WO2022169149A1 - 당뇨병 발병 위험도 산출 시스템, 산출 방법 및 프로그램 - Google Patents

당뇨병 발병 위험도 산출 시스템, 산출 방법 및 프로그램 Download PDF

Info

Publication number
WO2022169149A1
WO2022169149A1 PCT/KR2022/001184 KR2022001184W WO2022169149A1 WO 2022169149 A1 WO2022169149 A1 WO 2022169149A1 KR 2022001184 W KR2022001184 W KR 2022001184W WO 2022169149 A1 WO2022169149 A1 WO 2022169149A1
Authority
WO
WIPO (PCT)
Prior art keywords
risk
metabolic syndrome
diabetes
calculating
developing diabetes
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/KR2022/001184
Other languages
English (en)
French (fr)
Inventor
유순집
김성래
이성수
손장원
정희경
홍옥기
조남한
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 Catholic University of Korea
Ajou University Industry Academic Cooperation Foundation
Original Assignee
Industry Academic Cooperation Foundation of Catholic University of Korea
Ajou University Industry Academic Cooperation Foundation
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 Catholic University of Korea, Ajou University Industry Academic Cooperation Foundation filed Critical Industry Academic Cooperation Foundation of Catholic University of Korea
Publication of WO2022169149A1 publication Critical patent/WO2022169149A1/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
    • G16H50/50—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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording for evaluating the cardiovascular system, e.g. pulse, heart rate, blood pressure or blood flow
    • A61B5/021—Measuring pressure in heart or blood vessels
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Measuring devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/107—Measuring physical dimensions, e.g. size of the entire body or parts thereof
    • 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
    • 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
    • A61B5/14532—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 glucose, e.g. by tissue impedance measurement
    • 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
    • A61B5/4869—Determining body composition
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • 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

