WO2022196944A1 - 조기 발작의 재발 예측 방법 및 장치 - Google Patents

조기 발작의 재발 예측 방법 및 장치 Download PDF

Info

Publication number
WO2022196944A1
WO2022196944A1 PCT/KR2022/002016 KR2022002016W WO2022196944A1 WO 2022196944 A1 WO2022196944 A1 WO 2022196944A1 KR 2022002016 W KR2022002016 W KR 2022002016W WO 2022196944 A1 WO2022196944 A1 WO 2022196944A1
Authority
WO
WIPO (PCT)
Prior art keywords
recurrence
weight
early
seizures
prediction equation
Prior art date
Application number
PCT/KR2022/002016
Other languages
English (en)
French (fr)
Inventor
최준영
고승연
이성은
박주민
김태준
Original Assignee
아주대학교산학협력단
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
Priority claimed from KR1020220016861A external-priority patent/KR20220129462A/ko
Application filed by 아주대학교산학협력단 filed Critical 아주대학교산학협력단
Publication of WO2022196944A1 publication Critical patent/WO2022196944A1/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • 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
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • 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
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders

Definitions

  • the present invention relates to a method and apparatus for predicting recurrence of early seizures.
  • seizures Patients who visit the emergency room for convulsions and seizures (hereinafter collectively referred to as seizures) are 1 ⁇ 2% of patients who use the emergency room and 5% of those who use 119. Seizures are a common neurological symptom. Some of the adult patients who visit the emergency room for seizures recur as an early complication, so it is necessary to stay in the emergency room for several hours to a day to continuously check the patient's condition.
  • the patient in order to continuously check the patient's condition for a period of several hours to a day, the patient must reside in the emergency room, and a minimum number of medical staff must monitor the patient's condition, which reduces the medical efficiency in the emergency room. This may happen.
  • Embodiments of the present invention for solving these problems of the prior art, by extracting risk factors related to the recurrence of early seizures that may appear during the period of stay in the emergency room from patients who came to the emergency room for seizures to predict the recurrence of early seizures.
  • a method for predicting early seizure recurrence includes: collecting, by an electronic device, medical treatment data for patients hospitalized for seizure; , generating, by the electronic device, a first prediction equation for early seizure recurrence using a logistic regression equation, and the electronic device generates a second prediction equation for early seizure recurrence using a regression equation using machine learning and confirming, by the electronic device, a recurrence rate for the early seizure recurrence by applying the derived set and the verification set to the first prediction equation and the second prediction equation, respectively.
  • the generating of the first predictive formula includes, from the derived set, whether the anticonvulsant drug is taken, the number of seizures occurring within a critical time, systolic blood pressure, hemoglobin level, blood sugar concentration, blood uric acid concentration, blood potassium concentration, and blood It is characterized in that the step of generating the first predictive formula by extracting the risk factors including the lactic acid concentration.
  • the step of generating the second prediction formula includes: age, whether or not to take anticonvulsants from the derived set, the number of seizures occurring within a critical time, systolic blood pressure, GCS (glasgow coma scale) score at the time of visit, blood hemoglobin concentration, blood sugar It is characterized in that the step of generating the second prediction formula by extracting risk factors including the concentration, the concentration of uric acid in the blood, and the concentration of lactic acid in the blood.
  • the generating of the second prediction equation is characterized in that the generating of the second prediction equation using a random forest technique.
  • whether the anticonvulsant agent is taken is whether two or more of the anticonvulsants are taken, and the number of seizures occurring within the critical time is characterized in that the number of seizures is two or more.
  • the generating of the first prediction equation is characterized in that the step of generating the first prediction equation by multiplying each of the risk factors by a weight.
  • the weight for whether to take the anticonvulsant drug is 0.3 to 1.8
  • the weight for the number of seizures occurring within the threshold time is 0.5 to 3.0
  • the weight to the systolic blood pressure is 0.005 to 0.05
  • the weight to the hemoglobin level is 0.1 to 0.5
  • the weight for the blood glucose concentration is 0.001 to 0.01
  • the weight to the uric acid concentration in the blood is 0.005 to 0.4
  • the weight to the potassium concentration in the blood is 0.2 to 0.1
  • the weight to the lactate concentration in the blood is 0.05 to It is characterized as 0.4.
  • the generating of the second prediction equation is characterized in that the step of generating the second prediction equation by multiplying each of the risk factors by a weight.
  • the weight for age is 0.001 to 0.01
  • the weight to whether the anticonvulsant is taken is 0.4 to 2.0
  • the weight to the number of seizures occurring within the critical time is 0.5 to 3.0
  • the weight to the systolic blood pressure is 0.05 to 0.1
  • the weight for the GCS score at the time of visit is 0.01 to 0.1
  • the weight for the hemoglobin concentration in the blood is 0.1 to 0.5
  • the weight to the blood glucose concentration is 0.0001 to 0.01
  • the weight to the uric acid concentration in the blood is 0.03 to 0.2
  • the weight for the concentration of lactic acid in the blood is characterized in that 0.05 to 0.5.
  • the step of determining the relapse rate for early seizure relapse may include calculating sensitivity and specificity by applying each of the derived set and the verification set to the first prediction equation and the second prediction equation. do it with
  • the step of confirming the recurrence rate for early seizure recurrence is characterized in that the step of checking the recurrence rate for the early seizure recurrence by classifying the patients included in the derived set and the verification set into quartiles.
  • the apparatus for predicting early seizure recurrence builds a memory for storing medical treatment data for patients hospitalized for seizures, a derivation set and a verification set with the medical data, and uses a logistic regression equation to generate a first prediction equation for early seizure recurrence, generate a second prediction equation for the early seizure recurrence using a regression equation using machine learning, and derive the first prediction equation and the second prediction equation and a control unit configured to check a recurrence rate for the early seizure recurrence by applying the set and the verification set, respectively.
  • the method and apparatus for predicting recurrence of early seizures extract risk factors related to recurrence of early seizures that may appear during the period of stay in the emergency room from patients who visited the emergency room due to convulsions and seizures, and use the same.
  • risk factors related to recurrence of early seizures may appear during the period of stay in the emergency room from patients who visited the emergency room due to convulsions and seizures, and use the same.
  • customized management can be performed by predicting whether or not early seizures will recur for each patient, and it has the effect of improving the utilization rate of beds in the emergency room and the efficiency of using the emergency room.
  • FIG. 1 is a diagram illustrating an electronic device for predicting recurrence of an early seizure according to an embodiment of the present invention.
  • FIG. 2 is a flowchart illustrating a method for predicting recurrence of an early seizure according to an embodiment of the present invention.
  • FIG. 3 is a diagram illustrating a prediction result by applying a derivation set to a prediction equation according to an embodiment of the present invention.
  • FIG. 4 is a diagram illustrating a prediction result obtained by applying a verification set to a prediction equation according to an embodiment of the present invention.
  • FIG. 1 is a diagram illustrating an electronic device for predicting recurrence of an early seizure according to an embodiment of the present invention.
  • an electronic device 100 may include a communication unit 110 , an input unit 120 , a display unit 130 , a memory 140 , and a control unit 150 .
  • the electronic device 100 may be a computer used in a hospital emergency room, such as a computer or a tablet PC (personal computer).
  • the communication unit 110 may collect medical treatment data for adult patients 18 years of age or older who are hospitalized for seizures in the emergency room of a hospital from an external server through communication with an external server (not shown).
  • the external server is a device for storing medical treatment data for a patient admitted to the emergency room, and may be disposed in the emergency room where the patient is hospitalized, and may be disposed outside the emergency room to communicate with the electronic device 100 .
  • the communication unit 110 may perform wireless communication such as 5th generation communication (5G), long term evolution (LTE), long term evolution-advanced (LTE-A), wireless fidelity (Wi-Fi), etc. , it is possible to perform wired communication using a cable.
  • 5G 5th generation communication
  • LTE long term evolution
  • LTE-A long term evolution-advanced
  • Wi-Fi wireless fidelity
  • the input unit 120 generates input data in response to a user's input of the electronic device 100 .
  • the user may input medical treatment data for adult patients 18 years of age or older who are hospitalized for seizures in the hospital emergency room through the input unit 120 .
  • the input unit 120 may include an input device such as a keyboard, a mouse, a keypad, a dome switch, a touch panel, a touch key, and a button.
  • the display unit 130 outputs output data according to the operation of the electronic device 100 .
  • the display unit 130 may include a display device such as a liquid crystal display (LCD), a light emitting diode (LED) display, and an organic light emitting diode (OLED) display.
  • the display unit 130 may be implemented in the form of a touch screen in combination with the input unit 120 .
  • the memory 140 stores operation programs of the electronic device 100 .
  • the memory 140 may store diagnostic data received from the communication unit 110 or input from the input unit 120 , and the memory 140 may store an algorithm for generating the first prediction equation and the second prediction equation.
  • the control unit 150 collects medical data for adult patients over the age of 18 who are hospitalized for seizures in the emergency room of the hospital.
  • the control unit 150 may collect medical treatment data through the input of the input unit 120 , and may collect medical treatment data from an external server (not shown) through the communication unit 110 .
  • the control unit 150 builds a derivation set and a validation set with the collected medical data.
  • the controller 150 extracts risk factors related to early seizure recurrence based on the derived set, and generates a first prediction equation capable of predicting early seizure recurrence from the logistic regression equation through the extracted risk factors and regression analysis.
