WO2020175892A2 - 확률 모델을 이용한 관상동맥 석회화 수치의 예측장치, 이의 예측방법 및 기록매체 - Google Patents

확률 모델을 이용한 관상동맥 석회화 수치의 예측장치, 이의 예측방법 및 기록매체 Download PDF

Info

Publication number
WO2020175892A2
WO2020175892A2 PCT/KR2020/002699 KR2020002699W WO2020175892A2 WO 2020175892 A2 WO2020175892 A2 WO 2020175892A2 KR 2020002699 W KR2020002699 W KR 2020002699W WO 2020175892 A2 WO2020175892 A2 WO 2020175892A2
Authority
WO
WIPO (PCT)
Prior art keywords
matrix
data
risk group
coronary artery
time
Prior art date
Application number
PCT/KR2020/002699
Other languages
English (en)
French (fr)
Other versions
WO2020175892A3 (ko
Inventor
최진호
강미라
조수진
박철진
김준형
Original Assignee
사회복지법인 삼성생명공익재단
한양대학교 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 사회복지법인 삼성생명공익재단, 한양대학교 산학협력단 filed Critical 사회복지법인 삼성생명공익재단
Publication of WO2020175892A2 publication Critical patent/WO2020175892A2/ko
Publication of WO2020175892A3 publication Critical patent/WO2020175892A3/ko

Links

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
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Definitions

