WO2020213826A1 - 하부요로증상 진단보조 방법 - Google Patents

하부요로증상 진단보조 방법 Download PDF

Info

Publication number
WO2020213826A1
WO2020213826A1 PCT/KR2020/001982 KR2020001982W WO2020213826A1 WO 2020213826 A1 WO2020213826 A1 WO 2020213826A1 KR 2020001982 W KR2020001982 W KR 2020001982W WO 2020213826 A1 WO2020213826 A1 WO 2020213826A1
Authority
WO
WIPO (PCT)
Prior art keywords
urinary tract
neural network
lower urinary
diagnosis
prediction model
Prior art date
Application number
PCT/KR2020/001982
Other languages
English (en)
French (fr)
Inventor
이규성
한덕현
조백환
조경원
Original Assignee
사회복지법인 삼성생명공익재단
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 filed Critical 사회복지법인 삼성생명공익재단
Priority to JP2021561753A priority Critical patent/JP7278415B2/ja
Priority to US17/603,818 priority patent/US20220215960A1/en
Publication of WO2020213826A1 publication Critical patent/WO2020213826A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/20—Measuring for diagnostic purposes; Identification of persons for measuring urological functions restricted to the evaluation of the urinary system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • 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
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders

Definitions

  • the present invention relates to a method for diagnosing lower urinary tract symptoms, and more particularly, using a lower urinary tract symptom prediction model with respect to the urinary system data of an examinee to derive predictive result data for a subject and provide it to a user (Ex. doctor, etc.) It relates to a method of assisting diagnosis of lower urinary tract symptoms by which diagnostic assistance can be performed.
  • Lower urinary tract symptom refers to various symptoms such as difficulty in starting, residual urine, frequent urination, rinsing, tension during urination, nocturnal urination, urgent urine, and intermittent urine associated with the storage and excretion of urine. .
  • the severity of lower urinary tract symptoms is increasing due to various reasons such as psychological stress, smoking, alcohol, weight gain, lack of rest, lack of exercise, etc. due to the increase in animal fat intake and social conditions gradually becoming more complex.
  • the lower urinary tract symptoms are limited in their activities when the symptoms worsen, and they are always in a state of anxiety and tension, causing mental stress.
  • sleep access to the toilet or lack of sleep due to it, as well as increased physical fatigue, causes various physical problems.
  • the lower urinary tract symptoms are diagnosed using a Urodynamic study (UDS) to evaluate the function of the bladder.
  • UAS Urodynamic study
  • the urodynamic test is mainly performed to determine prostate surgery, and the effect of surgery is low. It was performed to discriminate patients with only detrusor under-activity (DUA) and those with bladder outlet obstruction (BOO), which is known to be highly effective in surgery.
  • Urinary dynamics test for the diagnosis of lower urinary tract symptoms can make the patient uncomfortable and embarrassed, and since the test is performed with a catheter intubated for a long time, there is a risk of infection and the patient feels pain and shame. I can.
  • An object of the present invention is to minimize the physical/mental pain of a subject and automatically predict the type of lower urinary tract symptoms by using only non-invasive test result data as a countermeasure to the above-described problem.
  • the purpose of this is to save time and cost by not performing urodynamic testing (UDS) for a test subject with a low possibility of bladder exit obstruction (BOO) by providing whether or not a ureadynamic test (UDS) is required. .
  • a method of assisting diagnosis of lower urinary tract symptoms may be provided.
  • the step of generating a urinary tract symptom prediction model may be further included.
  • the urinary system data includes at least one or more of the age of the test subject, the number of urination, the amount of urine remaining, the urine rate test index, the prostate symptom score, the past medical history, and the urination efficacy.
  • the predicted result data may include at least one of a predicted diagnosis name, a bladder outlet obstruction probability, a detrusor muscle hypoactivity probability, and whether a urodynamic test (UDS) is required.
  • UDS urodynamic test
  • the lower urinary tract symptom prediction model may further include a first neural network for predicting the degree of bladder outlet obstruction and a second neural network for predicting the degree of detrusor muscle hypoactivity. have.
  • the lower urinary tract symptom prediction model is formed such that the second neural network has the output of the first neural network as an input value, or the first neural network inputs the output of the second neural network. It can be formed to have a value.
  • the machine learning algorithm includes any one of Artificial Neural Network (ANN), Stacked autoencoder, Deep Neural Network (DNN), and Long Short Term Memory (LSTM).
  • ANN Artificial Neural Network
  • DNN Deep Neural Network
  • LSTM Long Short Term Memory
  • a system for diagnosing lower urinary tract symptoms may be provided.
  • a data input unit for inputting urinary system data of a subject, and a lower urinary tract symptom prediction model for input urinary system data are used to derive prediction result data for the subject.
  • a diagnostic prediction unit and a result providing unit for providing prediction result data derived to the user terminal may be included.
  • a correlation between urinary system data and diagnosis result data obtained and stored in a database is learned using a machine learning algorithm, and the lower urinary tract is learned based on the learned result.
  • a prediction model generator for generating a symptom prediction model may be further included.
  • the urinary system data includes at least one or more of the age of the test subject, the number of urination, the amount of urine remaining, the urine rate test index, the prostate symptom score, the past medical history, and the urination efficacy.
  • the predicted result data may include at least one of a predicted diagnosis name, a bladder outlet obstruction probability, a detrusor muscle hypoactivity probability, and whether a urodynamic test (UDS) is required.
  • UDS urodynamic test
  • the lower urinary tract symptom prediction model may further include a first neural network for predicting the degree of bladder outlet obstruction and a second neural network for predicting the degree of detrusor muscle hypoactivity. have.
  • the lower urinary tract symptom prediction model is formed such that the second neural network has the output of the first neural network as an input value, or the first neural network inputs the output of the second neural network. It can be formed to have a value.
  • the machine learning algorithm includes any one of Artificial Neural Network (ANN), Stacked autoencoder, Deep Neural Network (DNN), and Long Short Term Memory (LSTM). I can.
  • ANN Artificial Neural Network
  • DNN Deep Neural Network
  • LSTM Long Short Term Memory
  • a computer-readable recording medium in which a program for implementing the above-described method is recorded may be provided.
  • UDS Urinary Dynamics Test
  • BOO bladder exit obstruction
  • UDS ureadynamic test
  • 1 and 2 are flowcharts illustrating a method of assisting diagnosis of lower urinary tract symptoms according to an embodiment of the present invention.
  • FIG. 3 is a block diagram showing a system for diagnosing lower urinary tract symptoms according to an embodiment of the present invention.
  • FIG. 4 is an exemplary view showing a system for diagnosing lower urinary tract symptoms according to an embodiment of the present invention.
  • FIG. 5 is a block diagram showing a model for predicting lower urinary tract symptoms in the system for diagnosing lower urinary tract symptoms according to an embodiment of the present invention.
  • FIG. 6 is a lower urinary tract formed by applying an output of a first neural network (or a second neural network) to an input of a second neural network (or a first neural network) in the lower urinary tract symptom diagnosis aid system according to an embodiment of the present invention. It is a block diagram showing a symptom prediction model.
  • FIG. 7A and 7B are formed by applying an output of a first neural network (or a second neural network) as an input of a second neural network (or a first neural network) in the lower urinary tract symptom diagnosis aid system according to an embodiment of the present invention.
  • This is an exemplary diagram showing a model for predicting lower urinary tract symptoms.
  • FIGS. 8 and 9 are exemplary diagrams illustrating a user terminal displayed through a result providing unit in the diagnosis assistance system for lower urinary tract symptoms according to an embodiment of the present invention.
  • a method of assisting diagnosis of lower urinary tract symptoms may be provided.
  • the step of generating a urinary tract symptom prediction model may be further included.
  • the urinary system data includes at least one or more of the age of the test subject, the number of urination, the amount of urine remaining, the urine rate test index, the prostate symptom score, the past medical history, and the urination efficacy.
  • the predicted result data may include at least one of a predicted diagnosis name, a bladder outlet obstruction probability, a detrusor muscle hypoactivity probability, and whether a urodynamic test (UDS) is required.
  • UDS urodynamic test
  • the lower urinary tract symptom prediction model may further include a first neural network for predicting the degree of bladder outlet obstruction and a second neural network for predicting the degree of detrusor muscle hypoactivity. have.
  • the lower urinary tract symptom prediction model is formed such that the second neural network has the output of the first neural network as an input value, or the first neural network inputs the output of the second neural network. It can be formed to have a value.
  • the machine learning algorithm includes any one of Artificial Neural Network (ANN), Stacked autoencoder, Deep Neural Network (DNN), and Long Short Term Memory (LSTM).
  • ANN Artificial Neural Network
  • DNN Deep Neural Network
  • LSTM Long Short Term Memory
  • a system for diagnosing lower urinary tract symptoms may be provided.
  • a data input unit for inputting urinary system data of a subject, and a lower urinary tract symptom prediction model for input urinary system data are used to derive prediction result data for the subject.
  • a diagnostic prediction unit and a result providing unit for providing prediction result data derived to the user terminal may be included.
  • a correlation between urinary system data and diagnosis result data obtained and stored in a database is learned using a machine learning algorithm, and the lower urinary tract is learned based on the learned result.
  • a prediction model generator for generating a symptom prediction model may be further included.
  • the urinary system data includes at least one or more of the age of the test subject, the number of urination, the amount of urine remaining, the urine rate test index, the prostate symptom score, the past medical history, and the urination efficacy.
  • the predicted result data may include at least one of a predicted diagnosis name, a bladder outlet obstruction probability, a detrusor muscle hypoactivity probability, and whether a urodynamic test (UDS) is required.
  • UDS urodynamic test
  • the lower urinary tract symptom prediction model may further include a first neural network for predicting the degree of bladder outlet obstruction and a second neural network for predicting the degree of detrusor muscle hypoactivity. have.
  • the lower urinary tract symptom prediction model is formed such that the second neural network has the output of the first neural network as an input value, or the first neural network inputs the output of the second neural network. It can be formed to have a value.
  • the machine learning algorithm includes any one of Artificial Neural Network (ANN), Stacked autoencoder, Deep Neural Network (DNN), and Long Short Term Memory (LSTM). I can.
  • ANN Artificial Neural Network
  • DNN Deep Neural Network
  • LSTM Long Short Term Memory
  • a computer-readable recording medium in which a program for implementing the above-described method is recorded may be provided.
  • a method of assisting diagnosis of lower urinary tract symptoms may be provided.
  • the method of assisting diagnosis of lower urinary tract symptoms may be performed by the lower urinary tract symptom diagnosis assistance system 10 to be described later, and hereinafter, assisting diagnosis of lower urinary tract symptoms performed by the lower urinary tract symptom diagnosis assistance system 10 to be described later.
  • the method of assisting diagnosis of lower urinary tract symptoms may be performed by the lower urinary tract symptom diagnosis assistance system 10 to be described later, and hereinafter, assisting diagnosis of lower urinary tract symptoms performed by the lower urinary tract symptom diagnosis assistance system 10 to be described later.
  • the lower urinary tract symptom refers to a variety of symptoms that can occur in the urinary system, and the lower urinary tract symptom has difficulty in starting, which is associated with the storage and excretion of urine. Symptoms such as residual urine, frequent urination, washing, tension during urination, nocturnal urination, urgent urine, and intermittent urine may include.