  • risk factors include whether or not two or more anticonvulsants are taken, the presence or absence of two or more seizures within 24 hours, systolic blood pressure, hemoglobin level, blood sugar concentration, blood uric acid concentration, blood potassium concentration, and blood lactate concentration. have.
  • the first prediction equation is an equation generated by multiplying each risk factor by a weight.
  • the control unit 150 extracts risk factors related to early seizure recurrence based on the derived set, and predicts accuracy of early seizure recurrence by using the extracted risk factors and a random forest technique, which is a regression equation using machine learning.
  • a second prediction equation that can improve .
  • the risk factors were age, whether two or more anticonvulsants were taken, the presence of two or more seizures within 24 hours, systolic blood pressure, GCS (glasgow coma scale) score at the time of admission, blood hemoglobin concentration, blood sugar concentration, and blood uric acid concentration and lactic acid concentration in the blood.
  • the second prediction equation is an equation generated by multiplying each risk factor by a weight.
  • the control unit 150 derives a first area under the curve (AUC) by applying the derivation set and the verification set to the first prediction equation, respectively, and in step 211, the control unit 150 applies the derivation set and the verification set to the second prediction equation. , respectively, to derive the second AUC. Subsequently, in step 213, the controller 150 divides the patients included in the derivation set into quartiles to check the early seizure recurrence rate during the period of stay in the emergency room, and divides the patients included in the verification set into quartiles for the duration of the stay in the emergency room. Early seizure recurrence rate can be confirmed.
  • AUC area under the curve
  • control unit 150 generates reference data based on the AUC result values that are the first AUC and the second AUC derived by applying the first prediction equation and the second prediction equation.
  • the controller 150 may calculate an AUC result value for the hospitalized patient, and check the seizure recurrence rate for the hospitalized patient by comparing it with reference data.
  • FIG. 2 is a flowchart illustrating a method for predicting recurrence of an early seizure according to an embodiment of the present invention.
  • the control unit 150 collects medical treatment data for adult patients 18 years of age or older who were admitted to the hospital emergency room due to seizures.
  • the control unit 150 may collect medical treatment data through the input of the input unit 120 , and may collect medical treatment data from an external server (not shown) through the communication unit 110 .
  • the external server is a device provided in a hospital emergency room, and may be a device for storing medical treatment data for a patient admitted to the emergency room.
  • step 203 the controller 150 builds a derivation set and a validation set with the collected medical data.
  • the control unit 150 may randomly divide the medical treatment data at 2:1 to construct a ratio of the derived set and the verification set to 2:1.
  • the control unit 150 In step 205, the control unit 150 generates a first prediction equation. More specifically, the control unit 150 extracts risk factors associated with early seizure recurrence from the derived set, and generates a first prediction equation capable of predicting early seizure recurrence from the logistic regression equation through the extracted risk factors and regression analysis. .
  • risk factors include whether or not two or more anticonvulsants are taken, the presence or absence of two or more seizures within 24 hours, systolic blood pressure, hemoglobin level, blood sugar concentration, blood uric acid concentration, blood potassium concentration, and blood lactate concentration. have.
  • the first prediction equation is generated by multiplying each risk factor by a weight, and is as shown in Equation 1 below.
  • the first weight is 0.3 to 1.8
  • the second weight is 0.5 to 3.0
  • the third weight is 0.005 to 0.05
  • the fourth weight is 0.1 to 0.5
  • the fifth weight is 0.001 to 0.01
  • the sixth weight is 0.005 to 0.4
  • the seventh weight may be 0.2 to 0.1
  • the eighth weight may be 0.05 to 0.4.
  • the control unit 150 In step 207, the control unit 150 generates a second prediction equation. More specifically, the control unit 150 extracts risk factors associated with early seizure recurrence from the derived set, and uses the extracted risk factors and a random forest technique, which is a regression equation using machine learning, to predict accuracy of early seizure recurrence A second prediction equation that can improve .
  • the risk factors were age, whether two or more anticonvulsants were taken, the presence of two or more seizures within 24 hours, systolic blood pressure, GCS (glasgow coma scale) score at the time of admission, blood hemoglobin concentration, blood sugar concentration, and blood uric acid concentration and lactic acid concentration in the blood.
  • the second prediction equation is generated by multiplying each risk factor by a weight, and is as shown in Equation 2 below.
  • the ninth weight is 0.0001 to 0.01, the tenth weight is 0.4 to 2.0, the eleventh weight is 0.5 to 3.0, the twelfth weight is 0.05 to 0.1, the thirteenth weight is 0.01 to 0.1, the fourteenth weight is 0.1 to 0.5,
  • the fifteenth weight may be 0.0001 to 0.01, the sixteenth weight may be 0.03 to 0.2, and the seventeenth weight may be 0.05 to 0.5.
  • step 209 the control unit 150 derives the first area under the curve (AUC) by applying the derived set and the verification set to the first prediction equation, respectively, and in step 211, the control unit 150 applies the derived set to the second prediction equation and applying the verification set, respectively, to derive the second AUC.
  • step 213 the controller 150 divides the patients included in the derivation set into quartiles to check the early seizure recurrence rate during the period of stay in the emergency room, and divides the patients included in the verification set into quartiles for the duration of the stay in the emergency room. Early seizure recurrence rate can be confirmed.
  • the controller 150 generates reference data based on the AUC result values that are the first AUC and the second AUC derived by applying the first prediction equation and the second prediction equation to each patient hospitalized in the emergency room.
  • the controller 150 may check the seizure recurrence rate for each hospitalized patient by comparing the generated reference data with an AUC result value for each patient admitted to the emergency room. Accordingly, the present invention has the effect of enabling intensive management for each patient and improving the efficiency of emergency room use.
  • FIG. 3 is a diagram illustrating a prediction result by applying a derivation set to a prediction equation according to an embodiment of the present invention.
  • FIG. 3A shows an AUC derived by applying a derivation set to the first prediction equation and the second prediction equation.
  • the AUC result derived by applying the first prediction equation to the derived set is 0.808 (95% confidence interval: 0.761 to 0.853), and the AUC result derived by applying the second prediction equation to the derived set is 0.805 (95% confidence) interval: 0.747 ⁇ 0.857).
  • the sensitivity and specificity are 77.3% and 74.5%, respectively
  • the second prediction equation to the derived set it can be confirmed that the sensitivity and specificity are 76.0% and 75.1%.
  • both the first and second prediction equations were divided into quartiles, it was confirmed that the early seizure recurrence increased significantly as the quartile increased.
  • Fig. 3 (b) is a diagram showing the seizure recurrence rate by dividing the patients for the derived set into quartiles by applying the derived set to the first prediction equation
  • Fig. 3 (c) is the application of the derived set to the second prediction equation
  • This is a diagram confirming the seizure recurrence rate confirmed by quartile by dividing the patients in the derived set into quartiles.
  • the probability of recurrence of early seizures is the lowest compared to patients belonging to other quartiles, and after 6 hours, early seizures occur. Since there is no recurrence, the monitoring period in the emergency room can be set to a maximum of 6 hours. Conversely, for patients belonging to the quartile corresponding to Q4, intensive monitoring for early seizure recurrence is required, and early hospitalization can be determined if necessary.
  • 3(d) shows early predictions for the quantiles (Q1, Q2, Q3, Q4) shown in FIGS. 3(b) and 3(c) by applying the derivation set to the first and second prediction equations.
  • a graph showing the probability of recurrence of seizures and the probability of non-recurrence is shown.
  • FIG. 4 is a diagram illustrating a prediction result obtained by applying a verification set to a prediction equation according to an embodiment of the present invention.
  • FIG. 4A shows an AUC graph derived by applying a verification set to the first prediction equation and the second prediction equation. It can be confirmed that the AUC result value derived by applying the first prediction equation to the verification set is 0.739, and the AUC result value derived by applying the second prediction equation to the verification set is 0.738. Also, as a result of applying the first prediction equation to the validation set, the sensitivity and specificity were 56.4% and 85.9%, respectively, and as a result of applying the second prediction equation to the validation set, it can be confirmed that the sensitivity and specificity were 74.3% and 70.5%. When both the first and second prediction equations were divided into quartiles, it was confirmed that the early seizure recurrence increased significantly as the quartile increased.
  • Fig. 4 (b) is a diagram showing the seizure recurrence rate by dividing the patients for the validation set into quartiles by applying the validation set to the first prediction equation
  • Fig. 4 (c) is the application of the validation set to the second prediction equation This is a diagram confirming the seizure recurrence rate confirmed by quartile by dividing the patients for the validation set into quartiles.
  • the probability of recurrence of early seizures is the lowest compared to patients belonging to other quartiles, and after 6 hours, early seizures occur. Since there is no recurrence, the monitoring period in the emergency room can be set to a maximum of 6 hours. Conversely, for patients belonging to the quartile corresponding to Q4, intensive monitoring for early seizure recurrence is required, and early hospitalization can be determined if necessary.
  • 4(d) shows the early predictions for the quantiles (Q1, Q2, Q3, Q4) shown in FIGS. 4(b) and 4(c) by applying the verification set to the first prediction equation and the second prediction equation.
  • a graph showing the probability of recurrence of seizures and the probability of non-recurrence is shown.
  • the present invention provides a method and apparatus for predicting recurrence of early seizures, which can predict early seizure recurrence by extracting risk factors related to the recurrence of early seizures that may appear during the period of stay in the emergency room from adult patients who have visited the emergency room for seizures can be provided, so it has industrial applicability.