  • Prediction device its prediction method and recording media technology field
  • the present invention relates to the diagnosis of coronary artery calcification, and more specifically, to technology for predicting changes in coronary artery calcification level.
  • Coronary artery calcium (CAC) values have been known to be associated with the risk of heart disease.
  • CAC values obtained through computerized tomography (CT), etc. )silver,
  • CAC cerebral infarction
  • the present invention uses a patient's coronary artery calcification value and various influencing variables to predict the change in coronary artery calcification level at a future point in the examinee. It aims to provide.
  • the present invention detects coronary artery calcification through computed tomography (CT) imaging.
  • CT computed tomography
  • the purpose is to visualize and provide the probability of belonging to a specific risk group after a certain period of time when risk groups are divided according to numerical values through numerical processing and graph output.
  • the forecasting method according to an embodiment of the present invention is based on at least two time points.
  • the pre-processing step is to compare the risk group accelerating the preliminary admission data and the risk group accelerating the post-admission data among at least two time points included in each of the plurality of data sets, and determine the type of change in the risk group.
  • the plurality of data sets may be clustered into a plurality of clusters, and a time point difference between the preceding data and the subsequent data may correspond to each of the plurality of data sets.
  • step of acquiring the above parameters is a first step among the plurality of clusters
  • each cluster including a data set in which data is a first risk group, acquiring each parameter for an exponential distribution of a time point difference between the preceding data and the data of the subsequent data; It may be that the first parameter plus the first risk group is obtained as the parameter for the exponential distribution over time where the first risk group does not change.
  • the matrix includes a first matrix and a second matrix using the preprocessed data, the first matrix is a square matrix, the main diagonal component is 0, and the sum of components of each row is It is a road-map matrix, and the second matrix is
  • the main diagonal component of the second matrix is a value obtained by taking a negative number as the parameter for the main diagonal component of the first matrix, and the exponential distribution of time at which the risk group corresponding to each row does not change.
  • the parameter may be multiplied by the component of each row of the first matrix.
  • the step of generating the transfer function may be to generate the transfer function to output a probability that the risk group including the binary data will change to another risk group as values of 0 or more and 1 or less.
  • a graph of the time of the function value of the transfer function is displayed for each of the clusters. It can be.
  • the predictive device is a coronary artery calcification value
  • a pre-processing unit that sets a plurality of risk groups as a reference and pre-processes the plurality of data sets according to a change in the risk group accelerating at least two time points included in each of the input plurality of data sets; the pre-processed plurality of data sets.
  • a parameter acquisition unit that acquires a parameter for an exponential distribution over time where the risk group does not change; a matrix that generates a matrix based on the preprocessed dataset and the above parameters Generating unit; Transition function calculation unit for generating a transition function according to the Markov chain model with respect to the possibility of change of the risk group to which the received data of the at least two points of time belongs by using the matrix; And a display unit for displaying the function value of the transition function; May include.
  • the pre-processing unit at least two included in each of the plurality of data sets
  • the plurality of data sets are clustered into a plurality of clusters by comparing the risk group to which the preliminary admission data belongs to the risk group to which the subsequent admission data belongs, and clustering the plurality of data sets into a plurality of clusters based on the type of change in the risk group.
  • the difference in time between the and the subsequent data may correspond to each of the plurality of data sets.
  • the parameter acquisition unit for each of the clusters including the first risk group data set among the plurality of clusters, the exponential distribution of the time point difference between the preceding data and the subsequent data The step of acquiring each parameter may be further included, and the first parameter obtained by adding each of the parameters may be acquired as the parameter for the exponential distribution of time at which the first risk group does not change.
  • the matrix includes a first matrix and a second matrix using the preprocessed data, the first matrix is a square matrix, the main diagonal component is 0, and the sum of components of each row is It is a road-map matrix, and the second matrix is
  • the main diagonal component of the second matrix is a value obtained by taking a negative number as the parameter for the main diagonal component of the first matrix, and the exponential distribution of time at which the risk group corresponding to each row does not change.
  • the parameter may be multiplied by the component of each row of the first matrix.
  • the transfer function calculation unit sets the probability that the risk group including the binary data will change to another risk group to a value of 0 or more and 1 or less, respectively.
  • the display unit is the first advanced data among the plurality of clusters.
  • a graph of the time of the function value of the transition function may be displayed for each of the clusters.
  • the recording medium according to an embodiment of the present invention is coronary artery calcification described above
  • a computer readable program that records a program for executing the prediction method.
  • FIG. 1 shows coronary artery calcification through a prediction device according to an embodiment of the present invention.
  • Figure 2 is for explaining the components of the prediction device according to an embodiment of the present invention
  • 3A and 3B are diagrams for explaining how a prediction apparatus according to an embodiment of the present invention pre-processes reception data.
  • FIG. 4 is a view for explaining a roadmap matrix according to an embodiment of the present invention.
  • FIG. 5 is a view for explaining a velocity matrix according to an embodiment of the present invention.
  • FIG. 6 is a diagram of a transition function through a Markov chain model according to an embodiment of the present invention.
  • FIG. 7 is a diagram illustrating a graph of a change trend of probability over time based on a transition function calculated according to an embodiment of the present invention.
  • a or B will contain A 2020/175892 1»(:1 ⁇ 1 ⁇ 2020/002699 Capital,:8 can be included, or Showa:8 all can be included.
  • Expressions such as “first”, “second”, “first”, or “second” used in various embodiments of the present disclosure may represent various elements of various embodiments, but the corresponding elements
  • the above expressions do not limit the order and/or importance of the corresponding elements.
  • the expressions above may be used to distinguish one element from another.
  • first The user equipment and the second user equipment are both user equipment and represent different user equipment.
  • a first component may be named a second component without departing from the scope of the rights of various embodiments of the present disclosure, and similar
  • the second component may also be named the first component.
  • ⁇ modules'', ⁇ units'' , ⁇ grant)'', etc. can be implemented with at least one processor by being integrated with at least one module or chip, except when each needs to be implemented with individual specific hardware.
  • FIG. 1 shows coronary artery calcification through a prediction device according to an embodiment of the present invention.
  • the prediction device may receive input data regarding computed tomography (( ⁇ ) imaging of the heart 110) in order to detect the coronary artery calcification level.
  • the diagnosis data is the coronary artery calcification level and the coronary artery calcification level. It may be composed of information such as points at the time of computed tomography. Shooting may be for the same pendulum at different times, and the sensation data may be data for multiple pendulums, i.e. 2020/175892 1»(:1 ⁇ 1 ⁇ 2020/002699
  • the prediction device can receive multiple datasets including, for each of the multiple pendulums, at least two shooting points.
  • the prediction device can perform preprocessing on a plurality of input data sets.
  • the predictive device can set multiple risk groups based on the coronary artery calcification level.
  • the multiple risk groups may include a low risk group, a medium risk group, a severe injury risk group, and a high risk group, but is not limited thereto. Risk groups can be classified.
  • the prediction device may be used to measure the data taken from at least two points in a plurality of data sets.
  • a plurality of data sets can be pre-processed according to the change in the risk group to which the data belongs. Specifically, the prediction device compares the risk group to which the preceding data is accelerating and the risk group to which the post-advanced data is accelerating among the plurality of data sets. Thus, it is possible to cluster multiple datasets into multiple clusters based on the type of risk group changing.
  • the predicting device is You can cluster the set by numbering it as cluster 2.
  • the prediction apparatus can reconstruct the difference in time between the preceding data and the subsequent data for each of the plurality of data sets in correspondence with the plurality of data sets. This will be described in detail with reference to FIGS. 3A and 3B. I will do it.
  • the predicting apparatus may obtain a parameter for an exponential distribution of time at which each risk group does not change for each risk group of a plurality of risk groups by using the preprocessed data set (S130). .
  • the predicting device may identify each cluster including a data set whose leading data is the first risk group among the plurality of clusters. After that, the predicting device may identify between the data sets of the data sets included in each cluster. You can check the time difference.
  • the forecasting device can obtain each parameter for the exponential distribution of the time difference or time difference for each cluster.
  • the predicting device is the first parameter plus each parameter for each cluster. It can be obtained as a parameter for the exponential distribution of unchanging time in the risk group.
  • the prediction device can generate a matrix based on the preprocessed data set and acquired parameters (S 140). Specifically, the prediction device uses the preprocessed data to create the first matrix and the first matrix and the acquired parameters. You can create a second matrix using
  • the first matrix is an N by N square matrix
  • the main diagonal component is
  • the second matrix is an N by N square matrix, and the parameters obtained for the main diagonal components of the first matrix It is a negative value and may be the product of the components of each row multiplied by a parameter for the exponential distribution over time where the risk group corresponding to each row does not change.
