WO2020138707A1 - 혈액검사 결과 기반 생활패턴 및 변화인자 추정방법 - Google Patents

혈액검사 결과 기반 생활패턴 및 변화인자 추정방법 Download PDF

Info

Publication number
WO2020138707A1
WO2020138707A1 PCT/KR2019/015192 KR2019015192W WO2020138707A1 WO 2020138707 A1 WO2020138707 A1 WO 2020138707A1 KR 2019015192 W KR2019015192 W KR 2019015192W WO 2020138707 A1 WO2020138707 A1 WO 2020138707A1
Authority
WO
WIPO (PCT)
Prior art keywords
life pattern
blood
blood test
period
information
Prior art date
Application number
PCT/KR2019/015192
Other languages
English (en)
French (fr)
Inventor
양여리
조재형
Original Assignee
(주)아이쿱
가톨릭대학교 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 (주)아이쿱, 가톨릭대학교 산학협력단 filed Critical (주)아이쿱
Publication of WO2020138707A1 publication Critical patent/WO2020138707A1/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems

Definitions

  • the present invention relates to a method and apparatus for estimating life patterns and change factors based on blood test results.
  • it relates to a method and apparatus for estimating the life pattern of the subject for a specific period of time based on a plurality of blood test results for the subject.
  • Blood test is a test of various components of blood for the purpose of diagnosis treatment and prognosis of diseases.
  • the blood test consists of collecting blood from a subject using a syringe and analyzing the collected blood using a blood analysis mechanism to obtain blood information.
  • the conventional blood analysis mechanism provides only the result information for each blood test that has been performed in one shot, and general testers use the blood test result information to find out the presence or absence of a disease.
  • the conventional blood analysis mechanism provides only information on diseases according to blood test results, and it is difficult to perform analysis on lifestyle change information and/or state change information of the examinee, and it is difficult to perform various diseases. There is a limitation in estimating habits, and a solution to this is needed.
  • the present invention is based on blood test results capable of estimating a life pattern of a test subject for a specific period based on a plurality of blood test lab data for a test subject using deep learning in order to estimate objective life pattern information through a blood test. To provide a method and apparatus for estimating life patterns.
  • a method and apparatus for estimating life patterns and change factors based on blood test results is a method for estimating the life pattern of the test subject by obtaining lab data according to the blood test of the test subject at the terminal, the first blood test Obtaining first wrap data according to; Obtaining second lab data according to a second blood test after the first period; Inputting the first lab data and the second lab data into a deep learning neural network for each life pattern item, and obtaining first period life pattern information output from the deep learning neural network for each life pattern item; And displaying the life pattern information of the first period, and the life pattern information includes lifestyle information on at least one item of the drug compliance, drinking habits, eating habits, and exercise amount of the examinee.
  • the first lab data and the second lab data are input to the drug compliance neural network, and the subject during the first period output from the drug compliance neural network And obtaining a drug compliance evaluation index, which is an index indicating the degree of compliance with medication use according to the medication guidance for.
  • the first lap data and the second rap data are input into the drinking habit estimation deep learning neural network, and the first output from the drinking habit estimation deep learning neural network is input. And obtaining an alcohol-related evaluation index proportional to the amount of alcohol and the number of alcoholic beverages of the testee during one period.
  • the displaying of the first period life pattern information may include outputting the first period life pattern information through medical consultation supplementary content, and the medical consultation supplementary content includes specific items of the lifestyle pattern information.
  • the method further includes displaying blood test blood component change information associated with the blood test in association with a specific item of the life pattern information.
  • the method and apparatus for estimating life patterns and change factors based on blood test results include: obtaining third lab data according to a third blood test after a second period, and the second lab data and the Obtaining second period life pattern information based on third lap data, obtaining third period life pattern information based on the first lap data and the third lap data, and the first to third And displaying life pattern information of the period.
  • the method and apparatus for estimating a life pattern based on blood test results obtains a plurality of blood test lab data for the test subject and estimates the test subject life pattern for a specific period based on the acquired lab data In addition, it provides an objective and accurate life pattern estimation information for a specific period of time, and has the advantage of performing a high-quality medical examination and treatment.
  • the method and apparatus for estimating life patterns based on blood test results can obtain more accurate life pattern information by mutually correcting life pattern information obtained through a plurality of estimated lap data.
  • the method and apparatus for estimating life patterns based on blood test results are automated and fast and efficient blood test results by estimating life patterns of subjects through artificial intelligence data processing through a learned deep learning neural network. It is possible to provide a service based on estimation of life patterns.
  • the method and apparatus for estimating life patterns based on blood test results effectively generate a training data set by learning a deep learning neural network based on medical consultation content generated based on blood test results You can, and you can train deep learning neural networks based on more reliable data.
  • the method and apparatus for estimating the life pattern based on the blood test result display and provide the estimated life pattern information in various ways, so that the user can easily and intuitively receive the life pattern information based on the blood test result. Can be confirmed.
  • FIG. 1 is a conceptual diagram showing a system for estimating life patterns based on blood test results according to an embodiment of the present invention.
  • FIG. 2 is an example showing the appearance of a terminal according to an embodiment of the present invention.
  • FIG. 3 is a view for explaining a life pattern estimation server according to an embodiment of the present invention.
  • FIG. 4 is a flowchart illustrating a method for estimating life patterns based on blood test results according to an embodiment of the present invention.
  • 6 is an example of outputting a living pattern information according to an embodiment of the present invention as a graphic image through medical consultation assistant content.
  • FIG. 7 is an example of displaying blood test lab data associated with each item of life pattern information and life pattern information according to an embodiment of the present invention through medical consultation supplementary content.
  • FIG. 8 is a diagram for explaining a method of displaying life pattern information based on first to third blood tests in various ways according to an embodiment of the present invention.
  • FIG. 9 is a flowchart illustrating a method of constructing a deep learning neural network for each living pattern item according to an embodiment of the present invention.
  • FIG. 1 is a conceptual diagram showing a system for estimating life patterns based on blood test results according to an embodiment of the present invention.
  • the life pattern estimation system based on blood test results may include a terminal 100, a life pattern estimation server 200, and a medical consultation assistance service providing server 300.
  • each component of FIG. 1 may be connected through a network.
  • the network refers to a connection structure capable of exchanging information between each node, such as the terminal 100, the life pattern estimation server 200, and the medical consultation assistant service providing server 300.
  • 3GPP 3rd Generation Partnership Project (LTE) network, Long Term Evolution (LTE) network, World Interoperability for Microwave Access (WIMAX) network, Internet, Local Area Network (LAN), Wireless Local Area Network (LAN), Wide Area (WAN) Network, PAN (Personal Area Network), Bluetooth (Bluetooth) network, satellite broadcasting network, analog broadcasting network, DMB (Digital Multimedia Broadcasting) network, and the like.
  • LTE 3rd Generation Partnership Project
  • LTE Long Term Evolution
  • WWX World Interoperability for Microwave Access
  • LAN Local Area Network
  • LAN Wireless Local Area Network
  • WAN Wide Area
  • PAN Personal Area Network
  • Bluetooth Bluetooth
  • satellite broadcasting network analog broadcasting network
  • DMB Digital Multimedia Broadcasting
  • the terminal 100 is a smart terminal, a digital broadcasting terminal, a mobile phone, PDA (personal digital assistants), PMP (PMP) that is a portable terminal in which a program for performing a blood test-based life pattern estimation service is installed.
  • portable multimedia player portable multimedia player
  • navigation a tablet PC (tablet PC)
  • wearable device wearable device
  • smart glass smart glass
  • the terminal 100 provides a blood test-based life pattern estimation service based on wired/wireless communication, such as a fixed terminal, a desktop PC, a laptop computer, and a personal computer such as an ultrabook. It may further include a device with a program for installation.
  • the terminal 100 may acquire and store rap data according to the blood test of the testee, and obtain and output life pattern information of the testee based on the acquired lab data. .
  • the terminal 100 may acquire a plurality of lap data according to the blood test of the examinee, and may acquire the life pattern information by transmitting the obtained plurality of lap data to the life pattern estimation server 200,
  • the acquired life pattern information may be transmitted to the medical consultation assistant service providing server 300 to obtain and output medical consultation assistant content.
  • the terminal 100 may provide a questionnaire capable of grasping the stress level of the testee in order to more closely grasp the stress level occurring in the life of the testee.
  • the terminal 100 may receive and output medical consultation assistant content from the medical consultation assistant service providing server 300 capable of analyzing the stress level of the examinee through a questionnaire-type questionnaire.
  • the terminal 100 may acquire the subject stress questionnaire information that can help to grasp the stress information of the subject through the questionnaire.
  • the terminal 100 transmits the obtained subject stress questionnaire information to the life pattern estimation server 200 and/or the medical counseling assistance service providing server 300 to effectively acquire and utilize the life pattern information of the examinee in the future. I can assist.
  • FIG 2 is an example of the appearance of the terminal 100 according to an embodiment of the present invention.
  • the terminal 100 includes a communication unit 110, an input unit 120, a display unit 130, a touch screen 135, a camera 140, a storage unit 150, and a microphone ( 160), a speaker 170, and a control unit 180.
  • the communication unit 110 may transmit and receive various data and/or information to provide a blood test-based life pattern estimation service.
  • the communication unit 110 communicates with the terminal 100 of another user, the life pattern estimation server 200 and/or the medical consultation assistance service providing server 300, and is associated with a blood test-based life pattern estimation service.
  • Data eg, life pattern information, etc.
  • the communication unit 110 may assist in printing the offline pattern by transmitting the life pattern information to an external printer.
  • the communication unit 110 includes technical standards or communication methods for mobile communication (eg, Global System for Mobile Communication (GSM), Code Division Multi Access (CDMA), High Speed Downlink Packet Access (HSDPA), HSUPA (High-speed Uplink Packet Access (LTE), Long Term Evolution (LTE), Long Term Evolution-Advanced (LTE-A), etc., and wireless with at least one of a base station, an external terminal 100, and any server on a mobile communication network Send and receive signals.
  • GSM Global System for Mobile Communication
  • CDMA Code Division Multi Access
  • HSDPA High Speed Downlink Packet Access
  • HSUPA High-speed Uplink Packet Access
  • LTE Long Term Evolution
  • LTE-A Long Term Evolution-Advanced
  • the input unit 120 may detect a user input related to a blood test-based life pattern estimation service.
  • the input unit 120 may detect a user's input through a counseling input interface provided in a medical consultation process.
  • the display unit 130 may output a graphic image of various information related to a blood test-based life pattern estimation service.
  • the display unit 130 includes a liquid crystal display (LCD), a thin film transistor-liquid crystal display (TFT LCD), an organic light-emitting diode (OLED), and a flexible display.
  • LCD liquid crystal display
  • TFT LCD thin film transistor-liquid crystal display
  • OLED organic light-emitting diode
  • flexible display a three-dimensional display (3D display)
  • e-ink display an electronic ink display (e-ink display) may include at least one.
  • the input unit 120 and the display unit 130 may be combined to be implemented as a touch screen 135.
  • the camera 140 may acquire a medical consultation-related image by photographing a course of treatment and medical consultation, and the terminal 100 that acquired the image may output the obtained image through the medical consultation supplementary content. have.
  • the camera 140 may acquire an image by photographing a direction side which is disposed on the front or/and rear of the terminal 100 and is disposed outside the terminal 100 to perform a treatment process from an external viewpoint. You can also shoot.
  • the camera 140 When the camera 140 is disposed outside the terminal 100, the camera 140 may transmit a medical procedure image photographed by the controller 180 through the communication unit 110.
  • the camera 140 may include an image sensor and an image processing module.
  • the camera 140 may process a still image or a moving image obtained by an image sensor (for example, CMOS or CCD).
  • an image sensor for example, CMOS or CCD.
  • the camera 140 may process a still image or a video acquired through an image sensor using an image processing module to extract necessary information, and transmit the extracted information to the controller 180.
  • the storage unit 150 may store any one or more of various application programs, data, and instructions that provide a blood test-based life pattern estimation service according to an embodiment of the present invention.
  • the storage unit 150 may store and manage a plurality of lap data, life pattern information, and/or medical consultation assistance content.
  • the storage unit 150 may be various storage devices such as ROM, RAM, EPROM, flash drive, hard drive, etc., and web storage performing a storage function of the storage unit 150 on the Internet. ).
  • the microphone 160 may detect a voice input of an examinee and/or a doctor in a medical consultation process, and may acquire counseling content recording information based on the detected voice.
  • the terminal 100 that has obtained the counseling content recording information may output the acquired recording information through the medical consultation assistant content.
  • the speaker 170 may output audio information related to a blood test-based life pattern estimation service.
  • the speaker 170 may output and provide recording information of consultation contents included in the medical consultation auxiliary content.
  • controller 180 can control the overall operation of each component described above in order to provide a blood test-based life pattern estimation service.
  • the control unit 180 includes processors (processors_, application specific integrated circuits (ASICs), digital signal processors (DSPs), digital signal processing devices (DSPDs), programmable logic devices (PLDs), field programmable gate arrays (FPGAs), controllers It may be implemented using at least one of (controllers), micro-controllers, microprocessors, and electrical units for performing other functions.
  • processors processors
  • ASICs application specific integrated circuits
  • DSPs digital signal processors
  • DSPDs digital signal processing devices
  • PLDs programmable logic devices
  • FPGAs field programmable gate arrays
  • controllers It may be implemented using at least one of (controllers), micro-controllers, microprocessors, and electrical units for performing other functions.
  • FIG. 2 the components shown in FIG. 2 are not essential for implementing the terminal 100, and thus the terminal 100 described in this specification may have more or fewer components than those listed above. have.
  • the life pattern estimation server 200 may receive lab data according to the blood test result of the test subject from the terminal 100, and based on the received lab data, the life pattern information of the test subject Or/and output a change factor.
  • the life pattern estimation server 200 may output life pattern information and/or change factors of a test subject for a predetermined period through at least two blood test lab data examined over a predetermined period.
  • the lab data refers to experimental data obtained by examining blood collected from a subject.
  • the lab data includes blood elements Fasting glucose, HbA1c (glycosylated hemoglobin), BUN (Blood Urea Nitrogen), Creatinine (Creatinine), Total Bilirubin (Total Bilirubin), AST (GOT), and ALT.
  • ALP Alkaline Phosphatase
  • ⁇ -GTP gammajitipi
  • Total Cholesterol total cholesterol
  • Triglyceride triglyceride
  • HDL-Cholesterol high density lipoprotein cholesterol
  • LDL-Cholesterol low density lipoprotein cholesterol
  • CPK may include at least one numerical value or percentage information.
  • the lifestyle pattern information refers to lifestyle score information for at least one of drug compliance, drinking habits, eating habits, and exercise, which are indicators of the degree to which the test subject adhered to the drug use map.
  • the life pattern information may further include weight change information and/or stress information of the examinee. In general, information on changes in body weight can be an important indicator to comprehensively check whether proper lifestyle has been maintained.
  • the change factor means a change factor that matches a blood factor that needs to be reviewed by changing a predetermined percentage or more compared to a previous blood test. More specifically, the change factor means a factor that the blood element may change when there are blood elements that increase/decrease over a predetermined value or increase/decrease over a predetermined percentage for each blood element.
  • liver function decrease.
  • acute disease occurrence or cancer such as pancreatic cancer, steroid use, Chinese medicine use, hypo pituitary function, or liver function decrease.
  • the blood sugar is rapidly lowered, it may be possible to estimate a hypoplastic function or a decrease in liver function as a change factor.
  • life pattern information and change factors are very fluid in the amount of change along the timeline, the subject may not be able to grasp the change or may be inconvenient to comment to the examiner, and question or measure each time at each treatment Edo can be cumbersome and difficult.
  • the life pattern estimation server 200 receives first lap data at the first time point and second lap data after a predetermined period from the first time point. Life pattern information may be output by inputting into a deep learning neural network for each life pattern item.
  • the life pattern estimation server 200 may acquire the weight and/or stress score information of the testee based on the output life pattern information or/and lab data through a deep learning neural network.
  • the life pattern estimation server 200 may input glycated hemoglobin, fasting blood sugar, and average heart rate into a deep learning neural network to estimate changes in stress index and sleep quality within a specific period.
  • the life pattern estimation server 200 may input the liver value and the fasting blood glucose into the deep learning neural network to estimate the patient's weight change during a specific period.
  • the weight information and the stress information thus obtained may be further included in the corresponding life pattern information to be used as supplementary medical consultation content.
  • the life pattern estimation server 200 may include a data transmission/reception unit 210, a data processing unit 220, and a database 230.
  • the data transmission/reception unit 210 may exchange various data for providing a blood pattern-based life pattern estimation service with the terminal 100 and/or an external server through a network.
  • the data processing unit 220 may perform a series of data processing to provide a blood test-based life pattern estimation service.
  • the data processing unit 220 may perform deep learning based on blood tests in conjunction with a deep learning neural network for each life pattern item.
  • such a deep learning neural network for each life pattern item is installed directly on the life pattern estimation server 200 or is a separate device from the life pattern estimation server 200 based on blood tests from the terminal 100. Deep learning can be performed by receiving information.
  • a deep learning neural network for each life pattern item is directly installed in the life pattern estimation server 200 and is described based on an embodiment in which deep learning is performed.
  • the data processing unit 220 of the life pattern estimation server 200 includes a main processor that controls all units according to an embodiment, and a plurality of graphic processors that process a large amount of computation required when driving a deep learning neural network ( Graphics Processing Unit (GPU).
  • GPU Graphics Processing Unit