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Cardiology (AREA)
  • Optics & Photonics (AREA)
  • Vascular Medicine (AREA)
  • Physiology (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

본 발명은 조기 발작 재발의 예측 방법 및 장치에 관한 것으로, 전자장치가 발작으로 입원한 환자들에 대한 진료데이터를 수집하는 단계, 전자장치가 진료데이터로 도출 세트와 검증 세트를 구축하는 단계, 전자장치가 로지스틱 회귀식을 이용하여 조기 발작 재발에 대한 제1 예측식을 생성하는 단계, 전자장치가 머신 러닝을 이용한 회귀식을 이용하여 조기 발작 재발에 대한 제2 예측식을 생성하는 단계 및 전자장치가 제1 예측식과 제2 예측식에 도출 세트와 검증 세트를 각각 적용하여 조기 발작 재발에 대한 재발율을 확인하는 단계를 포함하며 다른 실시 예로도 적용이 가능하다.

Description

조기 발작의 재발 예측 방법 및 장치
본 발명은 조기 발작의 재발 예측 방법 및 장치에 관한 것이다.
경련 및 발작(이하, 발작으로 통칭함)을 이유로 응급실에 내원하는 환자는 응급실을 이용하는 환자의 1~2%정도이며 119 이용의 5%정도로, 발작은 흔한 신경학적 증상이다. 발작으로 응급실에 내원한 성인 환자들 중 일부는 조기 합병증으로 발작이 재발하기 때문에 수시간에서 하루 정도의 기간동안 응급실에서 머물도록 하여 환자의 상태를 지속적으로 확인해야 할 필요가 있다.
그러나, 수시간에서 하루 정도의 기간동안 환자의 상태를 지속적으로 확인하기 위해서는 환자가 필수적으로 응급실에 상주하여야 하고, 최소한의 의료진이 환자의 상태를 모니터링해야 하기 때문에 응급실에서의 의료 효율성이 저하되는 문제점이 발생하기도 한다.
이와 같은 문제점을 해소하기 위하여 현재까지는 조기 발작의 재발에 대한 위험 인자를 분석한 연구들이 보고되었으나, 이러한 연구들에서 조기 발작의 재발과 관련이 있는 위험인자는 단순히 알코올과의 연관성, 이전 발작의 과거력, 나이, 성별, 내원 전 발작횟수 및 정맥 혈액 검사결과 등인 것으로 확인되었다. 또한, 현재까지의 연구들에서는 조기 발작과 관련된 위험인자들만 확인되었을 뿐, 조기발작의 재발을 예측할 수 있는 방법이 존재하지 않아 임상 현장에서의 유용성이 저하되는 문제점이 발생한다.
이러한 종래의 문제점을 해결하기 위한 본 발명의 실시 예들은 발작으로 응급실에 내원한 환자들로부터 응급실 체류 기간 동안 나타날 수 있는 조기 발작의 재발과 관련된 위험인자들을 추출하여 조기 발작의 재발을 예측할 수 있는 조기 발작 재발의 예측 방법 및 장치를 제공하는 것이다.
본 발명의 실시 예에 따른 조기 발작 재발의 예측 방법은, 전자장치가 발작으로 입원한 환자들에 대한 진료데이터를 수집하는 단계, 상기 전자장치가 상기 진료데이터로 도출 세트와 검증 세트를 구축하는 단계, 상기 전자장치가 로지스틱 회귀식을 이용하여 조기 발작 재발에 대한 제1 예측식을 생성하는 단계, 상기 전자장치가 머신 러닝을 이용한 회귀식을 이용하여 상기 조기 발작 재발에 대한 제2 예측식을 생성하는 단계 및 상기 전자장치가 상기 제1 예측식과 상기 제2 예측식에 상기 도출 세트와 상기 검증 세트를 각각 적용하여 상기 조기 발작 재발에 대한 재발율을 확인하는 단계를 포함하는 것을 특징으로 한다.
또한, 제1 예측식을 생성하는 단계는, 상기 도출 세트로부터 항경련제의 복용여부, 임계 시간 내에 발생한 발작횟수, 수축기 혈압, 헤모글로빈 레벨, 혈당 농도, 혈액 내 요산 농도, 혈액 내 칼륨 농도 및 혈액 내 젖산 농도를 포함하는 위험인자를 추출하여 상기 제1 예측식을 생성하는 단계인 것을 특징으로 한다.
또한, 제2 예측식을 생성하는 단계는, 상기 도출 세트로부터 나이, 항경련제의 복용여부, 임계 시간 내에 발생한 발작횟수, 수축기 혈압, 내원 시 GCS(glasgow coma scale) 점수, 혈액 내 헤모글로빈 농도, 혈당 농도, 혈액 내 요산 농도 및 혈액 내 젖산 농도를 포함하는 위험인자를 추출하여 상기 제2 예측식을 생성하는 단계인 것을 특징으로 한다.
또한, 제2 예측식을 생성하는 단계는, 랜덤 포레스트 기법을 이용하여 상기 제2 예측식을 생성하는 단계인 것을 특징으로 한다.
또한, 항경련제의 복용여부는, 상기 항경련제의 두 개 이상의 복용여부이고, 상기 임계 시간 내에 발생한 발작횟수는 두 번 이상의 발작횟수인 것을 특징으로 한다.
또한, 제1 예측식을 생성하는 단계는, 상기 위험인자 각각에 가중치를 곱하여 상기 제1 예측식을 생성하는 단계인 것을 특징으로 한다.
또한, 항경련제의 복용여부에 대한 가중치는 0.3~1.8, 상기 임계 시간 내에 발생한 발작횟수에 대한 가중치는 0.5~3.0, 상기 수축기 혈압에 대한 가중치는 0.005~0.05, 상기 헤모글로빈 레벨에 대한 가중치는 0.1~0.5, 상기 혈당 농도에 대한 가중치는 0.001~0.01, 상기 혈액 내 요산 농도에 대한 가중치는 0.005~0.4, 상기 혈액 내 칼륨 농도에 대한 가중치는 0.2~0.1 및 상기 혈액 내 젖산 농도에 대한 가중치는 0.05~0.4인 것을 특징으로 한다.
또한, 제2 예측식을 생성하는 단계는, 상기 위험인자 각각에 가중치를 곱하여 상기 제2 예측식을 생성하는 단계인 것을 특징으로 한다.
또한, 나이에 대한 가중치는 0.001~0.01, 상기 항경련제의 복용여부에 대한 가중치는 0.4~2.0, 상기 임계 시간 내에 발생한 발작횟수에 대한 가중치는 0.5~3.0, 상기 수축기 혈압에 대한 가중치는 0.05~0.1, 상기 내원 시 GCS 점수에 대한 가중치는 0.01~0.1, 상기 혈액 내 헤모글로빈 농도에 대한 가중치는 0.1~0.5, 상기 혈당 농도에 대한 가중치는 0.0001~0.01, 상기 혈액 내 요산 농도에 대한 가중치는 0.03~0.2 및 상기 혈액 내 젖산 농도에 대한 가중치는 0.05~0.5인 것을 특징으로 한다.