Definitions

  • the present invention relates to a diabetes risk calculation system, calculation method and program.
  • Metabolic syndrome which can be expressed as a collection of adult diseases, has steadily increased over the past 10 years.
  • the present invention calculates the metabolic syndrome severity based on the onset factors of the metabolic syndrome, and recognizes or calculates the risk of developing diabetes based on the calculated metabolic syndrome severity, so that the accuracy is high and the risk is quickly It is intended to provide a diabetes risk calculation system, calculation method, and program that can prevent situations in advance.
  • the present invention for achieving the above-described technical problem is composed of one or more computers, calculates the metabolic syndrome severity based on the input metabolic syndrome onset factor value for the metabolic syndrome onset factor, and a statistical technique from the calculated metabolic syndrome severity an analysis server for calculating the risk of developing diabetes based on The risk of onset is provided and output, and the metabolic syndrome onset factor can be achieved by a system for calculating the risk of developing diabetes including fasting blood sugar, systolic blood pressure, waist circumference, high-density lipoprotein, and triglyceride.
  • the present invention for achieving the above-described technical problem is to obtain an input metabolic syndrome onset factor value for the metabolic syndrome onset factor, and metabolic syndrome severity for calculating the metabolic syndrome severity based on the input metabolic syndrome onset factor value a calculation step, and a step of calculating the risk of developing diabetes based on a statistical technique in the severity of the metabolic syndrome, wherein the metabolic syndrome onset factors are fasting blood sugar, systolic blood pressure, waist circumference, high-density lipoprotein, and neutrality It can be achieved by a method of calculating the risk of developing diabetes including fat.
  • the present invention for achieving the above-described technical problem can be achieved by a program for calculating the risk of developing diabetes, which is stored in a medium to execute the method for calculating the risk of developing diabetes in combination with a computer that is hardware.
  • the present invention by calculating the metabolic syndrome severity based on the onset factors of the metabolic syndrome and recognizing or calculating the risk of developing diabetes based on the calculated metabolic syndrome severity, it is possible to prevent dangerous situations in advance with high accuracy and promptly. It is possible to provide a system for calculating the risk of developing diabetes, a method for calculating the risk, and a program.
  • FIG. 1 is a block diagram schematically showing a system for calculating the risk of developing diabetes according to an embodiment of the present invention.
  • FIG. 3 exemplarily shows the calculation of the risk of developing diabetes based on the multivariable Cox proportional hazards regression model in the severity of the metabolic syndrome of FIG. 2 .
  • FIG. 4 is a flowchart schematically illustrating a method for calculating the risk of developing diabetes according to an embodiment of the present invention.
  • the computer includes various devices capable of visually presenting a result to a user by performing arithmetic processing.
  • computers include desktop PCs, notebooks (Note Books) as well as smart phones, tablet PCs, cellular phones, PCS phones (Personal Communication Service phones), synchronous/asynchronous A mobile terminal of International Mobile Telecommunication-2000 (IMT-2000), a Palm Personal Computer (PC), a Personal Digital Assistant (PDA), and the like may also be applicable.
  • the computer may be a medical device for acquiring or observing a medical image.
  • the computer may correspond to a server computer connected to various client computers.
  • FIG. 1 is a block diagram schematically showing a system for calculating the risk of developing diabetes according to an embodiment of the present invention.
  • the diabetes risk calculation system 10 includes an analysis server 100 and a client 200 .
  • the analysis server 100 is composed of one or more computers.
  • the analysis server 100 calculates the metabolic syndrome severity based on the input metabolic syndrome onset factor value according to the metabolic syndrome onset factor.
  • the analysis server 100 calculates the risk of developing diabetes using statistical techniques in the severity of metabolic syndrome.
  • metabolic syndrome in the pathogenesis of metabolic syndrome may include, for example, at least one of hypertension, dyslipidemia, and diabetes.
  • Factors in the development of metabolic syndrome include, for example, fasting blood sugar, systolic blood pressure, waist circumference, high-density lipoprotein, and triglycerides.
  • the analysis server 100 for example, statistically analyzes the Korea Genomic Epidemiology Research cohort data and calculates the metabolic syndrome severity through the metabolic syndrome severity formula (Equation 1 or 2 below) based on the health checkup data. This is used to calculate the risk of diabetes invention. For example, when the input metabolic syndrome onset factor value is provided from a man over 40 years old, the analysis server 100 may calculate the metabolic syndrome severity using Equation 1 below.
  • FPG fasting blood sugar (mg/dL)
  • SBP systolic blood pressure (mmHg)
  • WC waist circumference (cm)
  • HDL high-density lipoprotein (mg/dL)
  • TG triglyceride (mg/dL) )to be.
  • the analysis server 100 may calculate the metabolic syndrome severity by Equation 2 below.
  • FPG fasting blood glucose (mg/dL)
  • SBP systolic blood pressure (mmHg)
  • WC waist circumference (cm)
  • HDL high-density lipoprotein (mg/dL)
  • TG triglyceride (mg/dL) )to be.
  • the analysis server 100 may, for example, classify the severity of metabolic syndrome into a specific range, and calculate the risk of developing diabetes by a statistical technique.
  • the analysis server 100 may, for example, divide the severity of metabolic syndrome into three ranges, and calculate the risk of developing diabetes by a statistical technique.
  • Figure 2 shows that the metabolic syndrome onset factor values are provided for men over 40, and women over 40, calculate the metabolic syndrome severity, and divide the range (quantiles) into three stages. .
  • R (ansung) denotes a country
  • U (ansan) denotes a city.
  • the metabolic syndrome severity for men in their 40s was less than -0.4869; Metabolic syndrome severity value in the 2nd quartile group: -0.4868 or more and less than +0.1875, and the metabolic syndrome severity value in the 3rd quartile group: 0.1875 or more.
  • the severity of metabolic syndrome was less than 0.0140; The metabolic syndrome severity value of the second quartile group: 0.0140 or more and less than 0.7100, and the metabolic syndrome severity value of the third quartile group: 0.7100 or more.
  • the statistical technique may be, for example, a Multivariable Cox proportional hazards regression model.
  • the Cox proportional hazards regression model is a model that calculates the relative hazard for specific variables. Through the model, the effects of a plurality of prognostic variables related to the survival probability (or the occurrence probability of a certain disease) of a certain group, for example, the occurrence probability of T2DM, can be simultaneously viewed while controlling for a plurality of confounding variables.
  • Model A is an analysis that corrects for only two confounding variables of region and age
  • model B is an analysis that additionally corrects for the effects of confounding variables of drinking, smoking, exercise, and family history in addition to model A
  • the model C is an analysis in which model B is further corrected for a confounding variable called BMI.
  • the system for calculating the risk of developing diabetes according to an embodiment of the present invention may be based on model C, in which confounding variables are maximally corrected.
  • the probability of developing diabetes is 1.53 times for the male quartile group, 3.01 times for the third quartile group, and the second quartile group for women. It can be interpreted that the probability of this occurrence is 2.00 times, and in the case of the tertiary group, 3.98 times.
  • the risk of developing diabetes is about twice that of those in the metabolic syndrome severity quintile group with a metabolic syndrome severity value of less than 0.0140. .
  • the risk of developing diabetes may include, for example, at least one of an onset time of diabetes and an incidence of diabetes.
  • the diabetes onset risk calculation system 10 may calculate the diabetes onset risk using a deep learning learning model by one or more computers.
  • the analysis server 100 is composed of one or more computers to form a deep learning learning model, and serves to determine the degree of risk of developing diabetes based on the input metabolic syndrome onset factor value or the calculated metabolic syndrome severity.
  • the analysis server 100 may form a plurality of deep learning learning models. For example, based on the input metabolic syndrome onset factor value, the first deep learning learning model for calculating the metabolic syndrome severity, and or the second deep learning for determining the risk of developing diabetes based on the calculated metabolic syndrome severity It may include a learning model.
  • a deep learning learning model refers to a system or network that builds one or more layers in one or more computers and performs judgment based on a plurality of data.
  • a deep learning learning model may be implemented with a set of layers including a convolutional pooling layer, a locally-connected layer, and a fully-connected layer.
  • a convolutional pooling layer or a local access layer may be configured to extract features in an image.
  • the fully connected layer can determine the correlation between features of the image.
  • the overall structure of the deep learning learning model may consist of a convolutional pooling layer followed by a local access layer, and a fully connected layer running on the local access layer.
  • the deep learning learning model may include various judgment criteria (ie, parameters), and may add new judgment criteria (ie, parameters) through input image analysis.
  • Parameters may include, for example, fasting blood sugar, systolic blood pressure, waist circumference, high-density lipoprotein, and triglycerides.
  • the parameter further includes, for example, at least one of a high-density lipoprotein (HDL) cholesterol level, alcohol consumption, smoking status, exercise status, family history, past medical history, current medical history, BMI, age, height, weight, and living environment. can do.
  • HDL high-density lipoprotein
  • a deep learning learning model is a structure called a convolutional neural network suitable for image analysis, and a feature extraction layer that learns by itself a feature with the greatest discriminative power from given image data. Layer) and a prediction layer that learns a calculation model to produce the highest calculation performance based on the extracted features may be configured in an integrated structure.