  • the data processing unit 220 reads the deep learning neural network driving program for each living pattern item constructed to perform deep learning from the database 230 and performs the following according to the constructed deep learning neural network system for each living pattern item. You can perform the deep learning you describe.
  • the deep learning neural network for each life pattern item includes drug compliance deep learning neural network, drinking habit estimation deep learning neural network, eating habit estimation deep learning neural network, momentum estimation deep learning neural network, and change factor estimation neural network. Can.
  • the drug compliance deep learning neural network based on the received lab data, can determine whether the test subject adhered well to the drug use according to the guided drug use guidelines, and output the result of the judgment as an evaluation index.
  • the evaluation index is one means for indicating the life pattern information, and in other embodiments, the life pattern information may be expressed through life pattern types or texts classified through certain criteria other than the evaluation index.
  • the drug compliance deep learning neural network may grasp the degree of compliance of the test subject's medication use map and display the result in an arbitrary value between 1-100.
  • the drug compliance deep learning neural network outputs a high value of 1 to 100, and determines that the medication map has not been complied with when the testee determines that the drug use was well observed according to the medication map. You can print out a low number.
  • the drug compliance deep learning neural network may input a plurality of lab data and output a drug compliance evaluation index, which is an index indicating the degree of drug compliance according to a medication map during a period between lab data.
  • the drug compliance deep learning neural network trains first lap data according to the blood test at the first time point of people who followed the medication instruction and second lap data at the second time point after the predetermined time period from the first time point. It can be deep-learned with data.
  • the drug compliance deep learning neural network includes the first lap data according to the blood test at the first time point of people who do not comply with the medication map and the second lap according to the blood test at the second time point after the predetermined time period from the first time point. Data can be deep-learned as training data.
  • the training data for learning the neural network includes first lap data and second lap obtained through blood tests over a predetermined period for those who have followed the medication instruction for a certain period of time and those who have not followed the medication instruction. It can be data.
  • the criteria for compliance and non-compliance with the medication map may be judged by an expert and may be data obtained through clinical trials, etc. in order to collect a training data set.
  • the deep learning neural network for estimating drinking habits can estimate information on the amount of drinking, the number of drinking, etc. of the examinee during a specific period based on the received lab data, and output the estimated drinking-related evaluation index.
  • the drinking habit estimation deep learning neural network may output a drinking-related evaluation index proportional to the amount and frequency of drinking by the testee during a period between lab data.
  • the deep learning neural network for estimating drinking habits may determine whether or not the testee maintains proper drinking habits, and display the result in an arbitrary value between 1-100.
  • the deep-learning neural network for estimating drinking habits includes first lap data according to blood tests at a first time point of people who drink excessive amounts of alcohol during a predetermined period and blood pressure tests at a second time point after a predetermined time period from the first time point.
  • 2 Lab data can be deep-learned as training data.
  • the deep learning neural network for estimating drinking habits is based on the first lab data according to the blood test at the first time point of people who have not drank for a predetermined period of time, and the blood test at the second time point after the predetermined time period from the first time point.
  • the second lab data can be deep-learned as training data.
  • the training data for learning the neural network may be the first lab data and the second lab data obtained through blood tests for a predetermined period for those who adhere to the medication instruction and those who do not comply with the medication instruction.
  • the criteria for distinguishing between a person who has been drinking and a person who has not been drinking may be determined by an expert, and may be data obtained through a clinical trial or the like to collect a training data set.
  • the dietary estimation deep learning neural network estimates information such as blood sugar level and various nutrient levels of the test subject based on the received lab data, so that the test subject has performed proper eating habits to maintain a predetermined nutritional balance for a specific period of time. Can be estimated.
  • the deep learning neural network for estimating the eating habits can determine whether the testee performed proper eating habits and output the result as an eating habits evaluation index.
  • the deep learning neural network for estimating the eating habits may determine whether or not the testee maintains proper eating habits, and display the result in an arbitrary value between 1-100.
  • the dietary estimation deep learning neural network includes first lab data according to blood tests at a first time point of people who maintain proper eating habits for a predetermined period of time, and blood pressure tests at a second time point after a predetermined time period from the first time point.
  • 2 Lab data can be deep-learned as training data.
  • the dietary estimation deep learning neural network includes first lab data according to a blood test at a first time point of people who do not have proper eating habits for a predetermined period of time, and a blood test at a second time point after a predetermined time period from the first time point.
  • the second lab data can be deep-learned as training data.
  • training data for learning a deep learning neural network for eating habits include first and second lab data obtained through blood tests over a predetermined period for those who maintain proper eating habits and those who maintain inappropriate eating habits.
  • criteria for proper eating habits and inappropriate eating habits may be determined by experts and may be data obtained through clinical trials, etc. in order to collect a training data set.
  • the exercise estimation estimating deep learning neural network may estimate the exercise amount of the examinee during the period between the lap data based on the received lap data, and output an exercise evaluation index that is an index proportional to the estimated exercise amount.
  • the deep-learning neural network for estimating the amount of exercise may grasp the degree of the amount of exercise of the examinee and display the result as an arbitrary value between 1-100.
  • the exercise amount evaluation index which is a value calculated in proportion to the exercise amount of the examinee during the period between the lap data, may be output.
  • the exercise-based deep learning neural network includes first lap data according to a blood test at a first time point of people who maintain more than a predetermined amount of exercise for a predetermined period of time, and blood tests at a second time point after a predetermined time period from the first time point.
  • the second lab data can be deep-learned as training data.
  • the deep-learning neural network for estimating exercise amount includes first lap data according to blood tests at a first time point of people who maintain less than a predetermined amount of exercise for a predetermined period of time, and blood tests at a second time point after a predetermined period from the first point in time.
  • the second lab data according to can be deep-learned as training data.
  • the training data for training the deep learning neural network for estimating the amount of exercise is the first lap data and the second rap data obtained through blood tests over a predetermined period of time for people over a predetermined amount of exercise and people under a predetermined amount of exercise. Can.
  • the standard for a predetermined exercise amount may be determined by an expert, and may be data obtained through a clinical trial or the like in order to collect a training data set.
  • the change factor estimation deep learning neural network may output a change factor changed by a predetermined value or more by estimating a main change factor between the wrap data based on the received wrap data.
  • the change factor estimation deep learning neural network compares past lap data with current lap data over a predetermined period of time to detect/reduce blood elements that increase/decrease by a predetermined value or more or increase/decrease by a certain percentage or more by blood elements. Can.
  • the deep learning neural network for estimating change factors differs between blood elements with high volatility and blood elements with low volatility, so blood elements with high volatility are detected as reviewed blood elements when there is a large change, and blood elements with small volatility Can be detected as a review blood element even when there are relatively small changes.
  • the deep learning neural network for estimating change factors can be extracted by extracting the change factors matched with the reviewed blood elements from a table or by learning by deep learning.
  • the change factor estimation deep learning neural network can be extracted as a review blood element when HbA1c is relatively higher than a predetermined level (eg, fasting blood sugar 91 mg/dL, HbA1c 7.0%) compared to fasting blood glucose.
  • a predetermined level eg, fasting blood sugar 91 mg/dL, HbA1c 7.08%
  • the deep learning neural network for estimating change factors may output a carbohydrate meal, excess sugar intake, or a decrease in exercise amount, which is matched with a change factor to change the blood elements in the table.
  • the deep learning neural network for estimating change factors can be extracted as a reviewed blood element when HbA1c is relatively lower than a predetermined value (eg, 91 mg/dL of fasting blood sugar, 7.0% of HbA1c) compared to fasting blood glucose.
  • the deep learning neural network for estimating the change factor may output fatty liver, excessive drinking or sleep deterioration as a change factor when the protein and fat are excessively consumed compared to carbohydrates when the above-mentioned blood element is extracted.
  • the deep learning neural network for estimating the change factor can output a specific cancer occurrence as a change factor when the fasting blood glucose and the glycated hemoglobin increase significantly above a predetermined level, discontinuing the use of diabetes medication, and starting the steroid. .
  • the change factor estimation deep learning neural network may be trained through a training data set including past lap data and current lap data over a predetermined period of time.
  • the data processing unit 220 that has obtained the output data for each life pattern item may combine the evaluation indexes for each life pattern item output from the deep learning neural network for each life pattern item and generate the life pattern information.
  • processors processors
  • ASICs application specific integrated circuits
  • DSPs digital signal processors
  • DSPDs digital signal processing devices
  • PLDs programmable logic devices
  • FPGAs field programmable gate arrays
  • controllers micro-controllers, microprocessors, and other electrical units for performing other functions.
  • the database 230 may store various data related to a blood test-based life pattern estimation service, and may include a deep learning neural network driving program built to perform deep learning.
  • the database 230 may be various storage devices such as ROM, RAM, EPROM, flash drive, hard drive, etc., and is a web storage that performs a storage function of the database 230 on the Internet. It might be.
  • the medical consultation assistance service providing server 300 the plurality of blood obtained by examining the predetermined period of the test subject from the terminal 100 and / or life pattern estimation server 200 Life pattern information generated based on the test lab data may be received.
  • the medical consultation assistant service providing server 300 may provide medical consultation assistant content capable of outputting a graphic image based on the received life pattern information.
  • the medical consultation assistant service providing server 300 may provide a medical consultation assistant content search function capable of searching for various medical consultation assistant contents, and the life pattern information received through the medical consultation assistant contents selected through the search Can output
  • the medical consultation assistance service providing server 300 may include a data communication unit, a memory, and a processor.
  • the data communication unit may exchange data with the terminal 100 and/or an external server to provide a blood test-based life pattern estimation service through a network.
  • the memory may store various data related to a blood test based life pattern estimation service.
  • the memory may store and manage received blood test lab data, medical consultation auxiliary content, and the like.
  • the processor may control the overall operation of each of the above-described components in order to effectively provide a life pattern estimation service based on blood tests by generating auxiliary content for medical consultation.
  • processors include application specific integrated circuits (ASICs), digital signal processors (DSPs), digital signal processing devices (DSPDs), programmable logic devices (PLDs), field programmable gate arrays (FPGAs), controllers, microcontrollers ( It may be implemented using at least one of micro-controllers, microprocessors, and electrical units for performing other functions.
  • ASICs application specific integrated circuits
  • DSPs digital signal processors
  • DSPDs digital signal processing devices
  • PLDs programmable logic devices
  • FPGAs field programmable gate arrays
  • controllers microcontrollers ( It may be implemented using at least one of micro-controllers, microprocessors, and electrical units for performing other functions.
  • FIG. 4 is a flowchart illustrating a method for estimating life patterns based on blood test results according to an embodiment of the present invention.
  • the terminal 100 may acquire and store the first lab data according to the first blood test of the examinee at the first time point. (S101)
  • the terminal 100 may acquire and store first lab data that is various blood-related information derived from the blood of the testee through the first blood test.
  • the lab data may be information including at least one of blood name, test result, result determination, measurement unit, and reference value information.
  • the terminal 100 may acquire and store the second lab data according to the second blood test of the testee after a predetermined first period elapses from the first time point. (S103)
  • the terminal 100 may acquire and store the first lap data and the second lap data measured over a first period, which is an arbitrary period.
  • the terminal 100 may correct the second lap data according to the first period when the first period does not match according to the examinees.
  • the terminal 100 displays the blood test information changed between the first lab data and the second lab data.
  • the amount of change can be increased.
  • the terminal 100 increases the first blood factor change value by 10% between the first rap data and the second rap data.
  • the second lab data correction may be performed.
  • the terminal 100 similarly performs blood tests changed between the first lab data and the second lab data when the test subject acquires the second lab data by performing a blood test after a predetermined period than the first period.
  • the amount of change in information can be reduced.
  • the terminal 100 may acquire the life pattern information of the first period by inputting the obtained first lab data and second lab data into a deep learning neural network for each life pattern item. (S105, S107)
  • the terminal 100 transmits the acquired first and second lap data to the life pattern estimation server 200 to input the first lap data and the second lap data into the deep learning neural network for each life pattern item. Can.
  • the terminal 100 may receive the life pattern information for the first period output from the deep learning neural network for each life pattern item receiving the first to second lap data from the life pattern estimation server 200.
  • the terminal 100 may receive the drug use compliance evaluation index of the first period, which is the output for the input of the first to second lab data, from the drug compliance deep learning neural network as life pattern information.
  • the terminal 100 may receive the drinking-related evaluation index of the first period, which is the output for the input of the first to second rap data, from the deep learning neural network for drinking habits as life pattern information.
  • the terminal 100 may receive the first and second lab data from the dietary estimation deep learning neural network and receive the dietary evaluation index of the first period output as life pattern information.
  • the terminal 100 may receive the exercise amount evaluation index of the first period output by inputting the first to second lap data from the exercise estimation estimating deep learning neural network as life pattern information.
  • the terminal 100 may receive life pattern information including an evaluation index for each life pattern item output from each deep learning neural network for each life pattern item from the life pattern estimation server 200.
  • the terminal 100 lives the weight and/or stress score information of the examinee who can be obtained based on lifestyle score information and lap data output from at least one item of drug compliance, drinking habits, eating habits, and exercise amount. It can be received by further including in the pattern information.
  • the terminal 100 receives the life pattern information further including the weight and/or stress score information of the testee, and thus the drug compliance, the drinking habits, the eating habits and/or the amount of exercise and the fasting blood sugar, the glycated hemoglobin level, and/or Or, it can assist in making a more comprehensive estimation of the quality of sleep.
  • the terminal 100 may input various lab data obtained through blood tests into a deep learning neural network to estimate various changes in lifestyle habits of users, and provide it as a medical consultation supplementary content, to Can be utilized.
  • the terminal 100 provides the lifestyle change between the previous treatment and the current treatment in a numerical or graph that is an accurate and intuitive indicator, so that the doctor can accurately catch the lifestyle change that the patient cannot understand or mention.
  • the doctor can recommend medications that fit the patient's lifestyle or provide medication guidance and guide the correct lifestyle, thereby improving the quality of care.
  • the terminal 100 obtains information on the subject's life pattern estimated by artificial intelligence data processing through a deep learning neural network learned with big data, and thus is an automated, fast, and objective blood test result-based life pattern estimation service. Can provide.
  • the terminal 100 may input change data to the change factor estimation neural network to obtain change factors generated in the examinee during the first period.
  • the terminal 100 increases or decreases a predetermined value or more among blood elements examined in the lab data through the change factor estimation neural network, or when a difference of a predetermined value or more occurs in comparison with a plurality of blood elements, the Blood elements can be output as reviewed blood elements.
  • the lab data when the lab data is input to the change factor estimation neural network, it can be learned based on the blood element change during the first period and output the reviewed blood element.
  • the change factor estimation neural network is trained based on first lab data and second lab data that designate a review blood element to be reviewed by an experienced expert, and then input first lab data and second lab data of the examinee City review blood elements may be output.
  • the change factor estimation neural network can be learned through a training data set that uses review blood elements set by experts for classifying the corresponding living pattern items from the training data set that trains the neural network for each living pattern item. Can.
  • the change factor estimation neural network designates a case where the HbA1c is relatively lower than a predetermined value than the fasting blood glucose, and the HbA1c is lower than the predetermined blood pressure as the review blood factor.
  • the first lab data and the second lab data of the subject may be a neural network learned as a training data set.
  • the change factor estimation neural network may be a determination algorithm that determines a specific criterion and extracts it as a review blood element when the criterion is met.
  • HbA1c when HbA1c is relatively higher than a predetermined value compared to fasting blood glucose, when HbA1c is relatively lower than a predetermined value than fasting blood glucose, fasting blood glucose and glycated hemoglobin are relatively predetermined.
  • Cr does not fluctuate significantly, but when it is higher than before BUN, when Cr continuously rises, when AST and ALT are 20 or more, when the AST/ALT ratio is less than 1, AST and ALT are tested before It can be output as a review blood factor when it is higher than the value, when the AST/ALT ratio is 1 or more, when ALT, r-GTP rises above normal, or when HDL-Cholesterol is maintained below 40.
  • the terminal 100 may extract at least one change factor matched to the review blood element and provide it to the user.