또한, 제2 예측식을 생성하는 단계 이후에, 상기 도출 세트 및 상기 검증 세트 각각을 상기 제1 예측식 및 상기 제2 예측식에 적용하여 AUC(area under the curve) 결과값을 산출하는 단계를 더 포함하는 것을 특징으로 한다.
또한, 조기 발작 재발에 대한 재발율을 확인하는 단계는, 상기 도출 세트 및 상기 검증 세트 각각을 상기 제1 예측식 및 상기 제2 예측식에 적용하여 민감도 및 특이도를 산출하는 단계를 포함하는 것을 특징으로 한다.
또한, 조기 발작 재발에 대한 재발율을 확인하는 단계는, 상기 도출 세트 및 상기 검증 세트에 포함된 환자들을 4분위로 분류하여 상기 조기 발작 재발에 대한 재발율을 확인하는 단계인 것을 특징으로 한다.
아울러, 본 발명의 실시 예에 따른 조기 발작 재발의 예측 장치는, 발작으로 입원한 환자들에 대한 진료데이터를 저장하는 메모리 및 상기 진료데이터로 도출 세트와 검증 세트를 구축하고, 로지스틱 회귀식을 이용하여 조기 발작 재발에 대한 제1 예측식을 생성하고, 머신 러닝을 이용한 회귀식을 이용하여 상기 조기 발작 재발에 대한 제2 예측식을 생성하고, 상기 제1 예측식과 상기 제2 예측식에 상기 도출 세트와 상기 검증 세트를 각각 적용하여 상기 조기 발작 재발에 대한 재발율을 확인하는 제어부를 포함하는 것을 특징으로 한다.
상술한 바와 같이 본 발명에 따른 조기 발작 재발의 예측 방법 및 장치는, 경련 및 발작으로 응급실에 내원한 환자들로부터 응급실 체류 기간 동안 나타날 수 있는 조기 발작의 재발과 관련된 위험인자들을 추출하고, 이를 이용하여 조기 발작의 재발을 예측함으로써 환자별로 조기 발작 재발여부를 예측하여 맞춤 관리를 수행할 수 있고, 응급실에서의 병상 가동률 및 응급실 사용의 효율성을 향상시킬 수 있는 효과가 있다.
도 1은 본 발명의 실시 예에 따른 조기 발작의 재발을 예측하는 전자장치를 나타낸 도면이다.
도 2는 본 발명의 실시 예에 따른 조기 발작의 재발을 예측하는 방법을 설명하기 위한 순서도이다.
도 3은 본 발명의 실시 예에 따른 예측식에 도출 세트를 적용한 예측 결과를 나타낸 도면이다.
도 4는 본 발명의 실시 예에 따른 예측식에 검증 세트를 적용한 예측 결과를 나타낸 도면이다.
이하, 본 발명에 따른 바람직한 실시 형태를 첨부된 도면을 참조하여 상세하게 설명한다. 첨부된 도면과 함께 이하에 개시될 상세한 설명은 본 발명의 예시적인 실시형태를 설명하고자 하는 것이며, 본 발명이 실시될 수 있는 유일한 실시형태를 나타내고자 하는 것이 아니다. 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략할 수 있고, 명세서 전체를 통하여 동일 또는 유사한 구성 요소에 대해서는 동일한 참조 부호를 사용할 수 있다.
도 1은 본 발명의 실시 예에 따른 조기 발작의 재발을 예측하는 전자장치를 나타낸 도면이다.
도 1을 참조하면, 본 발명에 따른 전자장치(100)는 통신부(110), 입력부(120), 표시부(130), 메모리(140) 및 제어부(150)를 포함할 수 있다. 전자장치(100)는 컴퓨터, 태블릿 PC(personal computer) 등 병원 응급실에서 사용하는 컴퓨터일 수 있다.
통신부(110)는 외부서버(미도시)와의 통신을 통해 외부서버로부터 병원 응급실에 발작을 이유로 입원한 만 18세 이상의 성인 환자들에 대한 진료데이터를 수집할 수 있다. 외부서버는, 응급실에 입원한 환자에 대한 진료데이터를 저장하는 장치로, 환자가 입원한 응급실에 배치될 수 있으며, 응급실 외부에 배치되어 전자장치(100)와 통신을 수행할 수 있다. 이를 위해, 통신부(110)는 5G(5th generation communication), LTE(long term evolution), LTE-A(long term evolution-advanced), Wi-Fi(wireless fidelity) 등의 무선 통신을 수행할 수 있고, 케이블을 이용한 유선 통신을 수행할 수 있다.
입력부(120)는 전자장치(100) 사용자의 입력에 대응하여 입력 데이터를 발생시킨다. 사용자는 입력부(120)를 통해 병원 응급실에 발작을 이유로 입원한 만 18세 이상의 성인 환자들에 대한 진료데이터를 입력할 수 있다. 이를 위해, 입력부(120)는 키보드, 마우스, 키패드, 돔 스위치, 터치패널, 터치 키 및 버튼 등의 입력장치를 포함할 수 있다.
표시부(130)는 전자장치(100)의 동작에 따른 출력 데이터를 출력한다. 이를 위해, 표시부(130)는 액정 디스플레이(LCD; liquid crystal display), 발광 다이오드(LED; light emitting diode) 디스플레이, 유기 발광 다이오드(OLED; organic LED) 디스플레이 등의 디스플레이 장치를 포함할 수 있다. 아울러, 표시부(130)는 입력부(120)와 결합되어 터치 스크린(touch screen)의 형태로 구현될 수 있다.
메모리(140)는 전자장치(100)의 동작 프로그램들을 저장한다. 특히, 메모리(140)는 통신부(110)로부터 수신되거나, 입력부(120)로부터 입력된 진단데이터를 저장할 수 있고, 메모리(140)는 제1 예측식 및 제2 예측식을 생성하기 위한 알고리즘을 저장할 수 있다.
제어부(150)는 병원 응급실에 발작을 이유로 입원한 만 18세 이상의 성인 환자들에 대한 진료데이터를 수집한다. 이때, 제어부(150)는 입력부(120)의 입력을 통해 진료데이터를 수집할 수 있고, 통신부(110)를 통해 외부서버(미도시)로부터 진료데이터를 수집할 수 있다.
