터를 기초로 사망 발생의 위험도를 예측하도록 학습된 모델일 수 있다.
예를 들어, 사망 표본 개체 또는 생존 표본 개체로부터, 미리 결정된 시간마다 획득한 초기의 임상적 데이터를 기초로 사망 발생의 위험도를 예측하도록 학습된 모델일 수 있다.
이때, 사망 위험도 예측 모델은, 혈액 데이터, 중증도 평가 데이터, 심리 상태 평가 데이터, 생체 신호 데이터 및 의료적 처치 데이터, 나아가 섬망 평가 데이터 및 개체 특징 데이터의 모든 임상적 데이터를 기초로 사망 위험도를 예측하도록 학습된 모델일 수 있다. 그러나, 학습에 이용되는 데이터는, 이에 제한되지 않으며 보다 다양한 임상적 데이터들의 조합이 상기 예측 모델의 학습에 이용될 수 있다.
한편, 본 발명의 사망 위험도 예측 모델의 학습에 있어서, 사망 발생 또는 생존과 연관도가 큰 임상적 데이터들이 결정되는 평가가 수행될 수 있다. 이때, 연관도 평가는 LRP (Layer-wise Relevance Propagation) 알고리즘에 기초하여 수행될 수 있다.
예를 들어, LRP 알고리즘에 의해 초기의 혈액 데이터, 중증도 평가 데이터, 심리 상태 평가 데이터, 생체 신호 데이터 및 의료적 처치 데이터의 임상적 데이터, 나아가 섬망 평가 데이터 및 개체 특징 데이터의 다양한 임상적 데이터 중 사망 발생 또는 생존을 예측하는 것에 연관도가 큰 임상적 데이터 또는, 생존을 예측하는 것에 연관도가 큰 임상적 데이터가 결정될 수 있다.
이러한 연관도가 큰 임상적 데이터들이 상기 예측 모델의 학습에 입력 데이터로서 적용될 수 있음에 따라, 예측 모델은 다른 모델들보다 사망 위험도의 예측 능력이 향상된 모델일 수 있다.
한편, 본 발명의 사망 위험도 예측 모델은, 순환 신경망인 LSTM (Long short-term memory) 알고리즘에 기초한 예측 모델일 수 있다.
예를 들어, 본 발명의 사망 위험도 예측 모델은, 혈액 데이터, 중증도 평가 데이터, 심리 상태 평가 데이터, 생체 신호 데이터 및 의료적 처치 데이터, 나아가 섬망 평가 데이터 및 개체 특징 데이터가 입력되는 입력 레이어 및 사망 또는 생존을 예측하는 출력 레이어와 이들 레이어 사이에 1 개의 히든 레이어가 존재하는 다층 레이어 구조의 예측 모델일 수 있다.
보다 구체적으로, 본 발명의 사망 위험도 예측 모델은, 64 개의 노드로 구성된 1 개의 히든 레이어를 포함하도록 구성될 수 있다. 나아가, 상기 예측 모델은, 사망 위험도의 예측 학습에 있어서 예측의 오차를 최소화하는 가중치를 찾기 위한 파라미터일 수 있는 학습 비율 (learning rate) 값이 0.0009로 설정될 수 있다. 또한, 예측의 오차를 최소화하며 학습 속도를 증가시키기 위한 파라미터 값인 모멘텀 (momentum) 값이 0.9로 설정될 수 있다. 또한, 본 발명의 사망 위험도 예측 모델은, 학습에 있어서 매개 변수를 갱신하는 최적화 함수로서 'rmsprop'를 이용하도록 구성될 수 있고, 다양한 임상적 데이터들의 입력 값이 출력값에 전달되는 강도를 결정하는 함수로서 'relu'함수를 이용하도록 구성될 수 있다.
그러나, 본 발명의 사망 위험도 예측 모델의 종류는 이에 제한되는 것이 아니다. 예를 들어, 상기 예측 모델은, DNN (Deep Neural Network), CNN Convolutional Neural Network), RNN (Recurrent Neural Network), DCNN (Deep Convolutional Neural Network), RBM (Restricted Boltzmann Machine), DBN (Deep Belief Network), SSD (Single Shot Detector), MLP (Multilayer Processing) 모델 또는 U-net을 기반으로 하는 예측 모델일 수도 있다.
이하에서는 도 1a 및 1b를 참조하여, 본 발명의 일 실시예에 따른 사망 위험도의 예측용 디바이스 및 이를 이용한 사망 위험도 예측 시스템에 관하여 구체적으로 설명한다.
도 1a는 본 발명의 일 실시예에 따른 사망 위험도의 예측 방법 및 디바이스에 기초한 사망 위험도 예측 시스템을 예시적으로 도시한 것이다. 도 1b는 본 발명의 일 실시예에 따른 사망 위험도의 예측용 디바이스의 구성을 예시적으로 도시한 것이다.
도 1a를 참조하면, 본 발명의 일 실시예에 따른 사망 위험도 예측 시스템 (1000) 은, 사망 위험도 예측용 디바이스 (100), 개체 (200) 에 대하여 획득된, 의료적 처치 데이터 (310), 생체 신호 데이터 (320), 심리 상태 평가 데이터 (330), 혈액 데이터 (340), 중증도 평가 데이터 (350) 및 섬망 평가 데이터 (360) 를 포함하는 임상적 데이터 (300), 의료 기기 (400), 외부로부터 수신할 수 있는 개체 특징 데이터 (500) 및 의료진 디바이스 (600) 로 구성되어 있다.
이때, 임상적 데이터 (300) 는 개체 (200) 로부터, 임의의 시점에서 측정되거나 평가된 첫 데이터일 수 있다. 그러나, 이에 제한되는 것은 아니다.
보다 구체적으로, 사망 위험도 예측 시스템 (1000) 에서 사망 위험도 예측용 디바이스 (100) 는, 개체 (200) 에 대하여 초기에 측정되거나 평가된 다양한 임상적 데이터 (300) 와 함께, 개체 특징 데이터 (500) 를 수신하고, 이를 기초로 사망 위험도를 예측하도록 구성될 수 있다.
이때, 의료 기기 (400) 는 개체 (200) 에 온도, 맥박, 산소 포화도, 수축기 혈압, 이완기 혈압, 평균 혈압 및 호흡수로 이루어진 그룹 중 적어도 하나의 생체 신호 데이터 (320) 를 제공할 수 있는 생체 신호 계측 디바이스일 수 있다. 나아가, 의료 기기 (400) 는, 의료적 처치 데이터 (310) 를 제공할 수 있는 카테터, 폴리, 리스트레인트 및 배액 기기의 의료 기기일수도 있다.