  • the change factors may include eating patterns, sleep disorders, exercise, acute disease occurrence, cancer occurrence, gastrointestinal disease, excessive drinking, weight change, fatty liver, acute infection, or biliary tract disease.
  • the terminal 100 extracts a review blood element by inputting lab data for the first blood test and the second blood test into a change factor estimation neural network, and searches for a change factor matching the review blood element, During the period of time, the subject may be estimated and informed of the change factors that may need to be interviewed.
  • the terminal 100 acquiring the life pattern information of the first period may display the acquired life pattern information or/and change factors of the first period.
  • the terminal 100 acquiring the life pattern information of the first period may display the acquired life pattern information or/and change factors of the first period.
  • the reviewed blood element may also be displayed.
  • the terminal 100 may output the life pattern information of the first period as a graphic image through the medical consultation assistant content.
  • the medical consultation assistance service providing server 300 receives the life pattern information of the first period from the life pattern estimation server 200
  • the first life pattern information may be displayed as various images, texts, and/or graphs. It is possible to generate medical consultation supplementary content that is displayed in various formats.
  • the terminal 100 may receive and output medical consultation auxiliary content representing life pattern information and medical consultation auxiliary content visualizing lab data from the medical consultation auxiliary service providing server 300.
  • the terminal 100 can easily and intuitively check the life pattern information by providing the life pattern information in the first period as a graphic image through the medical consultation assistant content.
  • the terminal 100 transmits the life pattern information to the medical consultation assistant service providing server 300 to obtain and output the medical consultation assistant content, but the life pattern estimation server 200 and the medical consultation assistant service provider server Various embodiments may also be possible, such as the 300 being interlocked to generate the medical consultation auxiliary content and transmit it to the terminal 100.
  • the terminal 100 may display the life pattern information of the first period in combination with blood test blood information associated with each life pattern item of the first period.
  • the terminal 100 matches the blood of the blood to be tested for each item of drug compliance, drinking habits, eating habits, and/or exercise quantity of the first period to each item, and provides medical consultation supplementary content and life pattern information representing lab data.
  • the displayed medical consultation auxiliary content can be combined and displayed.
  • the blood component of blood which is generally detected through a blood test, may be associated with each item of life pattern information.
  • blood urea nitrogen contains information that reflects metabolites of proteins, and when blood urea nitrogen levels are high, kidney function disorders, gastrointestinal bleeding, etc. may be suspected. That is, the blood urea nitrogen may be blood test lab data associated with food habit items among items of life pattern information.
  • the terminal 100 may generate and provide medical counseling supplementary content that combines blood element nitrogen numerical changes of the first and second lab data with the food habit evaluation index among the life pattern information, and thus provides the combined medical counseling.
  • the auxiliary content can improve the reliability of the estimated life pattern information.
  • gamma zitipi contains information indicating an indicator of liver and biliary tract function, and may indicate that there is jaundice or a high amount of drinking if it is higher than a normal level.
  • the gamma zippi may be blood test lab data associated with a drinking habit item among each item of life pattern information.
  • the terminal 100 considers the association between blood test blood components and life pattern information provided by the blood test lab data, and provides information on the blood component changes to be matched for each item of the first life pattern information. It can be displayed together.
  • blood to be tested that are matched and displayed for each item of the first life pattern information may be displayed and provided in a graph format through the medical consultation assistant content.
  • the terminal 100 displays information on changes in blood components to be tested for each item of the life pattern information of the first period together, so that the life pattern information of the first period and the life pattern information of the first period are It is possible to output information on blood to be tested, which may be the cause of the derivation, and to provide life pattern information based on more detailed blood test results.
  • the terminal 100 may acquire and store the third lab data according to the third blood test after the second period has elapsed. (S111)
  • the terminal 100 may acquire and store the first wrap data or the second wrap data and the measured third wrap data over an arbitrary period.
  • the terminal 100 measures the first lap data, the second lap data, the third lap data of the examinee measured over an arbitrary period of time. , Based on the n-th lab data, it is possible to obtain and provide life pattern information for a period having a number of different cases.
  • the terminal 100 may acquire and store the life pattern information of the second period by inputting the obtained third lab data and the second lab data into the deep learning neural network for each life pattern item. (S113, S115)
  • the terminal 100 may transmit the acquired second to third lap data to the life pattern estimation server 200 to be input to the deep learning neural network for each life pattern item.
  • the terminal 100 may receive and store life pattern information for the second period output from the deep learning neural network for each life pattern item receiving the second to third lap data from the life pattern estimation server 200.
  • the terminal 100 may acquire and store the life pattern information of the third period by inputting the obtained third lab data and the first lab data into the deep learning neural network for each life pattern item. (S117, S119)
  • the terminal 100 may transmit the acquired first to third lap data to the life pattern estimation server 200 to be input to the deep learning neural network for each life pattern item.
  • the terminal 100 may receive and store the life pattern information for the third period output from the deep learning neural network for each life pattern item receiving the first to third lap data from the life pattern estimation server 200.
  • the terminal 100 obtaining the life pattern information of the first to third periods based on the first to third lap data may display the obtained life pattern information of the first to third periods in various ways. . (S121)
  • the terminal 100 may output the life pattern information of the first to third periods as a graphic image through the medical consultation assistant content generated from the medical consultation assistant service providing server 300.
  • the terminal 100 displays the life pattern information according to the first to third blood tests 1) a method of displaying life pattern information in the third period T3, and 2) the first period (T1) ), a method of displaying life pattern information of the second period T2 and the third period T3, respectively, and 3) life pattern information of the first period T1 and life pattern information of the second period T2, respectively.
  • it may be provided by outputting in any one or more of a method of performing a correction and displaying with the life pattern information of the third period T3.
  • the terminal 100 first, when the momentum evaluation index of the first period is 80, the momentum evaluation index of the second period is 90, and the momentum evaluation index of the third period is 75, first the momentum evaluation of the first period
  • the index and the momentum evaluation index for the second period can be combined in a predetermined manner (eg, an average value).
  • the momentum evaluation index of the first to second periods (eg, 85) combined in a predetermined manner differs by at least a predetermined value (eg, 5) from the predetermined condition (eg, the momentum evaluation index of the third period). If it satisfies, etc.), the combined momentum evaluation index of the first to second periods is corrected according to a predetermined method (e.g., average value) as the third period momentum evaluation index to obtain a final momentum evaluation index (e.g., 80). Can be calculated.
  • a predetermined value e.g. 5
  • the terminal 100 may display and provide the estimated life pattern information in various ways, so that the user can easily and intuitively check the life pattern information based on the blood test results from various viewpoints.
  • FIG. 9 is a flowchart illustrating a method of constructing a deep learning neural network for each living pattern item according to an embodiment of the present invention.
  • the life pattern estimation server 200 may first obtain the medical consultation content generated based on a blood test from the terminal 100. (S201)
  • the medical consultation content may be information generated by adding a record related to medical consultation input by a doctor on the medical consultation auxiliary content.
  • the medical consultation assistance content is information that can be formed through a combination of at least one of medical-related images, videos, animations, and texts and output through the terminal 100 to assist with medical consultations.
  • EMR Electronic Medical Record
  • EHR Electronic Health Record
  • image to assist consultation provided by the medical consultation assistant service providing server 300 or blood test information provided by the terminal 100 (ie, lab Data).
  • the electronic medical record is a computerized patient chart written on an existing paper, and the personal information of the patient (ie, the subject), past medical history, diagnosis record, treatment contents, medication history record, medications taken, surgery It may be data information including at least one of records, admission records, and outpatient care information.
  • the electronic health record is medical-related data in a digital format measured by a device (Divice) for acquiring data, and may include biometric information obtained from the device by a patient (ie, an examinee) wearing the device.
  • the bio-information is information obtained by measuring the body of a patient (ie, a subject) such as blood sugar, blood pressure, body temperature, and electrocardiogram, or a patient (ie, a subject), such as insulin input information, asthma inhalant input information, and pain information. Input or may include input information for pain.
  • the medical consultation assistant content may include at least one or more lap data according to an electronic medical record, electronic health record, and/or blood test of the testee as described above in the embodiment of the present invention.
  • the medical consultation assistant content provided by the medical consultation assistant service providing server 300 may include audiovisual materials for assisting medical consultation, and in the embodiment, the audiovisual materials include blood test result output content, disease diagnosis content , Treatment method content, drug consultation content, treatment cost content, insurance information content, signature content, other content, and medical consultation supplementary content incorporating the above-mentioned contents.
  • the medical consultation assistant content may include at least one image or information among blood test-based lab data, body organ images, disease information, treatment images, treatment information, drug medication methods, drug information, and insurance information.
  • various information used to create medical consultation content may also be included as an aid.
  • Such various medical consultation assistant contents may be generated by the medical consultation assistant service providing server 300 and transmitted to the terminal 100, and the medical consultation according to the doctor's selection at the terminal 100 receiving the medical consultation assistant content It is displayed to be utilized, and the terminal 100 may provide a plurality of selected medical consultation supplementary contents so that the doctor can easily arrange them for consultation.
  • the terminal 100 may provide a consultation input interface.
  • the consultation input interface may include a graphic user interface that allows a doctor to input a handwriting, voice, editing, and/or image on an image of the displayed medical consultation auxiliary content.
  • the consultation input interface may provide a handwriting input interface that detects a doctor's handwriting input on the image of the medical consultation assistant content.
  • the counseling input interface is based on blood test information by a high-level expert who satisfies a predetermined condition (for example, a specialist having a predetermined career or more) on the medical consultation assistant content. It is possible to provide an input interface for the skilled person to input.
  • the counseling input interface may provide an input interface of a skilled person who receives information on a subject's life pattern for a certain period of time estimated by a skilled person based on the blood test information of the testee output through the medical consultation auxiliary content. have.
  • the terminal 100 may receive and store information on the life pattern estimated by the skilled person through the consultation input interface with respect to the blood test information of the testee provided through the medical consultation auxiliary content.
  • the terminal 100 the information created by adding the medical consultation content (for example, life pattern information estimated by a skilled person based on blood test information, etc.) input through the consultation input interface on the aforementioned medical consultation auxiliary content In-person medical consultation content can be created.
  • the medical consultation content for example, life pattern information estimated by a skilled person based on blood test information, etc.
  • the terminal 100 may output a generated medical consultation content and serve to assist in medical consultation, and may transmit the generated medical consultation content to the life pattern estimation server 200.
  • the terminal 100 can provide reliable feedback based on objective data by providing a blood test-based life pattern estimation service by utilizing medical consultation content. It can effectively assist the learning of deep learning neural networks.
  • the life pattern estimation server 200 that acquires the medical consultation content generated from the terminal 100 may extract life pattern related information from the medical consultation contents of the obtained medical consultation content.
  • the life pattern related information refers to life pattern information based on the blood test information of the testee existing on the obtained medical consultation content, that is, various information related to any one or more of the test subject's drug compliance, drinking habits, eating habits, and exercise items it means.
  • the information related to the living pattern may be extracted from a keyword recognition method through an optical character reading device (OCR) on medical consultation content, an automatic extraction method based on a predetermined keyword, and/or information input through an expert opinion interface, and the like. , It may be extracted by manually selecting the relevant medical personnel (eg, a doctor).
  • OCR optical character reading device
  • the life pattern estimation server 200 extracting the life pattern related information may generate a training data set by matching the extracted life pattern related information with the corresponding blood test information (ie, lab data). (S205)
  • the life pattern estimation server 200 may generate a training data set by automatically matching the life pattern related information and at least one or more corresponding blood test information, and the related medical personnel (for example, a doctor) manually related to the life pattern.
  • a training data set may be generated based on information matching the information with at least one corresponding blood test information.
  • the life pattern estimation server 200 that generated the training data set may classify the generated training data set according to the item characteristics of the life pattern related information.
  • the life pattern estimating server 200 sets the training data for each item according to the information of the life pattern related information item of the training data set, that is, the information of the test subject's drug compliance, drinking habits, eating habits, and/or exercise amount items. Can be classified separately.
  • the life pattern estimation server 200 may automatically perform classification according to the characteristics of the life pattern-related information items of the training data set, and the related medical personnel (eg, doctors) manually set the training data sets according to the item characteristics. It is also possible to classify the training data set based on the classified information.
  • the life pattern estimation server 200 that classifies the training data set as described above may train a deep learning neural network for each life pattern item based on the classified training data set. (S209)
  • the life pattern estimation server 200 may match and train the training data set classified by item characteristics and the deep learning neural network for each life pattern item by matching the related items.
  • the life pattern estimation server 200 may match a training data set categorized as a drug compliance item with a drug compliance deep learning neural network, and learn a drug compliance deep learning neural network with the corresponding drug compliance training data set. I can do it.
  • the life pattern estimation server 200 may match the drinking habit training data set and the drinking habit estimation deep learning neural network to train the deep learning neural network, and the eating habit training data set and the eating habit estimation deep learning neural network.
  • the deep learning neural network can be trained, and the deep learning neural network can be trained by matching the momentum training data set with the momentum estimation deep learning neural network.
  • the life pattern estimation server 200 generates a training data set based on medical consultation content generated based on blood test information, and the generated training data set is applied to the items of the deep learning neural network for each life pattern item.
  • the generated training data set is applied to the items of the deep learning neural network for each life pattern item.
  • the method and apparatus for estimating a life pattern based on blood test results acquires a plurality of blood test lab data for the test subject, and determines the test subject's life pattern for a specific period based on the acquired lab data.
  • the method and apparatus for estimating life patterns based on blood test results provide a function of mutually correcting the life patterns of test subjects estimated for various periods, thereby providing a life pattern estimation service based on blood test results. This has the effect of improving accuracy.
  • the method and apparatus for estimating life patterns based on blood test results are automated and fast and efficient blood test results by estimating life patterns of subjects through artificial intelligence data processing through a learned deep learning neural network. It is possible to provide a service based on estimation of life patterns.
  • the method and apparatus for estimating life patterns based on blood test results effectively generate a training data set by learning a deep learning neural network based on medical consultation content generated based on blood test results You can, and you can train deep learning neural networks based on more reliable data.
  • the method and apparatus for estimating the life pattern based on the blood test result display and provide the estimated life pattern information in various ways, so that the user can easily and intuitively receive the life pattern information based on the blood test result. Can be confirmed.
  • the embodiments according to the present invention described above may be implemented in the form of program instructions that can be executed through various computer components and can be recorded in a computer-readable recording medium.
  • the computer-readable recording medium may include program instructions, data files, data structures, or the like alone or in combination.
  • the program instructions recorded on the computer-readable recording medium may be specially designed and configured for the present invention or may be known and available to those skilled in the computer software field.
  • Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks, and magnetic tapes, optical recording media such as CD-ROMs and DVDs, and magneto-optical media such as floptical disks. medium), and hardware devices specifically configured to store and execute program instructions, such as ROM, RAM, flash memory, and the like.
  • Examples of program instructions include not only machine language codes produced by a compiler, but also high-level language codes that can be executed by a computer using an interpreter or the like.
  • the hardware device can be changed to one or more software modules to perform the processing according to the present invention, and vice versa.
  • connection or connection members of the lines between the components shown in the drawings are illustrative examples of functional connections and/or physical or circuit connections, and in the actual device, alternative or additional various functional connections, physical It can be represented as a connection, or circuit connections.
  • the processor of the terminal since the processor of the terminal outputs the change information of the patient's life pattern for a predetermined period based on a blood test using a deep learning neural network, there is a possibility of industrial use.

