WO2022231069A1 - 당화혈색소 수치 추정을 위한 인공지능학습 모델의 학습 방법 및 그 시스템 - Google Patents

당화혈색소 수치 추정을 위한 인공지능학습 모델의 학습 방법 및 그 시스템 Download PDF

Info

Publication number
WO2022231069A1
WO2022231069A1 PCT/KR2021/010486 KR2021010486W WO2022231069A1 WO 2022231069 A1 WO2022231069 A1 WO 2022231069A1 KR 2021010486 W KR2021010486 W KR 2021010486W WO 2022231069 A1 WO2022231069 A1 WO 2022231069A1
Authority
WO
WIPO (PCT)
Prior art keywords
patient
information
therapeutic intervention
glycated hemoglobin
hemoglobin level
Prior art date
Application number
PCT/KR2021/010486
Other languages
English (en)
French (fr)
Inventor
김창호
Original Assignee
주식회사 모노라마
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 주식회사 모노라마 filed Critical 주식회사 모노라마
Priority to US17/780,001 priority Critical patent/US20220415507A1/en
Publication of WO2022231069A1 publication Critical patent/WO2022231069A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • 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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • 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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance

Definitions

  • the present invention relates to a method for managing a diabetic patient, and more particularly, to a learning method of an artificial intelligence learning model for estimating or predicting a glycated hemoglobin level, a system for the same, and a method for managing a diabetic patient.
  • Heglobin Blood glucose is combined with a part of hemoglobin (hemoglobin) in red blood cells that carries oxygen.
  • the form in which glucose is bound to hemoglobin is called glycated hemoglobin (HbA1c, hemoglobin A1c).
  • the glycated hemoglobin (HbA1c) test is a test to see how much hemoglobin in red blood cells, which carries oxygen in the blood, is glycated. Glucose is naturally present in normal people, so hemoglobin is glycated to some extent in our blood. The normal value varies depending on the test method, but usually up to 5.6% is normal.
  • HbA1C management is an essential test item, and the Korean Diabetes Association recommends measuring HbA1C once every 2-3 months.
  • the level of glycated hemoglobin increases.
  • the glycated hemoglobin level can reflect the blood glucose concentration for about 3 months, so it is a test used as a useful standard for evaluating blood glucose control. Therefore, every three months, diabetic patients visit the hospital to perform a glycated hemoglobin test, and the medical staff decides the treatment direction after seeing the results that reveal the level of blood sugar management during that time.
  • a prescription is prescribed according to the treatment goal and direction set by the hospital, the patient manages diabetes by self-management of medication, diet, exercise, and lifestyle in daily life.
  • Diabetes is a disease in which medication and daily life management are particularly important.
  • the problem is that it is not easy to manage as patients self-manage for several months between hospital visits, and it is difficult to determine whether they are managing themselves properly.
  • blood glucose is a value that fluctuates greatly due to food intake, so it is preferable to use the glycated hemoglobin level, which indicates long-term (several months) blood glucose control, as a standard rather than managing it based on this. . It is for this reason that hospitals set treatment directions based on glycated hemoglobin levels.
  • glycated hemoglobin can only be tested in hospitals, patients have been vaguely self-managing without information on glycated hemoglobin levels for several months.
  • diabetic patients use a patient notebook or smartphone application to manage blood sugar. Blood sugar is managed by recording the amount of food and exercise in a notebook or application.
  • An object of the present invention is to solve the above problems and provide a method and system for training an artificial intelligence learning model for predicting the glycated hemoglobin level, which is a standard for managing diabetic patients.
  • Another object of the present invention is to provide a system and method for predicting and managing a patient's glycated hemoglobin level.
  • Another object of the present invention is to provide a system and method for predicting the glycated hemoglobin level in which a plan for the management of diabetic patients is established and management execution and patient feedback are reflected accordingly.
  • the learning method may include: collecting patient information including movement information and biometric information of the patient; collecting the actual glycated hemoglobin level of the patient; converting the collected patient information and the measured glycated hemoglobin level into a single standardized data structure format; and generating an artificial intelligence learning model for estimating the glycated hemoglobin level by learning the artificial intelligence learning model using the converted patient information and the actual glycated hemoglobin level.
  • the biometric information includes one or more of blood sugar, blood pressure, heart rate, and menstrual cycle, and the exercise information is generated based on patient life log data acquired by the patient terminal.
  • the patient information includes compliance with a therapeutic intervention, and the therapeutic intervention includes provision of a prescription medication medication notification message through a user interface of the patient terminal.
  • the degree of compliance is preferably calculated based on a response to the medication notification message.
  • the response may be input through a user interface of the patient terminal.
  • the response may be generated based on life log data sensed by the patient terminal.
  • the patient information further includes one or more of prescription information, body information, life information, and compliance with a therapeutic intervention, the prescription information includes prescription drug information and medication guidance information, and the body information includes a user's height, Includes one or more of weight and waist circumference.
  • the living information includes at least one of a sleep index and an activity index, and the living information is generated based on the life log data generated by the patient terminal carried by the patient.
  • the therapeutic intervention includes providing an exercise recommendation message, and the adherence is calculated based on the user's response to the therapeutic intervention.
  • the patient information includes adherence to the therapeutic intervention, and the chatbot converts the patient information and the therapeutic intervention information generated based on the measured or estimated glycated hemoglobin level into a therapeutic intervention message.
  • the degree of compliance is calculated based on a time when a response to the therapeutic intervention message output to the patient terminal is inputted to the patient terminal.
  • the response status and time may be generated based on life log data sensed by the patient terminal.
  • the artificial intelligence learning model learning apparatus for estimating the glycated hemoglobin level is configured to construct a patient database using patient information including movement information and biometric information of the patient, and the patient's actual glycated hemoglobin level.
  • database unit and a neural network modeling unit that generates an artificial intelligence learning model for estimating the glycated hemoglobin level by applying the patient information and the actually measured HbA1c level data included in the patient database to multi-level machine learning.
  • the biometric information includes one or more of blood sugar, blood pressure, heart rate, and menstrual cycle, and the exercise index is generated based on patient life log data obtained by the patient terminal.