  • the urinary system may include organs such as kidneys, ureters, bladder, and urethra.
  • FIG. 1 is a flowchart illustrating a method of assisting diagnosis of lower urinary tract symptoms according to an embodiment of the present invention.
  • the method of assisting diagnosis of lower urinary tract symptoms includes a step of inputting urinary system data 20 of a test subject (S100), and lower urinary tract symptoms with respect to the input urinary system data 20.
  • the step of deriving the prediction result data 30 for the test subject using the prediction model 410 (S200) and the step of providing the prediction result data 30 derived to the user terminal 80 (S100) may be included. .
  • the urinary system data 20 of the test subject refers to data obtained from the test subject for diagnosis of lower urinary tract symptoms
  • the urinary system data ( 20) may include at least one or more of the age of the test subject, the urination pattern (ex. the number of urination, the amount of residual urine, the number of urinary urination, the number of urination at night, etc.), the urine rate test index, the prostate symptom score, past medical history, and urination efficacy.
  • the urinary system data 20 may further include a result of a questionnaire survey for diagnosing lower urinary tract symptoms.
  • the voiding efficacy can be derived by the following [Equation 1].
  • Voiding efficacy : Voided volume, : Residual urine volume
  • the urinary efficacy refers to a value obtained by dividing the value of the amount of urination by the sum of the amount of urination and the amount of residual urine as in [Equation 1]. As described above, the urinary efficacy may also be included in the urinary system data 20 of the test subject, and may be used for learning of the lower urinary tract symptom prediction model 410 as described later.
  • the urinary system data 20 may further include image feature data.
  • the image feature data may be obtained using a third neural network that has been learned in advance with respect to urinary system image data.
  • the urinary system image data may include a transrectal ultrasonography image and a multiparametric MRI (MRI) image.
  • the third neural network may correspond to a convolutional neural network (CNN), a deep neural network (DNN), or the like. That is, as mentioned above, image feature data extracted/acquired using a third neural network such as CNN for urinary system image data may be included in the urinary system data 20, and lower urinary tract symptoms predicted as described later. It can be used for learning of the model 410.
  • the prediction result data 30 represents the result of the prediction diagnosis performed using the lower urinary tract symptom prediction model 410, and the prediction result data 30 includes a predictive diagnosis name, a bladder outlet obstruction (BOO) probability, and At least one or more of the probability of detrusor under-activity (DUA) and the need for a urodynamic study (UDS) may be included. That is, the predicted result data 30 is data for distinguishing the lower urinary tract symptom class (Ex. bladder outlet obstruction (BOO), detrusor muscle hypoactivity (DUA), normal or others) determined from the urinary system data 20 of the test subject. Of course, data on predictive diagnosis results, such as the probability of classified classes and whether a ureadynamic test is necessary, may be included.
  • FIGS. 8 and 9 are exemplary diagrams illustrating a user terminal 80 displayed through a result providing unit in the lower urinary tract symptom diagnosis assist system 10 according to an embodiment of the present invention.
  • the user terminal 80 may provide and display the above-described prediction result data 30. That is, the user terminal 80 refers to a device capable of receiving the prediction result data 30 and displaying it to the user. In addition, the user terminal 80 may be a device that can be used auxiliaryly when a user diagnoses lower urinary tract symptoms.
  • the user terminal 80 may be a device of various types, and the user terminal 80 may include a personal PC, a smart phone, a tablet PC, and the like.
  • a user may refer to a medical practitioner, such as a doctor who diagnoses lower urinary tract symptoms with respect to the test subject, and the examinee is suspected of not only a patient suffering from lower urinary tract symptoms, but also lower urinary tract symptoms. It may also include individuals who want to check their urinary system status.
  • a medical practitioner such as a doctor who diagnoses lower urinary tract symptoms with respect to the test subject, and the examinee is suspected of not only a patient suffering from lower urinary tract symptoms, but also lower urinary tract symptoms. It may also include individuals who want to check their urinary system status.
  • FIG. 2 is a flow chart showing a method for diagnosing lower urinary tract symptoms according to an embodiment of the present invention
  • FIG. 3 is a block diagram showing a system 10 for diagnosing lower urinary tract symptoms according to an embodiment of the present invention. Is an exemplary view showing the lower urinary tract symptom diagnosis assist system 10 according to an embodiment of the present invention.
  • the urinary system data 20 and diagnostics obtained in advance and stored in the database 490 prior to steps S100-S300 A step S30 of learning the correlation between the result data 40 using a machine learning algorithm and a step S50 of generating a lower urinary tract symptom prediction model 410 based on the learned result may be further included.
  • the lower urinary tract symptom prediction model 410 may be generated through the processes of S30 and S50.
  • a correlation between the urinary system data 20 and the diagnosis result data 40 obtained and stored in advance in the database 490 may be learned by using a machine learning algorithm (S30).
  • the database 490 refers to a data storage for storing medical data of patients or subjects as well as urinary system data 20, and the database 490 includes a CDW (Clinical data warehouse), PACS (Picture archiving and communication). system), etc. may be included. That is, in the present specification, the database 490 may correspond to a server that stores overall data related to the examinees, such as various examination results, as well as the doctor's treatment period for the examinees.
  • the urinary system data (Ex. the age of the test subject, the urination pattern (the number of urination, the amount of urination, the number of urination, the number of urination at night), the urinary velocity test index, the prostate symptom score, the past medical history, and the urinary efficacy) stored in advance in the database 490 and Learning may be performed on the correlation between the diagnosis result data 40.
  • the urinary dynamics test (UDS) test for a subject having the corresponding urinary system data 20 or a bladder outlet obstruction index (BOOI: BOO index) determined as a result of diagnosis by a medical expert, and a bladder contraction index ( BCI: Bladder contractility index) may be included.
  • the diagnosis result data 40 may further include urine velocity test data, bladder ultrasound image data, penile cuff test data, and the like.
  • the machine learning algorithm includes any one of Artificial Neural Network (ANN), Stacked autoencoder, Deep Neural Network (DNN), and Long Short Term Memory (LSTM).
  • ANN Artificial Neural Network
  • DNN Deep Neural Network
  • LSTM Long Short Term Memory
  • a data mining process may be additionally performed in order to overcome an imbalance between the positive and negative samples of the urinary system data 20.
  • the datamating process may include a Bootstrap aggregating process. That is, a plurality of bootstrap data may be generated for the urinary system data 20 according to the Bootstrap aggregating process, and model calculation may be performed by modeling and combining each bootstrap data.
  • the bootstrap data may refer to a plurality of sample data having the same size from raw data using a simple restoration random sampling method.
  • FIG. 5 is a block diagram showing a lower urinary tract symptom prediction model 410 in the lower urinary tract symptom diagnosis assist system 10 according to an embodiment of the present invention.
  • a first neural network 411 for predicting the degree of bladder exit obstruction and a first neural network 411 for predicting the degree of detrusor muscle underactivity 2 more neural networks may be included.
  • the predictive model 410 includes bladder outlet obstruction (BOO), detrusor muscle activity (DUA), and bladder outlet obstruction (BOO). It is natural that it can be composed of a single neural network to classify the parallel and normal of hyperventricular hypoactivity (DUA).
  • FIGS. 7A and 7B are diagrams of a first neural network (or a second neural network) in the lower urinary tract symptom diagnosis assistance system 10 according to an embodiment of the present invention. It is an exemplary diagram showing a lower urinary tract symptom prediction model 410 formed by applying an output as an input of a second neural network (or a first neural network).
  • the second neural network 412 is output from the first neural network 411
  • the first neural network 411 may be formed to have as an input value or the first neural network 411 may be formed to have the output of the second neural network 412 as an input value.
  • the lower urinary tract symptom prediction model 410 may be generated as described above and the structures of FIGS. 6 to 7B.
  • the lower urinary tract symptom prediction model 410 of FIG. 6A may be formed by applying the output of the first neural network 411 as an input of the second neural network 412, which has a structure as shown in FIG. 7A. Can be formed as Likewise, the lower urinary tract symptom prediction model 410 of FIG. 6B may be formed by applying the output of the second neural network 412 as an input of the first neural network 411, which is shown in FIG. 7B. It can be formed in the same structure.
  • the lower urinary tract symptom diagnosis assistance system 10 may be provided.
  • the above-described method may be applied. Accordingly, descriptions of the same contents as those described above regarding the system have been omitted.
  • the lower urinary tract symptom diagnosis assistance system 10 is a data input unit 100 into which the urinary system data 20 of a test subject is input, and a lower urinary tract symptom prediction model for the input urinary system data 20
  • a diagnostic prediction unit 200 from which prediction result data 30 for the test subject is derived using 410 and a result providing unit 300 that provides prediction result data 30 derived to the user terminal 80 are included. I can.
  • a machine learning algorithm is used for the correlation between the urinary system data 20 and the diagnosis result data 40 obtained and stored in advance in the database 490.
  • a prediction model generation unit 400 that is learned and generates a lower urinary tract symptom prediction model 410 based on the learned result may be further included.
  • the urinary system data 20 includes the age of the test subject, the number of urination, the amount of urine remaining, the urine rate test index, the prostate symptom score, the past medical history, and the urinary efficacy. At least one or more may be included, and the prediction result data 30 may include at least any one or more of a predicted diagnosis name, a bladder outlet obstruction probability, a detrusor muscle hypoactivity probability, and whether a urinalysis test (UDS) is required.
  • UDS urinalysis test
  • the lower urinary tract symptom prediction model 410 includes a first neural network for predicting the degree of bladder outlet obstruction and a first neural network for predicting the degree of detrusor muscle underactivity. 2 more neural networks may be included.
  • the lower urinary tract symptom prediction model 410 is formed so that the second neural network has the output of the first neural network as an input value, or the first neural network is the first neural network. 2 It can be formed to have the output of the neural network as an input value.
  • the machine learning algorithm includes any of Artificial Neural Network (ANN), Stacked autoencoder, Deep Neural Network (DNN), and Long Short Term Memory (LSTM). One can be included.
  • ANN Artificial Neural Network
  • DNN Deep Neural Network
  • LSTM Long Short Term Memory
  • a computer-readable recording medium in which a program for implementing the above-described method is recorded may be provided.
  • the above-described method can be written as a program that can be executed on a computer, and can be implemented in a general-purpose digital computer that operates the program using a computer-readable medium. Further, the structure of the data used in the above-described method may be recorded on a computer-readable medium through various means.
  • a recording medium for recording executable computer programs or codes for performing various methods of the present invention should not be understood as including temporary objects such as carrier waves or signals.
  • the computer-readable medium may include a storage medium such as a magnetic storage medium (eg, ROM, floppy disk, hard disk, etc.), and an optical reading medium (eg, CD-ROM, DVD, etc.).