제어부(150)는 수집된 진료데이터로 도출 세트(derivation set) 및 검증 세트(validation set)를 구축한다. 제어부(150)는 도출 세트를 기반으로 조기 발작 재발과 관련된 위험인자를 추출하고, 추출된 위험인자 및 회귀분석을 통해 로지스틱 회귀식으로부터 조기 발작 재발을 예측할 수 있는 제1 예측식을 생성한다. 이때, 위험인자는 항경련제의 두 개 이상 복용여부, 24시간 내에 두 번 이상의 발작유무, 수축기 혈압, 헤모글로빈 레벨, 혈당 농도, 혈액 내 요산 농도, 혈액 내 칼륨 농도 및 혈액 내 젖산 농도를 포함할 수 있다. 아울러, 제1 예측식은 위험인자 각각에 가중치를 곱하여 생성한 식이다.
이어서, 제어부(150)는 도출 세트를 기반으로 조기 발작 재발과 관련된 위험인자를 추출하고, 추출된 위험인자 및 머신 러닝을 이용한 회귀식인 랜덤 포레스트(random forest) 기법을 이용하여 조기 발작 재발의 예측 정확성을 향상시킬 수 있는 제2 예측식을 생성한다. 이때, 위험인자는 나이, 항경련제의 두 개 이상 복용여부, 24시간 내에 두 번 이상의 발작유무, 수축기 혈압, 내원 시 GCS(glasgow coma scale)점수, 혈액 내 헤모글로빈 농도, 혈당 농도, 혈액 내 요산 농도 및 혈액 내 젖산 농도를 포함할 수 있다. 아울러, 제2 예측식은 위험인자 각각에 가중치를 곱하여 생성한 식이다.
제어부(150)는 제1 예측식에 도출 세트와 검증 세트를 각각 적용하여 제1 AUC(area under the curve)를 도출하고, 211단계에서 제어부(150)는 제2 예측식에 도출 세트와 검증 세트를 각각 적용하여 제2 AUC를 도출한다. 이어서, 213단계에서 제어부(150)는 도출 세트에 포함된 환자들을 4분위로 나누어 응급실 체류기간 동안의 조기 발작 재발율을 확인할 수 있고, 검증 세트에 포함된 환자들을 4분위로 나누어 응급실 체류기간 동안의 조기 발작 재발율을 확인할 수 있다.
이와 같이, 제어부(150)는 제1 예측식 및 제2 예측식을 적용하여 도출된 제1 AUC와 제2 AUC인 AUC 결과값을 기반으로 레퍼런스 데이터를 생성한다. 제어부(150)는 응급실에 새로운 환자가 입원하면 입원한 환자에 대한 AUC 결과값을 산출하고, 레퍼런스 데이터와 비교하여 입원한 환자에 대한 발작 재발율을 확인할 수 있다.
도 2는 본 발명의 실시 예에 따른 조기 발작의 재발을 예측하는 방법을 설명하기 위한 순서도이다.
도 2를 참조하면, 201단계서 제어부(150)는 병원 응급실에 발작을 이유로 입원한 만 18세 이상의 성인 환자들에 대한 진료데이터를 수집한다. 이때, 제어부(150)는 입력부(120)의 입력을 통해 진료데이터를 수집할 수 있고, 통신부(110)를 통해 외부서버(미도시)로부터 진료데이터를 수집할 수 있다. 외부서버는, 병원 응급실에 구비된 장치로, 응급실에 입원한 환자에 대한 진료데이터를 저장하는 장치일 수 있다.
203단계에서 제어부(150)는 수집된 진료데이터로 도출 세트(derivation set) 및 검증 세트(validation set)를 구축한다. 제어부(150)는 진료데이터를 랜덤하게 2:1로 분리하여 도출 세트와 검증 세트의 비율을 2:1로 구축할 수 있다.
205단계에서 제어부(150)는 제1 예측식을 생성한다. 보다 구체적으로, 제어부(150)는 도출 세트에서 조기 발작 재발과 연관된 위험인자를 추출하고, 추출된 위험인자 및 회귀분석을 통해 로지스틱 회귀식으로부터 조기 발작 재발을 예측할 수 있는 제1 예측식을 생성한다. 이때, 위험인자는 항경련제의 두 개 이상 복용여부, 24시간 내에 두 번 이상의 발작유무, 수축기 혈압, 헤모글로빈 레벨, 혈당 농도, 혈액 내 요산 농도, 혈액 내 칼륨 농도 및 혈액 내 젖산 농도를 포함할 수 있다. 아울러, 제1 예측식은 위험인자 각각에 가중치를 곱하여 생성한 것으로, 하기의 수학식 1과 같다.
Figure PCTKR2022002016-appb-img-000001
이때, 제1 가중치는 0.3~1.8, 제2 가중치는 0.5~3.0, 제3 가중치는 0.005~0.05, 제4 가중치는 0.1~0.5, 제5 가중치는 0.001~0.01, 제6 가중치는 0.005~0.4, 제7 가중체는 0.2~0.1, 제8 가중치는 0.05~0.4일 수 있다.
207단계에서 제어부(150)는 제2 예측식을 생성한다. 보다 구체적으로, 제어부(150)는 도출 세트에서 조기 발작 재발과 연관된 위험인자를 추출하고, 추출된 위험인자 및 머신 러닝을 이용한 회귀식인 랜덤 포레스트(random forest) 기법을 이용하여 조기 발작 재발의 예측 정확성을 향상시킬 수 있는 제2 예측식을 생성한다. 이때, 위험인자는 나이, 항경련제의 두 개 이상 복용여부, 24시간 내에 두 번 이상의 발작유무, 수축기 혈압, 내원 시 GCS(glasgow coma scale)점수, 혈액 내 헤모글로빈 농도, 혈당 농도, 혈액 내 요산 농도 및 혈액 내 젖산 농도를 포함할 수 있다. 아울러, 제2 예측식은 위험인자 각각에 가중치를 곱하여 생성한 것으로, 하기의 수학식 2와 같다.
Figure PCTKR2022002016-appb-img-000002
이때, 제9 가중치는 0.0001~0.01, 제10 가중치는 0.4~2.0, 제11 가중치는 0.5~3.0, 제12 가중치는 0.05~0.1, 제13 가중치는 0.01~0.1, 제14 가중치는 0.1~0.5, 제15 가중치는 0.0001~0.01, 제16 가중치는 0.03~0.2, 제17 가중치는 0.05~0.5일 수 있다.
209단계에서 제어부(150)는 제1 예측식에 도출 세트와 검증 세트를 각각 적용하여 제1 AUC(area under the curve)를 도출하고, 211단계에서 제어부(150)는 제2 예측식에 도출 세트와 검증 세트를 각각 적용하여 제2 AUC를 도출한다. 이어서, 213단계에서 제어부(150)는 도출 세트에 포함된 환자들을 4분위로 나누어 응급실 체류기간 동안의 조기 발작 재발율을 확인할 수 있고, 검증 세트에 포함된 환자들을 4분위로 나누어 응급실 체류기간 동안의 조기 발작 재발율을 확인할 수 있다.