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Public Health (AREA)
  • Molecular Biology (AREA)
  • Veterinary Medicine (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Signal Processing (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

본 발명의 실시예에 따른 혈액검사 결과 기반 생활패턴 및 변화인자 추정방법 및 장치는, 단말에서 피검사자의 혈액검사에 따른 랩 데이터를 획득하여 상기 피검사자의 생활패턴을 추정하는 방법으로서, 제 1 혈액검사에 따른 제 1 랩 데이터를 획득하는 단계; 제 1 기간 이후의 제 2 혈액검사에 따른 제 2 랩 데이터를 획득하는 단계; 상기 제 1 랩 데이터와 제 2 랩 데이터를 생활패턴 항목별 딥러닝 뉴럴 네트워크에 입력하고, 상기 생활패턴 항목별 딥러닝 뉴럴 네트워크에서 출력된 제 1 기간 생활패턴 정보를 획득하는 단계; 및 상기 제 1 기간 생활패턴 정보를 디스플레이하는 단계를 포함하고, 상기 생활패턴 정보는, 상기 피검사자의 약물 컴플라이언스, 음주습관, 식습관 및 운동량 중 적어도 하나 이상의 항목에 대한 생활습관 정보를 포함한다.

Description

혈액검사 결과 기반 생활패턴 및 변화인자 추정방법
본 발명은 혈액검사 결과 기반 생활패턴 및 변화인자 추정방법 및 장치에 관한 것이다.
보다 상세하게는, 피검사자에 대한 복수의 혈액검사 결과를 기반으로 특정 기간에 대한 상기 피검사자의 생활패턴을 추정하는 방법 및 장치에 관한 것이다.
혈액검사(Blood Test)란, 질병의 진단치료 및 예후(豫後) 판정을 목적으로 혈액의 각종 성분을 검사하는 일이다.
이러한 혈액검사는, 주사기를 이용하여 피검사자로부터 혈액을 채취하고, 채취된 혈액을 혈액분석 메커니즘을 이용해 분석하여 혈액 정보를 얻는 과정으로 이루어진다.
그러나 종래의 혈액분석 메커니즘은, 단발적으로 수행된 각 혈액검사에 대한 결과 정보만을 제공하며, 일반 검사자들은 혈액검사 결과 정보를 활용하여 질병의 유무 등을 파악하는데 그치고 있다.
그런데 숙련된 의사들은 혈액검사 결과 정보를 통해 단순히 질병의 유무뿐만 아니라, 피검사자의 생활 습관도 파악할 수 있다.
예를들어, 숙련된 의사들은 이전 혈액검사 결과와 현재 혈액검사 결과 등을 비교하여 검사 기간 사이의 피검사자의 약물 복용 준수정도나 음주량 등의 생활습관 정보를 경험치에 의해 판단하며, 그 정확도는 상당히 높아 이후 진료나 치료에 반영하여 수준높은 진료와 치료를 제공할 수 있다.
그러나 숙련된 의사더라도 그 판단은 주관적이여서 상황에 따라 정확한 판단이 어려울 수 있으며, 미숙한 의사들은 이러한 판단이 전혀 불가하여 의사들의 숙련정도에 따른 진료의 수준차이가 발생할 수 있는 문제가 있다.
종래의 혈액분석 메커니즘은, 혈액검사 결과에 따라 질병에 대한 정보만을 제공할 뿐 피검사자의 생활 습관 변화 정보 및/또는 상태 변화 정보 등에 대한 분석을 수행하기에 어려움이 있고, 다양한 질환을 발병하는 잘못된 생활 습관을 추정하는데 한계가 있어 이에 대한 해결책이 필요한 실정이다.
본 발명은, 혈액검사를 통해 객관적인 생활패턴 정보를 추정하기 위하여, 딥러닝을 이용하여 피검사자에 대한 복수의 혈액검사 랩 데이터를 기반으로 특정 기간 동안의 피검사자 생활패턴을 추정할 수 있는 혈액검사 결과 기반의 생활패턴 추정방법 및 장치를 제공하고자 한다.
다만, 본 발명 및 본 발명의 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제들로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.
본 발명의 실시예에 따른 혈액검사 결과 기반 생활패턴 및 변화인자 추정방법 및 장치는, 단말에서 피검사자의 혈액검사에 따른 랩 데이터를 획득하여 상기 피검사자의 생활패턴을 추정하는 방법으로서, 제 1 혈액검사에 따른 제 1 랩 데이터를 획득하는 단계; 제 1 기간 이후의 제 2 혈액검사에 따른 제 2 랩 데이터를 획득하는 단계; 상기 제 1 랩 데이터와 제 2 랩 데이터를 생활패턴 항목별 딥러닝 뉴럴 네트워크에 입력하고, 상기 생활패턴 항목별 딥러닝 뉴럴 네트워크에서 출력된 제 1 기간 생활패턴 정보를 획득하는 단계; 및 상기 제 1 기간 생활패턴 정보를 디스플레이하는 단계를 포함하고, 상기 생활패턴 정보는, 상기 피검사자의 약물 컴플라이언스, 음주습관, 식습관 및 운동량 중 적어도 하나 이상의 항목에 대한 생활습관 정보를 포함한다.
이때, 상기 제 1 기간 생활패턴 정보를 획득하는 단계는, 상기 제 1 랩 데이터와 제 2 랩 데이터를 약물 컴플라이언스 뉴럴 네트워크에 입력하고, 상기 약물 컴플라이언스 뉴럴 네트워크에서 출력된 상기 제 1 기간 동안의 상기 피검사자에 대한 복약지도에 따른 약물복용 준수 정도를 나타내는 지표인 약물 컴플라이언스 평가지수를 획득하는 단계를 포함한다.
또한, 상기 제 1 기간 생활패턴 정보를 획득하는 단계는, 상기 제 1 랩 데이터와 제 2 랩 데이터를 음주습관 추정 딥러닝 뉴럴 네트워크에 입력하고, 상기 음주습관 추정 딥러닝 뉴럴 네트워크에서 출력된 상기 제 1 기간 동안의 상기 피검사자의 음주량과 음주횟수에 비례한 음주관련 평가지수를 획득하는 단계를 포함한다.
또한, 상기 제 1 기간 생활패턴 정보를 디스플레이하는 단계는, 상기 제 1 기간 생활패턴 정보를 의료상담 보조 콘텐츠를 통해 출력하는 단계를 포함하고, 상기 의료상담 보조 콘텐츠는, 상기 생활패턴 정보의 특정 항목과 연관된 상기 혈액검사에 따른 피검사 혈액 성분 변화정보를 상기 생활패턴 정보의 특정 항목과 결합하여 표시하는 단계를 더 포함한다.
본 발명의 실시예에 따른 혈액검사 결과 기반 생활패턴 및 변화인자 추정방법 및 장치는, 제 2 기간 이후의 제 3 혈액검사에 따른 제 3 랩 데이터를 획득하는 단계와, 상기 제 2 랩 데이터와 상기 제 3 랩 데이터를 기반으로 제 2 기간 생활패턴 정보를 획득하는 단계와, 상기 제 1 랩 데이터와 상기 제 3 랩 데이터를 기반으로 제 3 기간 생활패턴 정보를 획득하는 단계와, 상기 제 1 내지 3 기간의 생활패턴 정보를 디스플레이하는 단계를 더 포함한다.
본 발명의 실시예에 따른 혈액검사 결과 기반의 생활패턴 추정방법 및 장치는, 피검사자에 대한 복수의 혈액검사 랩 데이터를 획득하고, 획득된 랩 데이터를 기반으로 특정 기간 동안의 피검사자 생활패턴을 추정함으로써, 특정 기간동안의 객관적이고 정확한 피검사자의 생활패턴 추정 정보를 제공하여, 수준높은 건강 진단 및 진료를 수행할 수 있는 장점이 있다.
또한, 본 발명의 실시예에 따른 혈액검사 결과 기반의 생활패턴 추정방법 및 장치는, 추정복수의 랩 데이터를 통해 획득된 생활패턴 정보를 상호 보정하여, 좀더 정확한 생활패턴 정보를 획득할 수 있다.
또한, 본 발명의 실시예에 따른 혈액검사 결과 기반의 생활패턴 추정방법 및 장치는, 학습된 딥러닝 뉴럴 네트워크를 통한 인공지능적 데이터 처리로 피검사자의 생활패턴을 추정함으로써, 자동화되어 빠르고 효율적인 혈액검사 결과 기반의 생활패턴 추정 서비스를 제공할 수 있다.
또한, 본 발명의 실시예에 따른 혈액검사 결과 기반의 생활패턴 추정방법 및 장치는, 혈액검사 결과에 기초하여 생성된 의료상담 콘텐츠에 기반하여 딥러닝 뉴럴 네트워크를 학습시킴으로써, 트레이닝 데이터 세트를 효과적으로 생성할 수 있고, 보다 신뢰도 높은 데이터를 기반으로 딥러닝 뉴럴 네트워크를 학습시킬 수 있다.
또한, 본 발명의 실시예에 따른 혈액검사 결과 기반의 생활패턴 추정방법 및 장치는, 추정된 생활패턴 정보를 다양한 방식으로 디스플레이하여 제공함으로써, 사용자가 쉽고 직관적으로 혈액검사 결과에 기반한 생활패턴 정보를 확인하게 할 수 있다.
다만, 본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 명확하게 이해될 수 있다.
도 1은 본 발명의 실시예에 따른 혈액검사 결과를 기반으로 생활패턴을 추정하는 시스템을 나타내는 개념도이다.
도 2는 본 발명의 실시예에 따른 단말 외형을 나타내는 일례이다.
도 3은 본 발명의 실시예에 따른 생활패턴 추정 서버를 설명하기 위한 도면이다.
도 4는 본 발명의 실시예에 따른 혈액검사 결과 기반의 생활패턴 추정방법을 설명하기 위한 흐름도이다.
도 5는 본 발명의 실시예에 따른 랩 데이터의 일례이다.
도 6은 본 발명의 실시예에 따른 생활패턴 정보를 의료상담 보조 콘텐츠를 통해 그래픽 이미지로 출력하는 일례이다.
도 7은 본 발명의 실시예에 따른 생활패턴 정보와 생활패턴 정보의 각 항목과 연관된 혈액검사 랩 데이터를 의료상담 보조 콘텐츠를 통해 함께 표시하는 일례이다.
도 8은 본 발명의 실시예에 따른 제 1 내지 3 혈액검사에 기반한 생활패턴 정보를 다양한 방식으로 디스플레이하는 방법을 설명하기 위한 도면이다.
도 9는 본 발명의 실시예에 따른 생활패턴 항목별 딥러닝 뉴럴 네트워크를 구축하는 방법을 설명하기 위한 흐름도이다.
본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 본 발명의 효과 및 특징, 그리고 그것들을 달성하는 방법은 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 다양한 형태로 구현될 수 있다. 이하의 실시예에서, 제1, 제2 등의 용어는 한정적인 의미가 아니라 하나의 구성 요소를 다른 구성 요소와 구별하는 목적으로 사용되었다. 또한, 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 또한, 포함하다 또는 가지다 등의 용어는 명세서상에 기재된 특징, 또는 구성요소가 존재함을 의미하는 것이고, 하나 이상의 다른 특징들 또는 구성요소가 부가될 가능성을 미리 배제하는 것은 아니다. 또한, 도면에서는 설명의 편의를 위하여 구성 요소들이 그 크기가 과장 또는 축소될 수 있다. 예컨대, 도면에서 나타난 각 구성의 크기 및 두께는 설명의 편의를 위해 임의로 나타내었으므로, 본 발명이 반드시 도시된 바에 한정되지 않는다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예들을 상세히 설명하기로 하며, 도면을 참조하여 설명할 때 동일하거나 대응하는 구성 요소는 동일한 도면부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
도 1은 본 발명의 실시예에 따른 혈액검사 결과를 기반으로 생활패턴을 추정하는 시스템을 나타내는 개념도이다.
도 1을 참조하면, 혈액검사 결과 기반의 생활패턴 추정 시스템은, 단말(100), 생활패턴 추정 서버(200) 및 의료상담 보조 서비스 제공서버(300)를 포함할 수 있다.
여기서, 도 1의 각 구성요소는, 네트워크(Network)를 통해 연결될 수 있다. 네트워크는 단말(100), 생활패턴 추정 서버(200) 및 의료상담 보조 서비스 제공서버(300) 등과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조를 의미하는 것으로, 이러한 네트워크의 일 예에는 3GPP(3rd Generation Partnership Project) 네트워크, LTE(Long Term Evolution) 네트워크, WIMAX(World Interoperability for Microwave Access) 네트워크, 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), 블루투스(Bluetooth) 네트워크, 위성 방송 네트워크, 아날로그 방송 네트워크, DMB(Digital Multimedia Broadcasting) 네트워크 등이 포함되나 이에 한정되지는 않는다.
- 단말
먼저, 본 발명의 실시예에서 단말(100)은, 혈액검사 기반의 생활패턴 추정 서비스를 수행하기 위한 프로그램이 설치된 휴대용 단말인 스마트 폰, 디지털방송용 단말기, 휴대폰, PDA(personal digital assistants), PMP(portable multimedia player), 네비게이션, 태블릿 PC(tablet PC), 웨어러블 디바이스(wearable device) 및 스마트 글라스(smart glass) 등을 포함할 수 있다.
또한, 단말(100)은, 고정형 단말인 데스크 탑 PC, 노트북 컴퓨터(laptop computer), 울트라북(ultrabook)과 같은 퍼스널 컴퓨터 등과 같이 유/무선 통신을 기반으로 혈액검사 기반의 생활패턴 추정 서비스를 제공하기 위한 프로그램이 설치된 장치를 더 포함할 수 있다.
또한, 본 발명의 실시예에서 이러한 단말(100)은, 피검사자의 혈액검사에 따른 랩 데이터를 획득하여 저장할 수 있고, 획득된 랩 데이터를 기반으로 해당 피검사자의 생활패턴 정보를 획득하여 출력할 수 있다.
자세히, 단말(100)은, 피검사자의 혈액검사에 따른 복수의 랩 데이터를 획득할 수 있고, 획득된 복수의 랩 데이터를 생활패턴 추정 서버(200)로 송신하여 생활패턴 정보를 획득할 수 있으며, 획득된 생활패턴 정보를 의료상담 보조 서비스 제공서버(300)로 송신하여 의료상담 보조 콘텐츠를 획득해 출력할 수 있다.
또한, 단말(100)은, 피검사자의 생활에서 발생하는 스트레스 정도를 보다 면밀히 파악하기 위하여, 피검사자의 스트레스 정도를 파악할 수 있는 설문지를 제공할 수 있다.
자세히, 단말(100)은, 피검사자의 스트레스 정도를 질의응답 형식의 설문지를 통해 분석할 수 있는 의료상담 보조 콘텐츠를 의료상담 보조 서비스 제공서버(300)로부터 수신하여 출력할 수 있다.
그리고 단말(100)은, 설문지를 통해 피검사자의 스트레스 정보를 파악하는데 일조할 수 있는 피검사자 스트레스 설문 정보를 획득할 수 있다.
또한, 단말(100)은, 획득된 피검사자 스트레스 설문 정보를 생활패턴 추정 서버(200) 및/또는 의료상담 보조 서비스 제공서버(300)로 송신하여 추후 피검사자의 생활패턴 정보를 획득하고 활용하는 것을 효과적으로 보조할 수 있다.
이하, 첨부된 도면을 참조하여 단말(100)을 이루는 각 구성 요소에 대해 상세히 설명하고자 한다.
도 2는 본 발명의 실시예에 따른 단말(100) 외형을 나타내는 일례이다.
도 2를 참조하면, 단말(100)은, 통신부(110), 입력부(120), 디스플레이부(130), 터치스크린(135: touch screen), 카메라(140), 저장부(150), 마이크(160), 스피커(170) 및 제어부(180)를 포함할 수 있다.
먼저, 통신부(110)는, 혈액검사 기반의 생활패턴 추정 서비스를 제공하기 위한 각종 데이터 및/또는 정보 등을 송수신할 수 있다.
실시예에서, 통신부(110)는, 타유저의 단말(100), 생활패턴 추정 서버(200) 및/또는 의료상담 보조 서비스 제공서버(300)와 통신하여 혈액검사 기반의 생활패턴 추정 서비스와 관련된 데이터(예컨대, 생활패턴 정보 등)를 송수신할 수 있다.
또한, 통신부(110)는, 생활패턴 정보를 외부 프린터로 전송하여 오프라인 출력물로 프린팅하도록 보조할 수 있다.
이러한 통신부(110)는, 이동통신을 위한 기술표준들 또는 통신방식(예를 들어, GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), LTE(Long Term Evolution), LTE-A(Long Term Evolution-Advanced) 등)에 따라 구축된 이동 통신망 상에서 기지국, 외부의 단말(100), 임의의 서버 중 적어도 하나와 무선 신호를 송수신할 수 있다.
다음으로, 입력부(120)는, 혈액검사 기반의 생활패턴 추정 서비스와 관련된 사용자의 입력을 감지할 수 있다.
실시예로, 입력부(120)는, 의료상담 과정에서 제공되는 상담 입력 인터페이스를 통한 사용자의 입력을 감지할 수 있다.
다음으로, 디스플레이부(130)는, 혈액검사 기반의 생활패턴 추정 서비스와 관련된 다양한 정보를 그래픽 이미지를 출력할 수 있다.
이러한 디스플레이부(130)는, 액정 디스플레이(liquid crystal display, LCD), 박막 트랜지스터 액정 디스플레이(thin film transistor-liquid crystal display, TFT LCD), 유기 발광 다이오드(organic light-emitting diode, OLED), 플렉서블 디스플레이(flexible display), 3차원 디스플레이(3D display), 전자잉크 디스플레이(e-ink display) 중에서 적어도 하나를 포함할 수 있다.
또한, 상기 입력부(120) 및 상기 디스플레이부(130)가 결합되어 터치스크린(135)으로 구현될 수 있다.
다음으로, 카메라(140)는, 진료 및 의료상담 과정을 촬영하여 의료상담 관련 영상을 획득할 수 있고, 영상을 획득한 단말(100)은, 획득된 영상을 의료상담 보조 콘텐츠를 통해 출력할 수 있다.
또한, 카메라(140)는, 단말(100)의 전면 또는/및 후면에 배치되어 배치된 방향측을 촬영하여 영상을 획득할 수 있으며, 단말(100)의 외부에 배치되어 외부 시점에서 진료 과정을 촬영할 수도 있다.
단말(100)의 외부에 카메라(140)가 배치된 경우, 카메라(140)는, 통신부(110)를 통해 제어부(180)로 촬영한 진료 과정 영상을 송신할 수 있다.