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Epidemiology (AREA)
  • Databases & Information Systems (AREA)
  • Primary Health Care (AREA)
  • Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Urology & Nephrology (AREA)
  • Physiology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명의 일 실시 예에 따른 하부요로증상 진단보조 방법은 피검사자의 비뇨기계 데이터가 입력되는 단계, 입력된 비뇨기계 데이터에 대하여 하부요로증상 예측모델을 이용하여 피검사자에 대한 예측결과 데이터가 도출되는 단계 및 사용자 단말로 도출된 예측결과 데이터를 제공하는 단계가 포함될 수 있다.

Description

하부요로증상 진단보조 방법
본 발명은 하부요로증상 진단보조 방법에 관한 것으로, 더욱 상세하게는 피검사자의 비뇨기계 데이터에 대하여 하부요로증상 예측모델을 이용하여 피검사자에 대한 예측결과 데이터를 도출하여 사용자(Ex. 의사 등)에게 제공함으로써 진단 보조가 수행될 수 있는 하부요로증상 진단보조 방법에 관한 것이다.
하부요로증상(LUTS: Lower urinary tract symptom)은 소변의 저장 및 배출과정과 관련되어 나타나는 시작의 어려움, 잔뇨, 빈뇨, 세뇨, 배뇨시 긴장, 야뇨, 긴급뇨, 간헐적 소변 등의 다양한 증상들을 통칭한다. 하부요로증상은 특히, 동물성 지방섭취의 증가와 사회적 여건이 점차 복잡해지는데 따른 심리적 스트레스, 흡연, 음주, 체중증가, 휴식부족, 운동부족 등의 다양한 이유로 심각도가 증가하고 있다. 하부요로증상은 증상이 심해지면 활동에 제한을 가지게 되며 불안감과 긴장상태에 항시 놓이게 되어 정신적인 스트레스를 유발한다. 수면 중에 화장실을 출입하거나 이에 따른 수면부족은 물론 신체적 피로가 가중되어 각종 신체적인 문제도 유발한다.
하부요로증상은 증상만으로 질병의 기전을 정확하게 진단하는 것이 어렵고 또한 약물과 수술요법만으로는 치료가 효율적으로 이루어지지 않는 문제가 있다. 특히, 방광의 기능을 평가하기 위한 요역동학검사(UDS: Urodynamic study)를 이용하여 하부요로증상이 진단되고 있는데, 특히, 요역동학검사는 주로 전립선 수술의 결정을 위해 수행되며, 수술의 효과가 낮은 배뇨근저활동성(DUA: Detrusor under-activity)만을 가진 환자와 수술의 효과가 높다고 알려진 방광출구폐색(BOO: Bladder outlet obstruction)을 가진 환자를 판별하기 위하여 수행되었다.
상기 요역동학검사는 방광과 항문에 압력을 측정하는 관을 삽입하고, 식염수로 방광을 천천히 채우면서 압력을 측정한 후에 소변을 보면서 방광의 압력을 측정하는 과정으로 수행된다. 즉. 하부요로증상의 진단을 위한 요역동학검사(UDS)는 환자를 불편하고 당황하게 할 수 있음은 물론 장시간 카테터(catheter)를 삽관한 채 검사가 수행되므로 감염의 위험이 있고 환자는 고통스럽고 수치심을 느낄 수 있다.
이에 따라, 피검사자에 대하여 고통과 수치심을 덜어주고, 피검사자의 비뇨기계(Urinary system)의 정확한 상태를 파악할 수 있는 하부요로증상 진단보조 방법에 대한 개발이 지속적으로 요구되고 있는 실정이다.
본 발명은 전술한 문제점에 대한 일 대응방안으로써, 비침습적인 검사결과 데이터만을 이용하여 피검사자의 육체적/정신적 고통을 최소화하고 자동으로 하부요로증상의 유형을 예측할 수 있도록 함에 그 목적이 있다.
또한, 요역동학검사(UDS) 필요여부가 제공됨으로써 방광출구폐색(BOO)의 가능성이 낮은 피검사자에 대하여 요역동학검사(UDS)를 진행하지 않도록 함으로써 시간과 비용을 절감할 수 있도록 함에 그 목적이 있다.
본 발명의 일 실시 예로써, 하부요로증상 진단보조 방법이 제공될 수 있다.
본 발명의 일 실시 예에 따른 하부요로증상 진단보조 방법은 피검사자의 비뇨기계 데이터가 입력되는 단계, 입력된 비뇨기계 데이터에 대하여 하부요로증상 예측모델을 이용하여 피검사자에 대한 예측결과 데이터가 도출되는 단계 및 사용자 단말로 도출된 예측결과 데이터를 제공하는 단계가 포함될 수 있다.
본 발명의 일 실시 예에 따른 하부요로증상 진단보조 방법에는 데이터베이스에 미리 획득되어 저장된 비뇨기계 데이터와 진단결과 데이터 간 상관관계에 대하여 머신러닝 알고리즘을 이용하여 학습되는 단계 및 학습된 결과에 기초하여 하부요로증상 예측모델이 생성되는 단계가 더 포함될 수 있다.
본 발명의 일 실시 예에 따른 하부요로증상 진단보조 방법에 있어서, 비뇨기계 데이터에는 피검사자의 나이, 배뇨횟수, 잔뇨량, 요속검사지표, 전립선증상점수, 과거병력 및 배뇨효능 중 적어도 어느 하나 이상이 포함되고, 예측결과 데이터에는 예측진단명, 방광출구폐색 확률, 배뇨근저활동성 확률 및 요역동학검사(UDS) 필요여부 중 적어도 어느 하나 이상이 포함될 수 있다.
본 발명의 일 실시 예에 따른 하부요로증상 진단보조 방법에 있어서, 하부요로증상 예측모델에는 방광출구폐색 정도를 예측하기 위한 제 1 신경망 및 배뇨근저활동성 정도를 예측하기 위한 제 2 신경망이 더 포함될 수 있다.
본 발명의 일 실시 예에 따른 하부요로증상 진단보조 방법에 있어서, 하부요로증상 예측모델은 제 2 신경망이 제 1 신경망의 출력을 입력값으로 갖도록 형성되거나 제 1 신경망이 제 2 신경망의 출력을 입력값으로 갖도록 형성될 수 있다.
본 발명의 일 실시 예에 따른 하부요로증상 진단보조 방법에 있어서, 머신러닝 알고리즘에는 Artificial Neural Network(ANN), Stacked autoencoder, Deep Neural Network(DNN) 및 Long Short Term Memory(LSTM) 중 어느 하나가 포함될 수 있다.
본 발명의 일 실시 예로써, 하부요로증상 진단보조 시스템이 제공될 수 있다.
본 발명의 일 실시 예에 따른 하부요로증상 진단보조 시스템은 피검사자의 비뇨기계 데이터가 입력되는 데이터입력부, 입력된 비뇨기계 데이터에 대하여 하부요로증상 예측모델을 이용하여 피검사자에 대한 예측결과 데이터가 도출되는 진단예측부 및 사용자 단말로 도출된 예측결과 데이터를 제공하는 결과제공부가 포함될 수 있다.
본 발명의 일 실시 예에 따른 하부요로증상 진단보조 시스템에는 데이터베이스에 미리 획득되어 저장된 비뇨기계 데이터와 진단결과 데이터 간 상관관계에 대하여 머신러닝 알고리즘을 이용하여 학습되고, 학습된 결과에 기초하여 하부요로증상 예측모델이 생성되는 예측모델생성부가 더 포함될 수 있다.
본 발명의 일 실시 예에 따른 하부요로증상 진단보조 시스템에 있어서, 비뇨기계 데이터에는 피검사자의 나이, 배뇨횟수, 잔뇨량, 요속검사지표, 전립선증상점수, 과거병력 및 배뇨효능 중 적어도 어느 하나 이상이 포함되고, 예측결과 데이터에는 예측진단명, 방광출구폐색 확률, 배뇨근저활동성 확률 및 요역동학검사(UDS) 필요여부 중 적어도 어느 하나 이상이 포함될 수 있다.
본 발명의 일 실시 예에 따른 하부요로증상 진단보조 시스템에 있어서, 하부요로증상 예측모델에는 방광출구폐색 정도를 예측하기 위한 제 1 신경망 및 배뇨근저활동성 정도를 예측하기 위한 제 2 신경망이 더 포함될 수 있다.
본 발명의 일 실시 예에 따른 하부요로증상 진단보조 시스템에 있어서, 하부요로증상 예측모델은 제 2 신경망이 제 1 신경망의 출력을 입력값으로 갖도록 형성되거나 제 1 신경망이 제 2 신경망의 출력을 입력값으로 갖도록 형성될 수 있다.
