WO2021242010A1 - 학습 모델 기반의 아토피 피부염 관리 장치 및 그 방법 - Google Patents

학습 모델 기반의 아토피 피부염 관리 장치 및 그 방법 Download PDF

Info

Publication number
WO2021242010A1
WO2021242010A1 PCT/KR2021/006550 KR2021006550W WO2021242010A1 WO 2021242010 A1 WO2021242010 A1 WO 2021242010A1 KR 2021006550 W KR2021006550 W KR 2021006550W WO 2021242010 A1 WO2021242010 A1 WO 2021242010A1
Authority
WO
WIPO (PCT)
Prior art keywords
patient
atopic dermatitis
atopic
factor
learning model
Prior art date
Legal status (The legal status 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 status listed.)
Ceased
Application number
PCT/KR2021/006550
Other languages
English (en)
French (fr)
Inventor
신재용
오주영
이상은
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Industry Academic Cooperation Foundation of Yonsei University
Original Assignee
Industry Academic Cooperation Foundation of Yonsei University
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 Industry Academic Cooperation Foundation of Yonsei University filed Critical Industry Academic Cooperation Foundation of Yonsei University
Priority to US17/927,760 priority Critical patent/US20230320653A1/en
Publication of WO2021242010A1 publication Critical patent/WO2021242010A1/ko
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/44—Detecting, measuring or recording for evaluating the integumentary system, e.g. skin, hair or nails
    • A61B5/441—Skin evaluation, e.g. for skin disorder diagnosis
    • A61B5/445—Evaluating skin irritation or skin trauma, e.g. rash, eczema, wound, bed sore
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/41—Detecting, measuring or recording for evaluating the immune or lymphatic systems
    • A61B5/411—Detecting or monitoring allergy or intolerance reactions to an allergenic agent or substance
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/486—Biofeedback
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • 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
    • A61B5/74—Details of notification to user or communication with user or patient; User input means
    • A61B5/7465—Arrangements for interactive communication between patient and care services, e.g. by using a telephone network
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration or pH-value ; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid or cerebral tissue
    • A61B5/14546—Measuring characteristics of blood in vivo, e.g. gas concentration or pH-value ; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid or cerebral tissue for measuring analytes not otherwise provided for, e.g. ions, cytochromes
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
    • 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
    • A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms

Definitions

  • the present invention relates to a learning model-based atopic dermatitis management apparatus and method, and more particularly, a learning model-based atopic dermatitis management apparatus capable of predicting and providing atopic state based on basic data collected in response to a patient. and to a method therefor.
  • Atopic dermatitis is an inflammatory disease of the immune system accompanied by chronic itching and eczematous lesions in specific areas according to age. Although it is discussed according to epidemiological studies, there is a report that 10-20% of patients in school age have symptoms of atopic dermatitis. Even into adulthood, 10% of atopic patients progress to adult atopic dermatitis, in which the lesion continues, itching continues, and the skin becomes lichenoid.
  • Atopic dermatitis repeats exacerbation and improvement, adversely affecting the quality of life of patients.
  • the quality of life of patients with severe atopic dermatitis appeared to be at the level of hearing and visual impairments, and patients with severe atopic dermatitis reported that they suffered from sleep disturbance in which they could not fall asleep due to itchiness for an average of 4 days a week.
  • a decrease in quality of life is linked to the psychiatric symptoms of atopic dermatitis patients. Since atopic dermatitis patients repeat improvement and exacerbation of symptoms, a system should be established that can promptly seek professional treatment when necessary.
  • a recent topic in the health care system is to establish policies that maximize value.
  • the value is a factor that considers both the amount of input resources and the health outcomes that are produced, and if the same result is obtained, it means that a high-quality health level is achieved with as much as possible preventive treatment and minimum resource input. Therefore, a value-based medical management platform that prevents the severity of atopic patients from becoming severe and provides a way to self-regulate the symptoms is required.
  • An object of the present invention is to provide an apparatus and method for managing atopic dermatitis based on a learning model capable of predicting deterioration of atopic dermatitis by applying basic data collected in response to a patient to a pre-trained learning model.
  • the present invention relates to a method for managing atopic dermatitis using an atopic dermatitis management device, the patient's daily life factors, biometric information factors, mental health factors, skin condition factors, weather-related environmental factors, and the patient's medical record-based atopic severity
  • N is an integer greater than or equal to 2
  • the detailed variables for each factor for the patient collected at the first time and the atopic severity index of the patient collected at the second time elapsed time T1 from the first time can be learned by applying to the learning model.
  • the predicting step applies the effective variables for each factor among the basic data collected corresponding to the analysis target patient at the current time point to the pre-learned learning model, and the corresponding analysis target at a future time point T1 from the present. It is possible to predict the future atopic severity index of a patient.
  • the atopic dermatitis management method further includes the step of feeding back a treatment strategy related to at least one of a customized topical application, maintenance therapy, and hospital visit recommendation corresponding to the predicted result to the user terminal of the corresponding patient along with the predicted result.
  • a treatment strategy related to at least one of a customized topical application, maintenance therapy, and hospital visit recommendation corresponding to the predicted result to the user terminal of the corresponding patient along with the predicted result.
  • the basic data may be collected through a user terminal corresponding to a patient, a hospital server storing the patient's medical information, and a weather server providing location-based weather information.
  • the method for managing atopic dermatitis further comprises the step of providing a plurality of educational contents for improving atopic dermatitis through a user terminal of the patient to the patient for which the basic data is collected, step by step, wherein the educational contents include: , Cognitive correction content, an educational program that corrects the patient's erroneous perception of atopic dermatitis by providing basic knowledge related to atopic dermatitis during a set period, and questionnaire and responses presented to the patient after completion of the cognitive correction content
  • the automatic thinking improvement content which is an educational program that improves negative thinking that has a negative impact on daily life and disease course, and provided for a set period after completion of the automatic thinking improvement content, meditation education for patient mindfulness and It may include behavior correction content that is an educational program for training.
  • the present invention is data that collects basic data including daily life factors, biometric information factors, mental health factors, skin condition factors, weather-related environmental factors, and atopic severity index based on the patient's medical record for each hour.
  • a determination unit that determines a reference value of a weight for selecting a detailed variable of (N is an integer greater than or equal to 2) as an effective variable, and selects at least N effective variables corresponding to a weight greater than or equal to the reference value for each factor, and selects the selected effective variables
  • a model reconstruction unit that reconstructs the learning model based on the model reconstruction unit, and the basic data currently collected through the data collection unit in response to the analysis target patient is applied to the reconstructed learning model to predict the atopic severity index for the analysis target patient may include wealth.
  • model learning unit applies detailed variables for each factor for the patient collected at the first time and the atopic severity index of the patient collected at the second time elapsed from the first time T1 to the learning model. can learn
  • the prediction unit applies the effective variables for each factor among the basic data collected in response to the analysis target patient at the current time point to the pre-learned learning model, the analysis target patient at a future point in time T1 has elapsed from the present time.
  • the future atopic severity index can be predicted.
  • the atopic dermatitis management device further includes an alarm unit that feeds back a treatment strategy related to at least one of a customized topical application, maintenance therapy, and hospital visit recommendation corresponding to the predicted result to the user terminal of the corresponding patient along with the predicted result.
  • a treatment strategy related to at least one of a customized topical application, maintenance therapy, and hospital visit recommendation corresponding to the predicted result to the user terminal of the corresponding patient along with the predicted result.
  • the atopic dermatitis management apparatus further comprises a content providing unit for providing step by step a plurality of educational contents for improving atopic dermatitis through a user terminal of the patient to the patient for which the basic data is collected, the educational contents Cognitive correction content, an educational program that corrects the patient's erroneous perception of atopic dermatitis by providing basic knowledge related to atopic dermatitis during a set period, is provided for a set period after completion of the cognitive correction content, and the questionnaire presented to the patient meditation education for mindfulness provided for a set period after completion of automatic thinking improvement content, an educational program that improves negative thinking that has a negative impact on daily life and disease course based on responses, and the automatic thinking improvement content It may include behavior correction content, which is an educational program for overtraining.
  • the present invention by applying the basic data collected in response to the patient to the pre-learned learning model, it is possible to predict and manage the worsening of the condition and symptoms of atopic dermatitis for the patient, and a customized treatment strategy based on the prediction result It provides the advantage of presenting
  • the present invention induces improvement of symptoms and prevention of exacerbation of atopic dermatitis by providing a mobile app interaction-based atopic dermatitis management platform for cognitive behavior-based atopic management, mental health management, and stress management, and improves the lives of atopic patients. It can contribute to improving the quality.
  • FIG. 1 is a view showing a system for managing atopic dermatitis according to an embodiment of the present invention.
  • FIG. 2 is a view showing the configuration of the atopic dermatitis management apparatus shown in FIG. 1 .
  • FIG. 3 is a view for explaining a method for managing atopic dermatitis using FIG. 2 .
  • FIG. 4 is a diagram illustrating a principle of application of a learning model according to an embodiment of the present invention.
  • FIG. 5 is a view for explaining cognitive correction content according to an embodiment of the present invention.
  • FIG. 6 is a view for explaining the automatic thinking improvement content according to an embodiment of the present invention.
  • FIG. 7 is a view for explaining behavior correction content according to an embodiment of the present invention.
  • FIG. 1 is a view showing a system for managing atopic dermatitis according to an embodiment of the present invention.
  • the atopic dermatitis management system includes an atopic dermatitis management apparatus 100 , a user terminal 200 , a hospital server 300 , and a weather server 400 , and each other in a wired/wireless network They are connected and communicate, and mutual information can be sent and received.
  • the wireless network may include at least one of RF, WLAN, Wi-Fi, and Bluetooth, and various known wireless network methods may be used.
  • the atopic dermatitis management apparatus 100 may be a server itself for atopic dermatitis management, or may be an application implemented in software on a device such as the user terminal 200 .
  • the server or application may provide a corresponding service to authenticated users through membership registration or input of personal information.
  • the user terminal 200 may be network-connected to the atopic dermatitis management apparatus 100 while the application is running to provide a related service.
  • the user terminal 200 may refer to a device capable of exchanging information by accessing a network, such as a PC, a tablet, a notebook, a pad, and a smart phone.
  • a device with a built-in wireless function such as a smart phone, notebook, pad, etc.
  • the function provided by the device 100 of the present invention may be provided on the corresponding device in the form of a mobile application.
  • the user terminal 200 may correspond to a patient-side terminal, or may correspond to a health care provider-side terminal belonging to a medical institution such as a hospital. In the latter case, when a patient visits a hospital, a medical practitioner can execute the process related to the atopic dermatitis management service on behalf of the patient and perform treatment, consultation, prescription, treatment, and prognosis management according to the result.
  • the hospital server 300 may manage the medical information (medical information DB) including the patient's personal information (age, gender, etc.), medical records for the past several months, various examination information, prescription information, atopic severity index, and the like.
  • the various test information may include an allergy level (IgE test value), a skin prick test result, a multiple allergen test (MAST) result, and the like.
  • the hospital server 300 may provide the patient's biometric information factors including the patient's age, gender, IgE level, skin prick test result, and multiple allergen test result.
  • the hospital server 300 continuously monitors medical records, prescription history, incurred medical expenses, etc. based on dermatologist treatment as major monitoring indicators based on the medical information DB, and whether symptoms worsen, systemic drug use, topical drugs, etc. It is possible to manage the history of use, drug strength, dose, medication adherence, continuous outpatient visit rate, moisturizer prescription, and severity.
  • the hospital server 300 may operate in conjunction with or include an electronic medical record (EMR), a prescription delivery system (OCS), and a medical image storage and transmission system (PACS), and based on this, various types of patient-related Information can be collected and integrated, and related information for each patient can be matched and managed.
  • EMR electronic medical record
  • OCS prescription delivery system
  • PES medical image storage and transmission system
  • the weather server 400 provides location information (GPS)-based weather information.
  • the weather server 400 may provide weather-related environmental factors, including humidity, temperature, fine dust, pollen allergy, pollen concentration risk index, UV index, asthma lung disease possibility index, heat index, and the like in response to the user's location.
  • the user terminal 200 receives registration of basic information from the patient while the mobile app is running and transmits it to the atopic dermatitis management apparatus 100 .
  • the basic information includes a daily life factor, a mental health factor, and a skin condition factor related to the patient, and is included in the basic survey data of the patient.
  • daily life factors consist of metabolic equivalent (MET), body mass index (BMI), metal exposure (eg glasses, metals), occupation (exposed substances, exposure intensity), UV exposure time, atopic dietary information, etc.
  • Mental health factors may include the patient's stress level, insomnia symptom scale, depressive symptom scale, anxiety symptom scale, history of taking psychiatric medications, and whether or not to consult a psychiatrist.
  • skin status factors include lesion distribution (area), lesion location (recurring location), erythema/excessive/lichenification degree, generalized dryness itch level, atopic dermatitis exacerbation factor, exacerbation and recurrence pattern (based on clinical course), etc. may be included.
  • the mobile app running on the user terminal 200 may provide a menu for input of the above-described basic information, and may provide functions such as a questionnaire, question and answer, and photo taking for the convenience of the user to input information.
  • the user terminal 200 may receive basic information input at the start of a session of the corresponding app twice a week or from time to time, and may provide a pop-up notification inducing information input. In addition, when inputting basic information, it is possible to receive self-evaluation data within 2 minutes by dividing it into a skin health area and a mental health area.
  • FIG. 2 is a view showing the configuration of the apparatus for managing atopic dermatitis shown in FIG. 1
  • FIG. 3 is a view illustrating a method for managing atopic dermatitis using FIG. 2 .
  • the apparatus 100 for managing atopic dermatitis includes a data collection unit 110 , a model learning unit 120 , a determining unit 130 , and a model reconstruction unit 140 . , a prediction unit 150 , an alarm unit 160 , and a content providing unit 170 .
  • the data collection unit 110 relates to the patient's daily life factor (A), biometric information factor (B), mental health factor (C), skin condition factor (D), weather-related environmental factor (E), and the patient Collects basic data including the atopic severity index based on medical records for each hour (S310).
  • the data collection unit 110 may construct big data by collecting basic data for a plurality of patients over time.
  • the data collection unit 110 collects basic patient data from the user terminal 200 corresponding to the patient, the hospital server 300 that manages the patient's medical information, and the weather server 400 that provides location-based weather information. can be collected
  • A, C, and D related factors may be collected from the user terminal 200
  • B related factors and atopic severity index may be collected from the hospital server 300
  • E related factors may be collected from the weather server 400 .
  • environment-related data corresponding to the current location may be retrieved by communicating with the weather server 400 on the mobile app executed on the terminal.
  • FIG. 4 is a view for explaining the application principle of a learning model according to an embodiment of the present invention.
  • daily life factors (A) include metabolic equivalent (MET), body mass index (BMI), metal exposure, occupation, UV exposure time, atopic dietary information, and the like.
  • the biometric factor (B) includes the patient's age, sex, IgE level, skin prick test result, multiple allergen test result, and the like.
  • Mental health factors include the patient's stress level, insomnia symptom scale, depressive symptom scale, anxiety symptom scale, history of taking psychiatric medications, and whether or not to consult a psychiatrist.
  • the skin condition factor (D) includes lesion distribution, lesion location, erythema/excess/lichenification degree, general dryness and itchiness, atopic dermatitis exacerbation factors, exacerbation and recurrence patterns, and the like.
  • Weather-related environmental factors include humidity, temperature, fine dust, pollen concentration risk index, UV index, asthma lung disease potential index, heat index, and the like.
  • the detailed variable for each factor collected in response to the patient and the corresponding atopic severity index are used for learning the learning model.
  • the model learning unit 120 learns the weight applied to each detailed variable by applying the relationship between the detailed variables included for each factor A to E and the corresponding atopic severity index to the learning model (S320).
  • the model learning unit 120 learns a weight for each variable by using about 30 detailed variables collected in response to a patient.
  • learning may be performed using the learning model of Equation 1 below.
  • X i is the i-th variable
  • ⁇ i is the i-th weight (coefficient) applied to the i-th variable
  • ⁇ is the error between the atopic index (Y) predicted through the model of Equation 1 and the actual atopic severity index of the patient Indicates the correction factor.
  • This ⁇ is an error/residual, and is a correction value for correcting the difference between the predicted Y and the actual atopic severity index.
  • the model learning unit 120 estimates a weight ( ⁇ ) for each variable by machine learning analysis of a relationship between 30 independent variables collected in response to a patient and a Y value predicted corresponding thereto.
  • the model learning unit 120 learns the model according to Equation 1 using 30 independent variables collected in response to a patient and an actual atopic severity index corresponding thereto. In this case, the model learning unit 120 may adjust each weight value and repeatedly learn until the error ⁇ falls below the set threshold to finally determine the weight value ⁇ i .
  • the current atopic severity index can be predicted in response to the current collected data of the patient to be analyzed, but after a set period from the present in response to the current collected data (eg, after 1 week) ) can also predict the atopic severity index.
  • the model when training the model, it is enough to learn by using the patient's main factors (30 variables) and severity index collected at the same first time point as training data.
  • the patient's main factors (including 30 variables) collected at the first time point and the atopic severity index of the patient collected at the second time point with a lag therefrom may be used as training data.
  • the model learning unit 120 determines the detailed variables for each factor for the patient collected at the first time and the second time T1 time (eg, 1 week) has elapsed from the first time for the same patient.
  • a learning model can be trained using the observed atopic severity index as training data.
  • the present severity index and the severity index prediction result after 1 week are provided together, so that the deterioration or improvement from the present can be predicted in advance.
  • the determination unit 130 determines a reference value of a weight for selecting at least N (N is an integer of 2 or more) detailed variables per individual factor as effective variables (S330).
  • a variable with a lower weight corresponds to a variable with lower importance in the learning model.
  • a threshold value for allowing at least N (eg, 3) detailed variables to be reflected in the learning model for each factor is determined. .
  • the determiner 130 determines a reference value (threshold value) for selecting at least three detailed variables for each factor as effective variables. Through this reference value, at least three variables for each factor can be taken as effective variables while excluding variables whose weight is smaller than the reference value.
  • the model reconstruction unit 140 selects at least N effective variables corresponding to weights greater than or equal to the reference value for each factor by using the determined reference value (S340), and reconstructs the learning model based on the selected effective variables (S350) .
  • the model reconfiguration unit 140 reconstructs the learning model only with significant variables (effective variables) whose weight is greater than or equal to a threshold.
  • step S340 at least three variables are selected for each factor according to the previously determined reference value.
  • the number of variables selected for each factor may be the same or different.
  • the reason for reconstructing the model in this way is to exclude variables with a weight less than a threshold from the variable items necessary for prediction, since they can be viewed as factors having little relevance to the change in atopic symptoms.
  • the model can be lightened and the computational efficiency and speed of the processor can be improved.
  • it may include a process of further fine-adjusting weights for the effective variables by performing re-learning on the model reconstructed with the effective variables. That is, the reconstructed model can be retrained by applying the effective variable value corresponding to the patient and the atopic severity index to the reconstructed model.
  • the atopic severity index of the patient can be derived only by applying the collected basic data for a given patient to the corresponding learning model.
  • the prediction unit 150 applies the currently collected basic data (effective variables for each factor A to E) in response to the analysis target patient to the reconstructed learning model to predict the atopic severity index for the analysis target patient (S360).
  • the prediction unit 150 derives the atopic severity index corresponding to the value of each variable (X i ) in the learning model by substituting the effective variables for each factor collected in response to the patient to be analyzed at the current time point. to provide.
  • the atopic severity index at the current time may be derived in response to the currently collected data of the patient to be analyzed, or the atopic severity index may be provided after one week has elapsed.
  • the prediction unit 150 applies the effective variables for each factor collected corresponding to the patient to be analyzed at the current time point to the learning model, and the corresponding analysis at a future time point T1 (eg, one week) has elapsed from the present time. It is possible to predict the future atopic severity index of the target patient. In addition, by comparing the predicted severity index with the current severity index of the patient, it is also possible to determine whether symptoms worsen or improve.
  • the alarm unit 160 notifies the prediction result and the corresponding treatment strategy (customized topical application agent, maintenance therapy, hospital visit recommendation, etc.) by feeding back to the user terminal 200 of the patient side (S370).
  • the corresponding treatment strategy customized topical application agent, maintenance therapy, hospital visit recommendation, etc.
  • the user terminal 200 when the user terminal 200 receives the corresponding alarm, it can notify the corresponding information in the form of a pop-up, etc., and through this, notifies the predicted result of the condition and worsening of symptoms of atopic dermatitis, and guides a customized treatment strategy based thereon can do it
  • the present invention can provide digital educational content that can help improve symptoms of atopic dermatitis.
  • the content providing unit 170 may provide a plurality of educational content for the improvement of atopic dermatitis to the patient for whom the basic data is collected in stages through the user terminal of the patient. For example, when basic data is input from a patient in the mobile app environment of the user terminal 200 , a prediction result may be provided based on the feedback, or additional educational content may be provided.
  • the educational content includes cognitive correction content, automatic thinking improvement content, and behavior correction content, and each content may consist of a training course of a set period (eg, 4 weeks).
  • the content providing unit 170 sequentially provides these cognitive correction content (step 1), automatic thinking improvement content (step 2) and behavior correction content (step 3), and after completing the education content of the previous step, the educational content of the next step can provide
  • FIG. 5 is a view for explaining cognitive correction content according to an embodiment of the present invention.
  • the cognitive correction content corresponds to an educational program that provides basic knowledge related to atopic dermatitis and corrects the patient's erroneous perception of atopic dermatitis based on cognitive behavioral treatment.
  • individual training contents for each session are included in detail.
  • Each session has a common flow, and may include a current status check, education, quiz, and incentive grant process. Through this, it is possible to acquire new knowledge and improve false cognition.
  • FIG. 6 is a view for explaining the automatic thinking improvement content according to an embodiment of the present invention.
  • the automatic thinking improvement content corresponds to an educational program that conducts training to improve negative thinking that has a negative impact on daily life and disease course based on the questionnaire and responses presented to the patient.
  • the automatic thinking improvement program consists of sections related to insomnia, depression, anxiety, exposure and reaction prevention, and includes automatic thinking improvement training for each session.
  • by identifying errors in past experiences and suggesting orientation for common cognitive distortions it is possible to find core cognitive distortions associated with negative automatic thinking.
  • FIG. 7 is a view for explaining behavior correction content according to an embodiment of the present invention.
  • the behavior correction content corresponds to an educational program for meditation education and training for patient mindfulness as a final step. Through this mindfulness, it is possible to manage stress through mindfulness meditation and training while continuing to practice behavior correction.
  • the present invention by applying the basic data collected in response to the patient to the pre-learned learning model, it is possible to predict and manage the worsening of the condition and symptoms of atopic dermatitis for the patient, and based on the prediction result, It provides the advantage of suggesting a customized treatment strategy.