한편, 사망 위험도 예측 시스템 (1000) 에서 의료적 처치 데이터 (310), 생체 신호 데이터 (320), 심리 상태평가 데이터 (330), 나아가 혈액 데이터 (340), 중증도 평가 데이터 (350) 및 섬망 평가 데이터 (360) 의 임상적 데이터 (300), 나아가 개체 특징 데이터 (500) 는 EMR (Electronic Medical Record) 시스템과 같은 외부 시스템으로부터 획득될 수도 있다.
보다 구체적으로, 도 1b를 참조하면, 사망 위험도 예측용 디바이스 (100) 는 수신부 (110), 입력부 (120), 출력부 (130), 저장부 (140) 및 프로세서 (150) 를 포함한다.
구체적으로 수신부 (110) 는 개체 (200) 에 대한 의료적 처치 데이터 (310), 생체 신호 데이터 (320), 심리 상태 평가 데이터 (330), 혈액 데이터 (340), 중증도 평가 데이터 (350) 및 섬망 평가 데이터 (360) 를 포함하는 임상적 데이터 (300) 및 나아가 개체 특징 데이터 (500) 를 수신하도록 구성될 수 있다.
본 발명의 특징에 따르면, 수신부 (110) 는 의료진 디바이스 (600) 에 대하여, 후술될 프로세서 (150) 에 의해 결정된 개체 (200) 에 대하여 예측된 결과를, 송신하도록 더 구성될 수 있다.
입력부 (120) 는 키보드, 마우스, 터치 스크린 패널 등 제한되지 않는다. 입력부 (120) 는 사망 위험도 예측용 디바이스 (100) 를 설정하고, 사망 위험도 예측용 디바이스 (100) 의 동작을 지시할 수 있다.
한편, 출력부 (130) 는 수신부 (110) 에 의해 수신된 다양한 임상적 데이터 (300), 나아가 개체 특징 데이터 (500) 를 표시할 수 있다.
또한, 출력부 (130) 는 프로세서 (150) 에 의해 예측된 사망 위험도와 연관된 정보를 디스플레이적으로 표시할 수 있다. 나아가, 출력부 (130) 는 프로세서 (150) 에 의해 개체 (200) 의 사망 위험도가 높은 것으로 결정될 경우, 알림 소리를 출력하도록 더 구성될 수 있다.
저장부 (140) 는 수신부 (110) 를 통해 수신한 개체 (200) 에 대한 다양한 임상적 데이터 (300) 및 개체 특징 데이터 (500) 를 저장하고, 입력부 (120) 를 통해 설정된 사망 위험도 예측용 디바이스 (100) 의 지시를 저장하도록 구성될 수 있다. 나아가, 저장부 (140) 는 후술될 프로세서 (150) 에 의해 생성된 개체 (200) 에 사망 위험도의 예측 정보를 저장하도록 구성된다. 그러나, 전술한 것에 제한되지 않고 저장부 (140) 는 사망 위험도 예측을 위해 프로세서 (150) 에 의해 결정된 다양한 정보들을 저장할 수 있다.
프로세서 (150) 는 사망 위험도 예측용 디바이스 (110) 의 정확한 예측 결과를 제공하기 위한 구성 요소일 수 있다. 이때, 정확한 사망 위험도 예측을 위해 프로세서 (150) 는 다양한 임상적 데이터 (300) 및 개체 특징 데이터 (500) 를 기초로 사망 위험도를 예측하도록 구성된 예측 모델에 기초할 수 있다.
한편, 프로세서 (150) 는, 개체 (200) 가 사망 위험도 예측 모델에 의해 사망 발생 고위험군으로 예측된 경우 의료진 디바이스 (600) 에 알림을 제공하도록 구성될 수 있다. 이에, 의료진은 개체 (200) 에 대한 빠른 조치를 취할 수 있다.
이와 같이 본 발명의 사망 위험도 예측 시스템 (1000) 은, 개체 (200) 에 대하여 사망 발생의 조기 예측 및 이에 따른 처치를 제공할 수 있음에 따라, 다양한 의료 시스템에 적용될 수 있다.
이하에서는 도 2를 참조하여, 본 발명의 일 실시예에 따른 사망 위험도의 예측 방법을 구체적으로 설명한다. 도 2는, 본 발명의 일 실시예에 따른 사망 위험도의 예측 방법의 절차를 예시적으로 도시한 것이다.
도 2를 참조하면, 본 발명의 일 실시예에 따른 사망 위험도의 예측 방법은, 먼저 개체로부터 혈액 데이터, 중증도 평가 데이터, 심리 상태 평가 데이터, 생체 신호 데이터 및 의료적 처치 데이터 중 적어도 하나의 데이터를 수신하고 (S210), 적어도 하나의 데이터를 기초로, 사망 위험도를 예측하도록 구성된 사망 위험도 예측 모델을 이용하여, 개체에 대한 사망 위험도를 예측한다 (S220). 최종적으로 개체에 대하여 예측된 사망 위험도를 제공한다 (S230).
보다 구체적으로, 데이터를 수신하는 단계 (S210) 에서는, 개체에 대하여 초기 측정되거나 획득된 혈액 데이터, 중증도 평가 데이터, 심리 상태 평가 데이터, 생체 신호 데이터 및 의료적 처치 데이터 중 적어도 하나의 데이터가 수신될 수 있다.
본 발명의 특징에 따르면, 데이터를 수신하는 단계 (S210) 에서 수신된 혈액 데이터는, 개체로부터 분리된 혈액으로부터 측정된 BUN (blood urea nitrogen), pH, HCO3, Alb (albumin), Hb (hemoglobin), Hct (hematocrit), BILI (Bilirubin), Na 및 NLR (Neutrophil to Lymphocyte Ratio) 중 적어도 하나의 수치일 수 있다.
본 발명의 다른 특징에 따르면, 데이터를 수신하는 단계 (S210) 에서 수신된 중증도 평가 데이터는, APACHE II (Acute Physiology and Chronic Health Evaluation) 점수일 수 있다.
본 발명의 또 다른 특징에 따르면, 데이터를 수신하는 단계 (S210) 에서 수신된 심리 상태 평가 데이터는, RASS (Richmond Agitation and Sedation Scale) 또는 STAI (State-Trait Anxiety Inventory) 점수일 수 있다.
본 발명의 또 다른 특징에 따르면, 데이터를 수신하는 단계 (S210) 에서 수신된 생체 신호 데이터는, 생체 신호 계측 디바이스로부터 측정된 개체에 대한 체온, 맥박, 산소 포화도, 수축기 혈압, 이완기 혈압, 평균 혈압 및 호흡수일 수 있다. 그러나, 이에 제한되지 않고 생체 신호 데이터는, 개체의 건강 상태와 연관된 다양한 측정 데이터를 포함할 수 있다.