본 발명의 일 실시 예에 따른 하부요로증상 진단보조 시스템에 있어서, 머신러닝 알고리즘에는 Artificial Neural Network(ANN), Stacked autoencoder, Deep Neural Network(DNN) 및 Long Short Term Memory(LSTM) 중 어느 하나가 포함될 수 있다.
본 발명의 일 실시 예로써, 전술한 방법을 구현하기 위한 프로그램이 기록된 컴퓨터로 판독 가능한 기록 매체가 제공될 수 있다.
본 발명의 일 실시 예에 따르면, , 비침습적인 검사결과 데이터만을 이용하여 피검사자의 육체적/정신적 고통을 최소화하고 자동으로 하부요로증상의 유형을 예측할 수 있는 효과가 있다.
또한, 요역동학검사(UDS) 필요여부가 제공됨으로써 방광출구폐색(BOO)의 가능성이 낮은 피검사자에 대하여 요역동학검사(UDS)를 진행하지 않도록 함으로써 시간과 비용을 절감할 수 있는 효과가 있다.
도 1 및 도 2는 본 발명의 일 실시 예에 따른 하부요로증상 진단보조 방법을 나타낸 순서도이다.
도 3은 본 발명의 일 실시 예에 따른 하부요로증상 진단보조 시스템을 나타낸 블록도이다.
도 4는 본 발명의 일 실시 예에 따른 하부요로증상 진단보조 시스템을 나타낸 예시도이다.
도 5는 본 발명의 일 실시 예에 따른 하부요로증상 진단보조 시스템에 있어서, 하부요로증상 예측모델을 나타낸 블록도이다.
도 6은 본 발명의 일 실시 예에 따른 하부요로증상 진단보조 시스템에 있어서, 제 1 신경망(또는 제 2 신경망)의 출력이 제 2 신경망(또는 제 1 신경망)의 입력으로 인가됨으로써 형성되는 하부요로증상 예측모델을 나타낸 블록도이다.
도 7a 및 7b는 본 발명의 일 실시 예에 따른 하부요로증상 진단보조 시스템에 있어서, 제 1 신경망(또는 제 2 신경망)의 출력이 제 2 신경망(또는 제 1 신경망)의 입력으로 인가됨으로써 형성되는 하부요로증상 예측모델을 나타낸 예시도이다.
도 8 및 도 9는 본 발명의 일 실시 예에 따른 하부요로증상 진단보조 시스템에 있어서, 결과제공부를 통해 표시된 사용자 단말을 나타낸 예시도이다.
본 발명의 일 실시 예로써, 하부요로증상 진단보조 방법이 제공될 수 있다.
본 발명의 일 실시 예에 따른 하부요로증상 진단보조 방법은 피검사자의 비뇨기계 데이터가 입력되는 단계, 입력된 비뇨기계 데이터에 대하여 하부요로증상 예측모델을 이용하여 피검사자에 대한 예측결과 데이터가 도출되는 단계 및 사용자 단말로 도출된 예측결과 데이터를 제공하는 단계가 포함될 수 있다.
본 발명의 일 실시 예에 따른 하부요로증상 진단보조 방법에는 데이터베이스에 미리 획득되어 저장된 비뇨기계 데이터와 진단결과 데이터 간 상관관계에 대하여 머신러닝 알고리즘을 이용하여 학습되는 단계 및 학습된 결과에 기초하여 하부요로증상 예측모델이 생성되는 단계가 더 포함될 수 있다.
본 발명의 일 실시 예에 따른 하부요로증상 진단보조 방법에 있어서, 비뇨기계 데이터에는 피검사자의 나이, 배뇨횟수, 잔뇨량, 요속검사지표, 전립선증상점수, 과거병력 및 배뇨효능 중 적어도 어느 하나 이상이 포함되고, 예측결과 데이터에는 예측진단명, 방광출구폐색 확률, 배뇨근저활동성 확률 및 요역동학검사(UDS) 필요여부 중 적어도 어느 하나 이상이 포함될 수 있다.
본 발명의 일 실시 예에 따른 하부요로증상 진단보조 방법에 있어서, 하부요로증상 예측모델에는 방광출구폐색 정도를 예측하기 위한 제 1 신경망 및 배뇨근저활동성 정도를 예측하기 위한 제 2 신경망이 더 포함될 수 있다.
본 발명의 일 실시 예에 따른 하부요로증상 진단보조 방법에 있어서, 하부요로증상 예측모델은 제 2 신경망이 제 1 신경망의 출력을 입력값으로 갖도록 형성되거나 제 1 신경망이 제 2 신경망의 출력을 입력값으로 갖도록 형성될 수 있다.
본 발명의 일 실시 예에 따른 하부요로증상 진단보조 방법에 있어서, 머신러닝 알고리즘에는 Artificial Neural Network(ANN), Stacked autoencoder, Deep Neural Network(DNN) 및 Long Short Term Memory(LSTM) 중 어느 하나가 포함될 수 있다.
본 발명의 일 실시 예로써, 하부요로증상 진단보조 시스템이 제공될 수 있다.
본 발명의 일 실시 예에 따른 하부요로증상 진단보조 시스템은 피검사자의 비뇨기계 데이터가 입력되는 데이터입력부, 입력된 비뇨기계 데이터에 대하여 하부요로증상 예측모델을 이용하여 피검사자에 대한 예측결과 데이터가 도출되는 진단예측부 및 사용자 단말로 도출된 예측결과 데이터를 제공하는 결과제공부가 포함될 수 있다.
본 발명의 일 실시 예에 따른 하부요로증상 진단보조 시스템에는 데이터베이스에 미리 획득되어 저장된 비뇨기계 데이터와 진단결과 데이터 간 상관관계에 대하여 머신러닝 알고리즘을 이용하여 학습되고, 학습된 결과에 기초하여 하부요로증상 예측모델이 생성되는 예측모델생성부가 더 포함될 수 있다.
본 발명의 일 실시 예에 따른 하부요로증상 진단보조 시스템에 있어서, 비뇨기계 데이터에는 피검사자의 나이, 배뇨횟수, 잔뇨량, 요속검사지표, 전립선증상점수, 과거병력 및 배뇨효능 중 적어도 어느 하나 이상이 포함되고, 예측결과 데이터에는 예측진단명, 방광출구폐색 확률, 배뇨근저활동성 확률 및 요역동학검사(UDS) 필요여부 중 적어도 어느 하나 이상이 포함될 수 있다.
본 발명의 일 실시 예에 따른 하부요로증상 진단보조 시스템에 있어서, 하부요로증상 예측모델에는 방광출구폐색 정도를 예측하기 위한 제 1 신경망 및 배뇨근저활동성 정도를 예측하기 위한 제 2 신경망이 더 포함될 수 있다.
본 발명의 일 실시 예에 따른 하부요로증상 진단보조 시스템에 있어서, 하부요로증상 예측모델은 제 2 신경망이 제 1 신경망의 출력을 입력값으로 갖도록 형성되거나 제 1 신경망이 제 2 신경망의 출력을 입력값으로 갖도록 형성될 수 있다.
본 발명의 일 실시 예에 따른 하부요로증상 진단보조 시스템에 있어서, 머신러닝 알고리즘에는 Artificial Neural Network(ANN), Stacked autoencoder, Deep Neural Network(DNN) 및 Long Short Term Memory(LSTM) 중 어느 하나가 포함될 수 있다.
본 발명의 일 실시 예로써, 전술한 방법을 구현하기 위한 프로그램이 기록된 컴퓨터로 판독 가능한 기록 매체가 제공될 수 있다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 본 발명에 대해 구체적으로 설명하기로 한다.
본 발명에서 사용되는 용어는 본 발명에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 발명에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 발명의 전반에 걸친 내용을 토대로 정의되어야 한다.
명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다. 또한, 명세서에 기재된 "...부", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다. 또한, 명세서 전체에서 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, "그 중간에 다른 소자를 사이에 두고" 연결되어 있는 경우도 포함한다.
이하 첨부된 도면을 참고하여 본 발명을 상세히 설명하기로 한다.
본 발명의 일 실시 예로써, 하부요로증상 진단보조 방법이 제공될 수 있다. 또한, 상기 하부요로증상 진단보조 방법은 후술하는 하부요로증상 진단보조 시스템(10)에 의해서 수행될 수 있으며, 이하에서는 후술하는 하부요로증상 진단보조 시스템(10)에 의해 수행되는 하부요로증상 진단보조 방법에 관하여 설명한다.