  • 2020/175892 1»(:1 ⁇ 1 ⁇ 2020/002699 will be described in detail with reference to FIGS. 4 and 5.
  • the prediction apparatus may generate the first matrix before or at the same time as the parameter acquisition process.
  • the prediction apparatus may generate a transition function using the generated matrix, and may output and display the transition function value as a graph against time (S150).
  • the transition function is
  • the Markov chain refers to a discrete-time stochastic process with a Markov property, where the Markov property is n+1 times (the result of the event). ) Means that only the state at n times (the outcome of the event) is affected.
  • a stochastic process or random process is a concept used to mathematically model a series of continuous phenomena occurring by a certain probability distribution. That is, the predictor can calculate the probability of transition from the initial risk group to another risk group using the continuous-time Markov chain model, one of the stochastic process models.
  • transition function uses the transit time as a variable and
  • the predicting device is the transfer function for a cluster that contains the data set that is the first risk group among the plurality of clusters. You can display a graph of the time of the function value for each cluster.
  • the prediction device 200 includes a preprocessing unit 210, a parameter acquisition unit 220, and a matrix
  • It may include a generation unit 230, a transition function generation unit 240, and a display unit 250.
  • the pre-processing unit 210 stores a plurality of data sets input to the prediction device 200
  • the parameter acquisition unit (220) is the pre-processing unit (2W)
  • the matrix generation unit 230 includes the numerical data and parameters preprocessed in the pre-deposition unit (2 W).
  • This configuration is for generating a matrix based on the parameters acquired by the acquisition unit 220.
  • the matrix may include a first matrix or a roadmap matrix and a second matrix, or a rate matrix.
  • the transition function generation unit 240 is a configuration for generating a transition function for predicting a change in the risk of receiving data based on the second matrix or the velocity matrix.
  • the display unit 250 displays the function value calculated through the transfer function as a graph of time. 2020/175892 1»(:1/10 ⁇ 020/002699 This is a configuration for displaying.
  • the display unit 250 can be implemented as various types of display panels.
  • the display panel is LCD (Liquid Crystal Display), OLED (Organic Light Emitting Diodes), AM-OLED (Active-Matrix Organic Light-Emitting). Diode), LcoS (Liquid Crystal on Silicon) or DLP (Digital Light Processing)
  • the display unit 250 is flexible
  • the display unit 250 may be combined with at least one of the front area, the side area and the rear area of the display unit 250 in the form of a display (flexible display).
  • the prediction device 200 may further include a processor.
  • the processor (not shown) is a configuration for overall control of the prediction device 200. Specifically, the processor controls the overall operation of the prediction device 200 by using various programs stored in the memory of the prediction device 200.
  • the processor is a CPU, RAM, ROM, and system.
  • the ROM is a configuration in which a set of instructions for booting the system is stored, and the CPU copies the operating system stored in the memory of the prediction device 200 to RAM according to the instructions stored in the ROM, and executes 0/S.
  • the CPU can copy various applications stored in memory to RAM and execute them to perform various operations.
  • the processor includes only one CPU, but when implemented, it can be implemented with multiple CPUs (or DSP, SoC, etc.).
  • the processor is a digital signal processing digital signal.
  • DSP digital signal processor
  • processor can be implemented as a processor (microprocessor), TCON (Time controller), but is not limited to this, but is not limited to, a central processing unit (CPU), a microcontroller unit (MCU), a micro processing unit (MPU), and a controller. It may include one or more of (controller), application processor (AP), or communication processor (CP), or ARM processor, or may be defined in the corresponding terminology.
  • the processor is a processing algorithm. It can be implemented as a built-in SoC (System on Chip), LSI (large scale integration), or it can be implemented in the form of a field programmable gate array (FPGA).
  • SoC System on Chip
  • LSI large scale integration
  • FPGA field programmable gate array
  • the generation unit 230 and the transfer function generation unit 240 may be implemented by the processor itself. Further, according to the software implementation of the above-described components, embodiments such as procedures and functions described in the present specification are separate software. Can be implemented as modules. Each of the software modules can perform one or more functions and actions described in this specification.
  • 3A and 3B show the prediction device according to an embodiment of the present invention.
  • the prediction device 200 is a coronary artery with respect to the received data 2020/175892 1»(:1/10 ⁇ 020/002699
  • the risk group is arbitrarily divided into four, and according to the number, it can be named as a low risk group, a medium risk group, a serious injury risk group, and a high risk group.
  • the received data is a data set that has been received at least twice for each of the plurality of patients, and the prediction device 200 may have received a plurality of data sets. Accordingly, the prediction device 200 may be at least 2 Multiple datasets can be categorized according to the pattern in which successive calcification values of the subjects taken more than once, change from the risk group state to another risk group state at the time of each precedence.
  • the predicting device 200 can cluster or classify a case of change from a low-risk group to a low-risk group as 1, and a case of change from a high-risk group to a high-risk group as 16.
  • the prediction apparatus 200 numbers and clusters the plurality of data sets according to the pattern of changing from the risk group state at the time of precedence to the other risk group state for each of the plurality of received data sets.
  • the data can be composed of the time difference between the shooting day and the time of the subsequent shooting.
  • FIG. 4 is a diagram illustrating a roadmap matrix according to an embodiment of the present invention.
  • the prediction device 200 may generate a roadmap matrix indicating a case where the risk group first changes from the current state to another state.
  • the roadmap matrix handles only when the state of the risk group at the preceding time changes to another state of the risk group. Therefore, the component of the main diagonal of the roadmap matrix is 0.
  • the remaining elements of the matrix can be composed of the proportion of the data set that changed to each risk group state among the data sets that changed from the risk group state at the preceding point to another risk group state. In the low risk group
  • the data set transferred to the medium-low risk group, severe injury risk group, and high risk group is 100, and the data set transferred to the medium-low risk group is 80, the severe injury risk group is 10, and the high risk group is n W, it can be expressed as in the first row of 4 .At this time, of the row of the roadmap matrix
  • FIG. 5 is a view for explaining a velocity matrix according to an embodiment of the present invention.
  • the prediction device 200 is used for the time period at which each risk group does not change.
  • the parameters for the exponential distribution can be obtained.
  • the prediction device 200 can calculate the average of the difference between the photographing time points of the clustered data sets according to the change in the risk group.
  • the diagnosis data input to the prediction apparatus 200 may be a Poisson event, and the data set follows a number distribution, that is, the difference in photographing time point between the receiving data included in each data set among the plurality of data sets.
  • the Poisson distribution with parameter X is a distribution that describes an event that occurs on average X times in a unit time. In this distribution, the distribution over the time it takes when one event occurs and the next event occurs is the number distribution where the parameter is X. .
  • the minimum value is the time to stay in the current state. For example If the risk group status of the medical examination data is in the low-risk group, the minimum of the time taken until the risk group status of the medical examination data at the later point becomes the middle-low-risk group, the medium-injury risk group, and the high-risk group is the time to remain unchanged from the low-risk group status.
  • the minimum value of the two random variables along the distribution also follows the exponential distribution, where the parameter of the exponential distribution of the minimum value is the sum of the parameters of the two random variables.
  • the forecasting device 200 remains in the road map matrix and the current state as shown in FIG.
  • the velocity matrix can be an N matrix like a roadmap matrix.
  • the main diagonal component may be a value obtained by taking a negative number to the exponential distribution parameter (“,“) of the time spent in the risk group of the four leading data points.
  • the rest of the speed matrix includes each element of the roadmap matrix and the number data at each leading point. It may be the product of the parameter value of the distribution of time spent in the risk group, where the sum of the elements in each row of the velocity matrix is zero.
  • Fig. 6 is a diagram of a transfer function through the Markov chain model according to an embodiment of the present invention.
  • the prediction device 200 can generate a transition function through a continuous time marker chain model.
  • FIG. 7 is a diagram illustrating a graph showing a change trend of probability over time based on a transition function calculated according to an embodiment of the present invention.
  • Prediction device 200 if the risk group of the receiving data at the preceding time among the plurality of data sets is the low risk group, the low risk group of the receiving data at the later time is
  • each probability shows a pattern that converges to a constant value as time passes.
  • state 1 of the graph indicates that the risk group of the receiving data is the low risk group.
  • Each of the software modules can perform one or more functions and actions described in this specification.
  • a device that calls a command and is capable of operating according to the called command may include a device according to the disclosed embodiments.
  • the processor directly or under the control of the processor performs other components.
  • the function corresponding to the above command can be performed by using the command.
  • a recording medium that can be read by a device may be provided in the form of a non-transitory computer readable recording medium.
  • a non-transitory computer readable recording medium here,'non-transitory' means that the storage medium does not contain a signal and does not actually contain a signal. It just means to be (tangible) 2020/175892 1»(:1 ⁇ 1 ⁇ 2020/002699
  • the non-transitory computer-readable medium is not a medium that stores data for a short moment, such as a register, cache, memory, etc., but a medium that stores data semi-permanently and can be read by a device. Specific examples may include 0, 1 ⁇ 0, hard disk, Blu-ray disk, 13 ⁇ 4 ⁇ memory card, and ROM.