그리고 이러한 카메라(140)는, 이미지 센서와 영상 처리 모듈을 포함할 수 있다.
자세히, 카메라(140)는, 이미지 센서(예를 들면, CMOS 또는 CCD)에 의해 얻어지는 정지영상 또는 동영상을 처리할 수 있다.
또한, 카메라(140)는, 영상 처리 모듈을 이용하여 이미지 센서를 통해 획득된 정지영상 또는 동영상을 가공해 필요한 정보를 추출하고, 추출된 정보를 제어부(180)에 전달할 수 있다.
다음으로, 저장부(150)는, 본 발명의 실시예에 따른 혈액검사 기반의 생활패턴 추정 서비스를 제공하는 각종 응용 프로그램, 데이터 및 명령어 중 어느 하나 이상을 저장할 수 있다.
실시예로 저장부(150)는, 복수의 랩 데이터, 생활패턴 정보 및/또는 의료상담 보조 콘텐츠 등을 저장하고 관리할 수 있다.
이러한 저장부(150)는, ROM, RAM, EPROM, 플래시 드라이브, 하드 드라이브 등과 같은 다양한 저장기기일 수 있고, 인터넷(internet)상에서 상기 저장부(150)의 저장 기능을 수행하는 웹 스토리지(web storage)일 수도 있다.
다음으로, 마이크(160)는, 의료상담 과정에서의 피검사자 및/또는 의사의 음성 입력을 감지할 수 있고, 감지된 음성을 기반으로 상담 내용 녹음정보를 획득할 수 있다.
이때, 상담 내용 녹음정보를 획득한 단말(100)은, 획득된 녹음정보를 의료상담 보조 콘텐츠를 통해 출력할 수 있다.
다음으로, 스피커(170)는, 혈액검사 기반의 생활패턴 추정 서비스와 관련된 오디오 정보를 출력할 수 있다.
실시예로, 스피커(170)는, 의료상담 보조 콘텐츠에 포함된 상담 내용 녹음정보를 출력하여 제공할 수 있다.
마지막으로, 제어부(180)는, 혈액검사 기반의 생활패턴 추정 서비스를 제공하기 위하여 전술한 각 구성요소의 전반적인 동작을 컨트롤할 수 있다.
이러한 제어부(180)는, 프로세서(processors_, ASICs (application specific integrated circuits), DSPs(digital signal processors), DSPDs(digital signal processing devices), PLDs(programmable logic devices), FPGAs(field programmable gate arrays), 제어기(controllers), 마이크로 컨트롤러(micro-controllers), 마이크로 프로세스(microprocessors), 기타 기능 수행을 위한 전기적 유닛 중 적어도 하나를 이용하여 구현될 수 있다.
다만, 도 2에 도시된 구성요소들은 단말(100)를 구현하는데 있어서 필수적인 것은 아니어서, 본 명세서 상에서 설명되는 단말(100)은 위에서 열거된 구성요소들 보다 많거나, 또는 적은 구성요소들을 가질 수 있다.
- 생활패턴 추정 서버
한편, 본 발명의 실시예에서 생활패턴 추정 서버(200)는, 단말(100)로부터 피검사자의 혈액 검사 결과에 따른 랩 데이터를 수신할 수 있고, 수신된 랩 데이터를 기반으로 해당 피검사자의 생활패턴 정보 또는/및 변화인자를 출력할 수 있다.
특히, 생활패턴 추정 서버(200)는, 소정의 기간을 두고 검사한 적어도 2번 이상의 혈액검사 랩 데이터를 통해 소정의 기간 동안의 피검사자의 생활패턴 정보 또는/및 변화인자를 출력할 수 있다.
여기서, 랩 데이터는, 피검사자로부터 채취한 혈액을 검사하여 얻은 실험 데이터를 의미한다. 여기서 랩 데이터에는, 혈액 요소인 Fasting glucose(공복혈당), HbA1c(당화혈색소), BUN(Blood Urea Nitrogen, 혈액요소질소), Creatinine(크레아티닌), Total Bilirubin(총 빌리루빈), AST(GOT), ALT(GPT), ALP (Alkaline Phosphatase), γ-GTP(감마지티피), Total Cholesterol(총 콜레스테롤), Triglyceride(중성지방), HDL-Cholesterol(고밀도지단백 콜레스테롤), LDL-Cholesterol(저밀도지단백 콜레스테롤) 및 CPK 중 적어도 하나 이상의 수치 또는 퍼센트 정보를 포함할 수 있다. 그리고 생활패턴 정보란, 피검사자의 약물 복용 지도를 준수한 정도를 나타내는 지표인 약물 컴플라이언스(Compliance), 음주습관, 식습관 및 운동량 중 적어도 하나 이상의 항목에 대한 생활습관 점수 정보를 의미한다. 또한, 생활패턴 정보는, 피검사자의 체중 변화 정보 및/또는 스트레스 정보를 더 포함할 수 있다. 일반적으로, 체중 변화변화 정보는, 적절한 생활습관을 유지하였는지를 포괄적으로 확인할 수 있는 중요한 지표가 될 수 있다.
또한, 변화인자는, 이전 혈액검사 대비 소정의 퍼센트 이상 변화하여 검토해야할 만한 혈액요소와 매칭되는 변화인자를 의미한다. 좀더 자세히, 변화인자는, 상기 혈액요소 별로 소정의 값 이상 증가/감소하거나 소정의 퍼센트 이상 증가/감소한 혈액요소들이 있을 때, 해당 혈액요소가 변화시킬만한 인자를 의미한다.
예를 들어, 혈당이 급격하게 상승한 경우, 급성 질환 발생 또는 췌장암과 같은 암 발생, 스테로이드 복용, 한약 복용, 뇌하수체 기능저하 또는 간기능 저하 등을 변화인자로 추정 가능할 것이다. 반대로, 혈당이 급격하게 하강한 경우, 뇌하수체 기능저하 또는 간기능 저하 등을 변화인자로 추정 가능할 것이다.
전술한 생활패턴 정보들과 변화인자는, 타임라인(Timeline)에 따른 변화량이 매우 유동적임에도 불구하고, 피검사자가 변화를 파악하지 못하거나 검사자에게 언급하기 불편할 수 있고, 진료시 마다 설문하거나 매번 측정하기에도 번거롭고 어려움이 있을 수 있다.
이를 해결할 수 있는 생활패턴 정보를 획득하기 위하여, 본 발명의 실시예에서 생활패턴 추정서버(200)는, 제 1 시점의 제 1 랩데이터와 제 1 시점으로부터 소정의 기간 이후의 제 2 랩 데이터를 생활패턴 항목별 딥러닝 뉴럴 네트워크에 입력하여 생활패턴 정보를 출력할 수 있다.
그리고 생활패턴 추정서버(200)는, 출력된 생활패턴 정보 또는/및 랩 데이터를 기반으로 피검사자의 체중 및/또는 스트레스 점수 정보를 딥러닝 뉴럴 네트워크를 통해 획득할 수 있다.
자세히, 생활패턴 추정서버(200)는, 당화혈색소, 공복혈당, 평균 심박수를 딥러닝 뉴럴 네트워크에 입력하여 특정 기간 내의 스트레스 지표와 수면의 질의 변화를 추정할 수 있다.
또한, 생활패턴 추정서버(200)는, 간수치와 공복혈당을 딥러닝 뉴럴 네트워크에 입력하여 특정 기간 동안의 환자의 체중변화를 추정할 수 있다.
이와 같이 획득된 체중 정보 및 스트레스 정보는, 해당 생활패턴 정보에 더 포함시켜 이후 의료상담 보조 콘텐츠 등으로 활용할 수 있다.
한편, 도 3을 참조하면, 생활패턴 추정 서버(200)는, 데이터 송수신부(210), 데이터 처리부(220) 및 데이터베이스(230)를 포함할 수 있다.
먼저, 데이터 송수신부(210)는, 단말(100) 및/또는 외부 서버와 혈액검사 기반의 생활패턴 추정 서비스를 제공하기 위한 각종 데이터를 네트워크를 통해 주고받을 수 있다.
다음으로, 데이터 처리부(220)는, 혈액검사 기반의 생활패턴 추정 서비스를 제공하기 위한 일련의 데이터 처리를 수행할 수 있다.
특히, 데이터 처리부(220)는, 생활패턴 항목별 딥러닝 뉴럴 네트워크와 연동하여 혈액검사에 기반한 딥러닝(Deep Learning)을 수행할 수 있다.
이때, 실시예에 따라서 이러한 생활패턴 항목별 딥러닝 뉴럴 네트워크는, 생활패턴 추정 서버(200)에 직접 설치되거나, 생활패턴 추정 서버(200)와는 별개의 장치로서 단말(100)로부터 혈액검사 기반의 정보를 수신하여 딥러닝을 수행할 수 있다.
이하 본 발명의 실시예에서는, 생활패턴 항목별 딥러닝 뉴럴 네트워크가 생활패턴 추정 서버(200)에 직접 설치되어 딥러닝을 수행하는 실시예를 기준으로 설명한다.
다시 돌아와서, 이러한 생활패턴 추정 서버(200)의 데이터 처리부(220)는, 실시예에 따라서 전체 유닛들을 제어하는 메인 프로세서와, 딥러닝 뉴럴 네트워크 구동 시 필요한 대용량의 연산을 처리하는 복수의 그래픽 프로세서(Graphics Processing Unit, GPU)를 포함하도록 구성될 수 있다.
또한, 데이터 처리부(220)는, 딥러닝을 수행하기 위해 구축된 생활패턴 항목별 딥러닝 뉴럴 네트워크 구동 프로그램을 데이터베이스(230)로부터 독출하여, 구축된 생활패턴 항목별 딥러닝 뉴럴 네트워크 시스템에 따라 하기 기술하는 딥러닝을 수행할 수 있다.
자세히, 여기서 생활패턴 항목별 딥러닝 뉴럴 네트워크는, 약물 컴플라이언스 딥러닝 뉴럴 네트워크, 음주습관 추정 딥러닝 뉴럴 네트워크, 식습관 추정 딥러닝 뉴럴 네트워크, 운동량 추정 딥러닝 뉴럴 네트워크 및 변화인자 추정 뉴럴 네트워크를 포함할 수 있다.
여기서, 약물 컴플라이언스 딥러닝 뉴럴 네트워크는, 수신된 랩 데이터를 기반으로 피검사자가 지도받은 약물 복용 지침에 따라 약물복용을 잘 준수하였는지 판단하고, 판단의 결과를 평가지수로 출력할 수 있다.
이때, 평가지수는, 생활패턴 정보를 나타내기 위한 하나의 수단으로 다른 실시예에서는 평가지수 이외의 일정 기준을 통해 분류된 생활패턴 타입이나 텍스트 등을 통해 생활패턴 정보를 나타낼 수 있다.
예를 들어, 약물 컴플라이언스 딥러닝 뉴럴 네트워크는, 피검사자의 약물복용지도의 준수(compliance) 정도를 파악하여 그 결과를 1-100 사이의 임의의 수치로 표시하여 출력할 수 있다.
자세히, 약물 컴플라이언스 딥러닝 뉴럴 네트워크는, 피검사자가 약물복용을 복약지도에 따라 잘 준수하였다고 판단된 경우, 1-100 사이의 수치 중 높은 수치의 값을 출력하고, 복약지도를 미준수하였다고 판단된 경우에는 낮은 수치를 출력할 수 있다.
즉, 약물 컴플라이언스 딥러닝 뉴럴 네트워크는, 복수의 랩 데이터를 입력하여 랩 데이터 사이의 기간 동안의 복약지도에 따른 약물 준수 정도를 나타내는 지표인 약물 컴플라이언스 평가지수를 출력할 수 있다.
이러한 약물 컴플라이언스 딥러닝 뉴럴 네트워크는, 복약 지도를 준수한 사람들의 제 1 시점의 혈액검사에 따른 제 1 랩 데이터와 제 1 시점으로부터 소정의 기간 이후 제 2 시점의 혈액검사에 따른 제 2 랩데이터를 트레이닝 데이터로 딥 러닝 될 수 있다.
또한, 약물 컴플라이언스 딥러닝 뉴럴 네트워크는, 복약 지도를 준수하지 않은 사람들의 제 1 시점의 혈액검사에 따른 제 1 랩 데이터와 제 1 시점으로부터 소정의 기간 이후 제 2 시점의 혈액검사에 따른 제 2 랩데이터를 트레이닝 데이터로 딥 러닝 될 수 있다.
즉, 뉴럴 네트워크를 학습하는 트레이닝 데이터는, 소정의 기간을 두고 복약 지도를 준수한 사람들과 복약 지도를 준수하지 않은 사람들에 대한 소정의 기간을 두고 혈액검사를 통해 획득한 제 1 랩 데이터와 제 2 랩 데이터일 수 있다.
여기서, 복약 지도를 준수함과 준수하지 않음에 따른 기준은, 전문가에 의해 판단될 수 있으며 트레이닝 데이터 셋을 수집하기 위하여, 임상 시험 등을 통해 획득된 데이터일 수 있다.
또한, 음주습관 추정 딥러닝 뉴럴 네트워크는, 수신된 랩 데이터를 기반으로 특정 기간 동안의 피검사자의 음주량 정보, 음주 횟수 등을 추정할 수 있고, 추정한 음주관련 평가지수를 출력할 수 있다.
즉, 음주습관 추정 딥러닝 뉴럴 네트워크는, 랩 데이터 사이의 기간 동안의 피검사자의 음주량 및 횟수에 비례한 음주관련 평가지수를 출력할 수 있다.
예를 들어, 음주습관 추정 딥러닝 뉴럴 네트워크는, 피검사자가 적절한 음주습관을 유지하였는지를 판단하여 그 결과를 1-100 사이의 임의의 수치로 표시하여 출력할 수 있다.
이러한 음주습관 추정 딥러닝 뉴럴 네트워크는, 소정의 기간동안 과다한 음주를 한 사람들의 제 1 시점의 혈액검사에 따른 제 1 랩 데이터와 제 1 시점으로부터 소정의 기간 이후 제 2 시점의 혈액검사에 따른 제 2 랩데이터를 트레이닝 데이터로 딥 러닝 될 수 있다.
또한, 음주습관 추정 딥러닝 뉴럴 네트워크는, 소정의 기간동안 음주를 하지 않은 사람들의 제 1 시점의 혈액검사에 따른 제 1 랩 데이터와 제 1 시점으로부터 소정의 기간 이후 제 2 시점의 혈액검사에 따른 제 2 랩데이터를 트레이닝 데이터 로 딥 러닝 될 수 있다.
즉, 뉴럴 네트워크를 학습하는 트레이닝 데이터는, 복약 지도를 준수한 사람들과 복약 지도를 준수하지 않은 사람들에 대한 소정의 기간을 두고 혈액검사를 통해 획득한 제 1 랩 데이터와 제 2 랩 데이터일 수 있다.
여기서, 음주를 한 사람과 하지 않은 사람을 구분하는 기준은, 전문가에 의해 판단될 수 있으며 트레이닝 데이터 셋을 수집하기 위하여, 임상 시험 등을 통해 획득된 데이터일 수 있다.
또한, 식습관 추정 딥러닝 뉴럴 네트워크는, 수신된 랩 데이터를 기반으로 피검사자의 혈당 수치, 각종 영양소 수치 등의 정보를 추정하여, 피검사자가 특정 기간 동안에 소정의 영양밸런스를 유지할 수 있는 적절한 식습관을 수행하였는지 추정할 수 있다.
그리고 식습관 추정 딥러닝 뉴럴 네트워크는, 피검사자가 적절한 식습관을 수행하였는지 판단하여 그 결과를 식습관 평가지수로 출력할 수 있다.
예를 들어, 식습관 추정 딥러닝 뉴럴 네트워크는, 피검사자가 적절한 식습관을 유지하였는지 판단하여 그 결과를 1-100 사이의 임의의 수치로 표시하여 출력할 수 있다.
이러한 식습관 추정 딥러닝 뉴럴 네트워크는, 소정의 기간동안 적절한 식습관을 유지한 사람들의 제 1 시점의 혈액검사에 따른 제 1 랩 데이터와 제 1 시점으로부터 소정의 기간 이후 제 2 시점의 혈액검사에 따른 제 2 랩데이터를 트레이닝 데이터로 딥 러닝 될 수 있다.
또한, 식습관 추정 딥러닝 뉴럴 네트워크는, 소정의 기간동안 식습관이 적절하지 않은 사람들의 제 1 시점의 혈액검사에 따른 제 1 랩 데이터와 제 1 시점으로부터 소정의 기간 이후 제 2 시점의 혈액검사에 따른 제 2 랩데이터를 트레이닝 데이터로 딥 러닝 될 수 있다.
즉, 식습관 추정 딥러닝 뉴럴 네트워크를 학습하는 트레이닝 데이터는, 적절한 식습관을 유지한 사람들과 부적절한 식습관을 유지한 사람들에 대한 소정의 기간을 두고 혈액검사를 통해 획득한 제 1 랩 데이터와 제 2 랩 데이터일 수 있다.
여기서, 적절한 식습관과 부적절한 식습관에 기준은, 전문가에 의해 정해질 수 있으며 트레이닝 데이터 셋을 수집하기 위하여, 임상 시험 등을 통해 획득된 데이터일 수 있다.
또한, 운동량 추정 딥러닝 뉴럴 네트워크는, 수신된 랩 데이터를 기반으로 랩 데이터 사이의 기간 동안의 피검사자의 운동량을 추정할 수 있고, 추정된 운동량에 비례하는 지표인 운동량 평가지수를 출력할 수 있다.
예를 들어, 운동량 추정 딥러닝 뉴럴 네트워크는, 피검사자의 운동량 정도를 파악하여 그 결과를 1-100 사이의 임의의 수치로 표시하여 출력할 수 있다.
즉, 운동량 추정 딥러닝 뉴럴 네트워크는, 수신된 랩 데이터를 입력하면, 랩 데이터 사이의 기간 동안의 피검사자의 운동량에 비례하여 산출되는 수치인 운동량 평가지수를 출력할 수 있다.
이러한 운동량 추정 딥러닝 뉴럴 네트워크는, 소정의 기간동안 소정의 운동량 이상을 유지한 사람들의 제 1 시점의 혈액검사에 따른 제 1 랩 데이터와 제 1 시점으로부터 소정의 기간 이후 제 2 시점의 혈액검사에 따른 제 2 랩데이터를 트레이닝 데이터로 딥 러닝 될 수 있다.
또한, 운동량 추정 딥러닝 뉴럴 네트워크는, 소정의 기간동안 소정의 운동량 미만을 유지한 사람들의 제 1 시점의 혈액검사에 따른 제 1 랩 데이터와 제 1 시점으로부터 소정의 기간 이후 제 2 시점의 혈액검사에 따른 제 2 랩데이터를 트레이닝 데이터로 딥 러닝 될 수 있다.
즉, 운동량 추정 딥러닝 뉴럴 네트워크를 학습하는 트레이닝 데이터는, 소정의 운동량 이상의 사람들과 소정의 운동량 미만의 사람들에 대한 소정의 기간을 두고 혈액검사를 통해 획득한 제 1 랩 데이터와 제 2 랩 데이터일 수 있다.
여기서, 소정의 운동량에 대한 기준은, 전문가에 의해 정해질 수 있으며 트레이닝 데이터 셋을 수집하기 위하여, 임상 시험 등을 통해 획득된 데이터일 수 있다.
마지막으로, 변화인자 추정 딥러닝 뉴럴 네트워크는, 수신된 랩 데이터를 기반으로, 랩 데이터 사이의 주 변화인자를 추정하여, 소정의 수치 이상으로 변화된 변화인자를 출력할 수 있다.
자세히, 변화인자 추정 딥러닝 뉴럴 네트워크는, 소정의 기간을 두고 과거 랩 데이터와 현재 랩 데이터를 비교하여 혈액요소 별로 소정의 값 이상 증가/감소하거나 소정의 퍼센트 이상 증가/감소한 검토 혈액요소들을 검출할 수 있다.
즉, 변화인자 추정 딥러닝 뉴럴 네트워크는, 변동성이 큰 혈액요소들과 변동성이 작은 혈액요소 별로 차이를 두어, 변동성이 큰 혈액요소는 큰 변화가 있을 때 검토 혈액요소로 검출하고 변동성이 작은 혈액요소는 상대적으로 작은 변화가 있을 때에도 검토 혈액요소로 검출할 수 있다.
그리고 변화인자 추정 딥러닝 뉴럴 네트워크는, 검토 혈액요소와 매칭된 변화인자를 테이블에서 추출하거나 딥러닝으로 학습하여 추출할 수 있다.
예를 들어, 변화인자 추정 딥러닝 뉴럴 네트워크는, 공복혈당에 비해 HbA1c가 상대적으로 소정의 수치 이상 높은 경우(예, 공복혈당 91 mg/dL, HbA1c 7.0 %) 검토 혈액요소로 추출할 수 있다. 그리고 변화인자 추정 딥러닝 뉴럴 네트워크는, 테이블에서 상기 검토 혈액요소를 변화시킬 변화인자로 매칭된 탄수화물 식사, 당류 간식 과다 섭취 또는 운동량 저하 등을 출력할 수 있다.