본 발명의 또 다른 특징에 따르면, 데이터를 수신하는 단계 (S210) 에서 수신된 의료적 처치 데이터는, 의료적 처치 데이터는, 카테터 (Catheter), 폴리 (Foley), 리스트레인트 (Restraint) 및 배액 기기 (Drainage) 의 의료 기기 사용 여부 데이터 및 영양 섭취 여부 데이터 중 적어도 하나의 데이터일 수 있다.
한편, 데이터를 수신하는 단계 (S210) 에서 섬망 평가 데이터 또는 개체 특징 데이터가 더 수신될 수 있다.
예를 들어, 데이터를 수신하는 단계 (S210) 에서 섬망 발생 여부, KDRS (Korean version of the Delirium Rating Scale) 진단 점수, KDRS 심각도 점수, DMSS (Delirium Motor Subtype Scale) hyper 점수, DMSS mixed 점수, 및 DMSS hypo 점수 중 적어도 하나를 포함하는 섬망 평가 데이터가 수신될 수 있다.
나아가, 데이터를 수신하는 단계 (S210) 에서 개체의 성별, 개체의 나이, 개체의 체질량 지수, 운동 여부, 질환 발병 여부, 흡연 여부 및 음주 여부 중 적어도 하나의 개체 특징 데이터가 수신될 수 있다.
다음으로, 사망 위험도를 예측하는 단계 (S220) 에서, 사망 위험도를 예측하도록 구성된 사망 위험도 예측 모델에 의해 개체의 사망 위험도가 결정될 수 있다.
본 발명의 특징에 따르면, 사망 위험도를 예측하는 단계 (S220) 에서, 사망 발생 위험도 예측 모델은, 데이터를 수신하는 단계 (S210) 에서 수신된 초기의 혈액 데이터, 중증도 평가 데이터, 심리 상태 평가 데이터, 생체 신호 데이터 및 의료적 처치 데이터, 나아가, 섬망 상태 데이터 또는 개체 특징 데이터를 기초하여, 사망 위험도를 예측할 수 있다.
본 발명의 다른 특징에 따르면, 사망 위험도를 예측하는 단계 (S220) 에서, 사망 위험도 예측 모델에 의해 개체에 대한 미리 결정된 시간 후 사망 발생의 위험도가 예측될 수 있다.
이때, 개체에 대한 미리 결정된 시간 후 사망 발생의 위험도는, 생존 또는 사망으로 예측될 수 도 있으나, 이에 제한되는 것이 아니다. 예를 들어, 사망 위험도를 예측하는 단계 (S220) 에서, 개체에 대한 미리 결정된 시간 후 사망 발생의 위험도는 상기 예측 모델에 의해 확률적으로 예측될 수도 있다.
한편, 사망 위험도 예측 모델은, 데이터를 수신하는 단계 (S210) 에서 수신된, 초기의 혈액 데이터, 중증도 평가 데이터, 심리 상태 평가 데이터, 생체 신호 데이터 및 의료적 처치 데이터, 나아가 섬망 평가 데이터 및 개체 특징 데이터의 임상적 데이터를 기초로 사망 발생의 위험도를 예측하도록 학습된 모델일 수 있다.
예를 들어, 사망 위험도 예측 모델은 사망 표본 개체 및 생존 표본 개체에 대하여 초기 측정되거나 평가된, 혈액 데이터, 중증도 평가 데이터, 심리 상태 평가 데이터, 생체 신호 데이터, 의료적 처치 데이터, 섬망 평가 데이터 및 개체 특징 데이터 중 적어도 하나의 데이터로 구성된 학습용 데이터를 수신하고, 학습용 데이터를 기초로, 사망 또는 생존을 예측하는 단계를 통해 학습된 모델일 수 있다.
나아가, 사망 위험도 예측 모델은, 학습용 데이터에 대하여 사망과의 연관도 (relevance) 점수를 산출하고, 사망과의 연관도 점수를 기초로, 미리 결정된 순위 내에 있는 사망 연관 학습용 데이터를 결정하는 단계를 통해 결정된 사망 연관 학습용 데이터를 기초로, 사망 위험도를 예측하도록 구성된 모델일 수 있다.
마지막으로, 사망 위험도를 제공하는 단계 (S230) 에서, 전술한 사망 위험도를 예측하는 단계 (S220) 에서 예측된 사망 위험도에 관한 정보가 제공될 수 있다.
본 발명의 특징에 따르면, 사망 위험도를 제공하는 단계 (S230) 에서, 사망 위험도 예측 모델에 의해 확률적으로 예측된, 개체에 대한 미리 결정된 시간 후 사망 발생의 위험도가 제공될 수 있다.
예를 들어, 사망 위험도를 제공하는 단계 (S230) 에서 사망 발생 위험 확률이 제공될 수 있다.
한편, 본 발명의 특징에 따르면, 사망 위험도를 제공하는 단계 (S230) 에서, 사망 위험도를 예측하는 단계 (S220) 의 결과로 사망 위험도의 예측 모델에 의해 개체에 대한 사망 위험도가 예측될 경우, 개체에 대한 사망 발생의 위험 알림이 제공될 수 있다.
사망 위험도를 제공하는 단계 (S230) 에서, 전술한 것 이외에 보다 다양한 정보가 제공될 수 있다.
이상의 절차에 따라, 본 발명의 일 실시예에 따른 사망 위험도 예측 방법은, 실시간으로 개체에 대한 사망 발생 여부를 결정하거나, 임의의 시간 후의 사망 발생의 위험도를 예측하여, 사망 위험도에 대한 정보, 나아가 고위험군을 알리는 알람를 제공할 수 있다. 이에, 의료진은 개체에 대한 사망 발생의 조기 예측이 가능할 수 있다. 나아가, 의료진은 고위험군에 대한 빠른 조치를 취할 수 있다.
이하에서는, 도 3a 및 3b를 참조하여, 본 발명의 다양한 실시예에 이용되는 사망 위험도 예측 모델에 대하여 구체적으로 설명한다.
이때, 본 발명의 다양한 실시예에 따른 사망 위험도 예측 모델은, 사망 환자 또는 생존 환자로 구성된 중환자실에 입실한 환자로부터 24 시간 단위로 2 일 동안 1 회/일씩 획득된 초기의 심리 상태 평가 데이터, 생체 신호 데이터, 의료적 처치 데이터, 혈액 데이터, 중증도 평가 데이터 및 섬망 평가 데이터의 임상적 데이터를 기초로 1 년 후 또는, 3 년 후 사망 여부를 예측하도록 학습된 모델일 수 있으나, 이의 학습 방법은 이에 제한되는 것이 아니다. 나아가, 사망 위험도의 예측에 이용되는 임상적 데이터는 학습 방법에 따라 상이한 구성으로 선택될 수 있다.
도 3a는 본 발명의 다양한 실시예에 이용되는 사망 위험도 예측 모델의 학습 데이터를 예시적으로 도시한 것이다.
도 3a를 참조하면, 사망 개체 및 생존 개체의 표본 개체로부터 획득된 학습용 데이터는, 심리 상태 평가 데이터, 생체 신호 데이터, 의료적 처치 데이터, 혈액 데이터 및 중증도 평가 데이터로 구성된다.