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Surgery (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 관상동맥 석회화의 진단에 관한 것으로, 구체적으로는　관상동맥 석회화 수치 변화를 예측하는 기술에 관한 것이다. 본 발명은 수진자의 관상동맥석회화 수치 및 다양한 영향변수를 이용하여 수진자의 미래 시점의 관상동맥석회화 수준 변화를 예측하는 관상동맥석회화 수준 변화 예측장치 및 예측방법을 제공하는 것을 목적으로 한다. 또한, 본 발명은 컴퓨터 단층(CT) 촬영을 통하여 탐지한 관상동맥 석회화 수치의 처리 및 그래프 출력을 통해, 수치에 따라 위험군을 나눴을 때 일정 시간 후 특정 위험군에 속할 확률을 시각화하여 제공하는 것을 목적으로 한다.

Description

2020/175892 1»（：1/10公020/002699 명세서
발명의명칭:확률모델을이용한관상동맥석회화수치의
예측장치，이의 예측방법및기록매체 기술분야
[1] 본발명은관상동맥석회화의진단에관한것으로,구체적으로는 관상동맥 석회화수치변화를예측하는기술에관한것이다.
배경기술
[2] 관상동맥질환자인구의 50%정도에서심근경색이발생하며 ,심근경색의
정도가심한경우죽음에이를수있다.관상동맥석회화 (CAC, Coronary artery calcium)값은심질환의위험과관련이있다고알려져왔다.컴퓨터단층촬영 (CT, computerized tomography)등을통해획득되는 CAC값 (CACS)은,
죽상동맥경화증 (atherosclerosis)의진행이나혈관상의늘라크 (plaque)의죽적을 보여주며,이러한 CAC값의증가는향후심근경색등의예측인자혹은일반 심질환의위험인자로생각되어왔다. CAC를측정하는것은환자들 (특히 중위험도의환자들)의심질환위험도를제시하는데중요하다.그러나종래에는 심질환발생위험과관련된예측연구들이일부존재하지만,이들은 CAC증가의 결과로초래되는협심증,심근경색,뇌경색등의심질환발병을예측하는수준에 머무르고있다.
[3] 이에,통계분석을이해하기쉽지않은환자들에게관상동맥석회화수치에 대한예즉결과를알려주고,컴퓨터단증촬영 (CT, computerized tomography)의 적절한시점을가이드 (guide)할필요성이대두된다.
발명의상세한설명
기술적과제
[4] 본발명은상술한필요성에따른것으로,수진자의관상동맥석회화수치및 다양한영향변수를이용하여수진자의미래시점의관상동맥석회화수준 변화를예측하는관상동맥석회화수준변화예측장치및예측방법을제공하는 것을목적으로한다.
[5] 또한,본발명은컴퓨터단층 (CT)촬영을통하여탐지한관상동맥석회화
수치의처리및그래프출력을통해,수치에따라위험군을나눴을때일정시간 후특정위험군에속할확률을시각화하여제공하는것을목적으로한다.
[6] 그러나이러한과제는예시적인것으로,이에의해본발명의범위가한정되는 것은아니다.
과제해결수단
[7] 본발명의일실시 예에따른예측방법은적어도두시점의수진데이터를
포함하는복수의데이터세트를입력받는단계 ;관상동맥석회화수치를 기준으로복수의위험군을설정하고,상기복수의데이터세트의각각에포함된 2020/175892 1»（：1^1{2020/002699 적어도두시점의수진데이터가속하는위험군의 변화에따라서상기복수의 데이터 세트를전처리하는단계 ;상기 전처리된복수의 데이터세트를이용하여 , 상기복수의위험군중상기 적어도두시점의수진데이터가속하는위험군이 변화하지 않는시간의지수분포에 대한모수를획득하는단계 ;상기 전처리된 데이터 세트및상기모수를바탕으로행렬을생성하는단계;상기 행렬을 이용하여상기 적어도두시점의수진데이터가속하는위험군의 변화가능성에 대해마코프연쇄모형을따르는전이함수를생성하는단계 ;및상기 전이함수의 함수값을표시하는단계 ;를포함할수있다.
[8] 또한,상기 전처리하는단계는,상기복수의 데이터세트각각에포함된적어도 두시점의수진데이터중선행수진데이터가속하는위험군과후행수진 데이터가속하는위험군을비교하여，위험군이 변화하는유형을기준으로상기 복수의 데이터세트를복수의클러스터로클러스터링 (clustering)하고,상기선행 수진데이터와상기후행수진데이터간의시점차이를상기복수의 데이터 세트각각에 대응시키는것일수있다.
[9] 또한,상기모수를획득하는단계는,상기복수의클러스터중선행수진
데이터가제 1위험군인데이터세트를포함하는각각의클러스터에 대하여 , 상기선행수진데이터와상기후행수진데이터간의시점차이의지수분포에 대한각각의모수를획득하는단계;를더포함하고,상기 각각의모수를더한제 1 모수를상기제 1위험군이 변화하지 않는시간의지수분포에 대한상기모수로 획득하는것일수있다.
[ 1이 또한,상기 행렬은상기 전처리된데이터를이용하는제 1행렬및제 2행렬을 포함하고,상기 제 1행렬은정사각행렬 (Square matrix)이고,주대각성분은 0이고, 각행의성분합이 1인로드맵 (road-map)행렬이고,상기제 2행렬은
정사각행렬 (Square matrix)이고,상기 제 2행렬의주대각성분은상기 제 1행렬의 주대각성분에상기모수에 음수를취한값이고,각행에 대응하는위험군이 변화하지 않는시간의지수분포에 대한모수를상기 제 1행렬의 각행의성분에 곱한것일수있다.
[11] 또한,상기 전이함수를생성하는단계는,상기 전이함수가상기수진데이터가 포함된위험군이다른위험군으로변화할확률을각각 0이상 1이하의 값으로 출력하도록생성하는것일수있다.
[12] 또한,상기표시하는단계는,상기복수의클러스터중선행수진데이터가제 1 위험군인데이터세트를포함하는클러스터에 대하여 ,상기 전이함수의 함수 값의시간에 대한그래프를상기클러스터별로각각표시하는것일수있다.
[13] 한편,본발명의 일실시 예에따른예측장치는관상동맥석회화수치를
기준으로복수의위험군을설정하고,입력된복수의 데이터세트의 각각에 포함된적어도두시점의수진데이터가속하는위험군의 변화에 따라서상기 복수의 데이터세트를전처리하는전처리부;상기 전처리된복수의 데이터 세트를이용하여 ,상기복수의 위험군중상기 적어도두시점의수진데이터가 2020/175892 1»（：1^1{2020/002699 속하는위험군이 변화하지 않는시간의지수분포에 대한모수를획득하는모수 획득부;상기 전처리된데이터세트및상기모수를바탕으로행렬을생성하는 행렬생성부;상기 행렬을이용하여상기 적어도두시점의수진데이터가 속하는위험군의 변화가능성에 대해마코프연쇄모형을따르는전이함수를 생성하는전이함수계산부;및상기 전이함수의함수값을표시하는표시부;를 포함할수있다.
[14] 또한,상기 전처리부는상기복수의 데이터세트각각에포함된적어도두
시점의수진데이터중선행수진데이터가속하는위험군과후행수진데이터가 속하는위험군을비교하여,위험군이 변화하는유형을기준으로상기복수의 데이터 세트를복수의클러스터로클러스터링 (clustering)하고,상기선행수진 데이터와상기후행수진데이터 간의시점차이를상기복수의 데이터 세트 각각에 대응시키는것일수있다.
[15] 또한,상기모수획득부는상기복수의클러스터중선행수진데이터가제 1 위험군인데이터세트를포함하는각각의클러스터에 대하여,상기선행수진 데이터와상기후행수진데이터 간의시점차이의지수분포에 대한각각의 모수를획득하는단계 ;를더포함하고,상기 각각의모수를더한제 1모수를상기 제 1위험군이 변화하지 않는시간의지수분포에 대한상기모수로획득하는 것일수있다.
[16] 또한,상기 행렬은상기 전처리된데이터를이용하는제 1행렬및제 2행렬을 포함하고,상기 제 1행렬은정사각행렬 (Square matrix)이고,주대각성분은 0이고, 각행의성분합이 1인로드맵 (road-map)행렬이고,상기제 2행렬은
정사각행렬 (Square matrix)이고,상기 제 2행렬의주대각성분은상기 제 1행렬의 주대각성분에상기모수에 음수를취한값이고,각행에 대응하는위험군이 변화하지 않는시간의지수분포에 대한모수를상기 제 1행렬의 각행의성분에 곱한것일수있다.
[17] 또한,상기 전이함수계산부는상기 전이함수가상기수진데이터가포함된 위험군이다른위험군으로변화할확률을각각 0이상 1이하의값으로
출력하도록생성하는것일수있다.