  • the feature extraction layer spatially integrates the convolution layer, which creates a feature map by applying a plurality of filters to each region of the image, and the feature map to obtain features that are invariant to changes in position or rotation. It may be formed in a structure in which a pooling layer that can be extracted is alternately repeated several times. Through this, various level features can be extracted from low-level features such as points, lines, and planes to complex and meaningful high-level features.
  • the convolutional layer obtains a feature map by taking a nonlinear activation function on the dot product of the filter and the local receptive field for each patch of the input image. Therefore, CNN is characterized by using filters with sparse connectivity and shared weights. This connection structure reduces the number of parameters to be learned, makes learning through the backpropagation algorithm efficient, and consequently improves the output performance.
  • the integration layer (Pooling Layer or Sub-sampling Layer) generates a new feature map by using local information of the feature map obtained from the previous convolutional layer.
  • the newly created feature map by the integration layer is reduced to a smaller size than the original feature map.
  • Representative integration methods include Max Pooling, which selects the maximum value of the corresponding region in the feature map, and the corresponding feature map in the feature map.
  • Max Pooling which selects the maximum value of the corresponding region in the feature map, and the corresponding feature map in the feature map.
  • the feature map of the integrated layer may be less affected by the position of an arbitrary structure or pattern existing in the input image than the feature map of the previous layer.
  • the integration layer can extract features that are more robust to regional changes such as noise or distortion in the input image or previous feature map, and these features can play an important role in classification performance.
  • Another role of the integration layer is to reflect the characteristics of a wider area as you go up to the upper learning layer in the deep structure. It is possible to generate features that reflect the characteristics of the abstract image as a whole.
  • the features finally extracted through repetition of the convolutional layer and the integration layer are fully connected to the classification model such as multi-layer perception (MLP) or support vector machine (SVM). -connected layer) and can be used for classification model training and calculation.
  • MLP multi-layer perception
  • SVM support vector machine
  • the structure of the deep learning learning model according to the embodiments of the present invention is not limited thereto, and may be formed of a neural network of various structures.
  • the client 200 receives the input metabolic syndrome onset factor value and provides it to the analysis server 100 .
  • the client 200 receives the diabetes risk from the analysis server 100 and outputs it.
  • the client 200 may include an input device 210 and an output device 220 .
  • the input device 210 and the output device 220 may be implemented as one device or may be implemented as separate devices.
  • the input device 210 may be a device that receives a metabolic syndrome onset factor and transmits a corresponding input metabolic syndrome onset factor value to the analysis server 100 .
  • the input device 210 may receive the blood of a user who needs to analyze the risk of developing diabetes, and may calculate metabolic syndrome onset factors.
  • the output device 220 may receive the diabetes onset risk result from the analysis server 100 and provide the determination result to the user in various ways.
  • the output device 220 may include a display unit to visually display the risk of diabetes and provide it to the user.
  • the output device 220 may generate a vibration to notify the user that the risk of developing diabetes is high.
  • the method in which the output device 220 provides the result of determining the risk of diabetes to the user is not limited thereto, and various output methods that can be provided to the user, such as sound output, may be used.
  • the output device 220 according to an embodiment of the present invention may include a mobile terminal.
  • FIG. 4 is a flowchart schematically illustrating a method for calculating the risk of developing diabetes according to an embodiment of the present invention.
  • the method for calculating the risk of developing diabetes includes the steps of obtaining an input metabolic syndrome onset factor value for the metabolic syndrome onset factor (S100), a metabolic syndrome severity calculation step ( S200), and a diabetes risk calculation step (S300).
  • An input metabolic syndrome onset factor value for the metabolic syndrome onset factor is acquired (S100).
  • the input metabolic syndrome onset factor value may be input from the client 200 and provided to the analysis server 100 .
  • the input metabolic syndrome onset factor value may be input to the input device 210 and provided to the analysis server 100 .
  • the metabolic syndrome severity is calculated based on the input metabolic syndrome onset factor value (S200).
  • the metabolic syndrome severity calculation step ( S200 ) may be performed in the analysis server 100 .
  • the metabolic syndrome severity calculation step ( S200 ) may calculate the metabolic syndrome severity through a metabolic syndrome severity formula derived based on Ansung-Ansan cohort data.
  • the metabolic syndrome severity calculation step S200 may calculate the metabolic syndrome severity using Equation 1 described above when the input metabolic syndrome onset factor value is provided from a man over 40 years of age.
  • the metabolic syndrome severity calculation step S200 may calculate the metabolic syndrome severity using Equation 2 described above when the input metabolic syndrome onset factor value is provided from a woman over 40 years old.
  • a statistical technique from the severity of metabolic syndrome calculates the risk of developing diabetes (S300).
  • the risk of developing diabetes may be provided from the analysis device 100 to the output device 220 .
  • the output device 220 may be implemented as a single device with the input device 210 , or may be implemented as separate devices.
  • the severity of metabolic syndrome may be divided into a specific range, and the risk of developing diabetes may be calculated using a statistical technique.
  • the severity of metabolic syndrome may be divided into three ranges, and the risk of developing diabetes may be calculated using a statistical technique. For example, in Figure 2, men in their 40s or older, and women in their 40s or older receive metabolic syndrome onset factor values, and apply Equation 1 and Equation 2 to individuals included in the Cocht data to metabolize It indicates that the syndrome severity was calculated and the range was divided into three stages.
  • the metabolic syndrome severity for men in their 40s was less than -0.4869; Metabolic syndrome severity value in the 2nd quartile group: -0.4868 or more and less than +0.1875, and the metabolic syndrome severity value in the 3rd quartile group: 0.1875 or more.
  • the severity of metabolic syndrome was less than 0.0140; The metabolic syndrome severity value of the second quartile group: 0.0140 or more and less than 0.7100, and the metabolic syndrome severity value of the third quartile group: 0.7100 or more.
  • the statistical technique used in the step of calculating the risk of developing diabetes may be a multivariable Cox proportional hazards regression model.
  • the Cox proportional hazards regression model is a model that calculates the relative hazard for specific variables. Through the model, the effects of a plurality of prognostic variables related to the survival probability (or the occurrence probability of a certain disease) of a certain group, for example, the occurrence probability of T2DM, can be simultaneously viewed while controlling for a plurality of confounding variables.
  • the probability of developing diabetes is 1.53 times for the male quartile group, 3.01 times for the third quartile group, and the second quartile group for women. It can be interpreted that the probability of this occurrence is 2.00 times, and in the case of the tertiary group, 3.98 times.
  • the risk of developing diabetes is about twice that of those in the metabolic syndrome severity quintile group with a metabolic syndrome severity value of less than 0.0140. .
  • the step of calculating the risk of developing diabetes is by using one or more computers, using a deep learning learning model, learning the input metabolic syndrome onset factor value, the metabolic syndrome severity, and at least one and the risk of developing diabetes as a dataset It may include the step of calculating the risk of developing diabetes with a learning step, and a deep learning learning model.
  • the step of calculating the risk of developing diabetes is a learning step of learning the metabolic syndrome severity and the risk of developing diabetes from a dataset by one or more computers, using a deep learning learning model, and a deep learning learning model. It may include calculating the risk of developing diabetes.
  • the risk of developing diabetes may be determined, for example, by parameters of the aforementioned deep learning learning model.
  • the method for calculating the risk of developing diabetes may be implemented as a program (or application) to be executed in combination with a computer, which is hardware, and stored in a medium included in the system for calculating the risk of developing diabetes.
  • a program is a code coded in a computer language such as C, C++, JAVA, or machine language that the computer's processor (CPU) can read through the computer's device interface in order for the computer to read the program and execute the methods implemented in the program.
  • code may be included. Such code may include functional code related to a function defining functions necessary for executing the methods, etc. . In addition, the code may further include additional information necessary for the processor of the computer to execute functions or memory reference related code for which location (address address) in the internal or external memory of the computer should be referenced. Also, if the computer's processor needs to communicate with any other remote computer or server in order to execute functions, the code uses the computer's communication module to determine how to communicate with any other remote computer or server. , may further include a communication-related code for which information or media should be transmitted and received during communication.
  • the storage medium is not a medium that stores data for a short moment, such as a register, a cache, a memory, etc., but a medium that stores data semi-permanently and can be read by a device.
  • examples of the storage medium include, but are not limited to, ROM, RAM, CD-ROM, magnetic tape, floppy disk, optical data storage device, and the like. That is, the program may be stored in various recording media on various servers that the computer can access or in various recording media on the user's computer.
  • the medium may be distributed in a computer system connected through a network, and computer readable codes may be stored in a distributed manner.
  • Diabetes incidence risk calculation system, calculation method, and program calculates the metabolic syndrome severity based on the onset factors of the metabolic syndrome, and recognizes or calculates the diabetes incidence risk based on the calculated metabolic syndrome severity Accordingly, it is possible to prevent dangerous situations in advance with high accuracy and quickly.