이와 같이, 제어부(150)는 응급실에 입원한 환자 각각에 대해 제1 예측식 및 제2 예측식을 적용하여 도출된 제1 AUC와 제2 AUC인 AUC 결과값을 기반으로 레퍼런스 데이터를 생성한다. 제어부(150)는 생성된 레퍼런스 데이터와 응급실에 입원한 환자 각각에 대한 AUC 결과값을 비교하여 입원한 환자 각각에 대한 발작 재발율을 확인할 수 있다. 따라서, 본 발명은 환자별 집중 관리가 가능하고, 응급실 사용의 효율성을 향상시킬 수 있는 효과가 있다.
도 3은 본 발명의 실시 예에 따른 예측식에 도출 세트를 적용한 예측 결과를 나타낸 도면이다.
도 3을 참조하면, 도 3의 (a)는 제1 예측식과 제2 예측식에 도출 세트를 적용하여 도출한 AUC를 나타낸다. 제1 예측식을 도출 세트에 적용하여 도출된 AUC 결과값은 0.808(95% confidence interval: 0.761~0.853)이고, 제2 예측식을 도출 세트에 적용하여 도출된 AUC 결과값은 0.805(95% confidence interval: 0.747~0.857)임을 확인할 수 있다. 또한, 제1 예측식을 도출 세트에 적용한 결과 민감도 및 특이도는 각각 77.3%, 74.5%이고, 제2 예측식을 도출 세트에 적용한 결과 민감도 및 특이도는 76.0%, 75.1%임을 확인할 수 있다. 제1 예측식 및 제2 예측식 모두 사분위로 분할하였을 때 높은 분위로 올라갈수록 조기 발작 재발이 유의하게 증가하였음을 확인하였다.
도 3의 (b)는 제1 예측식에 도출 세트를 적용하여 도출 세트에 대한 환자들을 4분위로 나누어 발작 재발율을 확인한 도면이고, 도 3의 (c)는 제2 예측식에 도출 세트를 적용하여 도출 세트에 대한 환자들을 4분위로 나누어 분위별로 확인한 발작 재발율을 확인한 도면이다. 제1 예측식과 제2 예측식을 적용하여 산출된 AUC 결과값을 Kaplan-Meier curve분석을 통해 사분위에 따른 시간별 조기 발작 재발여부를 확인하면 도 3의 (b) 및 도 3의 (c)와 같다.
도 3의 (b)와 도 3의 (c)와 같이 Q1에 대응되는 분위에 속하는 환자의 경우, 조기 발작 재발의 발생 확률이 다른 분위에 속하는 환자들에 비해 가장 적고, 6시간 이후에는 조기 발작의 재발이 없으므로 응급실에서의 모니터링 기간을 최대 6시간으로 정할 수 있다. 반대로, Q4에 대응되는 분위에 속하는 환자의 경우, 조기 발작 재발에 대한 집중적인 모니터링이 필요하고, 필요에 따라 조기 입원을 결정할 수 있다.
도 3의 (d)는 제1 예측식과 제2 예측식에 도출 세트를 적용하여 도 3의 (b) 및 도 3의 (c)에 도시된 분위(Q1, Q2, Q3, Q4)에 대한 조기 발작 재발에 대한 확률과 미재발에 대한 확률을 도시한 그래프를 나타낸다.
도 4는 본 발명의 실시 예에 따른 예측식에 검증 세트를 적용한 예측 결과를 나타낸 도면이다.
도 4를 참조하면, 도 4의 (a)는 제1 예측식과 제2 예측식에 검증 세트를 적용하여 도출한 AUC 그래프를 나타낸다. 제1 예측식을 검증 세트에 적용하여 도출된 AUC 결과값이 0.739이고, 제2 예측식을 검증 세트에 적용하여 도출된 AUC 결과값이 0.738임을 확인할 수 있다. 또한, 제1 예측식을 검증 세트에 적용한 결과 민감도 및 특이도는 각각 56.4%, 85.9%이고, 제2 예측식을 검증 세트에 적용한 결과 민감도 및 특이도는 74.3%, 70.5%임을 확인할 수 있다. 제1 예측식 및 제2 예측식 모두 사분위로 분할하였을 때 높은 분위로 올라갈수록 조기 발작 재발이 유의하게 증가하였음을 확인하였다.
도 4의 (b)는 제1 예측식에 검증 세트를 적용하여 검증 세트에 대한 환자들을 4분위로 나누어 발작 재발율을 확인한 도면이고, 도 4의 (c)는 제2 예측식에 검증 세트를 적용하여 검증 세트에 대한 환자들을 4분위로 나누어 분위별로 확인한 발작 재발율을 확인한 도면이다. 제1 예측식과 제2 예측식을 적용하여 산출된 AUC 결과값을 Kaplan-Meier curve분석을 통해 사분위에 따른 시간별 조기 발작 재발여부를 확인하면 도 4의 (b) 및 도 4의 (c)와 같다.
도 4의 (b)와 도 4의 (c)와 같이 Q1에 대응되는 분위에 속하는 환자의 경우, 조기 발작 재발의 발생 확률이 다른 분위에 속하는 환자들에 비해 가장 적고, 6시간 이후에는 조기 발작의 재발이 없으므로 응급실에서의 모니터링 기간을 최대 6시간으로 정할 수 있다. 반대로, Q4에 대응되는 분위에 속하는 환자의 경우, 조기 발작 재발에 대한 집중적인 모니터링이 필요하고, 필요에 따라 조기 입원을 결정할 수 있다.
도 4의 (d)는 제1 예측식과 제2 예측식에 검증 세트를 적용하여 도 4의 (b) 및 도 4의 (c)에 도시된 분위(Q1, Q2, Q3, Q4)에 대한 조기 발작 재발에 대한 확률과 미재발에 대한 확률을 도시한 그래프를 나타낸다.
본 명세서와 도면에 개시된 본 발명의 실시 예들은 본 발명의 기술 내용을 쉽게 설명하고 본 발명의 이해를 돕기 위해 특정 예를 제시한 것일 뿐이며, 본 발명의 범위를 한정하고자 하는 것은 아니다. 따라서 본 발명의 범위는 여기에 개시된 실시 예들 이외에도 본 발명의 기술적 사상을 바탕으로 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
본 발명은 발작으로 응급실에 내원한 성인 환자들로부터 응급실 체류 기간동안 나타날 수 있는 조기 발작의 재발과 관련된 위험인자들을 추출하고, 이를 이용하여 조기 발작 재발을 예측할 수 있는 조기발작의 재발 예측 방법 및 장치를 제공할 수 있으므로, 산업상 이용가능성이 있다.