  • a diabetic patient management method executed by an information processing device includes the steps of: receiving patient information from the patient device; estimating the glycated hemoglobin level by applying the patient information to an artificial intelligence learning model for estimating the glycated hemoglobin level learned by the method of claim 1 ; and providing the estimated glycated hemoglobin level through a user interface of the patient terminal.
  • the diabetic patient management method may include: establishing a patient management plan based on the collected patient information and management goals; providing a therapeutic intervention message to a patient terminal for execution of a therapeutic intervention according to the established patient management plan; obtaining a response to the therapeutic intervention message; and calculating a degree of compliance to the therapeutic intervention based on the response, wherein the degree of compliance is preferably determined based on a response time to the therapeutic intervention message output to a user interface of the patient terminal.
  • the patient management server may provide content including a text message and an image for improving compliance with the therapeutic intervention to the patient terminal together with the therapeutic intervention message or after the therapeutic intervention message is provided.
  • the patient information includes exercise information and biometric information
  • the biometric information includes at least one of an actual glycated hemoglobin level, blood sugar, blood pressure, heart rate, and menstrual cycle.
  • the exercise information is an exercise index generated based on patient life log data obtained by the patient terminal, and the exercise index is a numerical value determined by an exercise time corresponding to each exercise type.
  • the diabetic patient management method includes: performing a therapeutic intervention based on the patient information; obtaining a response to the therapeutic intervention; calculating a degree of compliance based on the response; and estimating the glycated hemoglobin level by applying the patient information including the degree of compliance to the AI learning model.
  • the response may be automatically generated based on the life log data sensed by the patient terminal and transmitted to the server.
  • the present invention it is possible to monitor the condition of a diabetic patient in real time, and to estimate and predict the glycated hemoglobin level.
  • FIG. 1 is a diagram showing the configuration of the diabetic patient management system of the present invention.
  • Figure 2 is a block diagram schematically showing the configuration of the diabetic patient management server of the present invention.
  • FIG. 3 is a diagram illustrating a data flow between the diabetic patient management server (artificial intelligence learning unit), the patient terminal, and the medical staff terminal of the present invention.
  • FIG. 6 is a diagram illustrating a table and a matrix in which points are assigned according to response time to a therapeutic intervention in order to calculate adherence to a therapeutic intervention.
  • Wx artificial intelligence learning model
  • FIG. 8 is a diagram illustrating a data flow between a diabetic patient management server, a patient terminal, and a medical staff terminal according to another embodiment of the present invention.
  • PDM personal disease management
  • FIG. 1 is a block diagram showing a schematic configuration of a diabetic patient management system according to an embodiment of the present invention.
  • the diabetic patient management system includes a diabetic patient management server 150 and a patient terminal 110 carried by a diabetic patient.
  • the diabetic patient management system may further include a medical staff device 120 and/or a third party device 140 .
  • Various terminals and servers of the patient management system of the present invention are capable of wired/wireless communication through a communication network.
  • the diabetic patient management server 150 may be a single information processing device including a processor, a memory, and a communication module, but is not limited thereto and may be a system in which multiple information processing devices are connected by a communication network.
  • the patient terminal 110 may be an app for checking health information or a terminal (eg, a smart phone, a smart watch, etc.) to which a sensor for detecting location information, exercise information, or bio information is added.
  • the patient terminal 110 may be worn on the user's body like a smart band to detect various biometric information of the patient, such as blood pressure and heart rate, and provide patient information to the patient management server 150 through wireless communication. and receive various information from the patient management server.
  • the diabetic patient management server 150 includes an input/output interface (not shown), a communication unit 151 , a database unit 152 , a neural network modeling unit 159 , and a control unit 154 .
  • the communication unit 151 may perform wired or wireless communication with the patient terminal 110 , the medical staff terminal 120 , and/or the third party device 140 through a communication network.
  • the database unit 152 includes a patient database in which diabetic patient information is stored, and in the neural network modeling unit 159, artificial intelligence learning is performed using the database built by the database unit 152 and a neural network generated as a result.
  • the artificial intelligence learning model is stored.
  • the control unit collects various data with an external device including a patient terminal, controls various data processing in the server, and provides the processed data to an external device.
  • Each component may be configured in a form in which software, hardware, or software and hardware are combined. Hereinafter, each component will be described in detail.
  • the diabetic patient management server 150 collects patient information from the patient terminal possessed by the diabetic patient, provides various information including therapeutic intervention to the patient terminal, and collects and processes responses or response data from the patient device, thereby managing the help with self-management
  • prescription information, various medical information, and environmental information are collected and processed from the medical staff device 120 and/or the third party device 140 . This will be described later.
  • the learning method is implemented by combining the hardware and software programs of the learning apparatus of the artificial intelligence learning model.
  • the application program stored in the patient terminal is linked with the software program to process data.
  • the artificial intelligence learning apparatus is preferably included in the diabetic patient management server 150, but is not limited thereto and may be implemented as separate hardware and software.
  • the learning apparatus of the artificial intelligence model is included in the diabetic patient management server 150 will be described.
  • the artificial intelligence learning model learning apparatus for estimating the glycated hemoglobin level according to an embodiment of the present invention uses an input/output interface (not shown), the communication unit 151, patient information, and the actual measured glycated hemoglobin level of the patient
  • the database unit 152 for constructing a patient database using and a neural network modeling unit 159 and a control unit 154 for generating an intelligent learning model.
  • Patient information includes exercise information, biometric information, prescribing information, physical information, lifestyle information, and adherence to therapeutic intervention of the patient.
  • the patient's age, gender, and the like may be included.
  • the exercise information and life information are generated based on patient life log data obtained by the patient terminal. More specifically, the patient terminal is a smart phone or a smart watch, and may collect user activity information.
  • the patient terminal uses the life log data, which is sensor data acquired by the gyro sensor, acceleration sensor, GPS module, etc. of the smartphone, such as the number of steps, running time, exercise time, etc. can be obtained In some cases, the patient may input exercise information or life information such as 1 hour of yoga, 6 hours of meditation, and 1 hour of rest.
  • the patient terminal acquires the patient's exercise information and life information and transmits it to the server 150 .
  • the biometric information includes one or more of blood sugar, blood pressure, heart rate, and menstrual cycle.