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Databases & Information Systems (AREA)
  • Cardiology (AREA)
  • Physiology (AREA)
  • Vascular Medicine (AREA)
  • Optics & Photonics (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Emergency Medicine (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

본 발명은 당뇨병 발병 위험도 산출 시스템에 관한 것으로, 하나 이상의 컴퓨터로 구성되고, 대사 증후군의 발병 요인에 대한 입력 대사 증후군 발병 요인 값을 기반으로 대사 증후군 중증도를 산출하고, 상기 산출된 대사 증후군 중증도에서 통계 기법을 기반으로 당뇨병 발병 위험도를 산출하는 분석 서버; 및 상기 분석 서버와 연결된 클라이언트;를 포함하고, 상기 클라이언트는 상기 입력 대사 증후군 발병 요인 값을 입력받아, 상기 분석 서버에 제공하고, 상기 분석 서버로부터 상기 당뇨병 발병 위험도를 제공받아 출력하고, 상기 대사 증후군 발병 요인은 공복 혈당, 수축기 혈압, 허리 둘레, 고밀도지단백, 및 중성 지방을 포함한다.

Description

당뇨병 발병 위험도 산출 시스템, 산출 방법 및 프로그램
본 발명은 당뇨병 발병 위험도 산출 시스템, 산출 방법 및 프로그램에 관한 것이다.
전 세계적으로 가장 빠른 속도로 초고령화 시대에 접어들면서 기대수명은 늘어나고 있지만 건강수명은 오히려 조금씩 줄어드는 추세로서 "건강한 백세시대”를 위해서는 둘의 간극을 줄이는 것이 최대 관건이다,
성인병의 집합체로 표현할 수 있는 대사 증후군은 지난 10년간 꾸준히 증가추세로 1998년 성인 4명 중 1명꼴이었던 대사 증후군 유병률은 최근 3명 중 1명꼴로 증가한 상태이다.
건강 수명을 늘리기 위한 방안은 대사 증후군 중 핵심 만성 대사 질환 중 하나인 당뇨병을 예방하고 관리하는 것이 관상 동맥 질환(CAD: Coronary Artery Disease), 뇌졸중(CVA: Cerebral Vascular Accident) 및 만성 신장 질환(CKD: Chronic Kidney Disease)의 발생을 막고 이들에 의한 사망을 줄일 수 있는 최선이다.
다만, 대사 증후군 발병 인자를 기반으로, 대사 증후군 중증도에 대해서만 예측하고 있을 뿐, 대사 증후군 중증도를 바탕으로 당뇨병 발병 위험도 예측으로까지 이어지지 않고 있는 실정이다.
상술한 문제점을 해결하기 위해 본 발명은 대사 증후군의 발병 요인들을 기반으로 대사 증후군 중증도를 산출하고, 산출된 대사 증후군 중증도를 기반으로 당뇨병 발병 위험도를 인식 또는 산출함에 따라, 정확도가 높고, 신속하게 위험 상황을 사전에 예방할 수 있는 당뇨병 발병 위험도 산출 시스템, 산출 방법 및 프로그램을 제공하고자 한다.
상술한 기술적 과제를 달성하기 위한 본 발명은 하나 이상의 컴퓨터로 구성되고, 대사 증후군의 발병 요인에 대한 입력 대사 증후군 발병 요인 값을 기반으로 대사 증후군 중증도를 산출하고, 상기 산출된 대사 증후군 중증도에서 통계 기법을 기반으로 당뇨병 발병 위험도를 산출하는 분석 서버, 및 상기 분석 서버와 연결된 클라이언트를 포함하고, 상기 클라이언트는 상기 입력 대사 증후군 발병 요인 값을 입력받아, 상기 분석 서버에 제공하고, 상기 분석 서버로부터 상기 당뇨병 발병 위험도를 제공받아 출력하고, 상기 대사 증후군 발병 요인은 공복 혈당, 수축기 혈압, 허리 둘레, 고밀도지단백, 및 중성 지방을 포함하는 당뇨병 발병 위험도 산출 시스템에 의해 달성될 수 있다.
또한, 상술한 기술적 과제를 달성하기 위한 본 발명은 대사 증후군의 발병 요인에 대한 입력 대사 증후군 발병 요인 값을 획득하는 단계, 상기 입력 대사 증후군 발병 요인 값을 기반으로 대사 증후군 중증도를 산출하는 대사 증후군 중증도 산출 단계, 및 상기 대사 증후군 중증도에서 통계 기법을 기반으로, 당뇨병 발병 위험도를 산출하는 당뇨병 발병 위험도 산출 단계를 포함하고, 상기 대사 증후군 발병 요인은 공복 혈당, 수축기 혈압, 허리 둘레, 고밀도지단백, 및 중성 지방을 포함하는 당뇨병 발병 위험도 산출 방법에 의해 달성될 수 있다.
또한, 상술한 기술적 과제를 달성하기 위한 본 발명은 하드웨어인 컴퓨터와 결합되어, 상기 당뇨병 발병 위험도 산출 방법을 실행시키기 위하여 매체에 저장된, 당뇨병 발병 위험도 산출 프로그램에 의해 달성될 수 있다.
본 발명에 따르면, 대사 증후군의 발병 요인들을 기반으로 대사 증후군 중증도를 산출하고, 산출된 대사 증후군 중증도를 기반으로 당뇨병 발병 위험도를 인식 또는 산출함에 따라, 정확도가 높고, 신속하게 위험 상황을 사전에 예방할 수 있는 당뇨병 발병 위험도 산출 시스템, 산출 방법, 및 프로그램을 제공할 수 있다.
도 1은 본 발명의 일 실시예에 따른 당뇨병 발병 위험도 산출 시스템을 개략적으로 나타낸 블록도이다.
도 2는 대사 증후군 중증도를 3단계로 구분한 것을 예시적으로 나타낸 것이다.
도 3은 도 2의 대사 증후군 중증도에서 Multivariable Cox proportional hazards regression model을 바탕으로 당뇨병 발병 위험도를 산출한 것을 예시적으로 나타낸 것이다.
도 4는 본 발명의 일 실시예에 따른 당뇨병 발병 위험도 산출 방법을 개략적으로 나타낸 순서도이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 제한되는 것이 아니라 서로 다른 다양한 형태로, 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술 분야의 통상의 기술자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다. 명세서 전체에 걸쳐 동일한 도면 부호는 동일한 구성 요소를 지칭하며, "및/또는"은 언급된 구성요소들의 각각 및 하나 이상의 모든 조합을 포함한다. 비록 "제1", "제2" 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 구성요소는 본 발명의 기술적 사상 내에서 제2 구성요소일 수도 있음은 물론이다.
본 명세서에서 컴퓨터는 연산처리를 수행하여 사용자에게 결과를 시각적으로 제시할 수 있는 다양한 장치들이 모두 포함된다. 예를 들어, 컴퓨터는 데스크 탑 PC, 노트북(Note Book) 뿐만 아니라 스마트폰(Smart phone), 태블릿 PC, 셀룰러폰(Cellular phone), 피씨에스폰(PCS phone; Personal Communication Service phone), 동기식/비동기식 IMT-2000(International Mobile Telecommunication-2000)의 이동 단말기, 팜 PC(Palm Personal Computer), 개인용 디지털 보조기(PDA; Personal Digital Assistant) 등도 해당될 수 있다. 또한, 컴퓨터는 의료영상을 획득하거나 관찰하는 의료장비도 해당될 수 있다. 또한, 컴퓨터는 다양한 클라이언트 컴퓨터와 연결되는 서버 컴퓨터가 해당될 수 있다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야의 통상의 기술자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예를 상세하게 설명한다.
도 1은 본 발명의 일 실시예에 따른 당뇨병 발병 위험도 산출 시스템을 개략적으로 나타낸 블록도이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 당뇨병 발병 위험도 산출 시스템(10)은 분석 서버(100), 및 클라이언트(200)를 포함한다.
분석 서버(100)는 하나 이상의 컴퓨터로 구성된다. 분석 서버(100)는 대사 증후군의 발병 요인에 따른 입력 대사 증후군 발병 요인 값을 기반으로 대사 증후군 중증도를 산출한다. 분석 서버(100)는 대사 증후군 중증도에서 통계 기법을 당뇨병 발병 위험도를 산출한다.
본 명세서에서 대사 증후군의 발병 요인에서 "대사 증후군"이란 예를 들어, 고혈압, 이상지질혈증, 및 당뇨병 중 적어도 하나를 포함할 수 있다.
대사 증후군 발병 요인은 예를 들어, 공복 혈당, 수축기 혈압, 허리 둘레, 고밀도지단백, 및 중성 지방을 포함한다.
분석 서버(100)는 예를 들어, 한국유전체역학연구 코호트데이터를 통계적으로 분석하여 건강검진 데이터 기반의 대사증후군 중증도 수식 (하기의 수학식 1 또는 수학식 2)을 통해 대사 증후군 증증도를 산출하여 당뇨병 발명 위험도를 산출하는데 이용한다.분석 서버(100)는 예를 들어, 입력 대사 증후군 발병 요인 값이 40세 이상의 남자로부터 제공되는 경우, 하기의 수학식 1로 대사 증후군 중증도를 산출할 수 있다.
Figure PCTKR2022001184-appb-img-000001
상기 수학식 1에서, FPG는 공복혈당 (mg/dL), SBP는 수축기혈압 (mmHg), WC는 허리 둘레 (cm), HDL은 고밀도지단백 (mg/dL), TG는 중성지방 (mg/dL)이다.
분석 서버(100)는 예를 들어, 입력 대사 증후군 발병 요인 값이 40세 이상의 여자로부터 제공되는 경우, 하기의 수학식 2로 대사 증후군 중증도를 산출할 수 있다.
Figure PCTKR2022001184-appb-img-000002
상기 수학식 2에서, FPG는 공복혈당 (mg/dL), SBP는 수축기혈압 (mmHg), WC는 허리 둘레 (cm), HDL은 고밀도지단백 (mg/dL), TG는 중성지방 (mg/dL)이다.