또한, 변화인자 추정 딥러닝 뉴럴 네트워크는, 공복혈당에 비해 HbA1c가 상대적으로 소정의 수치 이하로 낮은 경우 (예시, 공복혈당 91 mg/dL, HbA1c 7.0 %) 검토 혈액요소로 추출할 수 있다. 그리고 변화인자 추정 딥러닝 뉴럴 네트워크는, 상기 검토 혈액요소가 추출되면 탄수화물에 대비해 단백질 및 지방을 과다섭취한 경우, 지방간, 과다 음주 또는 수면 저하 등을 변화인자로 출력할 수 있다.
또한, 변화인자 추정 딥러닝 뉴럴 네트워크는, 공복혈당, 당화혈색소가 상대적으로 기설정된 수치 이상 크게 증가하는 경우, 당뇨약 복용 중단, 스테로이드 복용 시작을 배제, 특정 암 발생을 변화인자로 출력할 수 있다.
이러한 변화인자 추정 딥러닝 뉴럴 네트워크는, 소정의 기간을 두고 과거 랩 데이터와 현재 랩 데이터를 포함하는 트레이닝 데이터 셋을 통해 학습될 수 있다.
좀더 자세한, 생활패턴 항목별 딥러닝 뉴럴 네트워크가 각각의 기능을 수행하기 위해 학습되는 방법은, 아래에서 기술되는 생활패턴 항목별 딥러닝 뉴럴 네트워크 구축방법의 상세한 설명에서 후술하기로 한다.
계속해서, 생활패턴 항목별 출력 데이터를 획득한 데이터 처리부(220)는, 생활패턴 항목별 딥러닝 뉴럴 네트워크에서 각각 출력된 생활패턴 항목별 평가지수를 통합하여 생활패턴 정보로 생성할 수 있다.
또한, 이러한 데이터 처리부(220)는, 프로세서(processors), ASICs (application specific integrated circuits), DSPs(digital signal processors), DSPDs(digital signal processing devices), PLDs(programmable logic devices), FPGAs(field programmable gate arrays), 제어기(controllers), 마이크로 컨트롤러(micro-controllers), 마이크로 프로세스(microprocessors), 기타 기능 수행을 위한 전기적 유닛 중 적어도 하나를 이용하여 구현될 수 있다.
마지막으로, 데이터베이스(230)는, 혈액검사 기반의 생활패턴 추정 서비스와 관련된 각종 데이터를 저장할 수 있으며, 딥러닝을 수행하기 위해 구축된 딥러닝 뉴럴 네트워크 구동 프로그램을 포함할 수 있다.
이러한 데이터베이스(230)는, ROM, RAM, EPROM, 플래시 드라이브, 하드 드라이브 등과 같은 다양한 저장기기일 수 있고, 인터넷(internet)상에서 상기 데이터베이스(230)의 저장 기능을 수행하는 웹 스토리지(web storage)일 수도 있다.
- 의료상담 보조 서비스 제공서버
다음으로, 본 발명의 실시예에 따른 의료상담 보조 서비스 제공서버(300)는, 단말(100) 및/또는 생활패턴 추정 서버(200)로부터 피검사자의 소정의 기간을 두고 검사하여 획득된 복수의 혈액검사 랩 데이터를 기반으로 생성된 생활패턴 정보를 수신할 수 있다.
그리고 의료상담 보조 서비스 제공서버(300)는, 수신된 생활패턴 정보를 기반으로 그래픽 이미지를 출력할 수 있는 의료상담 보조 콘텐츠를 제공할 수 있다.
의료상담 보조 서비스 제공서버(300)에서 제공하는 의료상담 보조 콘텐츠에 대한 자세한 설명은, 이하에서 기술되는 생활패턴 항목별 딥러닝 뉴럴 네트워크 구축방법의 상세한 설명에서 후술하기로 한다.
또한, 의료상담 보조 서비스 제공서버(300)는, 다양한 의료상담 보조 콘텐츠를 검색할 수 있는 의료상담 보조 콘텐츠 검색 기능을 제공할 수 있으며, 검색을 통해 선택된 의료상담 보조 콘텐츠를 통해 수신된 생활패턴 정보를 출력할 수 있다.
이러한 의료상담 보조 서비스 제공서버(300)는, 데이터 통신부, 메모리 및 프로세서를 포함할 수 있다.
이때, 데이터 통신부는, 단말(100) 및/또는 외부 서버와 혈액검사 기반의 생활패턴 추정 서비스를 제공하기 위한 각종 데이터를 네트워크를 통해 주고받을 수 있다.
또한, 메모리는, 혈액검사 기반의 생활패턴 추정 서비스와 관련된 각종 데이터를 저장할 수 있다.
예를 들어, 메모리는, 수신된 혈액검사 랩 데이터, 의료상담 보조 콘텐츠 등을 저장하고 관리할 수 있다.
또한, 프로세서는, 의료상담 보조 콘텐츠를 생성해 혈액검사 기반의 생활패턴 추정 서비스를 효과적으로 제공하기 위하여, 전술한 각 구성요소의 전반적인 동작을 제어할 수 있다.
이러한 프로세서는, ASICs (application specific integrated circuits), DSPs(digital signal processors), DSPDs(digital signal processing devices), PLDs(programmable logic devices), FPGAs(field programmable gate arrays), 제어기(controllers), 마이크로 컨트롤러(micro-controllers), 마이크로 프로세스(microprocessors), 기타 기능 수행을 위한 전기적 유닛 중 적어도 하나를 이용하여 구현될 수 있다.
- 혈액검사 결과 기반의 생활패턴 추정방법
이하, 첨부된 도면을 참조하여 혈액검사 결과를 기반으로 피검사자의 생활패턴을 추정하는 방법에 대하여 상세히 설명한다.
도 4는 본 발명의 실시예에 따른 혈액검사 결과 기반의 생활패턴 추정방법을 설명하기 위한 흐름도이다.
도 4를 참조하면, 먼저 단말(100)은, 제 1 시점의 피검사자의 제 1 혈액검사에 따른 제 1 랩 데이터를 획득하여 저장할 수 있다. (S101)
자세히, 단말(100)은, 제 1 혈액검사를 통해 피검사자의 혈액으로부터 도출된 각종 혈액관련정보인 제 1 랩 데이터를 획득해 저장할 수 있다.
이때, 도 5를 참조하면, 랩 데이터는, 피검사 혈액명칭, 검사 결과, 결과 판정, 측정 단위 및 참고치 정보 중 적어도 하나 이상을 포함하는 정보일 수 있다.
다음으로, 단말(100)은, 제 1 시점으로부터 소정의 제 1 기간이 경과한 이후, 피검사자의 제 2 혈액검사에 따른 제 2 랩 데이터를 획득하여 저장할 수 있다. (S103)
즉, 단말(100)은, 임의의 기간인 제 1 기간을 사이에 두고 측정된 제 1 랩 데이터와 제 2 랩 데이터를 획득하여 저장할 수 있다.
이때, 단말(100)은, 피검사자들에 따라서 제 1 기간이 일치하지 않을 시, 제 1 기간에 맞추어 제 2 랩 데이터를 보정할 수 있다.
자세히, 단말(100)은, 피검자자가 제 1 기간 보다 소정의 기간 적은 기간에 혈액검사를 수행하여 제 2 랩 데이터를 획득한 경우, 제 1 랩 데이터에서 제 2 랩 데이터 사이에서 변화된 혈액검사정보의 변화량을 증가시킬 수 있다.
예를 들어, 단말(100)은, 제 1 기간보다 10% 적은 기간에 제 2 랩데이터를 획득한 경우, 제 1 랩데이터와 제 2 랩데이터 사이에서 제 1 혈액요소 변화수치를 10% 증가시키는 제 2 랩 데이터 보정을 수행할 수 있다.
반대에 경우에도 이와 마찬가지로 단말(100)은, 피검사자가 제 1 기간 보다 소정의 기간 이후 혈액검사를 수행하여 제 2 랩 데이터를 획득한 경우, 제 1 랩 데이터에서 제 2 랩 데이터 사이에서 변화된 혈액검사정보의 변화량을 감소시킬 수 있다.
그리고 단말(100)은, 획득된 제 1 랩 데이터와 제 2 랩 데이터를 생활패턴 항목별 딥러닝 뉴럴 네트워크에 입력하여 제 1 기간의 생활패턴 정보를 획득할 수 있다. (S105, S107)
자세히, 단말(100)은, 획득된 제 1 및 2 랩 데이터를 생활패턴 추정 서버(200)로 송신하여, 상기 제 1 랩 데이터와 제 2 랩 데이터를 생활패턴 항목별 딥러닝 뉴럴 네트워크에 입력시킬 수 있다.
그리고 단말(100)은, 제 1 내지 2 랩 데이터를 입력받은 생활패턴 항목별 딥러닝 뉴럴 네트워크로부터 출력된 제 1 기간에 대한 생활패턴 정보를 생활패턴 추정 서버(200)로부터 수신할 수 있다.
예를 들어, 단말(100)은, 약물 컴플라이언스 딥러닝 뉴럴 네트워크로부터 제 1 내지 2 랩 데이터의 입력에 대한 출력인 제 1 기간의 약물복용 컴플라이언스 평가지수를 생활패턴 정보로 수신할 수 있다.
또한, 단말(100)은, 음주습관 추정 딥러닝 뉴럴 네트워크로부터 제 1 내지 2 랩 데이터의 입력에 대한 출력인 제 1 기간의 음주관련 평가지수를 생활패턴 정보로 수신할 수 있다.
또한, 단말(100)은, 식습관 추정 딥러닝 뉴럴 네트워크로부터 제 1 내지 2 랩 데이터를 입력하여 출력된 제 1 기간의 식습관 평가지수를 생활패턴 정보로 수신할 수 있다.
또한, 단말(100)은, 운동량 추정 딥러닝 뉴럴 네트워크로부터 제 1 내지 2 랩 데이터를 입력하여 출력된 제 1 기간의 운동량 평가지수를 생활패턴 정보로 수신할 수 있다.
즉, 단말(100)은, 생활패턴 항목별 딥러닝 뉴럴 네트워크 각각에서 출력된 각 생활패턴 항목별 평가지수를 포함하는 생활패턴 정보를 생활패턴 추정 서버(200)로부터 수신할 수 있다.
또한, 단말(100)은, 약물 컴플라이언스, 음주습관, 식습관 및 운동량 중 적어도 하나 이상의 항목에서 출력된 생활습관 점수 정보와 랩 데이터를 기반으로 획득될 수 있는 피검사자의 체중 및/또는 스트레스 점수 정보를 생활패턴 정보에 더 포함하여 수신할 수 있다.
즉, 단말(100)은, 피검사자의 체중 및/또는 스트레스 점수 정보가 더 포함된 생활패턴 정보를 수신하여, 피검사자의 약물 컴플라이언스, 음주습관, 식습관 및/또는 운동량과 공복혈당, 당화혈색소 수치 및/또는 수면의 질 상태 등에 대한 보다 포괄적인 추정이 가능하도록 보조할 수 있다.
정리하면, 단말(100)은, 혈액검사를 통해 획득한 랩 데이터를 딥러닝 뉴럴 네트워크에 입력하여 사용자의 다양한 생활습관 변화를 추정할 수 있고, 이를 의료상담 보조 콘텐츠로 제공하여, 환자의 진료에 활용할 수 있다.
즉, 단말(100)은, 이전 진료와 현재 진료 사이의 생활습관 변화를 정확하고 직관적인 지표인 수치나 그래프로 제공하여, 환자가 파악하지 못하거나 언급하지 못한 생활습관 변화를 의사가 정확하게 캐치하도록 보조하고, 이러한 데이터를 통해 의사는 환자의 생활습관에 맞는 약제를 추천하거나 복약방법 지도를 제공할 수 있고 올바른 생활습관을 지도함으로써, 진료의 퀄리티를 향상시킬 수 있다.
이와 같이, 단말(100)은, 빅데이터로 학습된 딥러닝 뉴럴 네트워크를 통한 인공지능 데이터 처리로 피검사자의 생활패턴을 추정한 정보를 획득함으로써, 자동화되어 빠르고 객관적인 혈액검사 결과 기반의 생활패턴 추정 서비스를 제공할 수 있다.
또한, 단말(100)은, 변화인자 추정 뉴럴 네트워크에 랩 데이터를 입력하여, 제 1 기간 동안의 피검사자에게 발생된 변화인자를 획득할 수 있다.
자세히, 단말(100)은, 변화인자 추정 뉴럴 네트워크를 통해 랩 데이터에서 검사된 혈액요소들 중 소정의 값 이상 증가/감소하거나, 복수의 혈액요소를 대비하여 소정의 수치 이상 차이가 발생한 경우, 상기 혈액요소들을 검토 혈액요소로 출력할 수 있다.
즉, 변화인자 추정 뉴럴 네트워크에 랩 데이터를 입력하면, 제 1 기간 동안에 혈액요소 변화를 기반으로 학습되어 검토 혈액요소를 출력할 수 있다.
실시예에서, 변화인자 추정 뉴럴 네트워크는, 숙련된 전문가가 검토해야할 검토 혈액요소를 지정한 제 1 랩 데이터와 제 2 랩 데이터를 기초로 학습되어, 이후 피검사자의 제 1 랩 데이터와 제 2 랩 데이터 입력시 검토 혈액요소가 출력될 수 있다.
좀더 자세히, 변화인자 추정 뉴럴 네트워크는, 생활패턴 항목별 뉴럴 네트워크를 학습시키는 트레이닝 데이터 셋에서 해당 생활패턴 항목을 구분하기 위한 전문가가 설정한 검토 혈액요소를 추가 데이터로 한 트레이닝 데이터 셋을 통해 학습될 수 있다.
예를 들어, 변화인자 추정 뉴럴 네트워크는, 공복혈당에 비해 HbA1c가 상대적으로 소정의 수치 이상 높은 경우, 공복혈당에 비해 HbA1c가 상대적으로 소정의 수치 이하로 낮은 경우를 검토 혈액요소로 지정하고, 해당 검토 혈액요소를 당뇨병 관련 복약 지도 준수여부를 생활항목 정보로 지정한 후, 해당 피검자사의 제 1 랩 데이터와 제 2 랩 데이터를 트레이닝 데이터 셋으로 학습된 뉴럴 네트워크일 수 있다.
다른 실시예에서 변화인자 추정 뉴럴 네트워크는, 특정 기준을 정해주고 해당 기준에 일치하면 검토 혈액요소로 추출하는 판단 알고리즘일 수 있다.
자세히, 변화인자 추정 뉴럴 네트워크는, 공복혈당에 비해 HbA1c가 상대적으로 소정의 수치 이상 높은 경우, 공복혈당에 비해 HbA1c가 상대적으로 소정의 수치 이하로 낮은 경우, 공복혈당, 당화혈색소가 상대적으로 기설정된 수치 이상 크게 증가하는 경우, Cr은 크게 변동 없는데 BUN 이전에 비해 높은 경우, Cr이 지속적으로 상승하는 경우, AST, ALT가 20 이상인 경우, AST/ALT 비율이 1미만인 경우, AST, ALT가 이전 검사수치보다 증가하거나, AST/ALT 비율이 1 이상인 경우, ALT, r-GTP가 정상이상으로 올라간 경우 또는 HDL-Cholesterol이 40미만으로 유지되는 경우를 검토 혈액요소로 출력할 수 있다.
그리고 단말(100)은, 상기 검토 혈액요소에 매칭된 적어도 하나 이상의 변화인자를 추출하여, 사용자에게 제공할 수 있다.
여기서 변화인자는, 식습관 패턴, 수면 장애, 운동량, 급성 질환 발생, 암 발생, 위장 질환, 음주 과다, 체중 변화, 지방간, 급성 감염 또는 담도계 질환 등을 포함할 수 있다.
즉, 단말(100)은, 제 1 혈액검사와 제 2 혈액검사에 대한 랩 데이터를 변화인자 추정 뉴럴 네트워크에 입력하여 검토 혈액요소를 추출하고, 검토 혈액요소에 매칭된 변화인자를 검색하여, 제 1 기간동안 피검사자에게 문진해야할 만한 변화인자를 추정하여 알려줄 수 있다.
계속해서, 제 1 기간의 생활패턴 정보를 획득한 단말(100)은, 획득된 제 1 기간의 생활패턴 정보 또는/ 및 변화인자를 디스플레이할 수 있다. (S109) 변화인자 디스플레이시, 검토 혈액요소도 함께 디스플레이할 수 있다.
자세히, 도 6을 참조하면, 단말(100)은, 제 1 기간의 생활패턴 정보를 의료상담 보조 콘텐츠를 통하여 그래픽 이미지로 출력할 수 있다.
보다 상세히, 의료상담 보조 서비스 제공서버(300)는, 생활패턴 추정서버(200)로부터 제 1 기간의 생활패턴 정보를 수신하면, 상기 제 1 생활패턴 정보를 각종 이미지, 텍스트 및/또는 그래프 등의 다양한 형식으로 표시하는 의료상담 보조 콘텐츠를 생성할 수 있다.
그리고 단말(100)은, 의료상담 보조 서비스 제공서버(300)로부터 생활패턴 정보를 나타내는 의료상담 보조 콘텐츠와, 랩 데이터를 시각화한 의료상담 보조 콘텐츠를 수신하여 출력할 수 있다.
이와 같이, 단말(100)은, 제 1 기간 생활패턴 정보를 의료상담 보조 콘텐츠를 통해 그래픽 이미지로 제공함으로써, 쉽고 직관적으로 생활패턴 정보를 확인하게 할 수 있다.
이상에서는, 단말(100)에서 생활패턴 정보를 의료상담 보조 서비스 제공서버(300)로 송신하여 의료상담 보조 콘텐츠를 획득해 출력한다고 설명하였으나, 생활패턴 추정 서버(200)와 의료상담 보조 서비스 제공서버(300)가 연동하여 의료상담 보조 콘텐츠를 생성해 단말(100)로 송신하는 등 다양한 실시예 또한 가능할 것이다.
또한, 도 7을 참조하면, 단말(100)은, 제 1 기간 생활패턴 정보를 제 1 기간의 생활패턴 항목별로 연관된 피검사 혈액 정보와 결합하여 표시할 수 있다.
자세히, 단말(100)은, 제 1 기간의 약물 컴플라이언스, 음주습관, 식습관 및/또는 운동량 항목 각각에 대해 연관된 피검사 혈액을 각 항목에 매칭하여 랩 데이터를 나타내는 의료상담 보조 콘텐츠와 생활패턴 정보를 나타내는 의료상담 보조 콘텐츠를 결합해 표시할 수 있다.
보다 상세히, 일반적으로 혈액검사를 통해 검출된 피검사 혈액 성분은 생활패턴 정보의 각 항목과 연관될 수 있다.
예를 들어, 혈액요소질소(BUN, Blood Urea Nitrogen)는, 단백질의 대사 산물을 반영하는 정보를 내포하고 있으며, 혈액요소질소 수치가 높을 경우에 신장기능 장애, 위장관 출혈 등을 의심할 수 있다. 즉, 혈액요소질소는, 생활패턴 정보의 항목 중 식습관 항목과 연관된 혈액검사 랩 데이터가 될 수 있다.
따라서, 단말(100)은, 제 1 및 제 2 랩 데이터의 혈액요소질소 수치변화와 상기 생활패턴 정보 중 식습관 평가지수를 결합한 의료상담 보조 콘텐츠를 생성하여 제공할 수 있으며, 이와 같이 결합된 의료상담 보조 콘텐츠는 추정된 생활패턴 정보의 신뢰성을 향상시킬 수 있다.
다른 예시로, 감마지티피(γ-GTP)는, 간과 담도기능에 대한 지표를 나타내는 정보를 내포하고 있으며, 정상 수치 이상으로 높은 경우 황달이 있거나 음주량이 많음을 시사할 수 있다. 즉, 감마지티피는, 생활패턴 정보의 각 항목 중 음주습관 항목과 연관된 혈액검사 랩 데이터가 될 수 있다.
따라서, 제 1 및 제 2 랩 데이터의 감마지티피 수치변화와 상기 생활패턴 정보 중 음주관련 평가지수를 결합한 의료상담 보조 콘텐츠를 생성하여 제공할 수 있으며, 이와 같이 결합된 의료상담 보조 콘텐츠는 추정된 생활패턴 정보의 신뢰성을 향상시킬 수 있다.
즉, 단말(100)은, 혈액검사 랩 데이터가 제공하는 피검사 혈액 성분과 생활패턴 정보들 간의 연관성을 고려하여, 제 1 생활패턴 정보의 각 항목별로 매칭되는 피검사 혈액 성분변화에 대한 정보를 함께 표시해 제공할 수 있다.
이때, 제 1 생활패턴 정보의 각 항목별로 매칭되어 표시되는 피검사 혈액들은, 의료상담 보조 콘텐츠를 통해 그래프 형식으로 표시되어 제공될 수 있다.