  • Blood glucose may be measured by a separate blood glucose meter, may be input by a patient to a patient terminal, or may be measured by an IoT blood glucose meter having a communication module including a Bluetooth communication module and transmitted to the patient terminal or server.
  • the biometric information may further include blood type, oxygen saturation, respiration rate, respiration volume, and body fat measurement result.
  • the biometric information may be, for example, measured biometric data such as a normal heart rate and a fasting blood sugar of 100 on March 1, 2021, and a blood pressure of 100 to 120 mmHg.
  • Each biometric data can be assigned a coefficient by defining a range. 4 shows an example in which coefficients are designated by defining ranges for blood pressure measurement results. Different coefficients are assigned for a given range per patient per day, resulting in a biometric index matrix.
  • biometric information is arranged according to patient (patient ID), day, and biometric index and stored in a matrix form.
  • data conversion is preferably performed by the database unit 152, structured and stored in the patient database.
  • Prescribing information includes the type and amount of the drug included in the prescription for the diabetic patient, the time taken, and the number of doses.
  • the prescription information may be input to a patient terminal or a medical staff device by a patient or medical staff and transmitted to the server 150 .
  • a Patient Health record (PHR) stored in the hospital device may be transmitted and provided to the server 150 .
  • the body information is body-related information such as a patient's height, weight, and waist circumference
  • the server may receive data input to the patient terminal or collect a separate device, for example, a patient health record (PHR).
  • PHR patient health record
  • the living information includes sleep time, rest time, movement time, movement route, and the like.
  • the life information may be generated from life log data acquired by a patient terminal (a wearable device such as a smart watch worn by a patient or a smart phone).
  • the patient terminal processes the life log data including various sensor data such as a gyro sensor to obtain life information such as sleep time and rest time and the exercise information.
  • the living information may further include smoking and drinking information input from the patient terminal.
  • the exercise information may be, for example, data including an exercise type and an amount of exercise (time), such as March 1, 2021, walking for 35 minutes, running for 30 minutes, swimming for 0 hours, and cycling for 0 hours.
  • the exercise time for each exercise is assigned a coefficient by setting a range for each exercise.
  • the exercise information is sorted by day for each patient and exercise time for each exercise and stored in a matrix form.
  • Such data conversion is preferably performed by the database unit 152 and stored in the patient database.
  • the database unit converts the patient information and the measured HbA1c level into a single standardized data structure format, and the neural network modeling unit trains an artificial intelligence learning model using the converted patient information and the measured HbA1c level to estimate the HbA1c level. Create an artificial intelligence learning model.
  • the data set for the learning includes an input data set and an output data set, the input data set is converted patient information, and the measured glycated hemoglobin level is an output data set.
  • the average value, the immediately preceding value, or the immediately following value may be used to learn each and generate an artificial intelligence model, but a case with a high prediction rate may be selected.
  • it is a method of learning using 6.0, 6.3 (arithmetic mean), and 6.6 as the glycated hemoglobin level, and selecting the one with the highest prediction rate among the artificial intelligence models generated as a result.
  • a Recurrent Neural Network for example, a Recurrent Neural Network (RNN), Convolutional Neural Network (CNN), Long Short-Term Memory (LSTM), or Deep Feedforward Network (DFN) based artificial intelligence algorithm may be used.
  • RNN Recurrent Neural Network
  • CNN Convolutional Neural Network
  • LSTM Long Short-Term Memory
  • DNN Deep Feedforward Network
  • a response to the therapeutic intervention provided from the user interface of the patient terminal may be additionally collected and used.
  • the patient management server 150 may further include a therapeutic intervention unit (not shown), and the therapeutic intervention unit may provide a therapeutic intervention signal based on patient information and the glycated hemoglobin level to the patient terminal.
  • the therapeutic intervention unit may be implemented in the form of an application program stored in the patient terminal. That is, the therapeutic intervention program generated in a separate server may be linked with or included as a part of the diabetic patient management application program.
  • the therapeutic intervention may include medication guidance, exercise recommendation, dietary adjustment request, risk warning, and the like, and may be provided through a user interface of the patient terminal. Specifically, it may be provided in the form of a text message, an SNS message, a voice message, a push message, or an alarm message of an application program through the user interface of the patient terminal.
  • the treatment intervention unit sends an intervention signal for treatment intervention based on the patient information (glycated hemoglobin level, exercise information, biometric information, prescription information, body information, life information, dietary information, adherence to therapeutic intervention, age, gender) create the patient information (glycated hemoglobin level, exercise information, biometric information, prescription information, body information, life information, dietary information, adherence to therapeutic intervention, age, gender) create the patient information (glycated hemoglobin level, exercise information, biometric information, prescription information, body information, life information, dietary information, adherence to therapeutic intervention, age, gender) create the patient information (glycated hemoglobin level, exercise information, biometric information, prescription information, body information, life information, dietary information, adherence to therapeutic intervention, age, gender) create the patient information (glycated hemoglobin level, exercise information, biometric information, prescription information, body information, life information, dietary information, adherence to therapeutic intervention, age, gender) create the patient information (glycated hemoglobin level, exercise information, biometric information
  • the treatment intervention unit generates therapeutic intervention information based on one or more of the patient information and the glycated hemoglobin level, and the controller controls the communication unit to transmit the therapeutic intervention information to the patient terminal. Based on the response to the therapeutic intervention information provided to the patient terminal, the degree of compliance with the therapeutic intervention is calculated.
  • the degree of compliance is calculated based on at least one of confirmation, response, and response time for the therapeutic intervention provided through the user interface of the patient terminal.
  • the therapeutic intervention and compliance calculation will be described in detail.
  • the treatment intervention unit generates therapeutic intervention information based on at least one of the converted patient information stored in the database and the glycated hemoglobin level estimated by the artificial intelligence learning model.
  • the prescription information includes the type, amount, time, and number of medications to be taken for each patient.
  • the therapeutic intervention information is generated according to the prescription information. For example, a request to output a medication guidance message or a medication reminder message to take the medication 1 at 8:00 a.m. may be transmitted to the patient terminal using the therapeutic intervention information for taking the medication 1 after breakfast.