[18] 또한,상기표시부는상기복수의클러스터중선행수진데이터가제 1
위험군인데이터세트를포함하는클러스터에 대하여 ,상기 전이함수의 함수 값의시간에 대한그래프를상기클러스터별로각각표시하는것일수있다.
[19] 한편,본발명의 일실시예에 따른기록매체는상술한관상동맥석회화
예측방법을실행키기 위한프로그램을기록한컴퓨터로읽을수있는
기록매체일수있다.전술한것외의다른측면,특징，이점은이하의발명을 실시하기 위한구체적인내용,청구범위 및도면으로부터 명확해질것이다. 발명의효과
[2이 상기한바와같이 이루어진본발명의 일실시예에 따르면,관상동맥석회화에 2020/175892 1»（：1^1{2020/002699 수치에 따른위험도변화를예측할수있고,이에 대해시각적으로용이하게 확인할수있다.
[21] 이에따라,컴퓨터 단층촬영에 대한경제적인부담이 있는환자들에게 컴퓨터 단층촬영에 대한시점에 대한권유가가능할수있다.
[22] 물론이러한효과에의해본발명의 범위가한정되는것은아니다.
도면의간단한설명
[23] 도 1은본발명의 일실시예에 따른예측장치를통해관상동맥석회화를
예측하는전이함수를생성하고,예측결과를표시하는방법을설명하기 위한 흐름도이다.
[24] 도 2는본발명의 일실시예예따른예측장치의구성요소를설명하기위한
블록도이다.
[25] 도 3a및 3b는본발명의 일실시예에따른예측장치가수진데이터를전처리 하는것을설명하기 위한도면이다.
[26] 도 4는본발명의 일실시예에 따른로드맵 행렬을설명하기 위한도면이다.
[27] 도 5는본발명의 일실시예에 따른속도행렬을설명하기 위한도면이다.
[28] 도 6은본발명의 일실시예에 따른마코프연쇄모형을통한전이함수의
함수값을나타내는행렬을설명하기위한도면이다.
[29] 도 7은본발명의 일실시예에 따라계산된전이함수를바탕으로시간에따른 확률의 변화추이를그래프로표현한것을도시한도면이다.
발명의실시를위한최선의형태
[3이 이하,본개시의다양한실시예가첨부된도면과연관되어기재된다.본개시의 다양한실시예는다양한변경을가할수있고여러가지실시예를가질수 있는바,특정실시예들이도면에 예시되고관련된상세한설명이 기재되어 있다. 그러나이는본개시의다양한실시예를특정한실시 형태에 대해한정하려는 것이 아니며,본개시의다양한실시예의사상및기술범위에포함되는모든 변경 및/또는균등물내지 대체물을포함하는것으로이해되어야한다.도면의 설명과관련하여,유사한구성요소에 대해서는유사한참조부호가사용되었다.
[31] 본개시의다양한실시예에서사용될수있는 "포함한다.”또는 "포함할수
있다.”등의표현은개시 (disclosure)된해당기능,동작또는구성요소등의 존재를가리키며,추가적인하나이상의기능,동작또는구성요소등을 제한하지 않는다.또한,본개시의다양한실시예에서, "포함하다.”또는
"가지다.”등의용어는명세서상에 기재된특징,숫자,단계,동작,구성요소,부품 또는이들을조합한것이존재함을지정하려는것이지 ,하나또는그이상의 다른특징들이나숫자,단계,동작,구성요소,부품또는이들을조합한것들의 존재또는부가가능성을미리 배제하지 않는것으로이해되어야한다.
[32] 본개시의다양한실시예에서 "또는”등의표현은함께나열된단어들의
어떠한,그리고모든조합을포함한다.예를들어 , "A또는 B”는, A를포함할 2020/175892 1»（：1^1{2020/002699 수도,：8를포함할수도,또는쇼와：8모두를포함할수도있다.
[33] 본개시의다양한실시예에서사용된 "제 1”, "제 2”, "첫째”,또는 "둘째”등의 표현들은다양한실시예들의다양한구성요소들을수식할수있지만,해당 구성요소들을한정하지 않는다.예를들어,상기표현들은해당구성요소들의 순서 및/또는중요도등을한정하지 않는다.상기표현들은한구성요소를다른 구성요소와구분하기위해사용될수있다.예를들어,제 1사용자기기와제 2 사용자기기는모두사용자기기이며 ,서로다른사용자기기를나타낸다.예를 들어,본개시의다양한실시예의권리 범위를벗어나지 않으면서제 1 구성요소는제 2구성요소로명명될수있고,유사하게제 2구성요소도제 1 구성요소로명명될수있다.
[34] 본개시의실시 예에서 "모듈”, "유닛”, "부여 )”등과같은용어는적어도
하나의 기능이나동작을수행하는구성요소를지칭하기위한용어이며,이러한 구성요소는하드웨어또는소프트웨어로구현되거나하드웨어 및소프트웨어의 결합으로구현될수있다.또한,복수의 "모듈'’,”유닛 '’,’’부여 )’’등은각각이 개별적인특정한하드웨어로구현될필요가있는경우를제외하고는,적어도 하나의모듈이나칩으로일체화되어 적어도하나의프로세서로구현될수있다.
[35] 본개시의다양한실시예에서사용한용어는단지특정일실시예를설명하기 위해사용된것으로,본개시의다양한실시예를한정하려는의도가아니다. 단수의표현은문맥상명백하게다르게뜻하지 않는한,복수의표현을 포함한다.
[36] 다르게정의되지 않는한,기술적이거나과학적인용어를포함해서 여기서 사용되는모든용어들은본개시의다양한실시예가속하는기술분야에서 통상의지식을가진자에의해 일반적으로이해되는것과동일한의미를가지고 있다.
[37] 일반적으로사용되는사전에정의되어 있는것과같은용어들은관련기술의 문맥상가지는의미와일치하는의미를가지는것으로해석되어야하며,본 개시의다양한실시예에서 명백하게정의되지 않는한,이상적이거나과도하게 형식적인의미로해석되지 않는다.
[38] 이하에서,첨부된도면을이용하여본발명의다양한실시 예들에 대하여
구체적으로설명한다.
[39] 도 1은본발명의 일실시예에 따른예측장치를통해관상동맥석회화를
예측하는전이함수를생성하고,예측결과를표시하는방법을설명하기 위한 흐름도이다.
[4이 도 1을참조하면,예측장치는관상동맥석회화수치를탐지하기위해심장의 컴퓨터 단층 ((^)촬영에 관한수진데이터를입력받을수있다 110).이때 ,수진 데이터는관상동맥석회화수치와컴퓨터 단층촬영시점등의 정보로구성된 것일수있다.
Figure imgf000007_0001
촬영은동일한수진자에 대해서 촬영시점을달리한것일수 있고,수진데이터는복수의수진자에 대한수진데이터일수있다.즉, 2020/175892 1»（：1^1{2020/002699 예측장치는복수의수진자각각에 대하여 ,적어도두촬영시점에 대한수진 데이터를포함하는복수의 데이터세트를입력받을수있다.
[41] 예측장치는입력된복수의 데이터 세트에 대하여 전처리를수행할수
있다 (S120).예측장치는관상동맥석회화수치를기준으로복수의위험군을 설정할수있다.이때,복수의 위험군은저위험군,중하위험군,중상위험군, 고위험군을포함할수있으나,이에 한정하지 않고다양한수로위험군을분류할 수있다.
[42] 또한,예측장치는복수의 데이터세트의 적어도두시점에서촬영된수진
데이터가각각속하는위험군의 변화에 따라서복수의 데이터세트를전처리할 수있다.구체적으로,예측장치는복수의 데이터세트각각에 대한수진데이터 중선행수진데이터가속하는위험군과후행수진데이터가속하는위험군을 비교하여,위험군이 변화하는유형을기준으로복수의 데이터세트를복수의 클러스터로클러스터링 (clustering)할수있다.
[43] 예를들어 ,예측장치는입력받은데이터 세트의두시점의수진데이터중 선행하는시점의수진데이터의위험군이 저위험군이고,후행하는시점의수진 데이터의 위험군이중하위험군인경우,해당데이터 세트를클러스터 2로 넘버링하여클러스터링 (CLUSTERING)할수있다.
[44] 또한,예측장치는복수의 데이터세트각각에 대한수진데이터중선행수진 데이터와후행수진데이터간의시점차이를복수의 데이터 세트에 대응시켜 재구성할수있다.이에 대하여는도 3a및 3b를통해자세히 설명하기로한다.
[45] 본발명의 일실시예에 따른예측장치는전처리된데이터 세트를이용하여 , 복수의 위험군의각위험군에 대하여 각위험군이 변화하지 않는시간의 지수분포에 대한모수를획득할수있다 (S130).
[46] 구체적으로,예측장치는복수의클러스터중선행수진데이터가제 1위험군인 데이터 세트를포함하는각각의클러스터를식별할수있다.이후예측장치는 각각의클러스터에포함된데이터세트의수진데이터 간시점차이를확인할수 있다.예측장치는각각의클러스터에 대해서시점차이또는시간차이의 지수분포에 대한각각의모수를획득할수있다.예측장치는각각의클러스터에 대한각각의모수를더한모수를제 1위험군에서 변화하지 않는시간의 지수분포에 대한모수로획득하는할수있다.