보다 구체적으로, 도 3a의 (a)를 참조하면, 학습용 심리 상태 평가 데이터는 RASS 및 STAI 점수의 값으로 구성될 수 있다. 학습용 생체 신호 데이터는, 맥박, 호흡, 체온, SBP 및 DBP 값으로 구성될 수 있다. 나아가, 학습용 의료적 처치 데이터는, 카테터, 폴리, 리스트레인트, 배액 기기의 적용 또는 처치 여부, 나아가 영양 섭취 여부로 구성될 수 있다. 또한, 학습용 혈액 데이터는, BUN- (blood urea nitrogen), pH-, HCO3-, Alb- (albumin), Hb- (hemoglobin), Hct- (hematocrit), BILI- (Bilirubin), Na 및 NLR (Neutrophil to Lymphocyte Ratio) 으로 구성될 수 있다. 또한, 학습용 중증도 평가 데이터는, APACHE 점수값으로 구성될 수 있다.
도 3a의 (b)를 참조하면, 학습용 심리 상태 평가 데이터는 KDRS (진단 점수, KDRS 심각도 점수, DMSS hyper 점수, DMSS mixed 점수, 및 DMSS hypo 점수로 구성될 수 있다.
이때, 각각의 학습용 데이터는 환자로부터 24 시간 단위로 2 일 동안 1 회/일씩 획득된 초기의 데이터일 수 있다. 이때, 데이터를 획득하는 2 일동안 결측된 데이터는 평균값 또는 0으로 처리될 수 있다.
본 발명의 사망 위험도 예측 모델은 상기와 같은 학습용 데이터를 기초로 표본 개체에 대한 사망 발생 여부를 결정하도록 학습될 수 있다.
한편, 본 발명의 사망 위험도 예측 모델의 학습용 데이터는, 이에 제한되는 것이 아니다. 예를 들어, 학습용 데이터는, 개체의 성별, 개체의 나이, 개체의 체질량 지수, 운동 여부, 질환 발병 여부, 흡연 여부 및 음주 여부로 구성된 개체 특징 데이터를 더 포함할 수도 있다.
도 3b는 본 발명의 다양한 실시예에 이용되는 사망 위험도 예측 모델의 구성을 예시적으로 도시한 것이다.
이때, 본 발명의 사망 위험도 예측 모델은 순환 신경망인 LSTM 알고리즘에 기초한 예측 모델일 수 있다.
보다 구체적으로, 본 발명의 사망 위험도 예측 모델은, 혈액 데이터, 중증도 평가 데이터, 심리 상태 평가 데이터, 생체 신호 데이터, 의료적 처치 데이터, 나아가 섬망 평가 데이터, 개체 특징 데이터가 입력되는 입력 레이어 (input layer) 및 사망 또는 생존을 예측하는 출력 레이어 (output layer) 와 이들 레이어 사이에 1 개의 히든 레이어 (hidden layer) 가 존재하는 다층 구조의 예측 모델일 수 있다.
이때, 본 발명의 사망 위험도 예측 모델은, 64 개의 노드로 구성된 1 개의 히든 레이어를 포함하도록 구성될 수 있다. 나아가, 상기 예측 모델은, 사망 위험도의 예측 학습에 있어서 예측의 오차를 최소화하는 가중치를 찾기 위한 파라미터일 수 있는 학습 비율값이 0.0009로 설정될 수 있다. 또한, 예측의 오차를 최소화하며 학습 속도를 증가시키기 위한 파라미터 값인 모멘텀 값이 0.9로 설정될 수 있다. 또한, 본 발명의 사망 위험도 예측 모델은, 학습에 있어서 매개 변수를 갱신하는 최적화 함수로서 'rmsprop'를 이용하도록 구성될 수 있고, 다양한 임상적 데이터들의 입력 값이 출력값에 전달되는 강도를 결정하는 함수로서 'relu'함수를 이용하도록 구성될 수 있다.
그러나, 본 발명의 사망 위험도 예측 모델의 종류는 이에 제한되는 것이 아니다. 예를 들어, 상기 예측 모델은, DNN, CNN, RNN, DCNN, RBM, DBN, SSD, MLP 모델, 또는 U-net을 기반으로 하는 예측 모델일 수도 있다.
한편, 본 발명의 사망 위험도 예측 모델의 학습에 있어서, 사망 또는 생존을 예측하는 것에 연관도가 큰 임상적 데이터들이 결정되는 평가가 수행될 수 있다. 이때, 연관도 평가는 LRP (Layer-wise Relevance Propagation) 알고리즘에 기초하여 수행될 수 있다.
보다 구체적으로, 본 평가에서는, LRP 알고리즘에 의해 초기의 혈액 데이터, 중증도 평가 데이터, 심리 상태 평가 데이터, 생체 신호 데이터 및 의료적 처치 데이터의 임상적 데이터, 나아가 섬망 평가 데이터 및 개체 특징 데이터의 입력값과 사망 또는 생존의 출력값의 연관도 (relevance) 가 추정될 수 있다.
보다 구체적으로, 다양한 임상적 데이터의 입력값과 사망 또는 생존으로의 출력값의 연관도는 하기 [수학식 1]로 산출될 수 있다.
[수학식 1]
Figure PCTKR2019004825-appb-I000001
여기서, L은, 출력 레이어 값을 의미하고, Zji는 l+1번째 레이어와 l번째 레이어의 가중치, 및 l번째 레이어 입력 값의 곱을 의미할 수 있다 (
Figure PCTKR2019004825-appb-I000002
). 나아가, bj 는 j번째 노드의 편향값을 의미할 수 있다.
산출된 연관도 점수에 의해 다양한 임상적 데이터 중, 사망 발생을 예측하는 것에 연관도가 큰 임상적 데이터 또는, 생존을 예측하는 것에 연관도가 큰 임상적 데이터가 결정될 수 있다.
이러한 연관도가 큰 임상적 데이터들이 상기 예측 모델의 학습에 입력 데이터로서 적용될 수 있음에 따라, 사망 위험도의 예측에 있어서 본 발명의 예측 모델은 다른 모델들 보다 사망 위험도의 예측 능력이 우수할 수 있다.
한편, 사망 위험도 예측 모델의 평가는 전술한 LRP알고리즘에 제한되지 않고 보다 다양한 알고리즘에 기초하여 수행될 수 있다. 예를 들어, Randomized Decision forest 알고리즘, Penalized Logistic Regression 알고리즘에 기초하여 사망 발생 위험도를 예측하는 것에 연관도가 큰 임상적 데이터 또는, 생존을 예측하는 것에 연관도가 큰 임상적 데이터가 결정될 수 있다.
실시예: 본 발명의 다양한 실시예에 따른 사망 위험도 예측 모델의 평가