이와 같이, 단말(100)은, 제 1 기간 생활패턴 정보의 각 항목에 대하여 연관된 피검사 혈액성분 변화에 대한 정보를 함께 표시함으로써, 제 1 기간의 생활패턴 정보와 제 1 기간의 생활패턴 정보가 도출된 원인이 될 수 있는 피검사 혈액에 대한 정보를 함께 출력할 수 있고, 이를 통해 보다 상세한 혈액검사 결과 기반의 생활패턴 정보를 제공할 수 있다.
한편, 단말(100)은, 제 2 기간이 경과한 이후, 제 3 혈액검사에 따른 제 3 랩 데이터를 획득하여 저장할 수 있다. (S111)
즉, 단말(100)은, 제 1 랩 데이터 또는 제 2 랩 데이터와 임의의 기간을 사이에 두고 측정된 제 3 랩 데이터를 획득해 저장할 수 있다.
이와 같이, 단말(100)은, 임의의 기간을 두고 측정된 피검사자의 제 1 랩 데이터, 제 2 랩 데이터, 제 3 랩 데이터, …, 제 n 랩 데이터를 기반으로, 다양한 경우의 수를 가지는 기간에 대한 생활패턴 정보를 획득하여 제공할 수 있다.
계속해서, 단말(100)은, 획득된 제 3 랩 데이터와 제 2 랩 데이터를 생활패턴 항목별 딥러닝 뉴럴 네트워크에 입력하여 제 2 기간의 생활패턴 정보를 획득해 저장할 수 있다. (S113, S115)
자세히, 단말(100)은, 획득된 제 2 내지 3 랩 데이터를 생활패턴 추정 서버(200)로 송신하여 생활패턴 항목별 딥러닝 뉴럴 네트워크에 입력되도록 할 수 있다.
그리고 단말(100)은, 제 2 내지 3 랩 데이터를 입력받은 생활패턴 항목별 딥러닝 뉴럴 네트워크로부터 출력된 제 2 기간에 대한 생활패턴 정보를 생활패턴 추정 서버(200)로부터 수신해 저장할 수 있다.
또한, 단말(100)은, 획득된 제 3 랩 데이터와 제 1 랩 데이터를 생활패턴 항목별 딥러닝 뉴럴 네트워크에 입력하여 제 3 기간의 생활패턴 정보를 획득해 저장할 수 있다. (S117, S119)
자세히, 단말(100)은, 획득된 제 1 내지 3 랩 데이터를 생활패턴 추정 서버(200)로 송신하여 생활패턴 항목별 딥러닝 뉴럴 네트워크에 입력되도록 할 수 있다.
그리고 단말(100)은, 제 1 내지 3 랩 데이터를 입력받은 생활패턴 항목별 딥러닝 뉴럴 네트워크로부터 출력된 제 3 기간에 대한 생활패턴 정보를 생활패턴 추정 서버(200)로부터 수신해 저장할 수 있다.
이와 같이, 제 1 내지 3 랩 데이터를 기반으로 하여 제 1 내지 3 기간의 생활패턴 정보를 획득한 단말(100)은, 획득된 제 1 내지 3 기간의 생활패턴 정보를 다양한 방식으로 디스플레이할 수 있다. (S121)
이때, 단말(100)은, 의료상담 보조 서비스 제공서버(300)로부터 생성되는 의료상담 보조 콘텐츠를 통해 제 1 내지 3 기간의 생활패턴 정보를 그래픽 이미지로 출력할 수 있다.
또한, 도 8을 참조하면, 단말(100)은, 제 1 내지 3 혈액검사에 따른 생활패턴 정보를 1) 제 3 기간(T3)의 생활패턴 정보를 디스플레이하는 방법, 2) 제 1 기간(T1), 제 2 기간(T2) 및 제 3 기간(T3)의 생활패턴 정보를 각각 디스플레이하는 방법 및 3) 제 1 기간(T1)의 생활패턴 정보와 제 2 기간(T2)의 생활패턴 정보를 각각 도출해 결합한 후, 제 3 기간(T3)의 생활패턴 정보로 보정을 수행하여 디스플레이하는 방법 중 어느 하나 이상의 방법으로 출력하여 제공할 수 있다.
예를 들어, 단말(100)은, 제 1 기간의 운동량 평가지수가 80, 제 2 기간의 운동량 평가지수가 90이고, 제 3 기간의 운동량 평가지수가 75일 경우, 먼저 제 1 기간의 운동량 평가지수와 제 2 기간의 운동량 평가지수를 기설정된 방식(예컨대, 평균치)으로 결합할 수 있다.
계속해서, 기설정된 방식으로 결합된 제 1 내지 2 기간의 운동량 평가지수(예컨대, 85)가, 기설정된 조건(예컨대, 제 3 기간의 운동량 평가지수와 소정의 값(예컨대, 5) 이상 차이가 날 경우 등)을 만족할 경우, 결합된 제 1 내지 2 기간의 운동량 평가지수를 제 3 기간의 운동량 평가지수로 기설정된 방식(예컨대, 평균치)에 따라 보정하여 최종 운동량 평가지수(예컨대, 80)를 산출할 수 있다.
이와 같이, 단말(100)은, 추정된 생활패턴 정보를 다양한 방식으로 디스플레이하여 제공함으로써, 사용자가 다양한 관점에서 쉽고 직관적으로 혈액검사 결과에 기반한 생활패턴 정보를 확인하게 할 수 있다.
- 생활패턴 항목별 딥러닝 뉴럴 네트워크 구축방법
이하, 첨부된 도면을 참조하여 생활패턴 항목별 딥러닝 뉴럴 네트워크를 구축하는 방법을 생활패턴 추정 서버(200)를 중심으로 상세히 설명하기로 한다.
도 9는 본 발명의 실시예에 따른 생활패턴 항목별 딥러닝 뉴럴 네트워크를 구축하는 방법을 설명하기 위한 흐름도이다.
도 9를 참조하면, 생활패턴 추정 서버(200)는, 먼저 혈액검사를 기반으로 생성된 의료상담 콘텐츠를 단말(100)로부터 획득할 수 있다. (S201)
이때, 의료상담 콘텐츠란, 의료상담 보조 콘텐츠 상에 의사에 의해 입력된 의료상담과 관련된 기록이 추가되어 생성된 정보일 수 있다.
여기서, 의료상담 보조 콘텐츠란, 의료관련 이미지, 동영상, 애니메이션 및 텍스트 중 적어도 하나 이상을 포함하는 조합으로 형성되어 단말(100)을 통해 출력됨으로써 의료상담을 보조할 수 있는 정보로서, 전자의무기록(EMR, Electronic Medical Record), 전자건강기록(EHR, Electronic Health Record), 의료상담 보조 서비스 제공서버(300)에서 제공하는 상담을 보조하는 이미지 또는 단말(100)에서 제공하는 혈액검사 정보(즉, 랩 데이터) 등이 포함될 수 있다.
보다 자세히, 여기서 전자의무기록이란, 기존의 종이에 기재하는 환자차트를 전산화한 것으로서, 환자(즉, 피검사자)의 인적사항, 과거 병력, 진단 기록, 치료 내용, 복약 지도 기록, 복용 약물 기록, 수술 기록, 입퇴원 기록 및 외래 진료 사항 정보 중 적어도 하나 이상을 포함하는 데이터 정보일 수 있다.
또한, 전자건강기록이란, 데이터를 획득하는 디바이스(Divice)에 의해 측정된 디지털 형식의 의료 관련 데이터로서, 환자(즉, 피검사자)가 디바이스를 착용하여 디바이스에서 획득된 생체정보를 포함할 수 있다.
예컨대, 생체정보는, 혈당, 혈압, 체온, 심전도 등의 환자(즉, 피검사자)의 신체를 측정한 정보이거나, 인슐린 투입정보, 천식 흡입제 투입정보, 통증 정보 등 환자(즉, 피검사자)가 약물을 투입하거나 통증에 대한 입력 정보 등을 포함할 수 있다.
즉, 의료상담 보조 콘텐츠는, 본 발명의 실시예에서 위와 같은 피검사자의 전자의무기록, 전자건강기록 및/또는 혈액검사에 따른 적어도 하나 이상의 랩 데이터 등을 포함할 수 있다.
자세히, 의료상담 보조 서비스 제공서버(300)에서 제공하는 의료상담 보조 콘텐츠는, 의료상담을 보조하기 위한 시청각 자료들을 포함할 수 있고, 실시예에서 시청각 자료는, 혈액검사 결과 출력 콘텐츠, 질병진단 콘텐츠, 치료방법 콘텐츠, 약물상담 콘텐츠, 진료비용 콘텐츠, 보험 정보 콘텐츠, 서명 콘텐츠, 기타 콘텐츠 및 전술한 콘텐츠들을 통합한 의료상담 보조 콘텐츠 등을 포함할 수 있다.
예를 들어, 의료상담 보조 콘텐츠에는, 혈액검사 기반의 랩 데이터, 신체기관 이미지, 질병 정보, 치료법 이미지, 치료법 정보, 약물 복약방법, 약물 정보 및 보험 정보 중 적어도 하나의 이미지나 정보들이 포함될 수 있으며, 의료상담 콘텐츠을 작성하는데 사용되는 각종 정보도 보조로 포함될 수 있다.
이와 같은 다양한 의료상담 보조 콘텐츠는, 의료상담 보조 서비스 제공서버(300)에서 생성되어 단말(100)로 송신될 수 있고, 의료상담 보조 콘텐츠를 수신한 단말(100)에서 의사의 선택에 따라 의료상담에 활용되도록 표시되며, 단말(100)은 선택된 복수의 의료상담 보조 콘텐츠를 의사가 상담에 활용하기 쉽게 정렬하여 제공할 수 있다.
그리고 이러한 의료상담 보조 콘텐츠 상에 의사의 의료상담 내용을 입력받아 의료상담 콘텐츠를 생성하기 위하여, 단말(100)은, 상담 입력 인터페이스를 제공할 수 있다.
자세히, 상담 입력 인터페이스는, 표시된 의료상담 보조 콘텐츠의 이미지 상에 의사가 필기, 음성, 편집 및/또는 영상을 입력하도록 하는 그래픽 유저 인터페이스를 포함할 수 있다.
실시예로, 상담 입력 인터페이스는, 의료상담 보조 콘텐츠의 이미지 상에 의사의 필기입력을 감지하는 필기 입력 인터페이스를 제공할 수 있다.
또한, 본 발명의 실시예에서 상담 입력 인터페이스는, 의료상담 보조 콘텐츠 상에 소정의 조건(예컨대, 기설정된 경력 이상을 가지는 전문의 등)을 만족하는 수준 높은 숙련의가 혈액검사 정보에 기반한 소견을 입력하는 숙련의 소견 입력 인터페이스를 제공할 수 있다.
자세히, 상담 입력 인터페이스는, 의료상담 보조 콘텐츠를 통해 출력되는 피검사자의 혈액검사 정보에 기반하여 숙련의가 추정한 임의의 기간의 피검사자 생활패턴에 대한 정보를 입력받는 숙련의 소견 입력 인터페이스를 제공할 수 있다.
즉, 단말(100)은, 의료상담 보조 콘텐츠를 통해 제공되는 피검사자의 혈액검사 정보에 대해 숙련의가 추정한 생활패턴에 대한 정보를 상담 입력 인터페이스를 통해 입력받아 저장할 수 있다.
또한, 단말(100)은, 전술한 의료상담 보조 콘텐츠 상에 상담 입력 인터페이스를 통해 입력된 의료상담 내용(예컨대, 혈액검사 정보를 기반으로 숙련의가 추정한 생활패턴 정보 등)이 추가되어 만들어진 정보인 의료상담 콘텐츠를 생성할 수 있다.
그리고 단말(100)은, 생성된 의료상담 콘텐츠를 출력하여 의료상담을 보조하는 역할을 수행할 수 있으며, 생성된 의료상담 콘텐츠를 생활패턴 추정 서버(200)로 송신할 수 있다.
이와 같이, 본 발명의 실시예에 따른 단말(100)은, 의료상담 콘텐츠를 활용하여 혈액검사 기반의 생활패턴 추정 서비스를 제공함으로써, 객관적 데이터 기반의 신뢰성 높은 피드백을 생성하게 할 수 있으며, 이를 통해 딥러닝 뉴럴 네트워크의 학습을 효과적으로 보조할 수 있다.
계속해서, 단말(100)로부터 생성된 의료상담 콘텐츠를 획득한 생활패턴 추정 서버(200)는, 획득된 의료상담 콘텐츠의 의료상담 내용 중 생활패턴 관련정보를 추출할 수 있다. (S203)
이때, 생활패턴 관련정보란, 획득된 의료상담 콘텐츠 상에 존재하는 피검사자의 혈액검사 정보 기반의 생활패턴 정보 즉, 피검사자의 약물 컴플라이언스, 음주습관, 식습관 및 운동량 항목 중 어느 하나 이상에 관련된 각종 정보를 의미한다.
이러한 생활패턴 관련정보는, 의료상담 콘텐츠 상에서 광학적 문자 판독장치(OCR)를 통한 키워드 인식 방식, 기설정된 키워드에 기반한 자동추출 방식 및/또는 숙련의 소견 인터페이스를 통해 입력된 정보 등으로부터 추출될 수 있고, 관련 의료인(예컨대, 의사)가 수동으로 선정하여 추출될 수도 있다.
계속해서, 생활패턴 관련정보를 추출한 생활패턴 추정 서버(200)는, 추출된 생활패턴 관련정보와 해당 혈액검사 정보(즉, 랩 데이터)를 매칭하여 트레이닝 데이터 세트를 생성할 수 있다. (S205)
이때, 생활패턴 추정 서버(200)는, 생활패턴 관련정보와 적어도 하나 이상의 해당 혈액검사 정보를 자동으로 매칭하여 트레이닝 데이터 세트를 생성할 수도 있고, 관련 의료인(예컨대, 의사)이 수동으로 생활패턴 관련정보와 적어도 하나 이상의 해당 혈액검사 정보를 매칭시킨 정보를 기반으로 트레이닝 데이터 세트를 생성할 수도 있다.
다음으로, 트레이닝 데이터 세트를 생성한 생활패턴 추정 서버(200)는, 생성된 트레이닝 데이터 세트를 생활패턴 관련정보의 항목 특성에 따라 분류할 수 있다. (S207)
자세히, 생활패턴 추정 서버(200)는, 트레이닝 데이터 세트의 생활패턴 관련정보 항목 즉, 피검사자의 약물 컴플라이언스, 음주습관, 식습관 및/또는 운동량 항목 중 어느 항목의 정보인지에 따라 해당 항목별로 트레이닝 데이터 세트를 분리하여 분류할 수 있다.
이때, 생활패턴 추정 서버(200)는, 트레이닝 데이터 세트의 생활패턴 관련정보 항목 특성에 따른 분류를 자동으로 수행할 수도 있고, 관련 의료인(예컨대, 의사)이 수동으로 트레이닝 데이터 세트를 항목 특성에 따라 분류한 정보를 기반으로 트레이닝 데이터 세트를 분류할 수도 있다.
이처럼 트레이닝 데이터 세트를 분류한 생활패턴 추정 서버(200)는, 분류된 트레이닝 데이터 세트를 기반으로 생활패턴 항목별 딥러닝 뉴럴 네트워크를 학습시킬 수 있다. (S209)
자세히, 생활패턴 추정 서버(200)는, 항목 특성별로 분류된 트레이닝 데이터 세트와 생활패턴 항목별 딥러닝 뉴럴 네트워크를 상호 연관된 항목끼리 매칭하여 학습시킬 수 있다.
실시예로, 생활패턴 추정 서버(200)는, 약물 컴플라이언스 항목으로 분류된 트레이닝 데이터 세트와 약물 컴플라이언스 딥러닝 뉴럴 네트워크를 매칭할 수 있고, 해당 약물 컴플라이언스 트레이닝 데이터 세트로 약물 컴플라이언스 딥러닝 뉴럴 네트워크를 학습시킬 수 있다.
동일한 방식으로, 생활패턴 추정 서버(200)는, 음주습관 트레이닝 데이터 세트와 음주습관 추정 딥러닝 뉴럴 네트워크를 매칭하여 딥러닝 뉴럴 네트워크를 학습시킬 수 있고, 식습관 트레이닝 데이터 세트와 식습관 추정 딥러닝 뉴럴 네트워크를 매칭하여 딥러닝 뉴럴 네트워크를 학습시킬 수 있으며, 운동량 트레이닝 데이터 세트와 운동량 추정 딥러닝 뉴럴 네트워크를 매칭하여 딥러닝 뉴럴 네트워크를 학습시킬 수 있다.
이와 같이, 생활패턴 추정 서버(200)는, 혈액검사 정보에 기반하여 생성된 의료상담 콘텐츠를 기초로 트레이닝 데이터 세트를 생성하고, 생성된 트레이닝 데이터 세트를 생활패턴 항목별 딥러닝 뉴럴 네트워크의 항목에 적합하게 분류해 딥러닝 뉴럴 네트워크 학습을 수행함으로써, 트레이닝 데이터 세트에 기반한 생활패턴 항목별 딥러닝 뉴럴 네트워크의 학습을 보다 효과적으로 수행함과 동시에 신뢰도를 향상시킬 수 있다.
이상, 본 발명의 실시예에 따른 혈액검사 결과 기반의 생활패턴 추정방법 및 장치는, 피검사자에 대한 복수의 혈액검사 랩 데이터를 획득하고, 획득된 랩 데이터를 기반으로 특정 기간 동안의 피검사자 생활패턴을 추정함으로써, 다양한 기간별 피검사자의 생활패턴을 추정해 건강 진단을 수행할 수 있는 장점이 있다.
또한, 본 발명의 실시예에 따른 혈액검사 결과 기반의 생활패턴 추정방법 및 장치는, 다양한 기간별로 추정된 피검사자의 생활패턴이 상호 보정되는 기능을 제공함으로써, 혈액검사 결과 기반의 생활패턴 추정 서비스의 정확도를 향상시킬 수 있는 효과가 있다.
또한, 본 발명의 실시예에 따른 혈액검사 결과 기반의 생활패턴 추정방법 및 장치는, 학습된 딥러닝 뉴럴 네트워크를 통한 인공지능적 데이터 처리로 피검사자의 생활패턴을 추정함으로써, 자동화되어 빠르고 효율적인 혈액검사 결과 기반의 생활패턴 추정 서비스를 제공할 수 있다.
또한, 본 발명의 실시예에 따른 혈액검사 결과 기반의 생활패턴 추정방법 및 장치는, 혈액검사 결과에 기초하여 생성된 의료상담 콘텐츠에 기반하여 딥러닝 뉴럴 네트워크를 학습시킴으로써, 트레이닝 데이터 세트를 효과적으로 생성할 수 있고, 보다 신뢰도 높은 데이터를 기반으로 딥러닝 뉴럴 네트워크를 학습시킬 수 있다.
또한, 본 발명의 실시예에 따른 혈액검사 결과 기반의 생활패턴 추정방법 및 장치는, 추정된 생활패턴 정보를 다양한 방식으로 디스플레이하여 제공함으로써, 사용자가 쉽고 직관적으로 혈액검사 결과에 기반한 생활패턴 정보를 확인하게 할 수 있다.
또한, 이상 설명된 본 발명에 따른 실시예는 다양한 컴퓨터 구성요소를 통하여 실행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등과 같은, 프로그램 명령어를 저장하고 실행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령어의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위하여 하나 이상의 소프트웨어 모듈로 변경될 수 있으며, 그 역도 마찬가지이다.
본 발명에서 설명하는 특정 실행들은 일 실시 예들로서, 어떠한 방법으로도 본 발명의 범위를 한정하는 것은 아니다. 명세서의 간결함을 위하여, 종래 전자적인 구성들, 제어 시스템들, 소프트웨어, 상기 시스템들의 다른 기능적인 측면들의 기재는 생략될 수 있다. 또한, 도면에 도시된 구성 요소들 간의 선들의 연결 또는 연결 부재들은 기능적인 연결 및/또는 물리적 또는 회로적 연결들을 예시적으로 나타낸 것으로서, 실제 장치에서는 대체 가능하거나 추가의 다양한 기능적인 연결, 물리적인 연결, 또는 회로 연결들로서 나타내어질 수 있다. 또한, “필수적인”, “중요하게” 등과 같이 구체적인 언급이 없다면 본 발명의 적용을 위하여 반드시 필요한 구성 요소가 아닐 수 있다.
또한 설명한 본 발명의 상세한 설명에서는 본 발명의 바람직한 실시 예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자 또는 해당 기술분야에 통상의 지식을 갖는 자라면 후술할 특허청구범위에 기재된 본 발명의 사상 및 기술 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다. 따라서, 본 발명의 기술적 범위는 명세서의 상세한 설명에 기재된 내용으로 한정되는 것이 아니라 특허청구범위에 의해 정하여져야만 할 것이다.
본 발명은 딥러닝 뉴럴 네트워크를 이용하여 단말의 프로세서가 혈액검사 기반으로 소정의 기간동안의 환자의 생활패턴 변화정보를 출력하는 것이므로, 산업상 이용 가능성이 있다.