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Primary Health Care (AREA)
  • Veterinary Medicine (AREA)
  • Tourism & Hospitality (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Artificial Intelligence (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Epidemiology (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Databases & Information Systems (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Operations Research (AREA)
  • Educational Technology (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)

Abstract

본 발명은 학습 모델 기반의 아토피 피부염 관리 장치 및 그 방법을 제공한다. 본 발명에 따른 아토피 피부염 관리 방법은, 환자의 일상생활 인자, 생체정보 인자, 정신건강 인자, 피부현황 인자, 날씨관련 환경 인자, 그리고 환자의 의무기록 기반의 아토피 중증도 지수를 포함한 기초 데이터를 시간 별로 수집하는 단계, 복수의 인자에 대한 각각의 세부 변수와 아토피 중증도 지수 간의 관계를 학습 모델에 적용하여 세부 변수 별 가중치를 학습하는 단계, 각 인자당 적어도 N개(N은 2 이상의 정수)의 세부 변수를 유효 변수로 선정하기 위한 가중치의 기준값을 결정하는 단계, 인자 별로 기준값 이상의 가중치에 해당한 적어도 N개의 유효 변수를 선택하여 학습 모델을 재구성하는 단계, 및 분석 대상 환자의 현재 수집된 기초 데이터를 재구성된 학습 모델에 적용하여 아토피 중증도 지수를 예측하는 단계를 포함한다.