이하에서는 4a 및 4b를 참조하여 본 발명의 다양한 실시예에서 이용되는 사망 발병 위험도 예측 모델의 평가 결과에 대하여 구체적으로 설명한다. 도 4a 및 4b는 본 발명의 다양한 실시예에 이용되는 사망 위험도 예측 모델에 대한 평가 결과를 도시한 것이다.
도 4a를 참조하면, 전술한 임상적 데이터 중, 개체 특징 데이터를 제외한, 심리 상태 평가 데이터, 생체 신호 데이터, 의료적 처치 데이터, 혈액 데이터 및 중증도 평가 데이터를 기초로 1 년 후 사망 (positive) 또는 생존 (negative) 을 예측하도록 구성된 사망 위험도 예측 모델의 평가 결과가 도시된다.
보다 구체적으로, 도 4a의 (a)를 참조하면, 상기 예측 모델의 학습 및 평가를 위해 925 개의 사망 개체에 대한 데이터 (학습: 720, 테스트: 205) 및 1101 개의 생존 개체에 대한 데이터 (학습: 720, 테스트: 381) 가 이용되었다. 이때, 사망 위험도 예측 모델은, 1 년 후 사망 위험도를 예측하도록 구성되었다.
도 4a의 (b) 및 (c)를 참조하면, 상기 예측 모델의 사망 위험도의 1 년 후 사망 위험도에 대한 예측의 민감도 (sensitivity) 는 0.76, 특이도 (specificity)는 0.90 및 정확도 (precision) 는 0.81로 높은 수준으로 나타난다. 특히, 진단 능력을 의미할 수 있는 AUC값은 0.90으로 높게 나타남에 따라, 상기 학습 데이터에 의해 학습된 사망 위험도 예측 모델은, 사망 위험도 시스템에 적용될 경우, 개체에 대하여 사망 발생의 위험도, 보다 구체적으로 1 년 후 사망 발생의 위험도를 높은 정확도로 예측할 수 있다.
도 4b를 참조하면, 전술한 임상적 데이터 중, 개체 특징 데이터를 제외한, 심리 상태 평가 데이터, 생체 신호 데이터, 의료적 처치 데이터, 혈액 데이터 및 중증도 평가 데이터를 기초로 3 년 후 사망 또는 생존을 예측하도록 구성된 사망 위험도 예측 모델의 평가 결과가 도시된다.
보다 구체적으로, 도 4b의 (a)를 참조하면, 상기 예측 모델의 학습 및 평가를 위해 541 개의 사망 개체에 대한 데이터 (학습: 432, 테스트: 109) 및 582 개의 생존 개체에 대한 데이터 (학습: 433, 테스트: 149) 가 이용되었다. 이때, 사망 위험도 예측 모델은, 3 년 후 사망 위험도를 예측하도록 구성되었다.
도 4b의 (b) 및 (c)를 참조하면, 상기 예측 모델의 사망 위험도의 예측에 대한 민감도는 0.64, 특이도는 0.77 및 정확도는 0.67로 나타난다.
한편, 상기 예측 모델의 진단 능력을 의미할 수 있는 AUC값은 0.80로 나타남에 따라, 전술한 도 4a의 1 년 후 사망 위험도를 예측하도록 학습된 예측 모델의 평가 결과보다 낮으나, 높은 수준의 AUC값을 갖는 것으로 나타난다.
이러한 결과에 의해, 본 발명의 다양한 실시예에 이용되는 사망 위험도 예측 모델은, 사망 위험도 시스템에 적용될 경우, 개체에 대하여 사망 발생의 위험도, 보다 구체적으로 3 년 후 사망 발생의 위험도를 예측할 수 있다. 한편, 3 년 후 사망 위험도를 예측하도록 학습된 예측 모델의 경우, 학습 데이터가 추가될 경우, 사망 위험도 예측의 성능 향상을 기대할 수 있다.
이상의 실시예의 결과로, 본 발명의 다양한 실시예에서 이용된 사망 위험도 예측 모델이 사망 위험도를 높은 정확도로 예측하는 것을 확인할 수 있었다. 특히, 사망 위험도 예측 모델은, 미리 결정된 시간 후 사망 발생의 위험도를 높은 정확도 및 정밀도로 예측할 수 있다. 나아가, 높은 AUC 값을 갖는 것으로 나타난 결과에 따라 본 발명의 예측 모델은 우수한 진단 능력을 가지는 것으로 확인할 수 있었다.
이에, 본 발명은 사망과 연관된 임상적 증상에 대한 처치 시점을 앞당겨 치료에 대한 좋은 예후를 제공할 수 있다.
특히, 본 발명은 개체로부터 획득한 초기의 생체 신호 데이터, 의료적 처치 데이터, 혈액 데이터, 심리 상태 평가 및 중증도 평가 데이터, 나아가 섬망 평가 데이터 및 개체 특징 데이터의 임상적 데이터에 기초한 사망 위험도 예측 시스템을 제공함으로써, 개체에 대하여 사망 발생의 조기 진단을 제공할 수 있다.
이에, 본 발명은 개체의 생존률 증가 효과를 제공할 수 있다.
또한, 본 발명은, 개체에 대하여 예측 모델에 의해 사망 위험도가 예측될 경우, 알람을 제공하여 사망 밸상의 위험도를 알리도록 구성됨에 따라, 보호자 또는 의료진은 중환자와 같은 지속적인 모니터링이 요구되는 개체에 대하여 보다 용이하게 사망 발생 고위험군을 인지할 수 있다.
본 발명의 여러 실시예들의 각각 특징들이 부분적으로 또는 전체적으로 서로 결합 또는 조합 가능하며, 당업자가 충분히 이해할 수 있듯이 기술적으로 다양한 연동 및 구동이 가능하며, 각 실시예들이 서로에 대하여 독립적으로 실 시 가능할 수도 있고 연관 관계로 함께 실시 가능할 수도 있다.
이상 첨부된 도면을 참조하여 본 발명의 실시예들을 더욱 상세하게 설명하였으나, 본 발명은 반드시 이러한 실시예로 국한되는 것은 아니고, 본 발명 의 기술사상을 벗어나지 않는 범위 내에서 다양하게 변형 실시될 수 있다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
[부호의 설명]
100: 사망 위험도 예측용 디바이스
110: 수신부
120: 입력부
130: 표시부
140: 저장부
150: 프로세서
200: 개체
300: 임상적 데이터
310: 의료적 처치 데이터
320: 생체 신호 데이터
330: 심시 상태 평가 데이터
340: 혈액 데이터
350: 중증도 평가 데이터
360: 섬망 평가 데이터
400: 의료 기기
500: 개체 특징 데이터
600: 의료진 디바이스
1000: 사망 위험도 예측 시스템
[이 발명을 지원한 국가연구개발사업]
과제고유번호: HI16C0132
부처명: 보건복지부
연구관리전문기관: 한국보건산업진흥원
연구사업명: 질환극복기술개발-중개연구
연구과제명: 신경학적 병인 규명을 통한 섬망의 조기진단기술 및 예방 모델 개발
기여율: 1/1
주관기관: 연세대학교 산학협력단
연구기간: 20160401 ~ 20190331