분석 서버(100)는 예를 들어, 대사 증후군 중증도를 특정 범위로 구분하여, 통계 기법에 의해 당뇨병 발병 위험도를 산출할 수 있다. 분석 서버(100)는 예를 들어, 대사 증후군 중증도를 세 개의 범위로 구분하여, 통계 기법에 의해 당뇨병 발병 위험도를 산출할 수 있다. 예를 들어 도 2는, 40대 이상의 남자들, 및 40대 이상의 여자들을 대상으로 대사 증후군 발병 요인 값을 제공받아, 대사 증후군 중증도를 산출하고, 이를 3단계로 범위(분위)를 구분한 것을나타낸 것이다. 도 2의 R(ansung)은 시골을 의미하고, U (ansan)는 도시를 의미한다.
예를 들어, 40대 남성들을 대상으로한 대사 증후군 중증도는 1분위 그룹의 대사 증후군 중증도값 : -0.4869 미만 ; 2분위 그룹의 대사 증후군 중증도값 : -0.4868 이상 +0.1875 미만, 3분위 그룹의 대사 증후군 중증도값 : 0.1875 이상으로 구분할 수 있다. 예를 들어, 40대 여성들은 대상으로한 대사 증후군 중증도는 1분위 그룹의 대사 증후군 중증도값 : 0.0140 미만 ; 2분위 그룹의 대사 증후군 중증도값 : 0.0140 이상 0.7100 미만, 3분위 그룹의 대사 증후군 중증도값 : 0.7100 이상으로 구분할 수 있다.
통계 기법은 예를 들어, Multivariable Cox proportional hazards regression model일 수 있다. Cox proportional hazards regression model은 특정 변수들에 대한 상대적 위험(relative hazard)를 계산해주는 모델이다. 상기 모델을 통해, 복수 개의 혼란 변수들을 통제한 상태에서 어떤 집단의 생존 확률(또는 어떤 질환의 발생 확률), 예를 들어, T2DM의 발생 확률과 관련된 복수 개의 예후 변수들의 영향을 동시에 볼 수 있다.
도 3을 참조하면, 도 2의 대사 증후군 중증도에서 Multivariable Cox proportional hazards regression model을 바탕으로 당뇨병 발병 위험도를 산출한 것을 예시적으로 나타낸 것을 확인할 수 있다.
도 3에서는 혼란 변수의 영향을 보정한 모델 A, 모델 B, 및 모델 C에 따른 분석을 나타내었다. 모델 A는 지역 및 나이의 두 개의 혼란변수들만을 보정한 분석이고, 모델 B는 모델 A에 추가적으로, 음주 여부, 흡연 여부, 운동 여부, 가족력의 혼란 변수들의 영향을 추가로 보정한 분석이고, 모델 C는 모델 B에 BMI라는 혼란 변수를 추가로 보정한 분석이다. 본 발명의 일 실시예에 따른 당뇨병 발병 위험도 산출 시스템은 혼란 변수들을 최대한 보정한 모델 C를 기준으로 삼은 것일 수 있다.
예를 들어, 도 2 및 도 3을 참조하면, Reference group인 1분위 그룹에 비해 남자 2분위 그룹의 경우 당뇨병이 발생할 확률이 1.53배, 3분위 그룹의 경우 3.01배, 여자 2분위 그룹의 경우 당뇨병이 발생할 확률이 2.00배, 3분위 그룹의 경우 3.98배라고 해석할 수 있다.
예를 들어, 여자 45세 개인의 대사 증후군 중증도 값이 0.57 이라고 계산되었다면 대사 증후군 중증도 2분위 그룹에 해당되어 대사 증후군 중증도 값이 0.0140 미만인 사람들에 비해 당뇨병 발생 위험도가 2배 정도가 된다고 해석할 수 있다.
다시 도 1을 참조하면, 당뇨병 발병 위험도는 예를 들어, 당뇨병의 발병 시기 및 당뇨병의 발병률 중 적어도 하나를 포함할 수 있다.
본 발명의 일 실시예에 따른 당뇨병 발병 위험도 산출 시스템(10)은 하나 이상의 컴퓨터에 의해, 딥러닝 학습 모델을 이용하여, 당뇨병 발병 위험도를 산출할 수 있다.
이하에서는 딥러닝 학습 모델에 대하여 설명한다.
분석 서버(100)는 하나 이상의 컴퓨터로 구성되어 딥러닝 학습 모델을 형성하여, 입력 대사 증후군 발병 요인 값 또는 산출된 대사 증후군 중증도를 기반으로 당뇨병 발병 위험도가 어느 정도인지 판단하는 역할을 수행한다.
일 실시예로, 분석 서버(100)는 복수의 딥러닝 학습 모델을 형성할 수도 있다. 예를 들어, 입력 대사 증후군 발병 요인 값을 기반으로, 대사 증후군 중증도를 산출하는 제1 딥러닝 학습 모델, 및 또는 산출된 대사 증후군 중증도를 기반으로 당뇨병 발병 위험도가 어느 정도인지 판단하는 제2 딥런링 학습 모델을 포함할 수 있다.
본 발명의 실시예들에 따른 딥러닝 학습 모델은, 하나 이상의 컴퓨터 내에 하나 이상의 레이어(Layer)를 구축하여 복수의 데이터를 바탕으로 판단을 수행하는 시스템 또는 네트워크를 의미한다. 예를 들어, 딥러닝 학습 모델은 컨볼루션 풀링층(Convolutional Pooling Layer), 로컬 접속층(a locally-connected layer) 및 완전 연결층(fully-connected layer)을 포함하는 층들의 세트로 구현될 수 있다. 컨볼루션 풀링층 또는 로컬 접속층은 영상 내 특징들을 추출하도록 구성될 수 있다. 완전 연결층은 영상의 특징 간의 상관 관계를 결정할 수 있다. 일부 실시예에서, 딥러닝 학습 모델의 전체적인 구조는 컨볼루션 풀링층에 로컬 접속층이 이어지고, 로컬 접속층에 완전 연결층이 이러지는 형태로 이루어질 수 있다. 딥러닝 학습 모델은 다양한 판단 기준(즉, 파라미터(Parameter))를 포함할 수 있고, 입력되는 영상 분석을 통해 새로운 판단 기준(즉, 파라미터)를 추가할 수 있다. 파라미터들은 예를 들어, 공복 혈당, 수축기 혈압, 허리 둘레, 고밀도지단백, 및 중성 지방을 포함할 수 있다. 파라미터는 예를 들어, HDL(High-Density Lipoprotein) 콜레스테롤 값, 음주 여부, 흡연 여부, 운동 여부, 가족력, 과거 병력, 현재 병력, BMI, 나이, 키, 체중, 및 거주 환경 중 적어도 하나를 더 포함할 수 있다.
본 발명의 실시예들에 따른 딥러닝 학습 모델은 영상 분석에 적합한 콘볼루셔널 신경망이라고 부르는 구조로서, 주어진 영상 데이터들로부터 가장 분별력(Discriminative Power)가 큰 특징을 스스로 학습하는 특징 추출층(Feature Extraction Layer)와 추출된 특징을 기반으로 가장 높은 산출 성능을 내도록 산출 모델을 학습하는 산출층(Prediction Layer)이 통합된 구조로 구성될 수 있다.
특징 추출층은 영상의 각 영역에 대해 복수의 필터를 적용하여 특징 지도(Feature Map)를 만들어 내는 콘볼루션층(Convolution Layer)과 특징 지도를 공간적으로 통합함으로써 위치나 회전의 변화에 불변하는 특징을 추출할 수 있도록 하는 통합층(Pooling Layer)을 번갈아 수 차례 반복하는 구조로 형성될 수 있다. 이를 통해, 점, 선, 면 등의 낮은 수준의 특징에서부터 복잡하고 의미 있는 높은 수준의 특징까지 다양한 수준의 특징을 추출해낼 수 있다.
콘볼루션층은 입력 영상의 각 패치에 대하여 필터와 국지 수용장(Local Receptive Field)의 내적에 비선형 활성 함수(Activation Function)을 취함으로 서 특징 지도(Feature Map)를 구하게 되는데, 다른 네트워크 구조와 비교하여, CNN은 희소한 연결성 (Sparse Connectivity)과 공유된 가중치(Shared Weights)를 가진 필터를 사용하는 특징이 있다. 이러한 연결 구조는 학습할 모수의 개수를 줄여주고, 역전파 알고리즘을 통한 학습을 효율적으로 만들어 결과적으로 산출 성능을 향상시킨다.
통합층(Pooling Layer 또는 Sub-sampling Layer)은 이전 콘볼루션층에서 구해진 특징 지도의 지역 정보를 활용하여 새로운 특징 지도를 생성한다. 일반적으로 통합층에 의해 새로 생성된 특징 지도는 원래의 특징 지도보다 작은 크기로 줄어드는데, 대표적인 통합 방법으로는 특징 지도 내 해당 영역의 최대값을 선택하는 최대 통합(Max Pooling)과 특징 지도 내 해당 영역의 평균값을 구하는 평균 통합(Average Pooling) 등이 있다. 통합층의 특징 지도는 일반적으로 이전층의 특징 지도보다 입력 영상에 존재하는 임의의 구조나 패턴의 위치에 영향을 적게 받을 수 있다. 즉, 통합층은 입력 영상 혹은 이전 특징 지도에서의 노이즈나 왜곡과 같은 지역적 변화에 보다 강인한 특징을 추출할 수 있게 되고, 이러한 특징은 분류 성능에 중요한 역할을 할 수 있다. 또 다른 통합층의 역할은, 깊은 구조상에서 상위의 학습층으로 올라갈수록 더 넓은 영역의 특징을 반영할 수 있게 하는 것으로서, 특징 추출층이 쌓이면서, 하위층에서는 지역적인 특징을 반영하고 상위층으로 올라 갈수록 보다 추상적인 전체 영상의 특징을 반영하는 특징 생성할 수 있다.
이와 같이, 콘볼루션층과 통합층의 반복을 통해 최종적으로 추출된 특징은 다중 신경망(MLP: Multi-layer Perception)이나 서포트 벡터 머신(SVM: Support Vector Machine)과 같은 분류 모델이 완전 연결층(Fully-connected Layer)의 형태로 결합되어 분류 모델 학습 및 산출에 사용될 수 있다.
다만, 본 발명의 실시예들에 따른 딥러닝 학습 모델의 구조는 이에 한정되지 아니하고, 다양한 구조의 신경망으로 형성될 수 있다.
클라이언트(200)는 입력 대사 증후군 발병 요인 값을 입력받아, 분석 서버(100)에 제공한다. 클라이언트(200)는 분석 서버(100)로부터 당뇨병 발병 위험도를 제공받아 출력한다.
클라이언트(200)는 입력 장치(210) 및 출력 장치(220)를 포함할 수 있다. 입력 장치(210) 및 출력 장치(220)는 하나의 장치로 구현될 수도 있고, 서로 별개의 장치로 구현될 수도 있다.
입력 장치(210)는 대사 증후군 발병 요인을 입력받아, 이에 대응하는 입력 대사 증후군 발병 요인 값을 분석 서버(100)로 전송하는 장치일 수 있다.
일 실시예로 입력 장치(210)는 당뇨병 발병 위험도를 분석해야 하는 사용자의 혈액을 제공받아, 대사 증후군 발병 요인들을 산출할 수도 있다.