Description

학습 모델 기반의 아토피 피부염 관리 장치 및 그 방법
본 발명은 학습 모델 기반의 아토피 피부염 관리 장치 및 그 방법에 관한 것으로서, 보다 상세하게는 환자에 대응하여 수집된 기초 데이터를 기반으로 아토피 상태를 예측하여 제공할 수 있는 학습 모델 기반의 아토피 피부염 관리 장치 및 그 방법에 관한 것이다.
아토피 피부염은 연령대에 따른 특정 부위의 습진성 병변, 만성 가려움증을 동반하는 면역계의 염증성 질환이다. 역학 연구에 따라 상의하나, 학동기 연령에서 10~20%의 환자가 아토피 피부염 증상을 가진다는 보고가 있다. 성인이 되어도 아토피 환자의 10%는 계속 병변이 지속되어 가려움증이 지속되고 피부가 태선화되는 성인 아토피 피부염으로 진행한다.
아토피 피부염은 악화와 호전을 반복하면서 환자들의 삶의 질에 악영향을 준다. 국내 만 19세 이상 60세 미만 일반인 155명을 대상으로 한 중증 아토피 피부염 환자의 삶의 질에 대한 인식조사 결과, 중증 아토피 피부염 환자의 삶의 질은 청각, 시각 장애인 수준으로 나타나며, 중증 아토피피부염 환자는 일주일에 평균 4일을 가려움증으로 인해 잠들지 못하는 수면 장애에 시달리는 것으로 보고되었다.
중증 환자의 63%는 12시간 이상 가려움이 지속되는 경험을 하며, 응답자들은 치료되지 않는 중증 아토피 피부염 환자로 10년을 사는 것보다는 건강하게 3.8년을 살고 6.2년의 삶은 포기하겠다고 답한 바 있다. 이는 청각 또는 시각 장애인의 삶의 질에 따른 기대여명 단축을 분석한 결과(3.9년)와 유사한 수치이다. 반면, 치료가 잘 될 경우 약 1.5년의 삶을 포기하겠다고 답해, 치료 효과 여부에 따라 기대여명에 대한 반응이 크게 달라지는 것으로 보이며, 이로부터 아토피 피부염 치료에 대한 욕구가 간접적으로 매우 강한 것을 확인할 수 있었다.
삶의 질 감소는 아토피 피부염 환자의 정신과적 증상과 연계되는데, 아토피 피부염 환자는 증상의 호전과 악화를 반복하기 때문에, 필요 시 즉각적으로 전문가의 진료를 받을 수 있는 시스템이 구축되어야 한다.
최근 보건의료체계의 화두는 가치(value)를 극대화하는 정책을 수립하는 것이다. 여기서 가치는 투입되는 자원의 양과 산출되는 건강 결과를 모두 고려한 요소이며, 같은 결과를 얻게 된다면 가급적 예방적 처치, 최소한의 자원 투입으로 양질의 건강 수준을 달성함을 의미한다. 따라서 아토피 환자의 심각도가 중증도로 가지 않게 막아주면서 증상을 스스로 조절하는 방안을 마련하는 가치 기반의 의료 관리 플랫폼이 요구된다.
본 발명의 배경이 되는 기술은 한국공개특허 제2019-0083928호(2019.07.15 공개)에 개시되어 있다.
본 발명은 환자에 대응하여 수집된 기초 데이터를 미리 학습된 학습 모델에 적용하여 아토피 피부염의 상태 악화를 예측할 수 있는 학습 모델 기반의 아토피 피부염 관리 장치 및 그 방법을 제공하는데 목적이 있다.
본 발명은, 아토피 피부염 관리 장치를 이용한 아토피 피부염 관리 방법에 있어서, 환자에 관한 일상 생활 인자, 생체 정보 인자, 정신 건강 인자, 피부 현황 인자, 날씨 관련 환경 인자, 그리고 환자의 의무 기록 기반의 아토피 중증도 지수를 포함한 기초 데이터를 시간 별로 수집하는 단계와, 복수의 인자에 대한 각각의 세부 변수와 그에 대응하는 상기 아토피 중증도 지수 간의 관계를 학습 모델에 적용하여 상기 세부 변수 별 적용되는 가중치를 학습하는 단계와, 개별 인자당 적어도 N개(N은 2 이상의 정수)의 세부 변수를 유효 변수로 선정하기 위한 가중치의 기준값을 결정하는 단계와, 상기 인자 별로 상기 기준값 이상의 가중치에 해당한 적어도 N개의 유효 변수를 선택하여, 선택한 유효 변수들을 기반으로 상기 학습 모델을 재구성하는 단계, 및 분석 대상 환자에 대응하여 현재 수집된 기초 데이터를 상기 재구성된 학습 모델에 적용하여 분석 대상 환자에 대한 아토피 중증도 지수를 예측하는 단계를 포함하는 아토피 피부염 관리 방법을 제공한다.
또한, 상기 세부 변수 별 가중치를 학습하는 단계는, 제1 시간에 수집된 환자에 대한 각 인자별 세부 변수들과 상기 제1 시간으로부터 T1 시간 경과된 제2 시간에 수집된 환자의 아토피 중증도 지수를 상기 학습 모델에 적용하여 학습할 수 있다.
또한, 상기 예측하는 단계는, 현재 시점에서 분석 대상 환자에 대응하여 수집된 기초 데이터 중 각 인자별 유효 변수들을 기 학습된 학습 모델에 적용하여, 현재로부터 T1 시간 경과된 미래 시점에서의 해당 분석대상 환자의 향후 아토피 중증도 지수를 예측할 수 있다.
또한, 상기 아토피 피부염 관리 방법은, 상기 예측한 결과에 대응하는 맞춤형 국소 도포제, 유지 요법, 병원 방문 권유 중 적어도 하나에 관한 치료 전략을 예측 결과와 함께 해당 환자 측의 사용자 단말로 피드백하는 단계를 더 포함할 수 있다.
또한, 상기 기초 데이터는, 환자에 대응한 사용자 단말, 환자의 의료 정보를 저장한 병원 서버, 위치 기반의 날씨 정보를 제공하는 날씨 서버를 통하여 수집될 수 있다.
또한, 상기 아토피 피부염 관리 방법은, 상기 기초 데이터가 수집된 환자를 대상으로 해당 환자의 사용자 단말을 통하여 아토피 피부염 개선을 위한 복수의 교육 컨텐츠를 단계적으로 제공하는 단계를 더 포함하며, 상기 교육 컨텐츠는, 설정 기간 동안 아토피 피부염 관련 기본 지식을 제공하여 아토피 피부염에 대한 환자의 잘못된 인지를 교정하는 교육 프로그램인 인지 교정 컨텐츠, 상기 인지 교정 컨텐츠의 이수 후 설정 기간 동안 제공되고, 환자에게 제시한 설문과 응답을 기초로 일상 생활과 질환 경과에 부정적인 영향을 미치는 부정적 사고를 개선하는 교육 프로그램인 자동적 사고 개선 컨텐츠, 및 상기 자동적 사고 개선 컨텐츠의 이수 후 설정 기간 동안 제공되고, 환자의 마음 챙김을 위한 명상 교육과 훈련을 위한 교육 프로그램인 행동 교정 컨텐츠를 포함할 수 있다.
그리고, 본 발명은, 환자에 관한 일상 생활 인자, 생체 정보 인자, 정신 건강 인자, 피부 현황 인자, 날씨 관련 환경 인자, 그리고 환자의 의무 기록 기반의 아토피 중증도 지수를 포함한 기초 데이터를 시간 별로 수집하는 데이터 수집부와, 복수의 인자에 대한 각각의 세부 변수와 그에 대응하는 상기 아토피 중증도 지수 간의 관계를 학습 모델에 적용하여 상기 세부 변수 별 적용되는 가중치를 학습하는 모델 학습부와, 개별 인자당 적어도 N개(N은 2 이상의 정수)의 세부 변수를 유효 변수로 선정하기 위한 가중치의 기준값을 결정하는 결정부와, 상기 인자 별로 상기 기준값 이상의 가중치에 해당한 적어도 N개의 유효 변수를 선택하여, 선택한 유효 변수들을 기반으로 상기 학습 모델을 재구성하는 모델 재구성부, 및 분석 대상 환자에 대응하여 상기 데이터 수집부를 통해 현재 수집된 기초 데이터를 상기 재구성된 학습 모델에 적용하여 분석 대상 환자에 대한 아토피 중증도 지수를 예측하는 예측부를 포함할 수 있다.
또한, 상기 모델 학습부는, 제1 시간에 수집된 환자에 대한 각 인자별 세부 변수들과 상기 제1 시간으로부터 T1 시간 경과된 제2 시간에 수집된 환자의 아토피 중증도 지수를 상기 학습 모델에 적용하여 학습할 수 있다.
또한, 상기 예측부는, 현재 시점에서 분석 대상 환자에 대응하여 수집된 기초 데이터 중 각 인자별 유효 변수들을 기 학습된 학습 모델에 적용하여, 현재로부터 T1 시간 경과된 미래 시점에서의 해당 분석대상 환자의 향후 아토피 중증도 지수를 예측할 수 있다.
또한, 상기 아토피 피부염 관리 장치는, 상기 예측한 결과에 대응하는 맞춤형 국소 도포제, 유지 요법, 병원 방문 권유 중 적어도 하나에 관한 치료 전략을 예측 결과와 함께 해당 환자 측의 사용자 단말로 피드백하는 알람부를 더 포함할 수 있다.
또한, 상기 아토피 피부염 관리 장치는, 상기 기초 데이터가 수집된 환자를 대상으로 해당 환자의 사용자 단말을 통하여 아토피 피부염 개선을 위한 복수의 교육 컨텐츠를 단계적으로 제공하는 컨텐츠 제공부를 더 포함하며, 상기 교육 컨텐츠는, 설정 기간 동안 아토피 피부염 관련 기본 지식을 제공하여 아토피 피부염에 대한 환자의 잘못된 인지를 교정하는 교육 프로그램인 인지 교정 컨텐츠, 상기 인지 교정 컨텐츠의 이수 후 설정 기간 동안 제공되고, 환자에게 제시한 설문과 응답을 기초로 일상 생활과 질환 경과에 부정적인 영향을 미치는 부정적 사고를 개선하는 교육 프로그램인 자동적 사고 개선 컨텐츠, 및 상기 자동적 사고 개선 컨텐츠의 이수 후 설정 기간 동안 제공되고, 환자의 마음 챙김을 위한 명상 교육과 훈련을 위한 교육 프로그램인 행동 교정 컨텐츠를 포함할 수 있다.
본 발명에 따르면, 환자에 대응하여 수집된 기초 데이터를 기 학습된 학습 모델에 적용하는 것을 통하여 환자에 대한 아토피 피부염의 상태와 증상 악화를 예측하고 관리할 수 있으며, 예측 결과를 기초로 맞춤형 치료 전략을 제시해 줄 수 있는 이점을 제공한다.
또한, 이러한 본 발명은 인지행동 기반의 아토피 관리, 정신 건강 관리, 스트레스 관리를 위한 모바일 앱 상호 작용 기반의 아토피 피부염 관리 플랫폼을 제공함으로써 아토피 피부염의 증상 호전과 악화 방지를 유도하고 아토피 환자의 삶의 질을 개선하는데 기여할 수 있다.
도 1은 본 발명의 실시예에 따른 아토피 피부염 관리 시스템을 나타낸 도면이다.
도 2는 도 1에 도시된 아토피 피부염 관리 장치의 구성을 나타낸 도면이다.
도 3은 도 2을 이용한 아토피 피부염 관리 방법을 설명하는 도면이다.
도 4는 본 발명의 실시예에 따른 학습 모델의 적용 원리를 설명한 도면이다.
도 5는 본 발명의 실시예에 따른 인지 교정 컨텐츠를 설명하는 도면이다.
도 6은 본 발명의 실시예에 따른 자동적 사고 개선 컨텐츠를 설명하는 도면이다.
도 7은 본 발명의 실시예에 따른 행동 교정 컨텐츠를 설명하는 도면이다.
그러면 첨부한 도면을 참고로 하여 본 발명의 실시 예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