Claims (21)

  1. 프로세서에 의해 구현되는 사망 위험도 예측 방법에 있어서,
    개체에 대한 혈액 데이터, 중증도 평가 데이터, 심리 상태 평가 데이터, 생체 신호 데이터 및 의료적 처치 데이터 중 적어도 하나의 데이터를 수신하는 단계;
    상기 적어도 하나의 데이터를 기초로, 사망 위험도를 예측하도록 구성된 사망 위험도 예측 모델을 이용하여, 상기 개체에 대한 사망 위험도를 예측하는 단계, 및
    상기 개체에 대하여 예측된 상기 사망 위험도를 제공하는 단계를 포함하고,
    상기 적어도 하나의 데이터는,
    상기 개체에 대하여 단일회 평가되거나 단일회 측정된 초기 데이터로 정의되는, 사망 위험도의 예측 방법.
  2. 제1항에 있어서,
    상기 적어도 하나의 데이터는,
    상기 심리 상태 평가 데이터를 포함하고,
    상기 심리 상태 평가 데이터는,
    RASS (Richmond Agitation and Sedation Scale) 또는 STAI (State-Trait Anxiety Inventory) 점수인, 사망 위험도의 예측 방법.
  3. 제1항에 있어서,
    상기 적어도 하나의 데이터는,
    상기 혈액 데이터를 포함하고,
    상기 혈액 데이터는,
    BUN (blood urea nitrogen), pH, HCO3, Alb (albumin), Hb (hemoglobin), Hct (hematocrit), BILI (Bilirubin), Na 및 NLR (Neutrophil to Lymphocyte Ratio) 중 적어도 하나의 수치를 포함하는, 사망 위험도의 예측 방법.
  4. 제1항에 있어서,
    상기 적어도 하나의 데이터는,
    상기 중증도 평가 데이터를 포함하고,
    상기 중증도 평가 데이터는,
    APACHE II (Acute Physiology and Chronic Health Evaluation) 점수를 포함하는, 사망 위험도의 예측 방법.
  5. 제1항에 있어서,
    상기 적어도 하나의 데이터는,
    상기 생체 신호 데이터를 포함하고,
    상기 생체 신호 데이터는,
    맥박, 호흡, 체온, SBP (systolic blood pressure) 및 DBP (diastolic blood pressure) 중 적어도 하나를 포함하는, 사망 위험도의 예측 방법.
  6. 제1항에 있어서,
    상기 의료적 처치 데이터는,
    카테터 (Catheter), 폴리 (Foley), 리스트레인트 (Restraint) 및 배액 기기 (Drainage) 의 의료 기기 사용 여부 데이터, 및 영양 섭취 데이터 중 적어도 하나의 데이터를 포함하는, 사망 위험도의 예측 방법.
  7. 제1항에 있어서,
    섬망 평가 데이터 또는 상기 개체 특징 데이터를 수신하는 단계를 더 포함하고,
    상기 사망 위험도 예측 모델은,
    상기 섬망 평가 데이터 또는 상기 개체 특징 데이터를 기초로, 사망 위험도를 예측하도록 더 구성되고,
    상기 섬망 평가 데이터는,
    섬망 발생 여부, KDRS (Korean version of the Delirium Rating Scale) 진단 점수, KDRS 심각도 점수, DMSS (Delirium Motor Subtype Scale) hyper 점수, DMSS mixed 점수, 및 DMSS hypo 점수 중 적어도 하나를 포함하고,
    상기 개체 특징 데이터는,
    상기 개체의 성별, 상기 개체의 나이, 상기 개체의 체질량 지수, 운동 여부, 질환 발병 여부, 흡연 여부 및 음주 여부 중 적어도 하나를 포함하는, 사망 위험도의 예측 방법.
  8. 제1항에 있어서,
    상기 초기 데이터는,
    상기 개체에 대하여, 입원 기간 동안 미리 결정된 시간 단위로 처음 평가되거나 처음 측정된 초기 데이터로 정의되고,
    상기 사망 위험도는,
    미리 결정된 시간 후 사망 발생의 위험도로 정의되는, 사망 위험도의 예측 방법.
  9. 제1항에 있어서,
    상기 사망 위험도를 제공하는 단계는,
    상기 사망 위험도 예측 모델에 의해 개체에 대한 사망 발생 위험도가 예측될 경우,
    상기 개체에 대한 사망 위험 알림을 제공하는 단계를 포함하는, 사망 위험도의 예측 방법.
  10. 제1항에 있어서,
    상기 사망 위험도 예측 모델은,
    사망 표본 개체 및 생존 표본 개체에 대한 혈액 데이터, 중증도 평가 데이터, 심리 상태 평가 데이터, 생체 신호 데이터, 의료적 처치 데이터, 섬망 평가 데이터 및 표본 개체 특징 데이터 중 적어도 하나의 데이터로 구성된 학습용 데이터를 수신하는 단계, 및
    상기 학습용 데이터를 기초로, 사망 또는 생존을 예측하는 단계를 통해 학습된 모델인, 사망 위험도의 예측 방법.
  11. 제10항에 있어서,
    상기 학습용 데이터를 수신하는 단계 이후에 수행되는,
    상기 학습용 데이터를 평가하는 단계를 더 포함하고,