본 명세서에서 하부요로증상(LUTS: Lower urinary tract symptom)은 비뇨기계(urinary system)에서 발생가능한 다양한 증상들을 통칭하는 것으로, 상기 하부요로증상에는 소변의 저장 및 배출과정과 관련되어 나타나는 시작의 어려움, 잔뇨, 빈뇨, 세뇨, 배뇨시 긴장, 야뇨, 긴급뇨, 간헐적 소변 등의 증상들이 포함될 수 있다. 또한, 상기 비뇨기계에는 신장, 요관, 방광, 요도 등의 기관이 포함될 수 있다.
도 1은 본 발명의 일 실시 예에 따른 하부요로증상 진단보조 방법을 나타낸 순서도이다.
도 1을 참조하면, 본 발명의 일 실시 예에 따른 하부요로증상 진단보조 방법은 피검사자의 비뇨기계 데이터(20)가 입력되는 단계(S100), 입력된 비뇨기계 데이터(20)에 대하여 하부요로증상 예측모델(410)을 이용하여 피검사자에 대한 예측결과 데이터(30)가 도출되는 단계(S200) 및 사용자 단말(80)로 도출된 예측결과 데이터(30)를 제공하는 단계(S100)가 포함될 수 있다.
또한, 본 발명의 일 실시 예에 따른 하부요로증상 진단보조 방법에 있어서, 피검사자의 비뇨기계 데이터(20)는 하부요로증상의 진단을 위해 피검사자로부터 획득된 데이터를 지칭하는 것으로, 상기 비뇨기계 데이터(20)에는 피검사자의 나이, 배뇨패턴(Ex. 배뇨횟수, 잔뇨량, 급박뇨횟수, 야간뇨횟수 등), 요속검사지표, 전립선증상점수, 과거병력 및 배뇨효능 중 적어도 어느 하나 이상이 포함될 수 있다. 또한, 비뇨기계 데이터(20)에는 하부요로증상 진단을 위한 설문조사 결과가 더 포함될 수 있다.
상기 배뇨효능(voiding efficacy)은 아래 [수학식 1]에 의해 도출될 수 있다.
[수학식 1]
Figure PCTKR2020001982-appb-img-000001
여기서,
Figure PCTKR2020001982-appb-img-000002
: 배뇨효능(voiding efficacy),
Figure PCTKR2020001982-appb-img-000003
:배뇨량(voided volume),
Figure PCTKR2020001982-appb-img-000004
: 잔뇨량(residual urine volume)
즉, 본 명세서에서 배뇨효능은 상기 [수학식 1]과 같이 배뇨량 값을 배뇨량과 잔뇨량을 합한 값으로 나눈 값을 지칭한다. 전술한 바와 같이 상기 배뇨효능도 피검사자의 비뇨기계 데이터(20)에 포함될 수 있고, 후술하는 바와 같이 하부요로증상 예측모델(410)의 학습에 활용될 수 있다.
또한, 비뇨기계 데이터(20)에는 이미지 특징 데이터가 더 포함될 수 있다. 상기 이미지 특징 데이터는 비뇨기계 영상 데이터에 대하여 미리 학습된 제 3 신경망을 이용하여 획득될 수 있다. 상기 비뇨기계 영상 데이터에는 경직장초음파(transrectal ultrasonography) 영상, 다중파라미터 MRI(Multiparametric MRI) 영상이 포함될 수 있다. 상기 제 3 신경망은 CNN(Convolutional Neural Network), DNN(Deep Neural Network) 등에 해당될 수 있다. 즉, 상기에서 언급한 바와 같이 비뇨기계 영상데이터에 대하여 CNN 등의 제 3 신경망을 이용하여 추출/획득된 이미지 특징 데이터가 비뇨기계 데이터(20)에 포함될 수 있고, 후술하는 바와 같이 하부요로증상 예측모델(410)의 학습에 활용될 수 있다.
예측결과 데이터(30)는 하부요로증상 예측모델(410)을 이용하여 예측진단이 수행된 결과를 나타내며, 상기 예측결과 데이터(30)에는 예측진단명, 방광출구폐색(BOO: Bladder outlet obstruction) 확률, 배뇨근저활동성(DUA: Detrusor under-activity) 확률 및 요역동학검사(UDS: urodynamic study)) 필요여부 중 적어도 어느 하나 이상이 포함될 수 있다. 즉, 예측결과 데이터(30)는 피검사자의 비뇨기계 데이터(20)로부터 판단된 하부요로증상 클래스(Ex. 방광출구폐색(BOO), 배뇨근저활동성(DUA), 정상 혹은 기타)을 구분하기 위한 데이터는 물론 구분된 클래스 별 확률, 요역동학검사 필요여부 등의 예측진단 결과에 관한 데이터가 포함될 수 있다.
도 8 및 도 9는 본 발명의 일 실시 예에 따른 하부요로증상 진단보조 시스템(10)에 있어서, 결과제공부를 통해 표시된 사용자 단말(80)을 나타낸 예시도이다.
도 8 및 도 9에 도시된 바와 같이 사용자 단말(80)에서는 전술한 예측결과 데이터(30)가 제공되어 표시될 수 있다. 즉, 사용자 단말(80)은 상기 예측결과 데이터(30)를 수신하여 사용자에게 표시할 수 있는 디바이스를 지칭한다. 또한, 상기 사용자 단말(80)은 사용자가 하부요로증상의 진단 시 보조적으로 활용가능한 디바이스일 수 있다. 사용자 단말(80)은 다양한 형태의 디바이스일 수 있으며, 상기 사용자 단말(80)에는 개인PC, 스마트폰, 태블릿PC 등이 포함될 수 있다.
또한, 본 명세서에서 사용자는 피검사자에 대하여 하부요로증상을 진단하는 의사 등의 의료인, 검사자 등을 지칭할 수 있으며, 피검사자(Examinee)는 하부요로증상을 겪고 있는 환자뿐만 아니라, 하부요로증상이 의심되어 자신의 비뇨기계 상태를 확인하고자 하는 일반인 등의 대상자도 포함될 수 있다.
도 2는 본 발명의 일 실시 예에 따른 하부요로증상 진단보조 방법을 나타낸 순서도이고, 도 3은 본 발명의 일 실시 예에 따른 하부요로증상 진단보조 시스템(10)을 나타낸 블록도이며, 도 4는 본 발명의 일 실시 예에 따른 하부요로증상 진단보조 시스템(10)을 나타낸 예시도이다.
도 2 내지 도 4를 참조하면, 본 발명의 일 실시 예에 따른 하부요로증상 진단보조 방법에는 전술한 S100단계 - S300 단계 이전에 데이터베이스(490)에 미리 획득되어 저장된 비뇨기계 데이터(20)와 진단결과 데이터(40) 간 상관관계에 대하여 머신러닝 알고리즘을 이용하여 학습되는 단계(S30) 및 학습된 결과에 기초하여 하부요로증상 예측모델(410)이 생성되는 단계(S50)가 더 포함될 수 있다.
즉, 본 발명의 일 실시 예에 따른 하부요로증상 진단보조 방법에 있어서, 하부요로증상 예측모델(410)은 S30의 과정 및 S50의 과정을 거쳐 생성될 수 있다.
먼저, 데이터베이스(490)에 미리 획득되어 저장된 비뇨기계 데이터(20)와 진단결과 데이터(40) 간 상관관계에 대하여 머신러닝 알고리즘을 이용하여 학습이 수행(S30)될 수 있다.
상기 데이터베이스(490)는 비뇨기계 데이터(20) 뿐 아니라 환자 혹은 피검사자들의 의료데이터를 저장하기 위한 데이터 저장소를 지칭하는 것으로, 상기 데이터베이스(490)에는 CDW(Clinical data warehouse), PACS(Picture archiving and communication system) 등의 의료 데이터 검색 시스템이 포함될 수 있다. 즉, 본 명세서에서 데이터베이스(490)는 피검사자들에 대한 의사의 진료기룍 뿐만 아니라, 각종 검사 결과 등 피검사자들과 관련된 전반적인 데이터를 저장하는 서버에 해당될 수 있다.
즉, 데이터베이스(490)에 미리 저장된 비뇨기계 데이터(Ex. 피검사자의 나이, 배뇨패턴(배뇨횟수, 잔뇨량, 급박뇨횟수, 야간뇨횟수), 요속검사지표, 전립선증상점수, 과거병력 및 배뇨효능)와 진단결과 데이터(40) 간 상관관계에 대하여 학습이 수행될 수 있다. 상기 진단결과 데이터(40)에는 해당 비뇨기계 데이터(20)를 가진 피검사자에 대하여 요역동학검사(UDS) 검사 혹은 의료전문가의 진단 결과 판별된 방광출구폐색 지수(BOOI: BOO index), 방광수축지수(BCI: Bladder contractility index) 등이 포함될 수 있다. 또한, 상기 진단결과 데이터(40)에는 요속검사 데이터, 방광초음파 영상 데이터, 음경커프검사 데이터 등이 추가적으로 더 포함될 수 있다.