[47] 한편,예측장치는전처리된데이터세트및획득한모수를바탕으로행렬을 생성할수있다 (S 140).구체적으로예측장치는전처리된데이터를이용한제 1 행렬및제 1행렬과획득한모수를이용한제 2행렬을생성할수있다.
[48] 이때 ,제 1행렬은 N by N의정사각행렬 (Square matrix)이고,주대각성분은
0이고,각행의성분합이 1인로드맵 (road-map)행렬일수있다.또한,제 2행렬은 N by N의정사각행렬 (Square matrix)이고,제 1행렬의주대각성분에 획득한 모수의 음수를취한값이고,각행의성분에각행에 대응하는위험군이 변화하지 않는시간의지수분포에 대한모수를곱한것일수있다.이에 2020/175892 1»（：1^1{2020/002699 대하여는도 4및도 5를통해자세히설명하기로한다.
[49] 도 1에서는제 1행렬이 위험군에머무르는시간분포의모수를획득한이후
생성되는것으로도시되어 있으나,이는일실시예에불과할뿐,예측장치는 모수획득하기 전또는모수획득과정과동시에제 1행렬을생성할수있다.
[5이 본발명의 일실시예에 따른예측장치는생성한행렬을이용하여 전이함수를 생성할수있고,전이함수값을시간에 대한그래프로출력하여표시할수 있다 (S150).이때,전이함수는마코프연쇄모형을따르는것일수있다.마르코프 체인 (Markov Chain)은 마르코프 성질 (Markov Property)을지닌이산확률과정 (discrete-time stochastic process)을의미하는데,마르코프 성질은 n+1회의 상태 (사건의 결과)가오로지 n회에서의상태 (사건의결과)에만영향을받는 것을의미한다.확률과정 (stochastic process or random process)이란,어떤 확률분포에 의해벌어지는일련의 연속현상들을수학적으로모델링하는데 사용되는개념이다.즉예측장치는추계적과정모형중하나인연속시간 마코프연쇄모형을사용하여초기 위험군에서다른위험군으로전이되는 확률을계산할수있다.
[51] 또한,전이함수는도과시간을변수로하여특정수진데이터가포함된
위험군이다른위험군으로변화할가능성을 0이상 1이하의 값으로출력하도록 생성된것일수있다.예측장치는복수의클러스터중선행수진데이터가제 1 위험군인데이터세트를포함하는클러스터에 대하여,전이함수의함수값의 시간에 대한그래프를클러스터별로각각표시할수있다.
[52] 이를통해 ,사용자는관상동맥석회화에수치에따른위험도변화를용이하게 예측할수있고,이에 대해시각적으로용이하게확인할수있다.
[53] 도 2는본발명의 일실시예예따른예측장치의구성요소를설명하기위한
블록도이다.
[54] 도 2를참조하면,예측장치 (200)는전처리부 (210),모수획득부 (220),행렬
생성부 (230),전이함수생성부 (240)및표시부 (250)를포함할수있다.
[55] 전처리부 (210)는예측장치 (200)에 입력된복수의수진데이터세트를
전처리하기 위한구성이다.
[56] 모수획득부 (220)는전처부 (2W)에서 전처리된수진데이터와관련된
확률변수가지수분포를따르는경우,지수분포의모수를획득하기위한 구성이다.
[57] 행렬생성부 (230)는전처부 (2 W)에서 전처리된수진데이터와모수
획득부 (220)에서 획득한모수를바탕으로행렬을생성하기 위한구성이다.이때 , 행렬은제 1행렬또는로드맵 행렬과제 2행렬또는속도 (rate)행렬을포함할수 있다.
[58] 전이함수생성부 (240)는제 2행렬또는속도행렬을바탕으로수진데이터의 위험도가변화하는것을예측하기위한전이함수를생성하기 위한구성이다.
[59] 표시부 (250)는전이함수를통해 계산된함수값을시간에 대한그래프로 2020/175892 1»（：1/10公020/002699 표시하기위한구성이다.
[6이 이때표시부 (250)는다양한형태의디스플레이패널로구현될수있다.예로, 디스플레이패널은 LCD(Liquid Crystal Display), OLED(Organic Light Emitting Diodes), AM-OLED(Active-Matrix Organic Light-Emitting Diode), LcoS(Liquid Crystal on Silicon)또는 DLP(Digital Light Processing)등과같은다양한
디스플레이기술로구현될수있다.또한,표시부 (250)는플렉서블
디스플레이 (flexible display)의형태로표시부 (250)의전면영역및,측면영역및 후면영역중적어도하나에결합될수도있다.
[61] 한편,도 2에는도시하지않았으나,예측장치 (200)는프로세서를더포함할수 있다.프로세서 (미도시)는예측장치 (200)를전반적으로제어하기위한구성이다. 구체적으로,프로세서는예측장치 (200)의메모리에저장된각종프로그램을 이용하여 예측장치 (200)의전반적인동작을제어한다.예를들어,프로세서는 CPU,램 (RAM),롬 (ROM),시스템버스를포함할수있다.여기서,롬은시스템 부팅을위한명령어세트가저장되는구성이고, CPU는롬에저장된명령어에 따라예측장치 (200)의메모리에저장된운영체제를램에복사하고, 0/S를 실행시켜시스템을부팅시킨다.부팅이완료되면, CPU는메모리에저장된각종 애플리케이션을램에복사하고,실행시켜각종동작을수행할수있다.
이상에서는프로세서가하나의 CPU만을포함하는것으로설명하였지만,구현 시에는복수의 CPU (또는 DSP, SoC등)으로구현될수있다.
[62] 본발명의일실시 예에따라,프로세서는디지털신호를처리하는디지털
시그널프로세서 (digital signal processor(DSP),마이크로
프로세서 (microprocessor), TCON(Time controller)으로구현될수있다.다만,이에 한정되는것은아니며 ,중앙처리장치 (central processing unit(CPU)), MCU(Micro Controller Unit), MPU(micro processing unit),컨트롤러 (controller),어늘리케이션 프로세서 (application processor(AP)),또는커뮤니케이션프로세서 (communication processor(CP)), ARM프로세서중하나또는그이상을포함하거나,해당용어로 정의될수있다.또한,프로세서는프로세싱알고리즘이내장된 SoC(System on Chip), LSI(large scale integration)로구현될수도있고, FPGA(Field Programmable gate array)형태로구현될수도있다.
[63] 한편,본발명의일실시예에따르면전처리부 (2 W),모수획득부 (220),행렬
생성부 (230),전이함수생성부 (240)는프로세서자체로구현될수있다.또한, 상술한구성요소의소프트웨어적인구현에의하면,본명세서에서설명되는 절차및기능과같은실시 예들은별도의소프트웨어모듈들로구현될수있다. 소프트웨어모듈들각각은본명세서에서설명되는하나이상의기능및동작을 수행할수있다.
[64] 도 3a및 3b는본발명의일실시예에따른예측장치가수진데이터를
전처리하는것을설명하기위한도면이다.
[65] 도 3a를참조하면,예측장치 (200)는입력받은수진데이터에대하여관상동맥 2020/175892 1»（：1/10公020/002699 석회화수치에따라위험군을임의로 4개로나누어그수치에 따라각각 저위험군,중하위험군,중상위험군,고위험군으로명명할수있다.
이때 ,입력받은수진데이터는복수의수진자각각에 대하여 적어도 2번이상 수진한데이터세트로써 ,예측장치 (200)는복수의 데이터세트를입력받은것일 수있다.이에따라예측장치 (200)는적어도 2번이상촬영한수진자에 대해 연속된석회화수치들이 각각선행하는시점의위험군상태에서다른위험군 상태로변하는양상에 따라복수의 데이터세트를분류할수있다.
[67] 예를들면도 3a와같이 ,예측장치 (200)는저위험군에서 저위험군으로변화된 경우를 1로클러스터링 (clustering)하고고위험군에서고위험군으로변화된경우 16으로클러스터링 (clustering)또는분류할수있다.
도 3b를참조하면,예측장치 (200)는입력받은복수의수진데이터 세트각각에 대하여선행하는시점의 위험군상태에서다른위험군상태로변하는양상에 따라복수의 데이터 세트를각각넘버링하여클러스터링하고,선행촬영시점과 후행촬영시점의 촬영일간의시간차이로데이터를구성할수있다.