Claims (5)

  1. 단말의 프로세서에서 피검사자의 혈액검사에 따른 랩 데이터를 획득하여 상기 피검사자의 생활패턴을 추정하는 방법으로서,
    제 1 혈액검사에 따른 제 1 랩 데이터를 획득하는 단계;
    상기 제 1 혈액검사 시점으로부터 제 1 기간 이후의 제 2 혈액검사에 따른 제 2 랩 데이터를 획득하는 단계;
    상기 제 1 랩 데이터와 제 2 랩 데이터를 적어도 하나 이상의 생활패턴 항목별 딥러닝 뉴럴 네트워크에 입력하는 단계;
    상기 생활패턴 항목별 딥러닝 뉴럴 네트워크로부터 제 1 기간 생활패턴 정보를 획득하는 단계; 및
    상기 제 1 기간 생활패턴 정보를 디스플레이하는 단계를 포함하고,
    상기 생활패턴 정보는, 상기 피검사자의 약물 컴플라이언스, 음주습관, 식습관, 운동량, 체중 및 스트레스 중 적어도 하나 이상의 항목에 대한 생활습관 정보를 포함하는
    혈액검사 결과 기반 생활패턴 및 변화인자 추정방법.
  2. 제 1 항에 있어서,
    상기 제 1 기간 생활패턴 정보를 획득하는 단계는,
    상기 제 1 랩 데이터와 제 2 랩 데이터를 약물 컴플라이언스 뉴럴 네트워크에 입력하는 단계와, 상기 약물 컴플라이언스 뉴럴 네트워크에서 출력된 상기 제 1 기간 동안의 상기 피검사자에 대한 복약지도에 따른 약물복용 준수 정도를 나타내는 지표인 약물 컴플라이언스 평가지수를 획득하는 단계를 포함하는
    혈액검사 결과 기반 생활패턴 및 변화인자 추정방법.
  3. 제 1 항에 있어서,
    상기 제 1 기간 생활패턴 정보를 획득하는 단계는,
    상기 제 1 랩 데이터와 제 2 랩 데이터를 음주습관 추정 딥러닝 뉴럴 네트워크에 입력하는 단계와, 상기 음주습관 추정 딥러닝 뉴럴 네트워크에서 출력된 상기 제 1 기간 동안의 상기 피검사자의 음주량과 음주횟수에 비례한 음주관련 평가지수를 획득하는 단계를 포함하는
    혈액검사 결과 기반 생활패턴 및 변화인자 추정방법.
  4. 제 3 항에 있어서,
    상기 제 1 기간 생활패턴 정보를 디스플레이하는 단계는,
    상기 제 1 기간 생활패턴 정보를 의료상담 보조 콘텐츠를 통해 출력하는 단계를 포함하고,
    상기 제 1 기간 생활패턴 정보를 디스플레이하는 단계는,
    상기 생활패턴 정보의 특정 항목과 연관된 상기 혈액검사에 따른 피검사 혈액 성분 변화정보를 상기 생활패턴 정보의 특정 항목과 결합하여 표시하는 단계를 더 포함하는
    혈액검사 결과 기반 생활패턴 및 변화인자 추정방법.
  5. 제 1 항에 있어서,
    상기 제 1 랩 데이터와 상기 제 2 랩 데이터를 기초로 검토 혈액요소를 추출하는 단계와, 상기 검토 혈액요소에 매칭된 변화인자를 출력하는 단계를 더 포함하는
    혈액검사 결과 기반 생활패턴 및 변화인자 추정방법.
PCT/KR2019/015192 2018-12-28 2019-11-08 혈액검사 결과 기반 생활패턴 및 변화인자 추정방법 WO2020138707A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2018-0172239 2018-12-28
KR1020180172239A KR102206905B1 (ko) 2018-12-28 2018-12-28 혈액검사 결과 기반 생활패턴 및 변화인자 추정방법

Publications (1)

Publication Number Publication Date
WO2020138707A1 true WO2020138707A1 (ko) 2020-07-02

Family

ID=71127214

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2019/015192 WO2020138707A1 (ko) 2018-12-28 2019-11-08 혈액검사 결과 기반 생활패턴 및 변화인자 추정방법

Country Status (2)

Country Link
KR (1) KR102206905B1 (ko)
WO (1) WO2020138707A1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
BR112022000060A2 (pt) 2019-07-05 2022-03-15 Continental Reifen Deutschland Gmbh Fio para reforço de pneu e reforço de pneu
KR102382659B1 (ko) * 2021-04-28 2022-04-08 주식회사 모노라마 당화혈색소 수치 추정을 위한 인공지능학습 모델의 학습 방법 및 그 시스템

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140294675A1 (en) * 1999-11-08 2014-10-02 University Of Florida Research Foundation, Inc. Marker Detection Method And Apparatus To Monitor Drug Compliance
KR101501281B1 (ko) * 2012-06-18 2015-03-11 경희대학교 산학협력단 당뇨병 및 당뇨 합병증 관리 방법
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
KR20180014063A (ko) * 2015-07-27 2018-02-07 구글 엘엘씨 리커런트 뉴럴 네트워크를 이용한 컨디션들의 충족 가능성에 대한 예측

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6925389B2 (en) 2000-07-18 2005-08-02 Correlogic Systems, Inc., Process for discriminating between biological states based on hidden patterns from biological data

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140294675A1 (en) * 1999-11-08 2014-10-02 University Of Florida Research Foundation, Inc. Marker Detection Method And Apparatus To Monitor Drug Compliance
KR101501281B1 (ko) * 2012-06-18 2015-03-11 경희대학교 산학협력단 당뇨병 및 당뇨 합병증 관리 방법
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
KR20180014063A (ko) * 2015-07-27 2018-02-07 구글 엘엘씨 리커런트 뉴럴 네트워크를 이용한 컨디션들의 충족 가능성에 대한 예측

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
PEDRAM GHARANI: "An Artificial Neural Network for Movement Pattern Analysis to Estimate Blood Alcohol Content Level", SENSORS, 13 December 2017 (2017-12-13), XP055721149, Retrieved from the Internet <URL:https://www.mdpi.com/1424-8220/17/12/2897> [retrieved on 20200131] *

Also Published As

Publication number Publication date
KR20200082062A (ko) 2020-07-08
KR102206905B1 (ko) 2021-01-25

Similar Documents

Publication Publication Date Title
WO2016133349A1 (ko) 생체 정보를 측정하는 전자 장치 및 방법
WO2017146524A1 (en) Aparatus and method for assessing heart failure
WO2020138707A1 (ko) 혈액검사 결과 기반 생활패턴 및 변화인자 추정방법
WO2017146515A1 (en) Sensor assisted evaluation of health and rehabilitation
US10452180B2 (en) Driving circuit and sensing unit thereof
WO2017191858A1 (ko) 개인 맞춤형 정보를 제공하는 체성분 측정 장치 및 서버
WO2019240513A1 (ko) 전자 장치에서 생체 정보 제공 방법 및 장치
WO2013085193A1 (ko) 사용자 인지 향상 장치 및 그 인지 향상 방법
WO2014209004A1 (ko) 라이프 스타일 서비스 디자인 시스템 및 방법
EP3526763A1 (en) Electronic device and method for providing guide information based on genetic information
WO2024010397A1 (ko) 성분지수 분석 기반의 맞춤형 식품을 제공하는 서버, 방법, 프로그램 및 식품 제공 장치
WO2018084581A1 (en) Method and apparatus for filtering a plurality of messages
WO2017215354A1 (zh) 测量仪数据存储方法和装置
WO2019039819A1 (ko) 사용자의 활동 정보에 기반하여 운동 강도와 관련된 가이드 정보를 제공하는 방법 및 장치
WO2021101105A2 (ko) 의료 전문 자료의 과목 분류 시스템 및 방법
WO2014209005A1 (ko) 라이프 스타일 분석 시스템 및 방법
WO2013027869A1 (ko) 건강관리 동기부여를 위한 자가 인지 리마인더를 제공하는 헬스 케어 서비스 제공방법
WO2017150912A1 (ko) 의료 상담을 보조하기 위한 장치 및 방법
WO2023182727A1 (en) Image verification method, diagnostic system performing same, and computer-readable recording medium having the method recorded thereon
WO2019013475A1 (ko) 피부 관리 시스템 및 이의 제어 방법
KR20210066781A (ko) 의료관련 데이터(ehr) 시각화 방법 및 시스템
Popp et al. Computer vision technology in the differential diagnosis of Cushing’s syndrome
WO2019194651A1 (ko) 전자 장치에서 생체 정보 측정 방법 및 장치
EP3523932A1 (en) Method and apparatus for filtering a plurality of messages
WO2022010168A1 (ko) 파킨슨병 환자에서 치매 발병 위험도 예측 방법 및 이를 이용한 치매 발병위험도 예측용 디바이스

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: 19904716

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: 19904716

Country of ref document: EP

Kind code of ref document: A1

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 16.11.21)

122 Ep: pct application non-entry in european phase

Ref document number: 19904716

Country of ref document: EP

Kind code of ref document: A1