  • Compliance with the therapeutic intervention is determined based on whether or not to acknowledge receipt of the medication guidance message output to the user interface of the patient terminal, and the response time. If the message is confirmed, a point is given as 1, otherwise, a point is given as 0. And if you respond to a message (the message includes a response input form or button), for example, if you respond immediately to a message output (for example, within 10 seconds), after 10 seconds, a response is received within 10 minutes
  • the message includes a response input form or button
  • the therapeutic intervention includes an exercise recommendation, diet control, smoking cessation, a message requesting to refrain from drinking, and the like, and the therapeutic intervention information may be generated based on the estimated glycated hemoglobin level and/or patient information.
  • the generated therapeutic intervention information is converted into a natural language message by the chatbot and provided to the patient terminal.
  • the degree of adherence to the therapeutic intervention is calculated based on whether the therapeutic intervention message is acknowledged, responded to, and response time. Specifically, whether the therapeutic intervention message output by the patient terminal is checked or not, and the time the response is input from the time the therapeutic intervention message is output Conformity is calculated by adding points daily or cumulatively.
  • the degree of compliance calculated in this way is included as a part of the patient information and is included in the input data set for generating the artificial intelligence learning model.
  • the method for calculating compliance may include: providing the therapeutic intervention message to a patient terminal; receiving a confirmation message corresponding to the therapeutic intervention message from the patient terminal; extracting a response time of the confirmation message; calculating points based on the response time; and calculating the degree of compliance by adding the points.
  • the response is not limited to clicking or touching a response button provided through the user interface of the patient terminal.
  • a patient who has received an exercise recommendation message or a walking invitation message can exercise without making a separate response through the terminal.
  • the motion may be detected by the sensor of the patient terminal carried by the patient.
  • the patient terminal When the motion is detected, the patient terminal generates a confirmation message including the corresponding motion and exercise start time as a response and response time.
  • the confirmation message may be (exercise, 1 hour).
  • the degree of compliance calculated by the above-described method is used as artificial intelligence learning data.
  • the diabetic patient management server executes a diabetic patient management method, which may be implemented as a program including a series of instructions.
  • a method for managing a diabetic patient may include receiving patient information from a patient device; estimating the glycated hemoglobin level by applying the patient information to an artificial intelligence learning model for estimating the glycated hemoglobin level; and providing the estimated glycated hemoglobin level through a user interface of the patient terminal.
  • the management method may also include performing a therapeutic intervention based on the patient information; obtaining a response to the therapeutic intervention; calculating a degree of compliance based on the response; and estimating the glycated hemoglobin level by applying the patient information including the degree of compliance to the AI learning model.
  • the patient terminal 110 can detect various biometric information such as blood sugar level, blood pressure, heart rate, weight, pulse, and electrocardiogram.
  • biometric information such as blood sugar level, blood pressure, heart rate, weight, pulse, and electrocardiogram.
  • life information including the amount of exercise, sleep time, and moving distance of the user can be generated.
  • the server 150 may receive patient information from the patient terminal 110 and store the patient information in an internal storage medium, for example, a database, an external storage medium, or a separate cloud. In this case, the server 150 may separately manage the location where the corresponding user data is stored. The server 150 may store a storage location of user data in an internal storage medium.
  • an internal storage medium for example, a database, an external storage medium, or a separate cloud.
  • the server 150 may separately manage the location where the corresponding user data is stored.
  • the server 150 may store a storage location of user data in an internal storage medium.
  • the glycated hemoglobin level of the patient can be estimated, and based on this, a therapeutic intervention can be performed through the patient terminal. Since the blood is refreshed every 3 months rather than the diabetic level measured at home every day, the glycated hemoglobin test performed at the hospital is medically meaningful.
  • the glycated hemoglobin level cannot be measured at home, it is necessary to properly estimate the glycated hemoglobin level in order to monitor the patient's life in real time for 3 months and perform therapeutic intervention through a chatbot. It is possible to estimate the glycated hemoglobin level with high accuracy by checking the response (compliance) to the therapeutic intervention and using this adherence as part of the patient information as training data for the AI learning model for estimating the glycated hemoglobin level. Furthermore, it is possible to improve the quality of management of diabetic patients by using this as a standard for self-management.
  • the artificial intelligence learning model for estimating the glycated hemoglobin level is installed in a personal computer equipped with a processor (CPU) and memory (Memory) or various portable terminals such as PDA, smart phone, PMP, etc. Accordingly, it may be possible to directly estimate the glycated hemoglobin level from the personally owned terminal without communication with the server.
  • the method for estimating the glycated hemoglobin level may be implemented in the form of software and configured to operate in the aforementioned personal computer or various portable terminals, and may be in the form of a recording medium recording a program for executing the glycated hemoglobin level estimation method. It is also possible for the present invention to be constructed.
  • the present invention is not limited by such a configuration, and no matter what type of configuration it is, if it is configured to obtain the effect of estimating the glycated hemoglobin level using the elements of the present invention, it falls within the scope of the present invention.
  • FIG. 8 shows the establishment of a diabetic patient management plan, therapeutic intervention and feedback thereto.
  • information for registering a specific patient and selecting a diabetes management item is transmitted to the patient management server through the medical staff terminal. Thereafter, when the patient's clinical information and management goals are transmitted to the patient management server through the medical staff terminal, the patient management server analyzes the collected data and creates a patient management plan.
  • the data collected here are patient information and management items selected by the medical staff, and the management items may be, for example, exercise, diet, smoking, and drinking.
  • the management target input through the medical staff terminal is, for example, the glycated hemoglobin level of 6.5.
  • the patient management server has the same configuration as that of FIG. 2 described above, but further includes a personal disease management (PDM) planning unit.
  • PDM personal disease management
  • the PDM planning unit creates an individual management plan for a diabetic patient based on the patient information, the management item, and the management goal.
  • the management plan can be automatically generated by a program of a pre-stored algorithm.
  • the generated management plan is provided to the medical staff terminal, and when approval is input for the provided management plan, automatic management including therapeutic intervention by the patient management server is started.
  • the approval input may be performed in various ways, such as a button touch or voice input, according to an approval input method provided on the terminal interface.
  • the management plan includes a series of therapeutic intervention information, and the provision of the therapeutic intervention message for providing the therapeutic intervention information is basically the same as the process of FIG. 3 described above.
  • AI learning is performed using patient information including compliance with therapeutic intervention, and the method for estimating the glycated hemoglobin level using the AI learning model formed by this learning is the same.