69] 도 4는본발명의 일실시예에 따른로드맵 행렬을설명하기 위한도면이다.
예측장치 (200)는위험군이 현재상태에서다른상태로처음변화한경우를 나타내는로드맵 행렬을생성할수있다.도 4를참조하면,로드맵 행렬은 선행 시점의 위험군상태에서다른위험군상태로변화한경우만취급하기 때문에 로드맵 행렬의주대각선의성분은 0이 된다.행렬의나머지 원소는선행시점의 위험군상태에서다른위험군상태로변화한데이터 세트중각위험군상태로 변한데이터세트의 비율로구성될수있다.예를들어 저위험군에서
중하위험군,중상위험군,고위험군으로전이된데이터 세트가 100이라할때 ,그 중중하위험군으로전이된데이터세트가 80이고중상위험군이 10,고위험군이 n W이라면도 4의 첫번째 행과같이표현될수있다.이 때로드맵 행렬의 행의
7 6 668731 원소들의 합은 1이다.
[기] 도 5는본발명의 일실시예에 따른속도행렬을설명하기 위한도면이다.
[72] 예측장치 (200)는상술한바와같이,각위험군이 변화하지 않는시간의
지수분포에 대한모수를획득할수있다.구체적으로,도 3b와같이 전처리된 수진데이터에서，예측장치 (200)는위험군변화에 따라클러스터링 된데이터 세트들의 촬영시점차이의평균을각각계산할수있다.
이때,예측장치 (200)에 입력된수진데이터는푸아송사건일수있고,데이터 세트는지수분포를따른다.즉,복수의 데이터세트중각데이터세트에포함된 수진데이터간의 촬영시점차이는지수분포를따른다.모수가 X인푸아송 분포는어떤사건이 단위시간동안평균 X번일어나는것을묘사하는분포다.이 분포에서 한사건이 일어나고다음사건이 일어날때걸리는시간이따르는 분포가모수가 X인지수분포다.지수분포의 산출할수
Figure imgf000011_0001
있고,이에 따라평균이증가할수록모수는감소한다. 2020/175892 1»（：1^1{2020/002699 4] 선행시점의위험군상태에서다른위험군상태로처음변화할때까지걸린 시간들중에서최솟값이현재상태에머무르는시간이된다.예를들면,선행 시점의수진데이터의위험군상태가저위험군인경우,후행시점의수진 데이터의위험군상태가중하위험군,중상위험군및고위험군이될때까지걸린 시간중가장최소값이저위험군상태에서변화하지않고머무르는시간이 된다.지수분포를따르는두확률변수의최솟값역시지수분포를따른다.이때 , 최솟값의지수분포의모수는두확률변수의모수의합이다.위내용을수식으로 정리하면다음과같다.
5] 확률변수 X가모수 } ^인지수분포를가질때,이것을기호로
나타낸다.확률변수지,_ -가각각저위험군에서중하위험
고위험군으로변화하는시간의지수분포를따른다고하면,
Figure imgf000012_0001
¾~ 1）（ 2）, 〜 ）로나타낼수있다.즉,저위험군에머무르는시간의 확률변수를 지, ¾, ¾）라고하면, 지, ¾,
Figure imgf000012_0002
+12 +入 3）라고나타낼수 있고,저위험군에머무르는시간의지수분포모수 =）세 2 + 3로할수있다. 6] 한편,예측장치（200）는도 4와같은로드맵행렬과현재상태에머무르는
시간의분포로속도（ 句행렬을생성할수있다.이때속도행렬은로드맵 행렬과같이 N행렬일수있다.
7] 예를들어확률변수 ¾의모수가 } 이라하면도 5와같이,속도행렬의
주대각성분은 4개의선행시점의수진데이터위험군에머무르는시간의지수 분포모수（“，“）에음수를취한값일수있다.속도행렬의나머지원소는 로드맵행렬의각원소와각선행시점의수진데이터위험군에머무르는시간의 분포의모수값을곱한값일수있다.이때속도행렬의각행의원소들의합은 0이다.
8] 도 6은본발명의일실시예에따른마코프연쇄모형을통한전이함수의
함수값을나타내는행렬을설명하기위한도면이다.
9] 예측장치（200）는연속시간마코프연쇄모형을통한전이함수를생성할수 있다.본발명의일실시예에따른전이함수는 = ^公? 일수있고,이때 n=0 «!
（3는속도（요 句행렬일수있다.전이함수는 I일후에현재위험군상태에서다른 위험군상태로변할확률을원소로하는행렬일수있다.예를들면, 1=3일때, 전이함수는 일수있다.
/+1 +1厂+ᅳ·
[8이 행렬지수함수로표현된전이수는일정시간후에위험군의유지또는변화할 가능성을 0과 1사이의숫자를성분으로하는행렬로표현될수있다.예를들어 도 6을참조하면, 1=3일때,저위험군에서위험군을유지하며머무를확률은 중하위험군,중상위험군및고위험군으로변화할확률은 0.1로
Figure imgf000012_0003
2020/175892 1»（：1^1{2020/002699
[81] 상술한바와같이,본발명에 따르면연속시간마코프연쇄모형을통해
위험군의 변화에 대해 예측을할수있다.
[82] 도 7은본발명의 일실시예에 따라계산된전이함수를바탕으로시간에따른 확률의 변화추이를그래프로표현한것을도시한도면이다.
[83] 예측장치 (200)는복수의 데이터 세트중선행시점의수진데이터의 위험군이 저위험군인경우 시간후에후행시점의수진데이터의 저위험군이
저위험군에 머무를확률,중하위험군,중상위험군,고위험군으로변화될확률을 표현할수있다.도 7을참조하면,각각의 확률은시간이흐를수록일정한값으로 수렴하는양상을보인다.
[84] 도 7에서는그래프중 state 1은수진데이터의위험군이 저위험군으로
유지되는확률을나타내고, state 2, 3, 4는각각수진데이터의위험군이
저위험군에서중하위험군,중상위험군,고위험군으로변화되는확률을 나타낸다.
[85] 한편,상술한본발명의다양한실시 예들에 따른방법들은,기존전자장치에 설치 가능한어플리케이션형태로구현될수있다.
[86] 또한,상술한본발명의다양한실시 예들에 따른방법들은,기존전자장치에 대한소프트웨어 업그레이드,또는하드웨어 업그레이드만으로도구현될수 있다.
[87] 또한,상술한본발명의다양한실시예들은전자장치에구비된임베디드서버, 또는전자장치의외부서버를통해수행되는것도가능하다.
[88] 한편,본발명의 일실시예에 따르면,이상에서설명된다양한실시예들은
소프트웨어 (software),하드웨어 (hardware)또는이들의조합을이용하여 컴퓨터 (computer)또는이와유사한장치로읽을수있는기록매체 (computer readable recording medium)에 저장된명령어를포함하는소프트웨어로구현될수 있다.일부경우에 있어본명세서에서 설명되는실시예들이프로세서자체로 구현될수있다.소프트웨어적인구현에의하면,본명세서에서설명되는절차 및기능과같은실시 예들은별도의소프트웨어모듈들로구현될수있다.
소프트웨어모듈들각각은본명세서에서 설명되는하나이상의기능및동작을 수행할수있다.
[89] 한편,컴퓨터 (computer)또는이와유사한장치는,저장매체로부터 저장된
명령어를호출하고,호출된명령어에 따라동작이 가능한장치로서,개시된실시 예들에 따른장치를포함할수있다.상기 명령이프로세서에의해실행될경우, 프로세서가직접,또는상기프로세서의제어하에다른구성요소들을이용하여 상기 명령에해당하는기능을수행할수있다.명령은컴파일러또는
인터프리터에 의해생성또는실행되는코드를포함할수있다.
[90] 기기로읽을수있는기록매체는,비일시적기록매체 (non-transitory computer readable recording medium)의 형태로제공될수있다.여기서 , '비일시적 '은 저장매체가신호 (signal)를포함하지 않으며실재 (tangible)한다는것을의미할뿐 2020/175892 1»（：1^1{2020/002699 데이터가저장매체에반영구적또는임시적으로저장됨을구분하지 않는다. 이때비일시적 컴퓨터판독가능매체란레지스터，캐쉬 ,메모리등과같이짧은 순간동안데이터를저장하는매체가아니라반영구적으로데이터를저장하며 , 기기에 의해판독 이 가능한매체를의미한다.비일시적 컴퓨터판독 가능매체의구체적인 예로는,  0, 1^0,하드디스크,블루레이디스크, 1¾瓦 메모리카드, ROM등이 있을수있다.
[91] 이와같이본발명은도면에도시된실시예를참고로설명되었으나이는
예시적인것에불과하며,당해기술분야에서통상의지식을가진자라면 이로부터다양한변형 및균등한다른실시예가가능하다는점을이해할것이다. 따라서본발명의 진정한기술적보호범위는첨부된청구범위의 기술적사상에 의하여 정해져야할것이다.