입력 장치(210)는 한 개일 수도 있고, 복수 개일 수도 있다.
출력 장치(220)는 분석 서버(100)로부터 당뇨병 발병 위험도 결과를 수신하여, 다양한 방식으로 사용자에게 판단 결과를 제공할 수 있다. 예를 들어, 출력 장치(220)는 디스플레이부를 구비하여, 당뇨병 발병 위험도를 시각적으로 표시하여 사용자에게 제공할 수 있다.
또한, 당뇨병 발병 위험도가 높다는 판단 결과를 수신하는 경우, 출력 장치(220)는 진동을 발생하여 사용자에게 당뇨병 발병 위험도가 높음을 알릴 수도 있다.
다만, 출력 장치(220)가 사용자에게 당뇨병 발병 위험도의 판단 결과를 제공하는 방식은 이에 한정되지 아니하고, 음향 출력 등의 사용자에게 제공할 수 있는 다양한 출력 방식을 활용할 수 있다. 또한, 본 발명의 일실시예에 따른 출력 장치(220)는 이동 단말기를 포함할 수 있다.
출력 장치(220)는 한 개일 수도 있고, 복수 개일 수도 있다.
이하에서는 본 발명의 일 실시예에 따른 당뇨병 발병 위험도 산출 방법에 대하여 설명한다. 이하에서는 앞서 언급한 본 발명의 일 실시예에 따른 당뇨병 발병 위험도 산출 시스템과의 차이점에 대하여 구체적으로 설명하고, 설명하지 않은 부분은 본 발명의 일 실시예에 따른 당뇨병 발병 위험도 산출 시스템과 동일할 수 있다.
도 4는 본 발명의 일 실시예에 따른 당뇨병 발병 위험도 산출 방법을 개략적으로 나타낸 순서도이다.
도 1 및 도 4를 참조하면, 본 발명의 일 실시예에 따른 당뇨병 발병 위험도 산출 방법은 대사 증후군의 발병 요인에 대한 입력 대사 증후군 발병 요인 값을 획득하는 단계(S100), 대사 증후군 중증도 산출 단계(S200), 및 당뇨병 발병 위험도 산출 단계(S300)를 포함한다.
대사 증후군의 발병 요인에 대한 입력 대사 증후군 발병 요인 값을 획득한다(S100). 입력 대사 증후군 발병 요인 값은 클라이언트(200)에서 입력되어, 분석 서버(100)로 제공될 수 있다. 입력 대사 증후군 발병 요인 값은 입력 장치(210)에 입력되어, 분석 서버(100)로 제공될 수 있다.
입력 대사 증후군 발병 요인 값을 기반으로 대사 증후군 중증도를 산출한다(S200). 대사 증후군 중증도 산출 단계(S200)는 분석 서버(100)에서 수행될 수 있다.
일 실시예로, 대사 증후군 중증도 산출 단계(S200)는 한국유전체역학연구 코호트(Ansung-Ansan cohort) 데이터를 기반으로 도출된 대사증후군 중증도 수식을 통해 대사 증후군 증증도를 산출할 수 있다.
일 실시예로, 대사 증후군 중증도 산출 단계(S200)는 입력 대사 증후군 발병 요인 값이 40세 이상의 남자로부터 제공되는 경우, 앞에서 설명된 수학식 1로 대사 증후군 중증도를 산출할 수 있다.
일 실시예로, 대사 증후군 중증도 산출 단계(S200)는 입력 대사 증후군 발병 요인 값이 40세 이상의 여자로부터 제공되는 경우, 앞에서 설명된 수학식 2로 대사 증후군 중증도를 산출할 수 있다.
대사 증후군 중증도에서 통계 기법으로, 당뇨병 발병 위험도를 산출한다(S300). 당뇨병 발병 위험도는 분석 장치(100)에서 출력 장치(220)로 제공될 수 있다. 출력 장치(220)는 입력 장치(210)와 하나의 장치로 구현될 수도 있고, 서로 별개의 장치로 구현될 수도 있다.
일 실시예로, 당뇨병 발병 위험도 산출 단계(S300)는 대사 증후군 중증도를 특정 범위로 구분하여, 통계 기법에 의해 당뇨병 발병 위험도를 산출할 수 있다.
일 실시예로, 당뇨병 발병 위험도 산출 단계(S300)는 대사 증후군 중증도를 세 개의 범위로 구분하여, 통계 기법에 의해 당뇨병 발병 위험도를 산출할 수 있다. 예를 들어 도 2는, 40대 이상의 남자들, 및 40대 이상의 여자들을 대상으로 대사 증후군 발병 요인 값을 제공받아, 상기 식 1 및 상기 식 2를 상기 코흐트 데이터에 포함되는 개인들에게 적용하여 대사 증후군 중증도를 산출하고, 이를 3단계로 범위를 구분한 것을나타낸 것이다.
예를 들어, 40대 남성들을 대상으로한 대사 증후군 중증도는 1분위 그룹의 대사 증후군 중증도값 : -0.4869 미만 ; 2분위 그룹의 대사 증후군 중증도값 : -0.4868 이상 +0.1875 미만, 3분위 그룹의 대사 증후군 중증도값 : 0.1875 이상으로 구분할 수 있다. 예를 들어, 40대 여성들은 대상으로한 대사 증후군 중증도는 1분위 그룹의 대사 증후군 중증도값 : 0.0140 미만 ; 2분위 그룹의 대사 증후군 중증도값 : 0.0140 이상 0.7100 미만, 3분위 그룹의 대사 증후군 중증도값 : 0.7100 이상으로 구분할 수 있다.
일 실시예로, 당뇨병 발병 위험도 산출 단계(S300)에서 사용되는 통계 기법은 Multivariable Cox proportional hazards regression model일 수 있다. Cox proportional hazards regression model은 특정 변수들에 대한 상대적 위험(relative hazard)를 계산해주는 모델이다. 상기 모델을 통해, 복수 개의 혼란 변수들을 통제한 상태에서 어떤 집단의 생존 확률(또는 어떤 질환의 발생 확률), 예를 들어, T2DM의 발생 확률과 관련된 복수 개의 예후 변수들의 영향을 동시에 볼 수 있다.
도 3을 참조하면, 도 2의 대사 증후군 중증도에서 Multivariable Cox proportional hazards regression model을 바탕으로 당뇨병 발병 위험도를 산출한 것을 예시적으로 나타낸 것을 확인할 수 있다.
예를 들어, 도 2 및 도 3을 참조하면, Reference group인 1분위 그룹에 비해 남자 2분위 그룹의 경우 당뇨병이 발생할 확률이 1.53배, 3분위 그룹의 경우 3.01배, 여자 2분위 그룹의 경우 당뇨병이 발생할 확률이 2.00배, 3분위 그룹의 경우 3.98배라고 해석할 수 있다.
예를 들어, 여자 45세 개인의 대사 증후군 중증도 값이 0.57 이라고 계산되었다면 대사 증후군 중증도 2분위 그룹에 해당되어 대사 증후군 중증도 값이 0.0140 미만인 사람들에 비해 당뇨병 발생 위험도가 2배 정도가 된다고 해석할 수 있다.
일 실시예로, 당뇨병 발병 위험도 산출 단계(S300)는 하나 이상의 컴퓨터에 의해, 딥러닝 학습 모델을 이용하여, 입력 대사 증후군 발병 요인 값 및 대사 증후군 중증도 및 적어도 하나 및 당뇨병 발병 위험도를 데이터셋으로 학습하는 학습 단계, 및 딥러닝 학습 모델로 당뇨병 발병 위험도를 산출하는 단계를 포함할 수 있다.
일 실시예로, 당뇨병 발병 위험도 산출 단계(S300)는 하나 이상의 컴퓨터에 의해, 딥러닝 학습 모델을 이용하여, 대사 증후군 중증도 및 당뇨병 발병 위험도를 데이터셋으로 학습하는 학습 단계, 및 딥러닝 학습 모델로 당뇨병 발병 위험도를 산출하는 단계를 포함할 수 있다.
당뇨병 발병 위험도는 예를 들어, 앞서 언급한 딥러닝 학습 모델의 파라미터들로 판단될 수 있다.
본 발명의 일 실시예에 따른 당뇨병 발병 위험도 산출 방법은, 하드웨어인 컴퓨터와 결합되어 실행되기 위해 프로그램(또는 어플리케이션)으로 구현되어 당뇨병 발병 위험도 산출 시스템에 포함되는 매체에 저장될 수 있다.
프로그램은, 컴퓨터가 프로그램을 읽어 들여 프로그램으로 구현된 방법들을 실행시키기 위하여, 컴퓨터의 프로세서(CPU)가 컴퓨터의 장치 인터페이스를 통해 읽힐 수 있는 C, C++, JAVA, 기계어 등의 컴퓨터 언어로 코드화된 코드(Code)를 포함할 수 있다. 이러한 코드는 방법들을 실행하는 필요한 기능들을 정의한 함수 등과 관련된 기능적인 코드(Functional Code)를 포함할 수 있고, 기능들을 컴퓨터의 프로세서가 소정의 절차대로 실행시키는데 필요한 실행 절차 관련 제어 코드를 포함할 수 있다. 또한, 이러한 코드는 기능들을 컴퓨터의 프로세서가 실행시키는데 필요한 추가 정보나 미디어가 컴퓨터의 내부 또는 외부 메모리의 어느 위치(주소 번지)에서 참조되어야 하는지에 대한 메모리 참조관련 코드를 더 포함할 수 있다. 또한, 컴퓨터의 프로세서가 기능들을 실행시키기 위하여 원격(Remote)에 있는 어떠한 다른 컴퓨터나 서버 등과 통신이 필요한 경우, 코드는 컴퓨터의 통신 모듈을 이용하여 원격에 있는 어떠한 다른 컴퓨터나 서버 등과 어떻게 통신해야 하는지, 통신 시 어떠한 정보나 미디어를 송수신해야 하는지 등에 대한 통신 관련 코드를 더 포함할 수 있다.
저장되는 매체는, 레지스터, 캐쉬, 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 구체적으로는, 저장되는 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장장치 등이 있지만, 이에 제한되지 않는다. 즉, 프로그램은 컴퓨터가 접속할 수 있는 다양한 서버 상의 다양한 기록매체 또는 사용자의 컴퓨터상의 다양한 기록매체에 저장될 수 있다. 또한, 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장될 수 있다.
본 발명의 일 실시예에 따른 당뇨병 발병 위험도 산출 시스템, 산출 방법, 및 프로그램은 대사 증후군의 발병 요인들을 기반으로 대사 증후군 중증도를 산출하고, 산출된 대사 증후군 중증도를 기반으로 당뇨병 발병 위험도를 인식 또는 산출함에 따라, 정확도가 높고, 신속하게 위험 상황을 사전에 예방할 수 있다.
이상, 첨부된 도면을 참조로 하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야의 통상의 기술자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로, 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며, 제한적이 아닌 것으로 이해해야만 한다.