Claims (13)

  1. 전자장치가 발작으로 입원한 환자들에 대한 진료데이터를 수집하는 단계;
    상기 전자장치가 상기 진료데이터로 도출 세트와 검증 세트를 구축하는 단계;
    상기 전자장치가 로지스틱 회귀식을 이용하여 조기 발작 재발에 대한 제1 예측식을 생성하는 단계;
    상기 전자장치가 머신 러닝을 이용한 회귀식을 이용하여 상기 조기 발작 재발에 대한 제2 예측식을 생성하는 단계; 및
    상기 전자장치가 상기 제1 예측식과 상기 제2 예측식에 상기 도출 세트와 상기 검증 세트를 각각 적용하여 상기 조기 발작 재발에 대한 재발율을 확인하는 단계;
    를 포함하는 것을 특징으로 하는 조기 발작의 재발 예측 방법.
  2. 제1항에 있어서,
    상기 제1 예측식을 생성하는 단계는,
    상기 도출 세트로부터 항경련제의 복용여부, 임계 시간 내에 발생한 발작횟수, 수축기 혈압, 헤모글로빈 레벨, 혈당 농도, 혈액 내 요산 농도, 혈액 내 칼륨 농도 및 혈액 내 젖산 농도를 포함하는 위험인자를 추출하여 상기 제1 예측식을 생성하는 단계인 것을 특징으로 하는 조기 발작의 재발 예측 방법.
  3. 제2항에 있어서,
    상기 제2 예측식을 생성하는 단계는,
    상기 도출 세트로부터 나이, 항경련제의 복용여부, 임계 시간 내에 발생한 발작횟수, 수축기 혈압, 내원 시 GCS(glasgow coma scale) 점수, 혈액 내 헤모글로빈 농도, 혈당 농도, 혈액 내 요산 농도 및 혈액 내 젖산 농도를 포함하는 위험인자를 추출하여 상기 제2 예측식을 생성하는 단계인 것을 특징으로 하는 조기 발작의 재발 예측 방법.
  4. 제3항에 있어서,
    상기 제2 예측식을 생성하는 단계는,
    랜덤 포레스트 기법을 이용하여 상기 제2 예측식을 생성하는 단계인 것을 특징으로 하는 조기 발작의 재발 예측 방법.
  5. 제3항에 있어서,
    상기 항경련제의 복용여부는,
    상기 항경련제의 두 개 이상의 복용여부이고, 상기 임계 시간 내에 발생한 발작횟수는 두 번 이상의 발작횟수인 것을 특징으로 하는 조기 발작의 재발 예측 방법.
  6. 제5항에 있어서,
    상기 제1 예측식을 생성하는 단계는,
    상기 위험인자 각각에 가중치를 곱하여 상기 제1 예측식을 생성하는 단계인 것을 특징으로 하는 조기 발작의 재발 예측 방법.
  7. 제6항에 있어서,
    상기 항경련제의 복용여부에 대한 가중치는 0.3~1.8, 상기 임계 시간 내에 발생한 발작횟수에 대한 가중치는 0.5~3.0, 상기 수축기 혈압에 대한 가중치는 0.005~0.05, 상기 헤모글로빈 레벨에 대한 가중치는 0.1~0.5, 상기 혈당 농도에 대한 가중치는 0.001~0.01, 상기 혈액 내 요산 농도에 대한 가중치는 0.005~0.4, 상기 혈액 내 칼륨 농도에 대한 가중치는 0.2~0.1 및 상기 혈액 내 젖산 농도에 대한 가중치는 0.05~0.4인 것을 특징으로 하는 조기 발작의 재발 예측 방법.
  8. 제5항에 있어서,
    상기 제2 예측식을 생성하는 단계는,
    상기 위험인자 각각에 가중치를 곱하여 상기 제2 예측식을 생성하는 단계인 것을 특징으로 하는 조기 발작의 재발 예측 방법.
  9. 제8항에 있어서,
    상기 나이에 대한 가중치는 0.001~0.01, 상기 항경련제의 복용여부에 대한 가중치는 0.4~2.0, 상기 임계 시간 내에 발생한 발작횟수에 대한 가중치는 0.5~3.0, 상기 수축기 혈압에 대한 가중치는 0.05~0.1, 상기 내원 시 GCS 점수에 대한 가중치는 0.01~0.1, 상기 혈액 내 헤모글로빈 농도에 대한 가중치는 0.1~0.5, 상기 혈당 농도에 대한 가중치는 0.0001~0.01, 상기 혈액 내 요산 농도에 대한 가중치는 0.03~0.2 및 상기 혈액 내 젖산 농도에 대한 가중치는 0.05~0.5인 것을 특징으로 하는 조기 발작의 재발 예측 방법.
  10. 제1항에 있어서,
    상기 제2 예측식을 생성하는 단계 이후에,
    상기 도출 세트 및 상기 검증 세트 각각을 상기 제1 예측식 및 상기 제2 예측식에 적용하여 AUC(area under the curve) 결과값을 산출하는 단계;
    를 더 포함하는 것을 특징으로 하는 조기 발작의 재발 예측 방법.
  11. 제10항에 있어서,
    상기 조기 발작 재발에 대한 재발율을 확인하는 단계는,
    상기 도출 세트 및 상기 검증 세트 각각을 상기 제1 예측식 및 상기 제2 예측식에 적용하여 민감도 및 특이도를 산출하는 단계;
    를 포함하는 것을 특징으로 하는 조기 발작의 재발 예측 방법.
  12. 제1항에 있어서,
    상기 조기 발작 재발에 대한 재발율을 확인하는 단계는,
    상기 도출 세트 및 상기 검증 세트에 포함된 환자들을 4분위로 분류하여 상기 조기 발작 재발에 대한 재발율을 확인하는 단계인 것을 특징으로 하는 조기 발작의 재발 예측 방법.
  13. 발작으로 입원한 환자들에 대한 진료데이터를 저장하는 메모리; 및
    상기 진료데이터로 도출 세트와 검증 세트를 구축하고, 로지스틱 회귀식을 이용하여 조기 발작 재발에 대한 제1 예측식을 생성하고, 머신 러닝을 이용한 회귀식을 이용하여 상기 조기 발작 재발에 대한 제2 예측식을 생성하고, 상기 제1 예측식과 상기 제2 예측식에 상기 도출 세트와 상기 검증 세트를 각각 적용하여 상기 조기 발작 재발에 대한 재발율을 확인하는 제어부;
    를 포함하는 것을 특징으로 하는 조기 발작의 재발 예측 방법.
PCT/KR2022/002016 2021-03-16 2022-02-10 조기 발작의 재발 예측 방법 및 장치 WO2022196944A1 (ko)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
KR20210034082 2021-03-16
KR10-2021-0034082 2021-03-16
KR1020220016861A KR20220129462A (ko) 2021-03-16 2022-02-09 조기 발작의 재발 예측 방법 및 장치
KR10-2022-0016861 2022-02-09