    상기 학습용 데이터를 평가하는 단계는,
    상기 학습용 데이터에 대하여 사망과의 연관도 (relevance) 점수를 산출하는 단계, 및
    상기 사망과의 연관도 점수를 기초로, 미리 결정된 순위 내에 있는 사망 연관 학습용 데이터를 결정하는 단계를 포함하는, 사망 위험도의 예측 방법.
  12. 제11항에 있어서,
    상기 학습용 데이터를 평가하는 단계는,
    LRP (Layer-wise Relevance Propagation) 알고리즘을 이용하여,
    상기 학습용 데이터에 대하여 상기 사망과의 연관도 점수를 산출하는 단계, 및
    상기 사망과의 관련도 점수를 기초로, 미리 결정된 순위 내에 있는 사망 연관 학습용 데이터를 결정하는 단계를 포함하는, 사망 위험도의 예측 방법.
  13. 프로세서에 의해 구현되는 사망 위험도 예측용 디바이스에 있어서,
    개체에 대한 혈액 데이터, 중증도 평가 데이터, 심리 상태 평가 데이터, 생체 신호 데이터 및 의료적 처치 데이터 중 적어도 하나의 데이터를 수신하도록 구성된, 수신부 및
    상기 수신부와 통신하도록 구성된 프로세서를 포함하고,
    상기 프로세서는,
    상기 적어도 하나의 데이터를 기초로, 사망 위험도를 예측하도록 구성된 사망 위험도 예측 모델을 이용하여, 상기 개체에 대한 사망 위험도를 예측하고, 상기 개체에 대하여 예측된 상기 사망 위험도를 제공하도록 구성되고,
    상기 적어도 하나의 데이터는,
    상기 개체에 대하여 단일회 평가되거나 단일회 측정된 초기 데이터로 정의되는, 사망 위험도의 예측용 디바이스.
  14. 제13항에 있어서,
    상기 적어도 하나의 데이터는,
    상기 심리 상태 평가 데이터를 포함하고,
    상기 심리 상태 평가 데이터는,
    RASS 점수 또는 STAI 점수인, 사망 위험도의 예측용 디바이스.
  15. 제13항에 있어서,
    상기 적어도 하나의 데이터는,
    상기 혈액 데이터를 포함하고,
    상기 혈액 데이터는,
    BUN, pH, HCO3, Alb, Hb, Hct, BILI, Na 및 NLR 중 적어도 하나의 수치를 포함하는, 사망 위험도의 예측용 디바이스.
  16. 제13항에 있어서,
    상기 적어도 하나의 데이터는,
    상기 중증도 평가 데이터를 포함하고,
    상기 중증도 평가 데이터는,
    APACHE II 점수를 포함하는 사망 위험도의 예측용 디바이스.
  17. 제13항에 있어서,
    상기 적어도 하나의 데이터는,
    상기 생체 신호 데이터를 포함하고,
    상기 생체 신호 데이터는,
    맥박, 호흡, 체온, SBP 및 DBP 중 적어도 하나를 포함하는, 사망 위험도의 예측용 디바이스.
  18. 제13항에 있어서,
    상기 의료적 처치 데이터는,
    카테터, 폴리, 리스트레인트 및 배액 기기의 의료 기기 사용 여부 데이터, 및 영양 섭취 데이터 중 적어도 하나의 데이터를 포함하는, 사망 위험도의 예측용 디바이스.
  19. 제13항에 있어서,
    상기 수신부는,
    섬망 평가 데이터 또는 상기 개체 특징 데이터를 수신하도록 더 구성되고,
    상기 사망 위험도 예측 모델은,
    상기 섬망 평가 데이터 또는 상기 개체 특징 데이터를 기초로, 사망 위험도를 예측하도록 더 구성되고,
    상기 섬망 평가 데이터는,
    섬망 발생 여부, KDRS 진단 점수, KDRS 심각도 점수, DMSS hyper 점수, DMSS mixed 점수, 및 DMSS hypo 점수 중 적어도 하나를 포함하고,
    상기 개체 특징 데이터는,
    상기 개체의 성별, 상기 개체의 나이, 상기 개체의 체질량 지수, 운동 여부, 질환 발병 여부, 흡연 여부 및 음주 여부 중 적어도 하나를 포함하는, 사망 위험도의 예측용 디바이스.
  20. 제13항에 있어서,
    상기 초기 데이터는,
    상기 개체에 대하여, 입원 기간 동안 미리 결정된 시간 단위로 처음 평가되거나 처음 측정된 초기 데이터로 정의되고,
    상기 사망 위험도는,
    미리 결정된 시간 후 사망 발생의 위험도로 정의되는, 사망 위험도의 예측용 디바이스.
  21. 제13항에 있어서,
    상기 프로세서는,
    상기 사망 위험도 예측 모델에 의해 개체에 대한 사망 발생 위험도가 예측될 경우,
    상기 개체에 대한 사망 위험 알림을 제공하도록 더 구성된, 사망 위험도의 예측용 디바이스.
PCT/KR2019/004825 2018-12-18 2019-04-22 사망 위험도의 예측 방법 및 이를 이용한 디바이스 WO2020130238A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020180164200A KR102257830B1 (ko) 2018-12-18 2018-12-18 사망 위험도의 예측 방법 및 이를 이용한 디바이스
KR10-2018-0164200 2018-12-18