Claims (19)

  1. 하나 이상의 컴퓨터로 구성되고, 대사 증후군의 발병 요인에 대한 입력 대사 증후군 발병 요인 값을 기반으로 대사 증후군 중증도를 산출하고, 상기 산출된 대사 증후군 중증도에서 통계 기법을 기반으로 당뇨병 발병 위험도를 산출하는 분석 서버; 및
    상기 분석 서버와 연결된 클라이언트;를 포함하고,
    상기 클라이언트는
    상기 입력 대사 증후군 발병 요인 값을 입력받아, 상기 분석 서버에 제공하고,
    상기 분석 서버로부터 상기 당뇨병 발병 위험도를 제공받아 출력하고,
    상기 대사 증후군 발병 요인은
    공복 혈당, 수축기 혈압, 허리 둘레, 고밀도지단백, 및 중성 지방을 포함하는 당뇨병 발병 위험도 산출 시스템.
  2. 제1항에 있어서,
    상기 분석 서버는
    한국유전체역학연구 코호트데이터를 통계적으로 분석하여 대사 증후군 중증도 수식을 통해 당뇨병 발병 위험도를 산출하는 당뇨병 발병 위험도 산출 시스템.
  3. 제2항에 있어서,
    상기 분석 서버는
    상기 입력 대사 증후군 발병 요인 값이 40세 이상의 남자로부터 제공되는 경우, 하기의 수학식 1을 기반으로 상기 당뇨병 발병 위험도를 산출하는 당뇨병 발병 위험도 산출 시스템.
    [수학식 1]
    Figure PCTKR2022001184-appb-img-000003
    상기 수학식 1에서, FPG는 공복혈당 (mg/dL), SBP는 수축기혈압 (mmHg), WC는 허리 둘레 (cm), HDL은 고밀도지단백 (mg/dL), TG는 중성지방 (mg/dL)이다.
  4. 제2항에 있어서,
    상기 분석 서버는
    상기 입력 대사 증후군 발병 요인 값이 40세 이상의 여자로부터 제공되는 경우, 하기의 수학식 2를 기반으로 상기 당뇨병 발병 위험도를 산출하는 당뇨병 발병 위험도 산출 시스템.
    [수학식 2]
    Figure PCTKR2022001184-appb-img-000004
    상기 수학식 2에서, FPG는 공복혈당 (mg/dL), SBP는 수축기혈압 (mmHg), WC는 허리 둘레 (cm), HDL은 고밀도지단백 (mg/dL), TG는 중성지방 (mg/dL)이다.
  5. 제1항에 있어서,
    상기 분석 서버는
    상기 대사 증후군 중증도를 특정 범위로 구분하여, 상기 통계 기법에 의해 상기 당뇨병 발병 위험도를 산출하는 당뇨병 발병 위험도 산출 시스템.
  6. 제1항에 있어서,
    상기 통계 기법은
    Multivariable Cox proportional hazards regression model인 당뇨병 발병 위험도 산출 시스템.
  7. 제1항에 있어서,
    상기 분석 서버는
    딥러닝 학습 모델을 이용하여, 상기 대사 증후군 중증도 및 상기 당뇨병 발병 위험도를 데이터셋으로 학습하고,
    상기 딥러닝 학습 모델로 상기 당뇨병 발병 위험도를 산출하는 당뇨병 발병 위험도 산출 시스템.
  8. 제1항에 있어서,
    상기 당뇨병 발병 위험도는
    상기 당뇨병의 발병 시기 및 상기 당뇨병의 발병률 중 적어도 하나를 포함하는 당뇨병 발병 위험도 산출 시스템.
  9. 제1항에 있어서,
    상기 클라이언트는
    상기 입력 대사 증후군 발병 요인 값을 입력받아, 상기 분석 서버에 제공하는 입력 장치; 및
    상기 분석 서버로부터 상기 당뇨병 발병 위험도를 제공받아 출력하는 출력 장치를 포함하는 당뇨병 발병 위험도 산출 시스템.
  10. 대사 증후군의 발병 요인에 대한 입력 대사 증후군 발병 요인 값을 획득하는 단계;
    상기 입력 대사 증후군 발병 요인 값을 기반으로 대사 증후군 중증도를 산출하는 대사 증후군 중증도 산출 단계; 및
    상기 대사 증후군 중증도에서 통계 기법을 기반으로, 당뇨병 발병 위험도를 산출하는 당뇨병 발병 위험도 산출 단계;를 포함하고,
    상기 대사 증후군 발병 요인은
    공복 혈당, 수축기 혈압, 허리 둘레, 고밀도지단백, 및 중성 지방을 포함하는 당뇨병 발병 위험도 산출 방법.
  11. 제10항에 있어서,
    상기 당뇨병 발병 위험도는
    한국유전체역학연구 코호트데이터를 통계적으로 분석하여 대사 증후군 중증도 수식을 통해 산출되는 당뇨병 발병 위험도 산출 방법.
  12. 제11항에 있어서,
    상기 당뇨병 발병 위험도는
    상기 입력 대사 증후군 발병 요인 값이 40세 이상의 남자로부터 제공되는 경우, 하기의 수학식 1을 기반으로 산출되는 당뇨병 발병 위험도 산출 방법.
    [수학식 1]
    Figure PCTKR2022001184-appb-img-000005
    상기 수학식 1에서, FPG는 공복혈당 (mg/dL), SBP는 수축기혈압 (mmHg), WC는 허리 둘레 (cm), HDL은 고밀도지단백 (mg/dL), TG는 중성지방 (mg/dL)이다.
  13. 제11항에 있어서,
    상기 당뇨병 발병 위험도는
    상기 입력 대사 증후군 발병 요인 값이 40세 이상의 여자로부터 제공되는 경우, 하기의 수학식 2를 기반으로 산출되는 당뇨병 발병 위험도 산출 방법.
    [수학식 2]
    Figure PCTKR2022001184-appb-img-000006
    상기 수학식 2에서, FPG는 공복혈당 (mg/dL), SBP는 수축기혈압 (mmHg), WC는 허리 둘레 (cm), HDL은 고밀도지단백 (mg/dL), TG는 중성지방 (mg/dL)이다.
  14. 제10항에 있어서,
    상기 당뇨병 발병 위험도 산출 단계는
    상기 대사 증후군 중증도를 특정 범위로 구분하여, 상기 통계 기법에 의해 상기 당뇨병 발병 위험도를 산출하는 당뇨병 발병 위험도 산출 방법.
  15. 제10항에 있어서,
    상기 통계 기법은
    Multivariable Cox proportional hazards regression model인 당뇨병 발병 위험도 산출 방법.
  16. 제10항에 있어서,
    상기 당뇨병 발병 위험도 산출 단계는
    딥러닝 학습 모델을 이용하여, 상기 대사 증후군 중증도 및 상기 당뇨병 발병 위험도를 데이터셋으로 학습하고,
    상기 딥러닝 학습 모델로 상기 당뇨병 발병 위험도를 산출하는 당뇨병 발병 위험도 산출 방법.
  17. 제10항에 있어서,
    상기 당뇨병 발병 위험도는
    상기 당뇨병의 발병 시기 및 상기 당뇨병의 발병률 중 적어도 하나를 포함하는 당뇨병 발병 위험도 산출 방법.
  18. 제10항에 있어서,
    상기 산출된 당뇨병 발병 위험도를 제공받아 출력하는 단계를 더 포함하는 당뇨병 발병 위험도 산출 방법.
  19. 하드웨어인 컴퓨터와 결합되어, 제10항 내지 제18항의 당뇨병 발병 위험도 산출 방법을 실행시키기 위하여 컴퓨터 판독 가능한 기록매체에 저장된, 당뇨병 발병 위험도 산출 프로그램.
PCT/KR2022/001184 2021-02-04 2022-01-24 당뇨병 발병 위험도 산출 시스템, 산출 방법 및 프로그램 Ceased WO2022169149A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020210016366A KR102599840B1 (ko) 2021-02-04 2021-02-04 당뇨병 발병 위험도 산출 시스템, 산출 방법, 및 프로그램
KR10-2021-0016366 2021-02-04