도 1은 본 발명의 실시예에 따른 아토피 피부염 관리 시스템을 나타낸 도면이다.
도 1을 참조하면, 본 발명의 실시예에 따른 아토피 피부염 관리 시스템은 아토피 피부염 관리 장치(100), 사용자 단말(200), 병원 서버(300) 및 날씨 서버(400)를 포함하며, 서로 유무선 네트워크 연결되어 통신하며, 상호 정보를 송수신 할 수 있다.
이하에서는 주로 무선 네트워크를 예시하지만, 무선, 유선 또는 유무선 결합 네트워크를 사용할 수도 있다. 무선 네트워크는 RF, WLAN, Wi-Fi, 블루투스 방식 중 적어도 하나를 포함할 수 있으며 공지된 다양한 무선 네트워크 방식을 사용할 수 있다.
아토피 피부염 관리 장치(100)은 아토피 피부염 관리를 위한 서버 그 자체일 수 있고, 사용자 단말(200) 등의 장치 상에 소프트웨어적으로 구현되는 어플리케이션(Application)일 수 있다. 서버 혹은 어플리케이션은 회원 가입이나 개인 정보 입력 등을 통하여, 인증된 사용자들에게 해당 서비스를 제공할 수 있다. 사용자 단말(200)은 어플리케이션이 실행된 상태에서 아토피 피부염 관리 장치(100)와 네트워크 접속되어 관련 서비스를 제공할 수 있다.
사용자 단말(200)은 PC, 태블릿(Tablet), 노트북(Notebook), 패드(Pad), 스마트폰(Smart Phone) 등과 같이 네트워크에 접속하여 정보를 주고받을 수 있는 기기를 의미할 수 있다. 여기서, 무선 기능을 내장한 기기(스마프폰, 노트북, 패드 등)의 경우 본 발명의 장치(100)에서 제공하는 기능을 해당 기기 상에 모바일 앱(Mobile Application)의 형태로 제공할 수 있다.
여기서 사용자 단말(200)은 환자 측 단말에 해당될 수도 있지만, 병원 등의 의료 기관에 소속된 의료인 측 단말에 해당될 수도 있다. 후자의 경우 환자 내원 시에 의료인이 환자를 대신하여 아토피 피부염 관리 서비스와 관련한 프로세스를 실행시키고 해당 결과에 따라 진료, 상담, 처방, 치료 및 예후 관리를 수행할 수 있다.
병원 서버(300)는 환자의 개인 정보(연령, 성별 등), 과거 수개월 간의 진료 기록, 각종 검사 정보, 처방 정보, 아토피 중등도 지수 등을 포함한 의료 정보(의료정보 DB)를 관리할 수 있다. 여기서, 각종 검사 정보는 알레르기 수치(IgE test 수치), 피부 단자 검사(skin prick test) 결과, 다중 알레르기 항원 검사(MAST) 결과 등을 포함할 수 있다.
병원 서버(300)는 환자의 연령, 성별, IgE 수치, 피부 단자 검사 결과, 다중 알레르기 항원 검사 결과를 포함한 환자의 생체 정보 인자를 제공할 수 있다.
또한 병원 서버(300)는 의료정보 DB 기반의 주요 모니터링 지표로 피부과 전문의 진료에 기반을 둔 의무기록, 처방 내역, 발생 의료비 등을 지속적으로 모니터링하며, 증상 악화 여부, 전신적 약물 사용, 국소적 약물 사용, 약물별 강도, 용량, 복약 순응도, 지속적 외래 방문률, 보습제 처방, 중증도 등의 이력을 관리할 수 있다.
이러한 병원 서버(300)는 전자의무기록(EMR), 처방전달시스템(OCS), 의료영상저장전송시스템(PACS)와 상호 연계되어 동작하거나 이들을 포함하여 구성될 수 있으며, 이를 기반으로 환자와 관련된 각종 정보를 수집 및 통합 관리하고, 각 환자 별로 관련 정보를 서로 매칭하여 관리할 수 있다.
날씨 서버(400)는 위치정보(GPS) 기반의 날씨 정보를 제공한다. 날씨 서버(400)는 사용자 위치에 대응하여, 습도, 기온, 미세먼지, 꽃가루 알러지, 꽃가루 농도 위험지수, 자외선 지수, 천식폐질환 가능지수, 열지수 등을 포함한 날씨 관련 환경 인자를 제공할 수 있다.
사용자 단말(200)은 모바일 앱이 실행된 상태에서 환자로부터 기초 정보를 등록받아 아토피 피부염 관리 장치(100)로 전송한다. 이때, 기초 정보는 해당 환자와 관련한 일상 생활 인자, 정신 건강 인자, 피부 현황 인자를 포함하며, 환자의 기초 조사 데이터에 포함된다.
여기서, 일상 생활 인자는 신진대사 해당치(MET), 체질량 지수(BMI), 금속 노출 여부(예: 안경, 금속), 직업(노출 물질, 노출 강도), 자외선 노출 시간, 아토피 식이 정보 등으로 구성될 수 있다. 정신 건강 인자는 환자의 스트레스 수준, 불면 증상 척도, 우울 증상 척도, 불안 증상 척도, 정신과 관련 약물 복용력, 정신과 상담 여부 등을 포함하여 구성될 수 있다. 그리고, 피부 현황 인자는, 병변 분포(면적), 병변 위치(자주 재발되는 위치), 홍반/진물/태선화 정도, 전신 건조증 가려움 정도, 아토피 피부염 악화 요인, 악화 및 재발 패턴(임상경과 기반) 등을 포함하여 구성될 수 있다.
사용자 단말(200)에 실행되는 모바일 앱은 상술한 기초 정보의 입력을 위한 메뉴를 제공할 수 있고, 사용자의 정보 입력 편의를 위하여 설문, 질의 응답, 사진 촬영 등의 기능을 제공할 수 있다.
사용자 단말(200)은 일주일에 2회 또는 수시로 해당 앱의 세션 시작 시에 기초 정보를 입력받을 수 있고, 정보 입력을 유도하는 팝업 알림을 제공할 수 있다. 또한 기초 정보 입력 시에 피부 건강 영역과 정신 건강 영역으로 나누어 2분 이내로 자가 평가 자료를 입력받을 수 있다.
도 2는 도 1에 도시된 아토피 피부염 관리 장치의 구성을 나타낸 도면이고, 도 3은 도 2을 이용한 아토피 피부염 관리 방법을 설명한 도면이다.
도 2 및 도 3을 참조하면, 본 발명의 실시예에 따른 아토피 피부염 관리 장치(100)는 데이터 수집부(110), 모델 학습부(120), 결정부(130), 모델 재구성부(140), 예측부(150), 알람부(160), 컨텐츠 제공부(170)를 포함한다.
우선, 데이터 수집부(110)는 환자에 관한 일상 생활 인자(A), 생체 정보 인자(B), 정신 건강 인자(C), 피부 현황 인자(D), 날씨 관련 환경 인자(E), 그리고 환자의 의무 기록 기반의 아토피 중증도 지수를 포함한 기초 데이터를 시간 별로 수집한다(S310).
이러한 데이터 수집부(110)는 복수의 환자에 대한 기초 데이터를 시간에 따라 수집하여 빅데이터를 구축할 수 있다.
데이터 수집부(110)는 환자에 대응한 사용자 단말(200), 환자의 의료 정보를 관리하는 병원 서버(300), 그리고 위치 기반의 날씨 정보를 제공하는 날씨 서버(400)로부터 환자의 기초 데이터를 수집할 수 있다.
예를 들어, A, C, D 관련 인자는 사용자 단말(200)로부터, B 관련 인자와 아토피 중증도 지수는 병원 서버(300)로부터, 그리고 E 관련 인자는 날씨 서버(400)로부터 수집할 수 있다. 여기서, E 관련 인자의 경우 단말에 실행된 모바일 앱 상에서 날씨 서버(400)와 통신하여 현재 위치(현재 GPS 위치, 개인 정보 상의 거주지 등)에 대응한 환경 관련 데이터를 불러올 수 있다.
다음은 주요 인자 별 세부 변수를 도 4를 통하여 구체적으로 설명한다.
도 4는 본 발명의 실시예에 따른 학습 모델의 적용 원리를 설명한 도면이다.
도 4에 도시된 것과 같이, 일상 생활 인자(A)는 신진대사 해당치(MET), 체질량 지수(BMI), 금속 노출 여부, 직업, 자외선 노출 시간, 아토피 식이 정보 등을 포함한다. 생체 정보 인자(B)는 환자의 연령, 성별, IgE 수치, 피부 단자 검사 결과, 다중 알레르기 항원 검사 결과 등을 포함한다.
정신 건강 인자(C)는 환자의 스트레스 수준, 불면 증상 척도, 우울 증상 척도, 불안 증상 척도, 정신과 관련 약물 복용력, 정신과 상담 여부 등을 포함한다. 피부 현황 인자(D)는 병변 분포, 병변 위치, 홍반/진물/태선화 정도, 전신 건조증 가려움 정도, 아토피 피부염 악화 요인, 악화 및 재발 패턴 등을 포함한다. 날씨 관련 환경 인자(E)는 습도, 기온, 미세먼지, 꽃가루 농도 위험지수, 자외선 지수, 천식폐질환 가능지수, 열지수 등을 포함한다.
환자에 대응하여 수집된 각 인자 별 세부 변수와 그에 대응된 아토피 중증도 지수는 학습 모델의 학습에 활용된다.
이를 위해, 모델 학습부(120)는 A 부터 E 까지의 각 인자별 포함된 세부 변수와 그에 대응하는 아토피 중증도 지수 간의 관계를 학습 모델에 적용하여 세부 변수 별 적용되는 가중치를 학습한다(S320).
도 4의 경우, 인자의 종류는 크게 5 가지이며, 각 인자의 세부 요소는 총 30가지 정도 존재한다. 따라서 모델 학습부(120)는 환자에 대응하여 수집된 약 30 가지의 세부 변수들을 활용하여 각 변수 별 가중치를 학습한다.
여기서, 아래 수학식 1의 학습 모델을 이용하여 학습을 진행할 수 있다.
Figure PCTKR2021006550-appb-M000001
여기서, Xi는 i번째 변수, ωi는 i번째 변수에 적용되는 i번째 가중치(계수), ε는 수학식 1의 모델을 통해 예측된 아토피 지수(Y)와 환자의 실제 아토피 중증도 지수 간의 오차 보정 계수를 나타낸다. 이러한 ε는 오차/잔차(residual)로서, 예측된 Y와 실제 아토피 중중도 지수 간의 차이로 이를 보정하기 위한 보정치이다.
수학식 1에서 i는 변수의 인덱스로, i={1,…,p}로 표현되고, 이때 p는 학습에 사용된 변수의 종류(개수)에 해당한다. 본 발명의 실시예의 경우 p=30이 된다.
모델 학습부(120)는 환자에 대응하여 수집된 30개의 독립 변수와 그에 대응하여 예측되는 Y 값 간의 관계를 머신 러닝 분석하여 각 변수에 대한 가중치(ω)를 추정한다.
즉, 모델 학습부(120)는 환자에 대응하여 수집된 30개의 독립 변수와 그에 대응하는 실제 아토피 중증도 지수를 이용하여 수학식 1에 의한 모델을 학습한다. 이때, 모델 학습부(120)는 오차 ε가 설정 임계치 이하에 들어올 때까지 각각의 가중치 값을 조정하고 반복 학습하여 가중치(ωi) 값을 최종 결정할 수 있다.
여기서, 이러한 수학식 1의 학습 모델을 이용하면, 분석 대상 환자의 현재 수집 데이터에 대응하여 현재의 아토피 중증도 지수를 예측할 수도 있지만, 현재 수집 데이터에 대응하여 현재로부터 설정 기간 후(예: 1주 후)의 아토피 중증도 지수를 예측할 수도 있다.