Publications (1)

Publication Number Publication Date
WO2020130238A1 true WO2020130238A1 (ko) 2020-06-25

Family

ID=71102178

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2019/004825 WO2020130238A1 (ko) 2018-12-18 2019-04-22 사망 위험도의 예측 방법 및 이를 이용한 디바이스

Country Status (2)

Country Link
KR (1) KR102257830B1 (ko)
WO (1) WO2020130238A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116562711A (zh) * 2023-06-26 2023-08-08 应急管理部大数据中心 全国安全生产态势评估方法、装置及电子设备

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102512674B1 (ko) * 2020-10-28 2023-03-22 전남대학교산학협력단 딥러닝 기반의 생존 시간 예측 시스템 및 방법
KR102613560B1 (ko) * 2020-12-01 2023-12-12 가톨릭대학교 산학협력단 질병 예측 장치, 방법 및 기록 매체
WO2023096265A1 (ko) * 2021-11-26 2023-06-01 서울대학교병원 생체신호를 이용한 covid-19 환자의 중증도 예측 스코어링 장치 및 그 방법
WO2023127982A1 (ko) * 2021-12-28 2023-07-06 경상국립대학교병원 급성 호흡곤란 증후군 환자의 예후 예측을 위한 정보제공방법

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100057490A1 (en) * 2006-05-30 2010-03-04 The University Of North Carolina At Chapel Hill Methods, systems, and computer program products for evaluating a patient in a pediatric intensive care unit
US20140136225A1 (en) * 2011-06-24 2014-05-15 Koninklijke Philips N.V. Discharge readiness index
US20160187352A1 (en) * 2013-08-09 2016-06-30 Inotrem Methods and kits for predicting the risk of having a cardiovascular disease or event
JP2017021727A (ja) * 2015-07-15 2017-01-26 国立大学法人京都大学 イベント発生時期予測装置、イベント発生時期予測方法、及びイベント発生時期予測プログラム
KR20170063880A (ko) * 2014-10-29 2017-06-08 에프. 호프만-라 로슈 아게 사망 위험성을 예측하기 위한 바이오마커
US20180098736A1 (en) * 2010-03-15 2018-04-12 Singapore Health Services Pte Ltd. System and method for predicting acute cardiopulmonary events and survivability of a patient

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100057490A1 (en) * 2006-05-30 2010-03-04 The University Of North Carolina At Chapel Hill Methods, systems, and computer program products for evaluating a patient in a pediatric intensive care unit
US20180098736A1 (en) * 2010-03-15 2018-04-12 Singapore Health Services Pte Ltd. System and method for predicting acute cardiopulmonary events and survivability of a patient
US20140136225A1 (en) * 2011-06-24 2014-05-15 Koninklijke Philips N.V. Discharge readiness index
US20160187352A1 (en) * 2013-08-09 2016-06-30 Inotrem Methods and kits for predicting the risk of having a cardiovascular disease or event
KR20170063880A (ko) * 2014-10-29 2017-06-08 에프. 호프만-라 로슈 아게 사망 위험성을 예측하기 위한 바이오마커
JP2017021727A (ja) * 2015-07-15 2017-01-26 国立大学法人京都大学 イベント発生時期予測装置、イベント発生時期予測方法、及びイベント発生時期予測プログラム

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116562711A (zh) * 2023-06-26 2023-08-08 应急管理部大数据中心 全国安全生产态势评估方法、装置及电子设备

Also Published As

Publication number Publication date
KR20200075477A (ko) 2020-06-26
KR102257830B1 (ko) 2021-05-28

Similar Documents

Publication Publication Date Title
WO2020130238A1 (ko) 사망 위험도의 예측 방법 및 이를 이용한 디바이스
US20210343425A1 (en) Detecting infection using personalized criteria
WO2019103187A1 (ko) 뇌파를 통한 뇌 인지기능 평가 플랫폼 및 방법
Janah et al. Atypical erythema multiforme palmar plaques lesions due to Sars‐Cov‐2
Crum-Cianflone et al. Low prevalence of neurocognitive impairment in early diagnosed and managed HIV-infected persons
Davidson et al. Effects of prenatal and postnatal methylmercury exposure from fish consumption on neurodevelopment: outcomes at 66 months of age in the Seychelles Child Development Study
Roberts et al. Dimensions associated with assessments of sex offender recidivism risk
KR20200061713A (ko) 섬망 발병 위험도의 예측 방법 및 이를 이용한 디바이스
Cheong et al. Wearable technology for early detection of COVID-19: A systematic scoping review
Williamson et al. Incidence, predictors and outcomes of delirium in critically ill patients with COVID-19
WO2016068391A1 (ko) 환자 개인 특성에 대한 분석 방법 및 그 장치
Fernando et al. Outcomes of older hospitalized patients requiring rapid response team activation for acute deterioration
Koya et al. COVID-19 and comorbidities: audit of 2,000 COVID-19 deaths in India
Forget et al. Delirium and inflammation in older adults hospitalized for COVID-19: a cohort study
WO2014209005A1 (ko) 라이프 스타일 분석 시스템 및 방법
Thodphetch et al. A comparison of scoring systems for predicting mortality and sepsis in the emergency department patients with a suspected infection
Hu et al. The validity of skin conductance for assessing acute pain in infants: a scoping review
WO2019103186A1 (ko) 뇌파 분석을 통한 뇌 나이 추정 방법 및 시스템
Babicz et al. Vestibular/ocular motor screening is independently associated with concussion symptom severity in youths
Madrigal-Garcia et al. What faces reveal: A novel method to identify patients at risk of deterioration using facial expressions
Rigau-Pérez Surveillance for an emerging disease: dengue hemorrhagic fever in Puerto Rico, 1988-1997. Puerto Rico Association of Epidemiologists.
WO2019103188A1 (ko) 뇌파 분석을 통한 외상성 뇌손상 평가 시스템 및 방법
Low et al. Delirium in older inpatients with COVID-19: impact on service provision
Foroozanfar et al. Isolation compliance and associated factors among COVID-19 patients in north-west Iran: A cross-sectional study
Lavine et al. Emergency department visits and helpline calls in Rhode Island for acute sexual assault before and during the COVID‐19 pandemic

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19899319

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19899319

Country of ref document: EP

Kind code of ref document: A1