Claims

2020/175892 1»（：1/10公020/002699 청구범위
[청구항 1] 적어도두시점의수진데이터를포함하는복수의데이터세트를
입력받는단계;
관상동맥석회화수치를기준으로복수의위험군을설정하고,상기 복수의데이터세트의각각에포함된적어도두시점의수진데이터가 속하는위험군의변화에따라서상기복수의데이터세트를전처리하는 단계;
상기전처리된복수의데이터세트를이용하여,상기복수의위험군중 상기적어도두시점의수진데이터가속하는위험군이변화하지않는 시간의지수분포에대한모수를획득하는단계;
상기전처리된데이터세트및상기모수를바탕으로행렬을생성하는 단계;
상기행렬을이용하여상기적어도두시점의수진데이터가속하는 위험군의변화가능성에대해마코프연쇄모형을따르는전이함수를 생성하는단계;및
상기전이함수의함수값을표시하는단계;를포함하는관상동맥석회화 예측방법.
[청구항 2] 제 1항에 있어서,
상기전처리하는단계는,
상기복수의데이터세트각각에포함된적어도두시점의수진데이터중 선행수진데이터가속하는위험군과후행수진데이터가속하는 위험군을비교하여,위험군이변화하는유형을기준으로상기복수의 데이터세트를복수의
Figure imgf000015_0001
하고, 상기선행수진데이터와상기후행수진데이터간의시점차이를상기 복수의데이터세트각각에대응시키는것인관상동맥석회화예측방법.
[청구항 3] 제 2항에 있어서,
상기모수를획득하는단계는,
상기복수의클러스터중선행수진데이터가제 1위험군인데이터 세트를포함하는각각의클러스터에대하여,상기선행수진데이터와 상기후행수진데이터간의시점차이의지수분포에대한각각의모수를 획득하는단계 ;를더포함하고,
상기각각의모수를더한제 1모수를상기제 1위험군이변화하지않는 시간의지수분포에대한상기모수로획득하는관상동맥석회화 예측방법.
[청구항 4] 제 1항에 있어서,
상기행렬은상기전처리된데이터를이용하는제 1행렬및제 2행렬을 포함하고, 2020/175892 1»（：1^1{2020/002699 상기제 1행렬은정사각행렬 (Square matrix)이고,주대각성분은 0이고,각 행의성분합이 1인로드맵 (road-map)행렬이고,
상기제 2행렬은정사각행렬 (Square matrix)이고,상기제 2행렬의 주대각성분은상기제 1행렬의주대각성분에상기모수에음수를취한 값이고,각행에대응하는위험군이변화하지않는시간의지수분포에 대한모수를상기제 1행렬의각행의성분에곱한것을특징으로하는 관상동맥석회화예측방법.
[청구항 5] 제 1항에있어서,
상기전이함수를생성하는단계는,
상기전이함수가상기수진데이터가포함된위험군이다른위험군으로 변화할확률을각각 0이상 1이하의값으로출력하도록생성하는 관상동맥석회화예측방법.
[청구항 6] 제 2항에있어서,
상기표시하는단계는,
상기복수의클러스터중선행수진데이터가제 1위험군인데이터 세트를포함하는클러스터에대하여,상기전이함수의함수값의시간에 대한그래프를상기클러스터별로각각표시하는관상동맥석회화 예즉방법.
[청구항 7] 관상동맥석회화수치를기준으로복수의위험군을설정하고,입력된 복수의데이터세트의각각에포함된적어도두시점의수진데이터가 속하는위험군의변화에따라서상기복수의데이터세트를전처리하는 전처리부;
상기전처리된복수의데이터세트를이용하여,상기복수의위험군중 상기적어도두시점의수진데이터가속하는위험군이변화하지않는 시간의지수분포에대한모수를획득하는모수획득부; 상기전처리된데이터세트및상기모수를바탕으로행렬을생성하는 행렬생성부;
상기행렬을이용하여상기적어도두시점의수진데이터가속하는 위험군의변화가능성에대해마코프연쇄모형을따르는전이함수를 생성하는전이함수계산부;및
상기전이함수의함수값을표시하는표시부;를포함하는관상동맥 석회화예측장치.
[청구항 8] 제 7항에있어서,
상기전처리부는상기복수의데이터세트각각에포함된적어도두 시점의수진데이터중선행수진데이터가속하는위험군과후행수진 데이터가속하는위험군을비교하여，위험군이변화하는유형을 기준으로상기복수의데이터세트를복수의클러스터로 클러스터링 (clustering)하고, 2020/175892 1»（：1^1{2020/002699 상기선행수진데이터와상기후행수진데이터간의시점차이를상기 복수의데이터세트각각에대응시키는것인관상동맥석회화예측장치. ［청구항 9］ 제 8항에 있어서,
상기모수획득부는상기복수의클러스터중선행수진데이터가제 1 위험군인데이터세트를포함하는각각의클러스터에대하여,상기선행 수진데이터와상기후행수진데이터간의시점차이의지수분포에대한 각각의모수를획득하는단계 ;를더포함하고,
상기각각의모수를더한제 1모수를상기제 1위험군이변화하지않는 시간의지수분포에대한상기모수로획득하는관상동맥석회화 예측장치.
［청구항 10］ 제7항에 있어서,
상기행렬은상기전처리된데이터를이용하는제 1행렬및제 2행렬을 포함하고,
상기제 1행렬은정사각행렬 (Square matrix)이고,주대각성분은 0이고,각 행의성분합이 1인로드맵 (road-map)행렬이고,
상기제 2행렬은정사각행렬 (Square matrix)이고,상기제 2행렬의 주대각성분은상기제 1행렬의주대각성분에상기모수에음수를취한 값이고,각행에대응하는위험군이변화하지않는시간의지수분포에 대한모수를상기제 1행렬의각행의성분에곱한것을특징으로하는 관상동맥석회화예측장치
［청구항 11］ 제 7항에 있어서,
상기전이함수계산부는상기전이함수가상기수진데이터가포함된 위험군이다른위험군으로변화할확률을각각 0이상 1이하의값으로 출력하도록생성하는관상동맥석회화예측장치 .
［청구항 12］ 제 8항에 있어서,
상기표시부는상기복수의클러스터중선행수진데이터가제 1 위험군인데이터세트를포함하는클러스터에대하여 ,상기전이함수의 함수값의시간에대한그래프를상기클러스터별로각각표시하는 관상동맥석회화예측장치.
［청구항 제 1항내지제 6항의관상동맥석회화예측방법을실행키기위한
프로그램을기록한컴퓨터로읽을수있는기록매체.
PCT/KR2020/002699 2019-02-26 2020-02-25 확률 모델을 이용한 관상동맥 석회화 수치의 예측장치, 이의 예측방법 및 기록매체 WO2020175892A2 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2019-0022574 2019-02-26
KR1020190022574A KR102231677B1 (ko) 2019-02-26 2019-02-26 확률 모델을 이용한 관상동맥 석회화 수치의 예측장치, 이의 예측방법 및 기록매체

Publications (2)

Publication Number Publication Date
WO2020175892A2 true WO2020175892A2 (ko) 2020-09-03
WO2020175892A3 WO2020175892A3 (ko) 2020-12-10

Family

ID=72238972

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2020/002699 WO2020175892A2 (ko) 2019-02-26 2020-02-25 확률 모델을 이용한 관상동맥 석회화 수치의 예측장치, 이의 예측방법 및 기록매체

Country Status (2)

Country Link
KR (1) KR102231677B1 (ko)
WO (1) WO2020175892A2 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102555598B1 (ko) 2021-05-10 2023-07-14 고려대학교 산학협력단 석회화 지도 생성 방법 및 이를 수행하기 위한 컴퓨팅 장치

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7561727B2 (en) * 2005-06-02 2009-07-14 Nordic Bioscience Imaging A/S Method of deriving a quantitative measure of a degree of calcification of an aorta
JP5159242B2 (ja) * 2007-10-18 2013-03-06 キヤノン株式会社 診断支援装置、診断支援装置の制御方法、およびそのプログラム
KR20120130164A (ko) * 2009-11-17 2012-11-29 바치야 콘웨이 관상 동맥 석회화 또는 질병을 검출하는 방법 및 장치
KR101984247B1 (ko) * 2012-03-15 2019-05-30 삼성전자 주식회사 관상동맥석회화 수준 변화 예측장치 및 예측방법
KR20130104882A (ko) 2012-03-15 2013-09-25 삼성전자주식회사 관상동맥석회화 수치 위험도 예측장치 및 예측방법
KR20150113700A (ko) * 2014-03-31 2015-10-08 삼성전자주식회사 진단 시스템 및 방법
KR20170053693A (ko) * 2014-09-09 2017-05-16 레이도스 이노베이션즈 테크놀로지 인크. 질환 검출 방법 및 장치

Also Published As

Publication number Publication date
KR102231677B1 (ko) 2021-03-24
KR20200104100A (ko) 2020-09-03
WO2020175892A3 (ko) 2020-12-10

Similar Documents

Publication Publication Date Title
US11961621B2 (en) Predicting intensive care transfers and other unforeseen events using machine learning
KR102216689B1 (ko) 시계열 의료 데이터를 통한 질병 예후 예측을 위한 딥 뉴럴 네트워크의 분류 결과 시각화 방법 및 시스템
CN112055878B (zh) 基于第二组训练数据调整机器学习模型
KR20180057300A (ko) 딥 러닝을 이용하여 환자의 진단 이력으로부터 질병 예후를 예측하는 방법 및 시스템
CN111862096B (zh) 图像分割方法、装置、电子设备及存储介质
CN111932562B (zh) 基于ct序列的图像识别方法、装置、电子设备及介质
KR20190123609A (ko) 딥 어텐션 네트워크를 이용하여 환자 의료 기록으로부터 질병 예후를 예측하는 방법 및 시스템
WO2019187341A1 (ja) 指標算出装置、予測システム、経過予測評価方法およびプログラム
JPWO2019187372A1 (ja) 予測システム、モデル生成システム、方法およびプログラム
US20210398677A1 (en) Predicting changes in medical conditions using machine learning models
WO2020175892A2 (ko) 확률 모델을 이용한 관상동맥 석회화 수치의 예측장치, 이의 예측방법 및 기록매체
CN113744845A (zh) 基于人工智能的医学影像处理方法、装置、设备及介质
EP3896702A1 (en) Cardiovascular assessment of patients suspected of having covid-19
CN111950707B (zh) 基于行为共现网络的行为预测方法、装置、设备及介质
CN113436743B (zh) 基于表示学习的多结局疗效预测方法、装置及存储介质
WO2022178995A1 (zh) Ct图像去噪处理方法、装置、计算机设备及介质
US20230141642A1 (en) Work assignment device
CN114334176A (zh) 计算机实施的方法、设备和医学系统
CN113963413A (zh) 基于人工智能的疫情排查方法、装置、电子设备及介质
Khidirova et al. Intelligent system of diagnosing and predicting cardiovascular diseases
JP7333549B2 (ja) 疾病リスク評価方法、疾病リスク評価システム、及び健康情報処理装置
CN117838072B (zh) 智能床垫的心血管疾病监控方法、装置、设备及存储介质
CN110211701B (zh) 一种模型生成方法、数据处理方法及对应装置
WO2022250143A1 (ja) 疾病リスク評価方法、疾病リスク評価システム、及び健康情報処理装置
CN116386827A (zh) 问诊队列调度方法、装置、设备及存储介质

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: 20762850

Country of ref document: EP

Kind code of ref document: A2

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20762850

Country of ref document: EP

Kind code of ref document: A2