전자의 경우, 모델 학습 시에, 동일한 제1 시점에서 수집된 환자의 주요 인자(30개 변수) 및 중증도 지수를 학습 데이터로 사용하여 학습하면 된다. 후자의 경우, 모델 학습 시에, 제1 시점에서 수집된 환자의 주요 인자(30개 변수 포함)와 이로부터 시차를 가진 제2 시점에서 수집된 환자의 아토피 중증도 지수를 학습 데이터로 사용하면 된다.
후자의 경우에는 모델 학습부(120)가 제1 시간에 수집된 환자에 대한 각 인자별 세부 변수들과, 동일 환자에 대해 제1 시간으로부터 T1 시간(예: 1주) 경과된 제2 시간에 관측된 아토피 중증도 지수를 학습 데이터로 사용하여 학습 모델을 학습할 수 있다.
이와 같이 즉, 학습 모델의 Y 값을 어떤 시점의 값으로 사용하느냐에 따라 현재 시점의 아토피 중증도 지수를 도출하는 제1 학습 모델과 미래의 중증도 지수를 도출하는 제2 학습 모델로 구분될 수도 있다. 물론, 이러한 두 가지 학습 모델을 모두 활용하여 현재 중증도 지수 및 1주 후 중증도 지수 예측 결과를 함께 제공하여, 현재로부터의 악화 또는 호전 상황을 사전 예측할 수 있다.
S320 단계를 통한 학습이 완료된 이후, 결정부(130)는 개별 인자당 적어도 N개(N은 2 이상의 정수)의 세부 변수를 유효 변수로 선정하기 위한 가중치의 기준값을 결정한다(S330).
앞서 모델 학습에 따라 p개의 변수에 대응하여 p개의 가중치(ωi; i=1~p)가 도출된다. 여기서 가중치가 낮은 변수일수록 학습 모델에서 중요도가 낮은 변수에 해당한다. 다만, A 내지 E의 각 인자 모두 필요한 인자에 해당하므로, 본 실시예의 경우 각각의 인자마다 최소 N개(예: 3개)의 세부 변수가 학습 모델에 반영될 수 있도록 하기 위한 임계값을 결정한다.
즉, 결정부(130)는 각 인자당 적어도 3개의 세부 변수를 유효 변수로 선정하기 위한 기준값(임계값)을 결정한다. 이러한 기준값을 통해, 가중치가 기준값보다 작은 변수를 배제하면서, 각 인자당 적어도 3개의 변수를 유효 변수로 가져갈 수 있게 된다.
이후, 모델 재구성부(140)는 결정된 기준값을 이용하여, 인자 별로 기준값 이상의 가중치에 해당한 적어도 N개의 유효 변수를 선별하고(S340), 선별된 유효 변수들을 기반으로 학습 모델을 재구성한다(S350).
즉, 모델 재구성부(140)는 가중치가 임계 이상인 유의미한 변수(유효 변수)들만으로 학습 모델을 재구성한다.
이때 S340 단계에서는 앞서 결정된 기준값에 따라, 각 인자 별로 적어도 3개의 변수를 선택하게 되는데, 그 과정에서 인자 마다 선별되는 변수의 개수는 서로 동일할 수도 있고 상이할 수도 있다.
예를 들어, 도 4에서 인자 A에 관한 6가지 변수 중에서 기준값 이상의 가중치를 갖는 변수가 4개라면 이 4개의 변수를 인자 A에 대한 유효 변수로 선정하고, 인자 B에 관한 5개의 변수 중 기준값 이상의 가중치를 갖는 변수가 3개라면 이 3개의 변수를 인자 B에 대한 유효 변수로 선정한다. 또한, 인자 C에 대한 6개의 변수 중 해당 변수가 5개이면 이 5개의 변수를 인자 C에 대한 유효 변수로 선정한다.
이렇게 선정한 유효 변수들로 수학식 1의 모델을 재구성할 경우 변수의 총 개수 p는 학습 시의 30개 보다 작아지게 된다. 따라서 p는 q로 대치될 수 있고 이때 q < p가 된다.
이와 같이 모델을 재구성하는 이유는 임계 미만의 가중치를 가진 변수들의 경우 아토피 증상 변화와 관련도가 적은 요소로 볼 수 있어 예측에 필요한 변수 항목에서 배제하기 위함이다. 물론 이러한 모델 재구성을 통하여 모델이 경량화 되고 프로세서의 연산 효율 및 속도가 향상될 수 있다.
여기서, 본 발명의 경우, 유효 변수들로 재구성된 모델에 대한 재학습을 수행하여 유효 변수들에 대한 가중치를 추가로 미세 조정하는 과정을 포함할 수 있다. 즉, 재구성한 모델에 대해 환자에 대응한 유효 변수 값과 아토피 중증도 지수를 적용하여 재구성 모델을 재학습할 수 있다.
학습 모델의 재구성을 통하여 모델이 완성되면, 임의 환자에 대한 수집된 기초 데이터를 해당 학습 모델에 적용하는 것만으로 해당 환자의 아토피 중증도 지수를 도출할 수 있다.
예측부(150)는 분석 대상 환자에 대응하여 현재 수집된 기초 데이터(각 인자 A~E 별 유효 변수)를 재구성된 학습 모델에 적용하여 분석 대상 환자에 대한 아토피 중증도 지수를 예측한다(S360).
즉, 예측부(150)는 현재 시점에서 분석 대상 환자에 대응하여 수집된 각 인자별 유효 변수들을 학습 모델 내 각 변수(Xi)의 값으로 대입하는 것을 통해 그에 대응하는 아토피 중증도 지수를 도출하여 제공한다.
여기서, 앞서 설명한 것과 같이, 모델 구성에 따라 분석 대상 환자의 현재 수집된 데이터에 대응하여 현재 시점의 아토피 중증도 지수를 도출할 수도 있고 1주 경과 후의 아토피 중증도 지수를 제공할 수도 있다.
후자의 경우 예측부(150)는 현재 시점에서 분석 대상 환자에 대응하여 수집된 각 인자별 유효 변수들을 학습 모델에 적용하여, 현재로부터 T1 시간(예: 1주일) 경과된 미래 시점에서의 해당 분석대상 환자의 향후 아토피 중증도 지수를 예측할 수 있다. 또한, 예측된 중증도 지수를 해당 환자의 현재 중증도 지수와 비교하면, 증상의 악화 또는 개선 여부를 확인할 수도 있다.
다음, 알람부(160)는 예측 결과 및 그에 대응된 치료 전략(맞춤형 국소 도포제, 유지 요법, 병원 방문 권유 등)을 해당 환자 측의 사용자 단말(200)로 피드백하여 알린다(S370).
여기서, 사용자 단말(200)은 해당 알람을 수신하면 그에 대응된 정보를 팝업 등의 형태로 알릴 수 있으며, 이를 통하여 아토피 피부염의 상태와 증상 악화에 대한 예측 결과를 통보하고 그에 기반한 맞춤형 치료 전략을 가이드해줄 수 있다.
이외에도, 본 발명은 아토피 피부염의 증상 개선에 도움을 줄 수 있는 디지털 교육 컨텐츠를 제공할 수 있다.
이를 위해, 컨텐츠 제공부(170)는 기초 데이터가 수집된 환자를 대상으로 해당 환자의 사용자 단말을 통하여 아토피 피부염 개선을 위한 복수의 교육 컨텐츠를 단계적으로 제공할 수 있다. 예를 들어, 사용자 단말(200)의 모바일 앱 환경에서 환자로부터 기초 데이터를 입력받으면 이를 기반으로 예측 결과를 피드백하여 제공할 수도 있고, 추가적인 교육 컨텐츠를 제공할 수도 있다.
교육 컨텐츠는 인지 교정 컨텐츠, 자동적 사고 개선 컨텐츠 및 행동 교정 컨텐츠를 포함하며, 각각의 컨텐츠는 설정 기간(예: 4주간)의 교육 과정으로 구성될 수 있다. 컨텐츠 제공부(170)는 이러한 인지 교정 컨텐츠(1단계), 자동적 사고 개선 컨텐츠(2단계) 및 행동 교정 컨텐츠(3단계)를 순차적으로 제공하며, 이전 단계의 교육 컨텐츠 완수 후 다음 단계의 교육 컨텐츠를 제공할 수 있다.
도 5는 본 발명의 실시예에 따른 인지 교정 컨텐츠를 설명하는 도면이다.
도 5와 같이, 인지 교정 컨텐츠는 아토피 피부염 관련 기본 지식을 제공하여, 인지행동치료(cognitive behavioral treatment)를 기반으로 아토피 피부염에 대한 환자의 잘못된 인지를 교정하는 교육 프로그램에 해당한다. 여기서, 각 세션 별로 개별 교육 내용을 상세히 포함한다. 각 세션은 공통되는 플로우를 가지며, 현재 상태 확인, 교육, 퀴즈 및 인센티브 부여 과정을 포함할 수 있다. 이를 통해 새로운 지식 습득, 잘못된 인지 개선이 이루어질 수 있다.
도 6은 본 발명의 실시예에 따른 자동적 사고 개선 컨텐츠를 설명하는 도면이다.
도 6과 같이 자동적 사고 개선 컨텐츠는 환자에게 제시한 설문과 응답을 기초로 일상 생활과 질환 경과에 부정적인 영향을 미치는 부정적 사고를 개선하기 위한 훈련을 진행하는 교육 프로그램에 해당한다. 자동적 사고 개선 프로그램은 불면, 우울, 불안, 노출 및 반응 방지와 관련한 섹션으로 구성되며, 각 세션 별로 자동적 사고 개선 훈련 내용을 포함한다. 또한, 이를 통해 과거 경험에서의 오류를 파악하고 흔한 인지 왜곡에 대한 오리엔테이션을 제시해 줌으로써, 부정적 자동적 사고와 연계된 핵심 인지 왜곡을 찾아내도록 한다.
도 7은 본 발명의 실시예에 따른 행동 교정 컨텐츠를 설명하는 도면이다.
도 7과 같이, 행동 교정 컨텐츠는 마지막 단계로 환자의 마음 챙김을 위한 명상 교육과 훈련을 위한 교육 프로그램에 해당한다. 이러한 마음 챙김을 통하여 행동 교정 연습을 계속 진행하면서 마음 챙김 명상과 훈련을 통한 스트레스 관리가 가능하도록 한다.
아토피 피부염은 호전과 악화를 반복하는 질환이므로 스트레스 관리는 필수적이며, 피부염의 악화로 발생한 스트레스는 다시 질환을 악화시키는 악순환의 고리를 가진다. 이에 체계적 관리를 위하여 마음 챙김 명상 교육과 훈련을 여러 세션으로 구성하여 4주 간 제공할 수 있다. 마음 챙김은 스트레스 관리에 보편적으로 활용되는 방법으로, 마음 챙김의 다양한 버전인 수용 모형과 습관 모델(habit reversal) 등을 복합적으로 사용할 수 있다.
이상과 같은 본 발명에 따르면, 환자에 대응하여 수집된 기초 데이터를 기 학습된 학습 모델에 적용하는 것을 통하여 환자에 대한 아토피 피부염의 상태와 증상 악화를 예측하고 관리할 수 있으며, 예측 결과를 기초로 맞춤형 치료 전략을 제시해 줄 수 있는 이점을 제공한다.
또한, 본 발명에 따르면 모바일 앱 상호 작용 기반의 디지털 치료 컨텐츠를 부가적으로 제공함으로써, 인지행동 기반의 아토피 관리, 정신 건강 관리, 스트레스 관리가 가능하도록 하고 이를 통해 증상 악화 방지 및 호전을 유도함은 물론 아토피 환자의 삶의 질을 개선하는데 기여할 수 있다.
본 발명은 도면에 도시된 실시 예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 다른 실시 예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의하여 정해져야 할 것이다.