Publications (1)

Publication Number Publication Date
WO2022169149A1 true WO2022169149A1 (ko) 2022-08-11

Family

ID=82741306

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2022/001184 Ceased WO2022169149A1 (ko) 2021-02-04 2022-01-24 당뇨병 발병 위험도 산출 시스템, 산출 방법 및 프로그램

Country Status (2)

Country Link
KR (1) KR102599840B1 (ko)
WO (1) WO2022169149A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050032066A1 (en) * 2003-08-04 2005-02-10 Heng Chew Kiat Method for assessing risk of diseases with multiple contributing factors
KR20140136879A (ko) * 2013-05-20 2014-12-01 드림비전스주식회사 대사증후군 분석 장치 및 그 방법
KR20170060557A (ko) * 2015-11-23 2017-06-01 한국전자통신연구원 건강 관리 장치 및 그것의 미래 건강 예측 방법
KR20180036229A (ko) * 2016-09-30 2018-04-09 주식회사 셀바스에이아이 질병에 대한 발병 확률 예측 방법 및 장치
KR20180079208A (ko) * 2016-12-30 2018-07-10 서울대학교산학협력단 대사이상 질환의 질병 위험도를 예측하는 장치 및 방법

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102124249B1 (ko) 2018-06-29 2020-06-17 계명대학교 산학협력단 건강 관련 앱과 웨어러블 기기를 이용한 성인초기 대상자를 위한 대사증후군 예방 프로그램

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050032066A1 (en) * 2003-08-04 2005-02-10 Heng Chew Kiat Method for assessing risk of diseases with multiple contributing factors
KR20140136879A (ko) * 2013-05-20 2014-12-01 드림비전스주식회사 대사증후군 분석 장치 및 그 방법
KR20170060557A (ko) * 2015-11-23 2017-06-01 한국전자통신연구원 건강 관리 장치 및 그것의 미래 건강 예측 방법
KR20180036229A (ko) * 2016-09-30 2018-04-09 주식회사 셀바스에이아이 질병에 대한 발병 확률 예측 방법 및 장치
KR20180079208A (ko) * 2016-12-30 2018-07-10 서울대학교산학협력단 대사이상 질환의 질병 위험도를 예측하는 장치 및 방법

Also Published As

Publication number Publication date
KR102599840B1 (ko) 2023-11-07
KR20220112616A (ko) 2022-08-11

Similar Documents

Publication Publication Date Title
WO2022114791A1 (ko) 빅데이터 기반의 질환 발병 위험도 예측 시스템, 예측 방법, 및 프로그램
CN113921141B (zh) 一种个体慢病演进风险可视化评估方法及系统
WO2021104323A1 (zh) 用于确定文本相似度的方法、获取语义答案文本的方法及问答方法
WO2017022908A1 (ko) 심층신경망을 이용한 골 연령 산출방법 및 프로그램
WO2019035639A1 (ko) 딥러닝 기반의 패혈증 조기 감지방법 및 프로그램
CN118352083A (zh) 一种孕期心理健康ai辅助评估方法及系统
CN116844080B (zh) 疲劳程度多模态融合检测方法、电子设备及存储介质
CN113284136A (zh) 一种双损失函数训练的残差网络和XGBoost的医学图像分类方法
US12586184B2 (en) Methods and apparatus for analyzing pathology patterns of whole-slide images based on graph deep learning
CN113707323A (zh) 基于机器学习的疾病预测方法、装置、设备及介质
KR102793923B1 (ko) 딥러닝 학습 모델을 이용한 당뇨병 발병 위험도 예측 시스템, 방법 및 프로그램
WO2022169149A1 (ko) 당뇨병 발병 위험도 산출 시스템, 산출 방법 및 프로그램
CN115607113A (zh) 基于深度学习模型的冠心病患者手诊数据处理方法及其系统
CN115938593B (zh) 病历信息的处理方法、装置、设备及计算机可读存储介质
CN118760850B (zh) 一种老年综合评估的数字筛查及远程检测方法
KR102954709B1 (ko) 그래프 딥 러닝에 기반한 전체 슬라이드 이미지의 병리학 패턴 분석 방법 및 장치
CN121096557B (zh) 一种用于航空医疗救护的处理方法及装置
WO2026005531A1 (ko) 기생충에 의한 질환 발병율 예측 방법 및 장치
Giri et al. Cerebral Autonomy: An AI-Driven Voice-Based System for Emotional Monitoring and Parkinson's Disease Prediction
CN120236741A (zh) 一种融合多模态数据的抑郁症检测方法
WO2025121504A1 (ko) 혈당 및 개인화 데이터를 이용한 혈당 위험 예측 및 관리 시스템
CN120983192A (zh) 假肢控制方法、装置、假肢控制设备及存储介质
Adinaarayana et al. An Efficient and User-Friendly Hybrid Approach for Classifying and Predicting Cardiovascular Disease Risks
WO2025052347A1 (ko) 심전도 데이터를 이용하여 대상자의 심장 질환을 분류하는 방법 및 분석장치
WO2022177045A1 (ko) 심장질환의 유무를 분류하는 장치 및 방법

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: 22749903

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: 22749903

Country of ref document: EP

Kind code of ref document: A1