본 발명의 일 실시 예에 따른 하부요로증상 진단보조 방법에 있어서, 머신러닝 알고리즘에는 Artificial Neural Network(ANN), Stacked autoencoder, Deep Neural Network(DNN) 및 Long Short Term Memory(LSTM) 중 어느 하나가 포함될 수 있다. 다만, 이는 예시적인 것에 불과하고 전술한 알고리즘을 제외한 다양한 머신러닝 알고리즘 혹은 딥러닝 알고리즘들을 이용할 수 있다. 또한, 상기 머신러닝/딥러닝 알고리즘을 결합하거나 연결하여 새로운 예측모델을 형성할 수 있다.
또한, 상기 S30의 학습과정에서 비뇨기계 데이터(20)의 positive sample과 negative 샘플 간 불균형을 극복하기 위하여 데이터마이닝 과정이 추가적으로 수행될 수 있다. 상기 데이터마이팅 과정에는 Bootstrap aggregating 과정이 포함될 수 있다. 즉, Bootstrap aggregating 과정에 따라 비뇨기계 데이터(20)에 대하여 복수개의 bootstrap 데이터를 생성하고, 각 bootstrap 데이터를 모델링 및 결합함으로써 모델산출이 수행될 수 있다. 상기 bootstrap 데이터는 단순복원 임의추출법(random sampling)을 이용하여 원본 데이터(raw data)로부터 크기가 동일한 복수개의 표본 데이터를 지칭할 수 있다.
도 5는 본 발명의 일 실시 예에 따른 하부요로증상 진단보조 시스템(10)에 있어서, 하부요로증상 예측모델(410)을 나타낸 블록도이다.
도 5를 참조하면, 본 발명의 일 실시 예에 따른 하부요로증상 진단보조 방법에 있어서, 하부요로증상 예측모델(410)에는 방광출구폐색 정도를 예측하기 위한 제 1 신경망(411) 및 배뇨근저활동성 정도를 예측하기 위한 제 2 신경망이 더 포함될 수 있다. 다만, 상기와 같은 제 1 신경망(411) 및 제 2 신경망(412)의 구조뿐만 아니라, 상기 예측모델(410)은 방광출구폐색(BOO), 배뇨근저활동성(DUA), 방광출구폐색(BOO)과 배뇨근저활동성(DUA)의 병행 및 정상(normal)을 분류하기 위한 단일 신경망으로 구성될 수 있음은 당연하다.
도 6은 본 발명의 일 실시 예에 따른 하부요로증상 진단보조 시스템(10)에 있어서, 제 1 신경망(또는 제 2 신경망)의 출력이 제 2 신경망(또는 제 1 신경망)의 입력으로 인가됨으로써 형성되는 하부요로증상 예측모델(410)을 나타낸 블록도이고, 도 7a 및 7b는 본 발명의 일 실시 예에 따른 하부요로증상 진단보조 시스템(10)에 있어서, 제 1 신경망(또는 제 2 신경망)의 출력이 제 2 신경망(또는 제 1 신경망)의 입력으로 인가됨으로써 형성되는 하부요로증상 예측모델(410)을 나타낸 예시도이다.
도 6 내지 도 7b를 참조하면, 본 발명의 일 실시 예에 따른 하부요로증상 진단보조 방법에 있어서, 하부요로증상 예측모델(410)은 제 2 신경망(412)이 제 1 신경망(411)의 출력을 입력값으로 갖도록 형성되거나 제 1 신경망(411)이 제 2 신경망(412)의 출력을 입력값으로 갖도록 형성될 수 있다.
즉, 하부요로증상 예측모델(410)의 예측가능성 또는 정확성이 향상되도록 하기 위하여 상기 내용 및 도 6 내지 도7b의 구조와 같이 하부요로증상 예측모델(410)이 생성될 수 있다.
도 6의 (a)의 하부요로증상 예측모델(410)은 제 1 신경망(411)의 출력이 제 2 신경망(412)의 입력으로 인가됨으로써 형성될 수 있고, 이는 도 7a에 도시된 바와 같은 구조로 형성될 수 있다. 마찬가지로, 도 6의 (b)의 하부요로증상 예측모델(410)은 제 2 신경망(412)의 출력이 제 1 신경망(411)의 입력으로 인가됨으로써 형성될 수 있고, 이는 도 7b에 도시된 바와 같은 구조로 형성될 수 있다.
본 발명의 일 실시 예로써, 하부요로증상 진단보조 시스템(10)이 제공될 수 있다. 이하에서 설명될 하부요로증상 진단보조 시스템(10)과 관련하여서는 전술한 방법에 대한 내용이 적용될 수 있다. 따라서, 시스템과 관련하여 전술한 내용과 동일한 내용에 대하여는 설명을 생략하였다.
본 발명의 일 실시 예에 따른 하부요로증상 진단보조 시스템(10)은 피검사자의 비뇨기계 데이터(20)가 입력되는 데이터입력부(100), 입력된 비뇨기계 데이터(20)에 대하여 하부요로증상 예측모델(410)을 이용하여 피검사자에 대한 예측결과 데이터(30)가 도출되는 진단예측부(200) 및 사용자 단말(80)로 도출된 예측결과 데이터(30)를 제공하는 결과제공부(300)가 포함될 수 있다.
본 발명의 일 실시 예에 따른 하부요로증상 진단보조 시스템(10)에는 데이터베이스(490)에 미리 획득되어 저장된 비뇨기계 데이터(20)와 진단결과 데이터(40) 간 상관관계에 대하여 머신러닝 알고리즘을 이용하여 학습되고, 학습된 결과에 기초하여 하부요로증상 예측모델(410)이 생성되는 예측모델생성부(400)가 더 포함될 수 있다.
본 발명의 일 실시 예에 따른 하부요로증상 진단보조 시스템(10)에 있어서, 비뇨기계 데이터(20)에는 피검사자의 나이, 배뇨횟수, 잔뇨량, 요속검사지표, 전립선증상점수, 과거병력 및 배뇨효능 중 적어도 어느 하나 이상이 포함되고, 예측결과 데이터(30)에는 예측진단명, 방광출구폐색 확률, 배뇨근저활동성 확률 및 요역동학검사(UDS) 필요여부 중 적어도 어느 하나 이상이 포함될 수 있다.
본 발명의 일 실시 예에 따른 하부요로증상 진단보조 시스템(10)에 있어서, 하부요로증상 예측모델(410)에는 방광출구폐색 정도를 예측하기 위한 제 1 신경망 및 배뇨근저활동성 정도를 예측하기 위한 제 2 신경망이 더 포함될 수 있다.
본 발명의 일 실시 예에 따른 하부요로증상 진단보조 시스템(10)에 있어서, 하부요로증상 예측모델(410)은 제 2 신경망이 제 1 신경망의 출력을 입력값으로 갖도록 형성되거나 제 1 신경망이 제 2 신경망의 출력을 입력값으로 갖도록 형성될 수 있다.
본 발명의 일 실시 예에 따른 하부요로증상 진단보조 시스템(10)에 있어서, 머신러닝 알고리즘에는 Artificial Neural Network(ANN), Stacked autoencoder, Deep Neural Network(DNN) 및 Long Short Term Memory(LSTM) 중 어느 하나가 포함될 수 있다.
본 발명의 일 실시 예로써, 전술한 방법을 구현하기 위한 프로그램이 기록된 컴퓨터로 판독 가능한 기록 매체가 제공될 수 있다.
한편, 전술한 방법은 컴퓨터에서 실행될 수 있는 프로그램으로 작성 가능하고, 컴퓨터 판독 가능 매체를 이용하여 상기 프로그램을 동작시키는 범용 디지털 컴퓨터에서 구현될 수 있다. 또한, 상술한 방법에서 사용된 데이터의 구조는 컴퓨터 판독 가능 매체에 여러 수단을 통하여 기록될 수 있다. 본 발명의 다양한 방법들을 수행하기 위한 실행 가능한 컴퓨터 프로그램이나 코드를 기록하는 기록 매체는, 반송파(carrier waves)나 신호들과 같이 일시적인 대상들은 포함하는 것으로 이해되지는 않아야 한다. 상기 컴퓨터 판독 가능 매체는 마그네틱 저장매체(예를 들면, 롬, 플로피 디스크, 하드 디스크 등), 광학적 판독 매체(예를 들면, 시디롬, DVD 등)와 같은 저장 매체를 포함할 수 있다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