Claims (12)

  1. 아토피 피부염 관리 장치를 이용한 아토피 피부염 관리 방법에 있어서,
    환자에 관한 일상 생활 인자, 생체 정보 인자, 정신 건강 인자, 피부 현황 인자, 날씨 관련 환경 인자, 그리고 환자의 의무 기록 기반의 아토피 중증도 지수를 포함한 기초 데이터를 시간 별로 수집하는 단계;
    복수의 인자에 대한 각각의 세부 변수와 그에 대응하는 상기 아토피 중증도 지수 간의 관계를 학습 모델에 적용하여 상기 세부 변수 별 적용되는 가중치를 학습하는 단계;
    개별 인자당 적어도 N개(N은 2 이상의 정수)의 세부 변수를 유효 변수로 선정하기 위한 가중치의 기준값을 결정하는 단계;
    상기 인자 별로 상기 기준값 이상의 가중치에 해당한 적어도 N개의 유효 변수를 선별하고 선별된 유효 변수들을 기반으로 상기 학습 모델을 재구성하는 단계; 및
    분석 대상 환자에 대응하여 현재 수집된 기초 데이터를 상기 재구성된 학습 모델에 적용하여 분석 대상 환자에 대한 아토피 중증도 지수를 예측하는 단계를 포함하는 아토피 피부염 관리 방법.
  2. 청구항 1에 있어서,
    상기 세부 변수 별 가중치를 학습하는 단계는,
    제1 시간에 수집된 환자에 대한 각 인자별 세부 변수들과 상기 제1 시간으로부터 T1 시간 경과된 제2 시간에 수집된 환자의 아토피 중증도 지수를 상기 학습 모델에 적용하여 학습하는 아토피 피부염 관리 방법.
  3. 청구항 1 또는 청구항 2에 있어서,
    상기 예측하는 단계는,
    현재 시점에서 분석 대상 환자에 대응하여 수집된 기초 데이터 중 각 인자별 유효 변수들을 기 학습된 학습 모델에 적용하여, 현재로부터 T1 시간 경과된 미래 시점에서의 해당 분석대상 환자의 향후 아토피 중증도 지수를 예측하는 아토피 피부염 관리 방법.
  4. 청구항 1에 있어서,
    상기 예측한 결과에 대응하는 맞춤형 국소 도포제, 유지 요법, 병원 방문 권유 중 적어도 하나에 관한 치료 전략을 예측 결과와 함께 해당 환자 측의 사용자 단말로 피드백하는 단계를 더 포함하는 아토피 피부염 관리 방법.
  5. 청구항 1에 있어서,
    상기 기초 데이터는,
    환자에 대응한 사용자 단말, 환자의 의료 정보를 저장한 병원 서버, 위치 기반의 날씨 정보를 제공하는 날씨 서버를 통하여 수집되는 아토피 피부염 관리 방법.
  6. 청구항 1에 있어서,
    상기 기초 데이터가 수집된 환자를 대상으로 해당 환자의 사용자 단말을 통하여 아토피 피부염 개선을 위한 복수의 교육 컨텐츠를 단계적으로 제공하는 단계를 더 포함하며,
    상기 교육 컨텐츠는,
    설정 기간 동안 아토피 피부염 관련 기본 지식을 제공하여 아토피 피부염에 대한 환자의 잘못된 인지를 교정하는 교육 프로그램인 인지 교정 컨텐츠,
    상기 인지 교정 컨텐츠의 이수 후 설정 기간 동안 제공되고, 환자에게 제시한 설문과 응답을 기초로 일상 생활과 질환 경과에 부정적인 영향을 미치는 부정적 사고를 개선하는 교육 프로그램인 자동적 사고 개선 컨텐츠, 및
    상기 자동적 사고 개선 컨텐츠의 이수 후 설정 기간 동안 제공되고, 환자의 마음 챙김을 위한 명상 교육과 훈련을 위한 교육 프로그램인 행동 교정 컨텐츠를 포함하는 아토피 피부염 관리 방법.
  7. 환자에 관한 일상 생활 인자, 생체 정보 인자, 정신 건강 인자, 피부 현황 인자, 날씨 관련 환경 인자, 그리고 환자의 의무 기록 기반의 아토피 중증도 지수를 포함한 기초 데이터를 시간 별로 수집하는 데이터 수집부;
    복수의 인자에 대한 각각의 세부 변수와 그에 대응하는 상기 아토피 중증도 지수 간의 관계를 학습 모델에 적용하여 상기 세부 변수 별 적용되는 가중치를 학습하는 모델 학습부;
    개별 인자당 적어도 N개(N은 2 이상의 정수)의 세부 변수를 유효 변수로 선정하기 위한 가중치의 기준값을 결정하는 결정부;
    상기 인자 별로 상기 기준값 이상의 가중치에 해당한 적어도 N개의 유효 변수를 선별하고 선별된 유효 변수들을 기반으로 상기 학습 모델을 재구성하는 모델 재구성부; 및
    분석 대상 환자에 대응하여 상기 데이터 수집부를 통해 현재 수집된 기초 데이터를 상기 재구성된 학습 모델에 적용하여 분석 대상 환자에 대한 아토피 중증도 지수를 예측하는 예측부를 포함하는 아토피 피부염 관리 장치.
  8. 청구항 7에 있어서,
    상기 모델 학습부는,
    제1 시간에 수집된 환자에 대한 각 인자별 세부 변수들과 상기 제1 시간으로부터 T1 시간 경과된 제2 시간에 수집된 환자의 아토피 중증도 지수를 상기 학습 모델에 적용하여 학습하는 아토피 피부염 관리 장치.
  9. 청구항 7 또는 청구항 8에 있어서,
    상기 예측부는,
    현재 시점에서 분석 대상 환자에 대응하여 수집된 기초 데이터 중 각 인자별 유효 변수들을 기 학습된 학습 모델에 적용하여, 현재로부터 T1 시간 경과된 미래 시점에서의 해당 분석대상 환자의 향후 아토피 중증도 지수를 예측하는 아토피 피부염 관리 장치.
  10. 청구항 7에 있어서,
    상기 예측한 결과에 대응하는 맞춤형 국소 도포제, 유지 요법, 병원 방문 권유 중 적어도 하나에 관한 치료 전략을 예측 결과와 함께 해당 환자 측의 사용자 단말로 피드백하는 알람부를 더 포함하는 아토피 피부염 관리 장치.
  11. 청구항 7에 있어서,
    상기 기초 데이터는,
    환자에 대응한 사용자 단말, 환자의 의료 정보를 저장한 병원 서버, 위치 기반의 날씨 정보를 제공하는 날씨 서버를 통하여 수집되는 아토피 피부염 관리 장치.
  12. 청구항 7에 있어서,
    상기 기초 데이터가 수집된 환자를 대상으로 해당 환자의 사용자 단말을 통하여 아토피 피부염 개선을 위한 복수의 교육 컨텐츠를 단계적으로 제공하는 컨텐츠 제공부를 더 포함하며,
    상기 교육 컨텐츠는,
    설정 기간 동안 아토피 피부염 관련 기본 지식을 제공하여 아토피 피부염에 대한 환자의 잘못된 인지를 교정하는 교육 프로그램인 인지 교정 컨텐츠,
    상기 인지 교정 컨텐츠의 이수 후 설정 기간 동안 제공되고, 환자에게 제시한 설문과 응답을 기초로 일상 생활과 질환 경과에 부정적인 영향을 미치는 부정적 사고를 개선하는 교육 프로그램인 자동적 사고 개선 컨텐츠, 및
    상기 자동적 사고 개선 컨텐츠의 이수 후 설정 기간 동안 제공되고, 환자의 마음 챙김을 위한 명상 교육과 훈련을 위한 교육 프로그램인 행동 교정 컨텐츠를 포함하는 아토피 피부염 관리 장치.
PCT/KR2021/006550 2020-05-29 2021-05-26 학습 모델 기반의 아토피 피부염 관리 장치 및 그 방법 Ceased WO2021242010A1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US17/927,760 US20230320653A1 (en) 2020-05-29 2021-05-26 Apparatus for managing atopic dermatitis based on learning model and method therefor