Publications (1)

Publication Number Publication Date
WO2022196944A1 true WO2022196944A1 (ko) 2022-09-22

Family

ID=83320744

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2022/002016 WO2022196944A1 (ko) 2021-03-16 2022-02-10 조기 발작의 재발 예측 방법 및 장치

Country Status (1)

Country Link
WO (1) WO2022196944A1 (ko)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190006670A (ko) * 2017-07-11 2019-01-21 사회복지법인 삼성생명공익재단 동영상 기반 발작 추적감시 방법 및 장치
WO2019173106A1 (en) * 2018-03-09 2019-09-12 Children’S Hospital & Research Center At Oakland Method of detecting and/or predicting seizures
KR20200003407A (ko) * 2017-07-28 2020-01-09 구글 엘엘씨 전자 건강 기록으로부터 의료 이벤트를 예측 및 요약하기 위한 시스템 및 방법
KR20200143873A (ko) * 2019-06-17 2020-12-28 인하대학교 산학협력단 뇌전도 신호 기반 멀티 주파수 대역 계수를 이용한 특징추출 및 확률모델과 기계학습에 의한 간질 발작파 자동 검출 방법 및 장치

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190006670A (ko) * 2017-07-11 2019-01-21 사회복지법인 삼성생명공익재단 동영상 기반 발작 추적감시 방법 및 장치
KR20200003407A (ko) * 2017-07-28 2020-01-09 구글 엘엘씨 전자 건강 기록으로부터 의료 이벤트를 예측 및 요약하기 위한 시스템 및 방법
WO2019173106A1 (en) * 2018-03-09 2019-09-12 Children’S Hospital & Research Center At Oakland Method of detecting and/or predicting seizures
KR20200143873A (ko) * 2019-06-17 2020-12-28 인하대학교 산학협력단 뇌전도 신호 기반 멀티 주파수 대역 계수를 이용한 특징추출 및 확률모델과 기계학습에 의한 간질 발작파 자동 검출 방법 및 장치

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
BEHNOUSH B, BAZMI E, NAZARI SH, KHODAKARIM S, LOOHA MA, SOORI H: "Machine learning algorithms to predict seizure due to acute tramadol poisoning", HUMAN AND EXPERIMENTAL TOXICOLOGY, vol. 40, no. 8, 4 February 2021 (2021-02-04), pages 1225 - 1233, XP055967944, DOI: 10.1177/0960327121991910 *

Similar Documents

Publication Publication Date Title
Levin et al. Machine-learning-based electronic triage more accurately differentiates patients with respect to clinical outcomes compared with the emergency severity index
US10395178B2 (en) Risk assessment system and data processing method
Churpek et al. Derivation of a cardiac arrest prediction model using ward vital signs
CN103201743B (zh) 患者疾病严重性、死亡率和住院时长的连续预测方法
Shappell et al. Predictors of in-hospital mortality after rapid response team calls in a 274 hospital nationwide sample
WO2015199258A1 (ko) 진단모델 생성 시스템 및 방법
WO2019035639A1 (ko) 딥러닝 기반의 패혈증 조기 감지방법 및 프로그램
Joseph et al. Deep‐learning approaches to identify critically Ill patients at emergency department triage using limited information
Guidi et al. A multi-layer monitoring system for clinical management of Congestive Heart Failure
WO2019054553A1 (ko) 웨어러블 장치를 이용한 갑상선기능항진증의 예측 시스템 및 예측 컴퓨터프로그램
US9633168B2 (en) Biometric identity validation for use with unattended tests for medical conditions
WO2022211385A1 (ko) 질병 예측치의 분포를 이용한 건강관리 상담 시스템
Keim-Malpass et al. Towards development of alert thresholds for clinical deterioration using continuous predictive analytics monitoring
Lovicu et al. Admission braden scale score as an early independent predictor of in‐hospital mortality among inpatients with COVID‐19: a retrospective cohort study
da Silva et al. Evaluation of electronic medical record vital sign data versus a commercially available acuity score in predicting need for critical intervention at a tertiary children’s hospital
KR20150007468A (ko) 임상의사결정 지원방법 및 그 장치
Liu et al. Evaluation of standard versus nonstandard vital signs monitors in the prehospital and emergency departments: results and lessons learned from a trauma patient care protocol
Shukur et al. Diabetes at a Glance: Assessing AI Strategies for Early Diabetes Detection and Intervention
WO2022196944A1 (ko) 조기 발작의 재발 예측 방법 및 장치
WO2021112317A1 (ko) 구강 내 미생물 분석장치를 이용한 건강 예측 시스템 및 방법
Fahimi et al. A Vital Signs Telemonitoring Programme Improves the Dynamic Prediction of Readmission Risk in Patients with Heart Failure
KR20220129462A (ko) 조기 발작의 재발 예측 방법 및 장치
Portela et al. Pervasive real-time intelligent system for tracking critical events in intensive care patients
WO2024205254A1 (ko) 인공지능 기반 감염병 모니터링 방법, 프로그램 및 장치
WO2024147506A1 (ko) 심전도에 기반하여 근로자의 건강 관리 서비스를 제공하는 시스템 및 그 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: 22771610

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: 22771610

Country of ref document: EP

Kind code of ref document: A1