  • the patient management server according to the approved patient management plan provides therapeutic intervention information (specific intervention details of the PDM plan). ) according to the PDM message (therapeutic intervention message) is provided to the patient terminal and outputted to the interface of the patient terminal.
  • therapeutic intervention message therapeutic intervention message
  • the PDM content includes text messages and images to improve adherence to therapeutic interventions.
  • the PDM content 1 for preventing smoking is provided to the patient terminal and then the More button is touched, the PDM content 2 may be additionally provided.
  • the provision of such PDM contents is optional and additional.
  • a PDM feedback message providing an answer on whether to smoke or not may be provided without providing the PDM content. In this case, answers such as yes and no are transmitted to the patient management server according to the response time and response content as the degree of compliance with the therapeutic intervention, and can be used as data for artificial intelligence learning.
  • the above-described learning method is available in the healthcare industry to provide a system and method for the management of diabetic patients.

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Data Mining & Analysis (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Surgery (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Optics & Photonics (AREA)
  • Medicinal Chemistry (AREA)
  • Computing Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Cardiology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Emergency Medicine (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

당화혈색소 수치 추정을 위한 인공지능학습 모델의 학습 방법으로서, 환자의 운동 정보 및 생체 정보를 포함하는 환자 정보를 수집하는 단계; 환자의 실측 당화혈색소 수치를 수집하는 단계; 상기 수집된 환자 정보와 실측 당화혈색소 수치를 단일 표준화된 데이터 구조 형식으로 변환하는 단계; 및 상기 변환된 환자 정보와 실측 당화혈색소 수치를 이용하여 인공지능 학습 모델을 학습시켜 당화혈색소 수치 추정을 위한 인공지능학습 모델을 생성하는 단계;를 포함하고, 상기 생체 정보는 혈당, 혈압, 심박수, 생리주기 중 하나 이상을 포함하며, 상기 운동 정보는 환자 단말기에 의해 획득되는 환자 생활 로그 데이터에 기초하여 생성된다.

Description

당화혈색소 수치 추정을 위한 인공지능학습 모델의 학습 방법 및 그 시스템
본 발명은 당뇨 환자 관리 방법에 관한 것으로서, 보다 구체적으로는 당화혈색소 수치 추정 또는 예측을 위한 인공지능 학습모델의 학습 방법 및 그 시스템과 당뇨병 환자 관리 방법에 관한 것이다.
혈중 포도당은 산소를 운반하는 적혈구 내의 혈색소(헤모글로빈)의 일부와 결합하게 되는데, 이렇게 혈색소에 포도당이 결합된 형태를 당화혈색소(HbA1c, hemoglobin A1c)라 한다.
당화혈색소(HbA1c) 검사는 혈액 내에서 산소를 운반하는 적혈구 내의 혈색소가 어느 정도로 당화(糖化)되었나를 보는 검사이며, 적혈구의 평균 수명기간에 따라 최근 2~3개월 정도의 혈당 변화를 반영한다. 정상인에서도 당연히 포도당이 존재하므로 우리의 혈액 내에는 혈색소가 어느 정도 당화되어 있는데, 검사 방법에 따라 정상치의 차이가 있으나 대개 5.6%까지가 정상이다.
당뇨병 환자의 경우 혈액 내 포도당의 농도가 높아지므로 당화된 혈색소, 즉 당화혈색소 수치 역시 올라가게 된다. 당뇨병 환자의 합병증 예방을 위해 당화혈색소(HbA1C) 관리는 필수검사항목으로, 대한당뇨병학회에서는 2-3개월마다 한번씩 당화혈색소를 측정하도록 권고하고 있다.
혈당이 조절되지 않는 경우 당화혈색소의 수치가 증가하게 된다. 일반적으로 당화혈색소 수치는 약 3개월간의 혈중 혈당 농도를 반영할 수 있어, 혈당 조절을 평가하는 유용한 기준으로 사용되는 검사이다. 따라서 3개월 주기로 당뇨병 환자는 병원을 방문하여 당화혈색소 검사를 하고, 의료진은 그 동안의 혈당 관리 정도가 고스란히 드러나는 이 결과를 보고 추후 치료 방향을 결정하게 된다. 병원에서 설정한 치료 목표 및 방향에 따라 처방을 하면, 환자는 일상 생활에서 복약, 식이, 운동, 생활습관을 스스로 관리하여 당뇨를 관리하게 된다.
당뇨병은 특히 복약과 일상생활 관리가 중요한 질병인데, 문제는 환자가 병원 진료 사이의 수개월간 자가관리를 하기 때문에 관리가 쉽지 않을 뿐 아니라 스스로 관리를 제대로 하고 있는지 판단하기도 어렵다.
혈당관리를 위한 자가 혈당 측정기가 보급되고 있으나, 혈당은 음식 섭취 등으로 인해 변동이 심한 값이므로 이를 기준으로 관리하기 보다는 장기적(수개월 간의) 혈당 조절 상태를 나타내는 당화혈색소수치를 기준으로 하는 것이 바람직하다. 병원에서 당화혈색소 수치를 기초로 치료 방향을 설정하는 것도 이러한 이유에서이다.
그러나 당화혈색소는 병원에서만 검사 가능하므로 수 개월 동안 환자들은 당화혈색소 수치에 대한 정보 없이 자가 관리를 막연히 하고 있다. 현재 당뇨병 환자는 혈당 관리를 위해 환자용 수첩이나 스마트폰 어플리케이션을 이용한다. 식사량, 운동량 등을 수첩이나 어플리케이션에 기록하는 방식에 의해 혈당 관리를 한다.
그러나, 이러한 방법으로는 혈당 조절을 평가하는 유용한 기준인 당화혈색소 수치의 관리나 판단이 어렵고 환자의 자가 관리의 중간 점검 등이 어려운 상황이다.
본 발명은 상기 문제점을 해결하여, 당뇨 환자 관리의 기준이 되는 당화혈색소 수치 예측을 위한 인공지능학습 모델 훈련 방법 및 시스템을 제공하고자 한다.
본 발명의 다른 목적은 환자의 당화혈색소 수치를 예측하고 관리하는 시스템 및 방법을 제공하는 것이다.