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020200065426A KR102489070B1 (ko) 2020-05-29 2020-05-29 학습 모델 기반의 아토피 피부염 관리 장치 및 그 방법
KR10-2020-0065426 2020-05-29

Publications (1)

Publication Number Publication Date
WO2021242010A1 true WO2021242010A1 (ko) 2021-12-02

Family

ID=78744758

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2021/006550 Ceased WO2021242010A1 (ko) 2020-05-29 2021-05-26 학습 모델 기반의 아토피 피부염 관리 장치 및 그 방법

Country Status (3)

Country Link
US (1) US20230320653A1 (ko)
KR (1) KR102489070B1 (ko)
WO (1) WO2021242010A1 (ko)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102726893B1 (ko) * 2022-02-17 2024-11-05 부산대학교병원 지능형 환자 회복 관리 서버 및 지능형 환자 회복 관리 프로그램
KR20240085675A (ko) * 2022-12-08 2024-06-17 사회복지법인 삼성생명공익재단 아토피피부염 환자 개인맞춤형 증상 관리 시스템
KR102689466B1 (ko) * 2023-04-26 2024-07-29 주식회사 뷰노 패혈증을 진단하기 위한 중증도 예측 방법
CN118645259B (zh) * 2024-08-15 2024-10-22 山东数字人科技股份有限公司 数字人体数据可视化与医学教育集成的方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110295782A1 (en) * 2008-10-15 2011-12-01 Alexander Stojadinovic Clinical Decision Model
KR20170023770A (ko) * 2014-06-25 2017-03-06 삼성전자주식회사 진단모델 생성 시스템 및 방법
KR101864614B1 (ko) * 2017-03-29 2018-06-05 안동과학대학교 산학협력단 아토피 오토케어 장치 및 그 방법
KR20180079208A (ko) * 2016-12-30 2018-07-10 서울대학교산학협력단 대사이상 질환의 질병 위험도를 예측하는 장치 및 방법
KR20200054484A (ko) * 2018-11-12 2020-05-20 서울대학교산학협력단 만성질환자를 위한 건강 관리 방법 및 이를 이용하는 장치

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2016321319A1 (en) * 2015-09-09 2018-04-26 Psomagen, Inc. Method and system for microbiome-derived diagnostics and therapeutics for eczema
WO2019191449A1 (en) * 2018-03-30 2019-10-03 Aobiome Llc Use and delivery of ammonia oxidizing microorganisms for treatment of neurodegenerative disorders
US11507818B2 (en) * 2018-06-05 2022-11-22 Lightelligence PTE. Ltd. Optoelectronic computing systems

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110295782A1 (en) * 2008-10-15 2011-12-01 Alexander Stojadinovic Clinical Decision Model
KR20170023770A (ko) * 2014-06-25 2017-03-06 삼성전자주식회사 진단모델 생성 시스템 및 방법
KR20180079208A (ko) * 2016-12-30 2018-07-10 서울대학교산학협력단 대사이상 질환의 질병 위험도를 예측하는 장치 및 방법
KR101864614B1 (ko) * 2017-03-29 2018-06-05 안동과학대학교 산학협력단 아토피 오토케어 장치 및 그 방법
KR20200054484A (ko) * 2018-11-12 2020-05-20 서울대학교산학협력단 만성질환자를 위한 건강 관리 방법 및 이를 이용하는 장치

Also Published As

Publication number Publication date
KR102489070B1 (ko) 2023-01-16
KR20210147746A (ko) 2021-12-07
US20230320653A1 (en) 2023-10-12

Similar Documents

Publication Publication Date Title
Paolillo et al. Wearable use in an observational study among older adults: adherence, feasibility, and effects of clinicodemographic factors
WO2018171853A1 (en) A telemedicine system for remote treatment of patients
CN110060753B (zh) 认知障碍患者干预效果评价系统及方法
US20230320653A1 (en) Apparatus for managing atopic dermatitis based on learning model and method therefor
Nuechterlein et al. Measuring cognitive impairments associated with schizophrenia in clinical practice: overview of current challenges and future opportunities
Wu et al. Effects of physical activity counselling in women with systemic lupus erythematosus: A randomized controlled trial
Sørensen et al. Study protocol: to investigate effects of highly specialized rehabilitation for patients with multiple sclerosis. A randomized controlled trial of a personalized, multidisciplinary intervention
Nooijen et al. Fatigue in persons with subacute spinal cord injury who are dependent on a manual wheelchair
WO2021215809A1 (ko) 고령자 대상 인지장애 조기 검진 및 커뮤니티케어 매칭 서비스를 제공하는 시스템 및 방법
WO2022211385A1 (ko) 질병 예측치의 분포를 이용한 건강관리 상담 시스템
CN112466423A (zh) 智能慢病健康管理方法及系统
WO2017086620A1 (ko) 스마트건강경영전략(smash)이 반영된 헬스케어서비스 제공 시스템 및 방법
Sandberg et al. Relating Experienced To Recalled breathlessness Observational (RETRO) study: a prospective study using a mobile phone application
Orsini et al. My smart age with HIV: an innovative mobile and IoMT framework for patient's empowerment
KR102404276B1 (ko) 헬스케어부스 및 이를 이용한 건강관리 시스템 및 방법
CN113643798B (zh) 为失能人员匹配照护人员的方法、装置及计算机设备
Gross et al. A telemonitoring and hybrid virtual coaching solution “CAir” for patients with chronic obstructive pulmonary disease: protocol for a randomized controlled trial
KR102730141B1 (ko) Ict 기반 원격진료 서비스 제공 방법, 장치 및 시스템
Zhang et al. Applying a psychological nursing care quality evaluation index in hospitalized patients: a pilot study
WO2016006954A1 (ko) 소아건강관리 시스템 및 소아건강관리 방법
KR102655620B1 (ko) 원격 환자 관리 시스템 및 방법
Turner The effect of Medicaid policies on the diagnosis and treatment of children's mental health problems in primary care
Coppola et al. Advancing cognitive health in aging populations by leveraging digital assessment
Fonseca et al. Scale up of implementation of a multidimensional intervention to enhance hypertension and diabetes care at the primary care setting: A protocol for a cluster-randomized study in Brazil
Ghaben et al. Treatment Outcomes

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: 21813682

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 21813682

Country of ref document: EP

Kind code of ref document: A1