Claims (13)

  1. 하부요로증상 진단보조 방법에 있어서,
    피검사자의 비뇨기계 데이터가 입력되는 단계;
    상기 입력된 비뇨기계 데이터에 대하여 하부요로증상 예측모델을 이용하여 상기 피검사자에 대한 예측결과 데이터가 도출되는 단계; 및
    사용자 단말로 상기 도출된 예측결과 데이터를 제공하는 단계가 포함되는 하부요로증상 진단보조 방법.
  2. 제 1 항에 있어서,
    데이터베이스에 미리 획득되어 저장된 비뇨기계 데이터와 진단결과 데이터 간 상관관계에 대하여 머신러닝 알고리즘을 이용하여 학습되는 단계; 및
    상기 학습된 결과에 기초하여 하부요로증상 예측모델이 생성되는 단계가 더 포함되는 하부요로증상 진단보조 방법.
  3. 제 1 항에 있어서,
    상기 비뇨기계 데이터에는 상기 피검사자의 나이, 배뇨횟수, 잔뇨량, 요속검사지표, 전립선증상점수, 과거병력 및 배뇨효능 중 적어도 어느 하나 이상이 포함되고,
    상기 예측결과 데이터에는 예측진단명, 방광출구폐색 확률, 배뇨근저활동성 확률 및 요역동학검사(UDS) 필요여부 중 적어도 어느 하나 이상이 포함되는 하부요로증상 진단보조 방법.
  4. 제 2 항에 있어서,
    상기 하부요로증상 예측모델에는 방광출구폐색 정도를 예측하기 위한 제 1 신경망 및 배뇨근저활동성 정도를 예측하기 위한 제 2 신경망이 더 포함되는 하부요로증상 진단보조 방법.
  5. 제 4 항에 있어서,
    상기 하부요로증상 예측모델은 상기 제 2 신경망이 상기 제 1 신경망의 출력을 입력값으로 갖도록 형성되거나 상기 제 1 신경망이 상기 제 2 신경망의 출력을 입력값으로 갖도록 형성되는 하부요로증상 진단보조 방법.
  6. 제 2 항에 있어서,
    상기 머신러닝 알고리즘에는 Artificial Neural Network(ANN), Stacked autoencoder, Deep Neural Network(DNN) 및 Long Short Term Memory(LSTM) 중 어느 하나가 포함되는 하부요로증상 진단보조 방법.
  7. 하부요로증상 진단보조 시스템에 있어서,
    피검사자의 비뇨기계 데이터가 입력되는 데이터입력부;
    상기 입력된 비뇨기계 데이터에 대하여 하부요로증상 예측모델을 이용하여 상기 피검사자에 대한 예측결과 데이터가 도출되는 진단예측부; 및
    사용자 단말로 상기 도출된 예측결과 데이터를 제공하는 결과제공부가 포함되는 하부요로증상 진단보조 시스템.
  8. 제 7 항에 있어서,
    데이터베이스에 미리 획득되어 저장된 비뇨기계 데이터와 진단결과 데이터 간 상관관계에 대하여 머신러닝 알고리즘을 이용하여 학습되고, 상기 학습된 결과에 기초하여 하부요로증상 예측모델이 생성되는 예측모델생성부가 더 포함되는 하부요로증상 진단보조 시스템.
  9. 제 7 항에 있어서,
    상기 비뇨기계 데이터에는 상기 피검사자의 나이, 배뇨횟수, 잔뇨량, 요속검사지표, 전립선증상점수, 과거병력 및 배뇨효능 중 적어도 어느 하나 이상이 포함되고,
    상기 예측결과 데이터에는 예측진단명, 방광출구폐색 확률, 배뇨근저활동성 확률 및 요역동학검사(UDS) 필요여부 중 적어도 어느 하나 이상이 포함되는 하부요로증상 진단보조 시스템.
  10. 제 8 항에 있어서,
    상기 하부요로증상 예측모델에는 방광출구폐색 정도를 예측하기 위한 제 1 신경망 및 배뇨근저활동성 정도를 예측하기 위한 제 2 신경망이 더 포함되는 하부요로증상 진단보조 시스템.
  11. 제 10 항에 있어서,
    상기 하부요로증상 예측모델은 상기 제 2 신경망이 상기 제 1 신경망의 출력을 입력값으로 갖도록 형성되거나 상기 제 1 신경망이 상기 제 2 신경망의 출력을 입력값으로 갖도록 형성되는 하부요로증상 진단보조 시스템.
  12. 제 8 항에 있어서,
    상기 머신러닝 알고리즘에는 Artificial Neural Network(ANN), Stacked autoencoder, Deep Neural Network(DNN) 및 Long Short Term Memory(LSTM) 중 어느 하나가 포함되는 하부요로증상 진단보조 시스템.
  13. 제 1 항 내지 제 6 항 중 어느 한 항의 방법을 구현하기 위한 프로그램이 기록된 컴퓨터로 판독 가능한 기록 매체.
PCT/KR2020/001982 2019-04-17 2020-02-12 하부요로증상 진단보조 방법 WO2020213826A1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2021561753A JP7278415B2 (ja) 2019-04-17 2020-02-12 下部尿路症状診断補助システムの動作方法、該方法を実現するプログラムが記録されたコンピュータ読取可能な記録媒体、及び下部尿路症状診断補助システム
US17/603,818 US20220215960A1 (en) 2019-04-17 2020-02-12 Auxiliary method for diagnosis of lower urinary tract symptoms