본 발명의 또 다른 목적은 당뇨 환자의 관리에 대한 계획을 수립하고 그에 따른 관리 실행 및 환자 피드백을 반영한 당화혈색소 수치 예측 시스템 및 방법을 제공하는 것이다.
상기 과제를 해결하기 위해, 본 발명의 바람직한 실시예에 따른 당화혈색소 수치 추정을 위한 인공지능학습 모델의 학습 방법이 개시된다.
상기 학습 방법은 환자의 운동 정보 및 생체 정보를 포함하는 환자 정보를 수집하는 단계; 환자의 실측 당화혈색소 수치를 수집하는 단계; 상기 수집된 환자 정보와 실측 당화혈색소 수치를 단일 표준화된 데이터 구조 형식으로 변환하는 단계; 및 상기 변환된 환자 정보와 실측 당화혈색소 수치를 이용하여 인공지능 학습 모델을 학습시켜 당화혈색소 수치 추정을 위한 인공지능학습 모델을 생성하는 단계;를 포함한다.
상기 생체 정보는 혈당, 혈압, 심박수, 생리주기 중 하나 이상을 포함하고, 상기 운동 정보는 환자 단말기에 의해 획득되는 환자 생활 로그 데이터에 기초하여 생성된다.
상기 환자 정보는 치료적 개입에 대한 순응도를 포함하고, 상기 치료적 개입은 상기 환자 단말기의 사용자 인터페이스를 통한 처방 의약품의 복약 알림 메시지의 제공을 포함한다.
상기 순응도는 복약 알림 메시지에 대한 응답에 기초하여 산정되는 것이 바람직하다. 상기 응답은 환자 단말기의 사용자 인터페이스를 통해 입력될 수 있다.
추가로 상기 응답은 환자 단말기에 의해 감지되는 생활 로그 데이터에 기초하여 생성될 수 있다.
상기 환자 정보는 처방 정보, 신체 정보, 생활 정보, 치료적 개입에 대한 순응도 중 하나 이상을 더 포함하고, 상기 처방정보는 처방 의약품 정보와 복약 지도 정보를 포함하고, 상기 신체정보는 사용자의 키, 몸무게, 허리둘레 중 하나 이상을 포함한다.
상기 생활정보는 수면지수와 활동지수 중 하나 이상을 포함하고, 상기 생활정보는 환자가 소지하는 환자 단말기에 의해 생성된 생활 로그 데이터에 기초하여 생성된다.
상기 치료적 개입은 운동 권유 메시지의 제공을 포함하고, 상기 순응도는 상기 치료적 개입에 대한 사용자의 응답에 기초하여 산정된다.
상기 환자 정보는 치료적 개입에 대한 순응도를 포함하고, 상기 환자 정보와, 실측 또는 추정 당화혈색소 수치에 기초하여 생성되는 치료적 개입 정보를 챗봇이 치료적 개입 메시지로 변환한다. 환자 단말기로 출력되는 상기 치료적 개입 메시지에 대한 응답이 환자 단말기에 입력되는 시간에 기초하여 상기 순응도가 산출되는 것이 바람직하다. 상기 응답 여부 및 시간은 환자 단말기에 의해 감지되는 생활 로그 데이터에 기초하여 생성될 수 있다.
본 발명의 일 실시예에 의한 당화혈색소 수치 추정을 위한 인공지능학습 모델 학습 장치는, 환자의 운동 정보 및 생체 정보를 포함하는 환자 정보와, 환자의 실측 당화혈색소 수치를 이용하여 환자 데이터베이스를 구축하는 데이터베이스부; 및 상기 환자 데이터베이스에 포함된 환자 정보와 실측 당화혈색소 수치 데이터를 멀티 레벨 기계 학습(Multi-Level Machine Learning)에 적용하여 당화혈색소 수치 추정을 위한 인공지능 학습 모델을 생성하는 신경망 모델링부;를 포함한다.
상기 생체정보는 혈당, 혈압, 심박수, 생리주기 중 하나 이상을 포함하고, 상기 운동 지수는 환자 단말기에 의해 획득되는 환자 생활 로그 데이터에 기초하여 생성된다.
본 발명의 다른 측면에 의하면, 정보처리장치(환자 관리 서버)에 의해 실행되는 당뇨 환자 관리 방법은, 환자 장치로부터 환자 정보를 수신하는 단계; 상기 환자 정보를 청구항 제1항의 방법에 의해 학습된 당화혈색소 수치 추정을 위한 인공지능학습 모델에 적용하여 당화혈색소 수치를 추정하는 단계; 및 상기 추정된 당화혈색소 수치를 상기 환자 단말기의 사용자 인터페이스를 통해 제공하는 단계;를 포함한다.
상기 당뇨 환자 관리 방법은, 수집된 상기 환자 정보와 관리 목표에 기초하여 환자 관리 계획을 수립하는 단계; 상기 수립된 환자 관리 계획에 따라 치료적 개입의 실행을 위해 치료적 개입 메시지를 환자 단말기로 제공하는 단계; 상기 치료적 개입 메시지에 대한 응답을 획득하는 단계; 및 상기 응답에 기초하여 치료적 개입에 대한 순응도를 산출하는 단계;를 포함하고, 상기 순응도는 환자 단말기의 사용자 인터페이스로 출력된 상기 치료적 개입 메시지에 대한 응답 시간에 기초하여 결정되는 것이 바람직하다.
환자 관리 서버는 상기 치료적 개입 메시지와 함께 또는 상기 치료적 개입 메시지의 제공 후에, 치료적 개입에 대한 순응도를 향상시키기 위한 텍스트 메시지와 이미지를 포함하는 컨텐츠를 환자 단말기로 제공할 수 있다.
상기 환자 정보는 운동 정보 및 생체 정보를 포함하고, 상기 생체 정보는 실측 당화혈색소 수치, 혈당, 혈압, 심박수, 생리주기 중 하나 이상을 포함한다.
상기 운동 정보는 환자 단말기에 의해 획득되는 환자 생활 로그 데이터에 기초하여 생성되는 운동 지수이고, 상기 운동 지수는 운동 종류별로 대응하는 운동 시간에 의해 결정되는 수치인 것이 바람직하다.
상기 당뇨 환자 관리 방법은, 상기 환자 정보에 기초하여 치료적 개입을 수행하는 단계; 상기 치료적 개입에 대한 응답을 획득하는 단계; 상기 응답에 기초하여 순응도를 산출하는 단계; 및 상기 순응도를 포함하는 환자 정보를 상기 인공지능학습 모델에 적용하여 당화혈색소 수치를 추정하는 단계;를 한다.
상기 응답은 상기 환자 단말기에 의해 감지되는 생활 로그 데이터에 기초하여 자동 생성되고 서버로 전송될 수 있다.
본 발명의 바람직한 실시예에 의하면, 실시간으로 당뇨 환자의 상태를 모니터링하고, 당화혈색소 수치를 추정, 예측할 수 있다.
본 발명의 또 다른 측면에 의하면, 당뇨 환자에 대한 개별화된 관리를 자동화하고, 관리에 대한 환자 순응도를 높일 수 있다.
도 1은 본 발명의 당뇨 환자 관리 시스템의 구성을 나타낸 도면이다.
도 2는 본 발명의 당뇨 환자 관리 서버의 구성을 개략적으로 나타낸 블록도이다.
도 3은 본 발명의 당뇨 환자 관리 서버(인공지능학습부)와 환자 단말기, 의료진 단말기 간의 데이터 흐름을 나타낸 도면이다.
도 4는 혈압 측정 결과에 대해 각기 범위를 정하여 계수를 정한 표를 나타낸 것이다.
도 5는 이러한 계수 지정 방법의 일 예를 나타낸 것이다.
도 6은 치료적 개입에 대한 순응도를 산출하기 위해 치료적 개입에 대한 응답 시간에 따른 포인트를 부여한 표와 그에 따른 매트릭스를 나타낸 도면이다.
도 7은 본 발명의 당화혈색소 수치 추정을 위한 인공지능학습모델(Wx)의 학습 데이터들의 관계를 수학적으로 나타낸 것이다.
도 8은 본 발명의 다른 실시예에 따른 당뇨 환자 관리 서버와 환자 단말기, 의료진 단말기 간의 데이터 흐름을 나타낸 도면이다.
도 9는 본 발명의 다른 실시예에 따른 PDM(personal disease menagement) 컨텐츠 제공 및 응답 과정을 나타낸 도면이다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시 예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
이하에서, 본 발명의 실시예를 첨부된 도면을 참조하여 상세하게 설명한다. 그러나, 본 발명이 실시예들에 의해 제한되거나 한정되는 것은 아니다.
도 1은 본 발명의 일실시예에 따른 당뇨 환자 관리 시스템의 개략적 구성을 나타낸 블럭도이다.
도 1에 의하면, 당뇨 환자 관리 시스템은 당뇨 환자 관리 서버(150)와 당뇨 환자가 소지하는 환자 단말기(110)를 포함한다. 당뇨 환자 관리 시스템은 추가로 의료진 장치(120) 및/또는 제3자 장치(140)을 더 포함할 수 있다. 본 발명의 환자 관리 시스템의 각종 단말기와 서버들은 통신 네트워크에 의해 유무선통신이 가능하다.
당뇨 환자 관리 서버(150)는 프로세서와 메모리, 통신모듈을 포함하는 단일 정보처리장치일 수 있으나, 이에 한정되지 않고 다수 정보처리장치가 통신 네트워크에 의해 연결된 시스템일 수도 있다.
상기 환자 단말기(110)는 건강 정보를 체크하는 앱이나 위치정보, 운동정보 또는 바이오 정보를 감지하는 센서가 추가된 단말기(예를 들면, 스마트폰, 스마트 워치 등)일 수 있다. 환자 단말기(110)는 예를 들어, 스마트 밴드와 같이 사용자의 신체에 착용되어 다양한 혈압, 심박수 등 환자의 생체 정보를 감지할 수도 있고, 무선 통신에 의해 환자 정보를 환자 관리 서버(150)로 제공하고 환자 관리 서버로부터 각종 정보를 수신할 수 있다.
도 2에 의하면, 당뇨 환자 관리 서버(150)는 입출력 인터페이스(미도시), 통신부(151), 데이터베이스부(152), 신경망 모델링부(159) 및 제어부(154)를 포함한다. 상기 통신부(151)는 통신 네트워트를 통해 환자 단말기(110), 의료진 단말기(120) 및/또는 제3자 장치(140)와 유선 또는 무선 통신을 할 수 있다.
상기 데이터베이스부(152)는 당뇨 환자 정보가 저장된 환자 데이터베이스를 포함하고, 신경망 모델링부(159)에서는 데이터베이스부(152)에 의해 구축된 데이터베이스를 이용하여 인공지능 학습이 수행되고 그 결과 생성된 신경망인 인공지능 학습 모델이 저장된다. 상기 제어부는 환자 단말기를 포함한 외부 장치로 각종 데이터를 수집하고 서버에서 각종 데이터 처리를 제어하고 처리된 데이터를 외부 장치로 제공한다. 각각의 구성요소들은 소프트웨어, 하드웨어 또는 소프트웨어 및 하드웨어가 결합된 형태로 구성될 수 있다. 이하 구성요소 별로 구체적으로 기술하도록 한다
당뇨 환자 관리 서버(150)는 당뇨 환자가 소지하는 환자 단말로부터 환자 정보를 수집하고, 치료적 개입을 포함한 각종 정보를 환자 단말로 제공하고 환자 장치로부터 응답 또는 반응 데이터를 수집하여 처리함으로써 당뇨 환자의 자가 관리를 돕는다. 추가로, 의료진 장치(120) 및/또는 제3자 장치(140)로부터 처방 정보 또는 각종 의료 정보, 환경 정보를 수집하고 이를 처리한다. 이에 대해서는 후술한다.
먼저, 도 3을 참조하여 인공지능 학습장치에 의해 수행되는, 당화혈색소 수치를 추정하는 인공지능 학습모델의 학습 방법에 대해 상세히 설명한다. 상기 학습 방법은 인공지능 학습모델의 학습장치의 하드웨어 및 소프트웨어 프로그램의 결합에 의해 구현된다. 환자 단말기에 저장된 어플리케이션 프로그램은 상기 소프트웨어 프로그램과 연동되어 데이터 처리가 이루어 진다.