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020190044896A KR102455469B1 (ko) 2019-04-17 2019-04-17 하부요로증상 진단보조 방법
KR10-2019-0044896 2019-04-17

Publications (1)

Publication Number Publication Date
WO2020213826A1 true WO2020213826A1 (ko) 2020-10-22

Family

ID=72837433

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2020/001982 WO2020213826A1 (ko) 2019-04-17 2020-02-12 하부요로증상 진단보조 방법

Country Status (4)

Country Link
US (1) US20220215960A1 (ko)
JP (1) JP7278415B2 (ko)
KR (1) KR102455469B1 (ko)
WO (1) WO2020213826A1 (ko)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW202213261A (zh) * 2020-09-28 2022-04-01 林易霆 無引導者機器學習模型輔助之醫病共享決策系統及其共享方法
KR102564572B1 (ko) * 2021-02-05 2023-08-09 연세대학교 원주산학협력단 요류 검사 방법
KR20240008577A (ko) 2022-07-12 2024-01-19 연세대학교 산학협력단 인공지능 기반의 비침습적 요역동학 검사 방법 및 장치
KR102682936B1 (ko) * 2022-10-27 2024-07-09 주식회사 아이도트 요로위치 추정 시스템

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101884609B1 (ko) * 2017-05-08 2018-08-02 (주)헬스허브 모듈화된 강화학습을 통한 질병 진단 시스템
US20180365381A1 (en) * 2017-06-16 2018-12-20 Htc Corporation Computer aided medical method and medical system for medical prediction

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002022008A1 (en) * 2000-09-13 2002-03-21 Schmidt Richard A Diagnosis of lower urinary tract dysregulation
US20040260163A1 (en) * 2001-09-17 2004-12-23 Kron Reuben E. Non-invasive diagnostic systems for lower urinary tract disorders
KR100763453B1 (ko) 2006-01-09 2007-10-08 (주) 엠큐브테크놀로지 방광 진단용 초음파 진단 장치 및 초음파 진단 방법
JP2009066090A (ja) * 2007-09-12 2009-04-02 Npo Comfortable Urology Network 下部尿路障害を診断する方法
US20160113562A1 (en) * 2014-10-27 2016-04-28 Edward Belotserkovsky Method of Diagnosing Urological Disorders
EP3303618B1 (en) * 2015-05-29 2019-09-25 Koninklijke Philips N.V. Methods of prostate cancer prognosis
WO2017173342A1 (en) * 2016-03-31 2017-10-05 William Beaumont Hospital Methods for detecting, diagnosing and treating ulcerative interstitial cystitis
US10709873B1 (en) * 2017-02-04 2020-07-14 Jeanie L. Green Device for holding a catheter in place
US11694769B2 (en) * 2017-07-17 2023-07-04 Bioinformatics Solutions Inc. Systems and methods for de novo peptide sequencing from data-independent acquisition using deep learning
US11147459B2 (en) * 2018-01-05 2021-10-19 CareBand Inc. Wearable electronic device and system for tracking location and identifying changes in salient indicators of patient health
GB201802653D0 (en) * 2018-02-19 2018-04-04 Univ Of Portsmouth Higher Education Corporation Method

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101884609B1 (ko) * 2017-05-08 2018-08-02 (주)헬스허브 모듈화된 강화학습을 통한 질병 진단 시스템
US20180365381A1 (en) * 2017-06-16 2018-12-20 Htc Corporation Computer aided medical method and medical system for medical prediction

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
AL-SHAYEA, QEETHARA: "Artificial Neural Networks in Medical Diagnosis", IJCSI INTERNATIONAL JOURNAL OF COMPUTER SCIENCE ISSUES, vol. 8, no. 2, March 2011 (2011-03-01), pages 150 - 154 *
CHO, KYEONGWON ET AL.: "Development of an artificial neural network based classification model for the lower urinary tract symptoms using medical records", 5TH SATURN CONTINENCE CONFERENCE 2019 (SAMSUNG-ASAN- TOKYO UROLOGIC RESEARCH NETWORK), 16 February 2019 (2019-02-16) *
CHOO, MIN SOO ET AL.: "A Prediction Model Using Machine Learning Algorithm for Assessing Stone-Free Status after Single Session Shock Wave Lithotripsy to Treat Ureteral Stones", THE JOURNAL OF UROLOGY, vol. 200, no. 6, December 2018 (2018-12-01), pages 1371 - 1377, XP085529568, DOI: 10.1016/j.juro.2018.06.077 *
GIL, DAVID ET AL.: "Application of artificial neural networks in the diagnosis of urological dysfunctions", EXPERT SYSTEMS WITH APPLICATIONS, vol. 36, no. 3, 1 April 2009 (2009-04-01), pages 5754 - 5760, XP025914443 *

Also Published As

Publication number Publication date
JP2022529460A (ja) 2022-06-22
JP7278415B2 (ja) 2023-05-19
KR20200122084A (ko) 2020-10-27
KR102455469B1 (ko) 2022-10-17
US20220215960A1 (en) 2022-07-07

Similar Documents

Publication Publication Date Title
WO2020213826A1 (ko) 하부요로증상 진단보조 방법
Hadorn et al. An annotated algorithm approach to clinical guideline development
Moore et al. A randomized trial of office-based screening for common problems in older persons
CN104305961B (zh) 肠鸣音监测识别系统
CN106874670A (zh) 基于人工智能的儿科医生机器人装置
Galeoto et al. Levels of Cognitive Functioning Assessment Scale: Italian cross-cultural adaptation and validation
WO2024109022A1 (zh) 基于胃肠电信号的认知功能障碍预测系统及构建方法
Brodman et al. Computer-aided diagnostic screening for 100 common diseases
Blaivas et al. Overactive bladder phenotypes: development and preliminary data
Hu et al. Knowledge, attitudes, practices, and related factors of low anterior resection syndrome management among colorectal surgery nurses: a multicenter cross-sectional study
Krauss et al. Simplifying Bayesian inference: The general case
WO2021187700A2 (ko) 경동맥 초음파 진단 방법
WO2022086066A1 (ko) 딥러닝 기반의 단순요류검사 결과 학습 및 하부요로증상 진단방법
CN215305419U (zh) 基于智能座便器的盆底健康管理系统及智能座便器
Delaney et al. Reliability of nursing diagnoses documented in a computerized nursing information system
El-Rahman Mohamed et al. Relationship between resilience and health-related quality of life among patients with a permanent colostomy
Indrayan Research Methodology and Biostatistics Series II-Quality of Medical Research
CN114758759A (zh) 一种消化内镜科用的结肠镜肠道准备的清肠系统
WO2022158689A1 (ko) 사전 문진용 음성 분석을 통한 주관적 통증의 임상 연계성 분석 시스템
WO2022216013A1 (ko) Act 종합점수를 이용한 알츠하이머 조기 진단용 인지기능 변화양상 분석 시스템 및 방법
RU2011120069A (ru) Способ сохранения здорового, жизнедеятельного состояния человека и продления его жизни и система диагностики в его составе
CN113658651B (zh) 尿失禁自动诊断方法、装置及存储介质
Mishra et al. Intervention of IT in Rog Nidan Evum Vikriti Vigyan-An Explorative Review
RU103022U1 (ru) Система дифференциации и анализа зарегистрированных клинических данных
WO2023022521A9 (ko) 딥러닝기반 모델 및 원칙기반 모델 통합 심전도 판독 시스템

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: 20791953

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2021561753

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20791953

Country of ref document: EP

Kind code of ref document: A1