인공지능 학습 장치는 당뇨 환자 관리 서버(150)에 포함되는 것이 바람직하지만, 이에 한정되지 않고 별도의 하드웨어 및 소프트웨어로 구현될 수도 있다. 이하에서는 인공지능모델의 학습 장치가 당뇨 환자 관리 서버(150)에 포함된 경우를 설명한다.
본 발명의 일실시예에 따른 당화혈색소 수치 추정을 위한 인공지능학습 모델 학습 장치(당뇨 환자 관리 서버)는 입출력 인터페이스(미도시), 통신부(151), 환자 정보와 환자의 실측 당화혈색소 수치를 이용하여 환자 데이터베이스를 구축하는 데이터베이스부(152), 및 상기 당뇨 환자 데이터베이스에 포함된 환자 정보와 실측 당화혈색소 수치 데이터를 멀티 레벨 기계 학습(Multi-Level Machine Learning)에 적용하여 당화혈색소 수치 추정을 위한 인공지능 학습 모델을 생성하는 신경망 모델링부(159) 및 제어부(154)를 포함한다.
환자 정보는 환자의 운동 정보, 생체 정보, 처방 정보, 신체 정보, 생활 정보, 치료적 개입에 대한 순응도를 포함한다. 추가로 환자 나이, 성별 등을 포함할 수 있다.
상기 운동 정보 및 생활 정보는 환자 단말기에 의해 획득되는 환자 생활 로그 데이터에 기초하여 생성된다. 보다 구체적으로, 환자 단말기는 스마트폰 또는 스마트 워치로서, 사용자의 활동 정보를 수집할 수 있다. 환자 단말기는 걸음수, 달리기 시간, 운동 시간 등 스마트폰의 자이로 센서, 가속도 센서, GPS 모듈 등에 의해 획득하는 센서 데이터인 생활 로그 데이터를 이용하여 수면 시간, 운동종류, 종류별 운동 시간, 소모 칼로리 등을 획득할 수 있다. 경우에 따라서는 환자 본인이 요가 1시간, 명상 6 시간, 휴식 1시간 등 운동 정보나 생활 정보를 입력할 수도 있다. 환자 단말기는 이러한 환자의 운동 정보 및 생활 정보를 획득하여 서버(150)로 전송한다.
생체 정보는 혈당, 혈압, 심박수, 생리주기 중 하나 이상을 포함한다. 혈당은 별도의 혈당 측정기에 의해 측정될 수 있고, 환자가 환자 단말기로 입력할 수도 있으며, 블루투스 통신모듈을 포함한 통신모듈을 가지는 IoT 혈당기에 의해 측정되어 환자 단말기 또는 서버로 전송될 수 있다. 생체 정보는 혈액형, 산소포화도, 호흡수, 호흡량, 체지방측정결과를 더 포함할 수 있다.
상기 생체 정보는 예를 들어 2021년 3월 1일, 공복 혈당 100, 혈압은 100~120mmHg로 정상, 심박수 정상과 같은 측정된 생체 수치 데이터일 수 있다. 각각의 생체 수치 데이터는 각기 범위를 정하여 계수를 지정할 수 있다. 도 4에는 혈압 측정 결과에 대해 각기 범위를 정하여 계수가 지정된 예를 나타낸 것이다. 환자별 일별로 지정된 범위에 대해 각기 다른 계수을 지정하고 그 결과 생체 지수 매트릭스를 생성하게 된다.
이처럼 생체 정보는 환자별(환자 ID), 일별, 그리고 생체 지수에 따라 정열되어 매트릭스 형태로 저장된다. 이러한 데이터 변환은 데이터베이스부(152)에 의해 이루어져 환자데이터베이스에 구조화되어 저장되는 것이 바람직하다.
처방 정보는 당뇨 환자가 받은 의약 처방에 포함된 의약품의 종류와 양, 복용 시간, 복용 횟수를 포함한다. 상기 처방 정보는 환자 또는 의료진에 의해 환자 단말기 또는 의료진 장치에 입력되어 서버(150)으로 전송될 수 있다. 대안적으로 병원 장치(의료진 장치)에 저장된 PHR(Patient Health record)이 서버(150)에 전송되어 제공될 수도 있다.
신체 정보는 환자의 키, 몸무게, 허리둘레 등의 신체 관련 정보로서 환자 단말기에 입력된 데이터를 서버가 수신하거나 별도의 장치, 예를 들어 PHR(Patient Health record)을 수집할 수도 있다.
생활 정보는 수면 시간, 휴식 시간, 이동 시간, 동선 등를 포함한다. 상기 생활 정보는 환자 단말기(환자가 착용한 스마트 워치와 같은 웨어러블 디바이스 또는 스마트 폰)가 획득한 생활 로그 데이터로부터 생성될 수 있다. 환자 단말기는 자이로 센서 등의 각종 센서 데이터를 포함한 상기 생활 로그 데이터를 가공하여 수면 시간, 휴식 시간 등의 생활 정보와 상기 운동 정보를 획득한다. 상기 생활 정보는 환자 단말기에서 입력된 흡연, 음주 정보를 더 포함할 수 있다.
상기 운동 정보는 예를 들어 2021년 3월 1일, 걷기 35분시간, 달리기 30분, 수영 0시간, 자전거 타기 0 시간과 같이 운동 종류와 운동량(시간)을 포함하는 데이터일 수 있다. 운동별 운동시간은 각기 범위를 정하여 계수가 지정된다.
도 5는 이러한 계수 지정 방법의 일 예를 나타낸 것이다.
이처럼 운동 정보는 환자별 일별, 그리고 운동별 운동시간으로 정열되어 매트릭스 형태로 저장된다. 이러한 데이터 변환은 데이터베이스부(152)에 의해 이루어져 환자데이터베이스에 저장되는 것이 바람직하다.
데이터베이스부에 의해 환자 정보와 실측 당화혈색소 수치를 단일 표준화된 데이터 구조 형식으로 변환하고, 신경망 모델링부는 변환된 환자 정보와 실측 당화혈색소 수치를 이용하여 인공지능 학습 모델을 학습시켜 당화혈색소 수치 추정을 위한 인공지능학습 모델을 생성한다.
상기 학습을 위한 데이터 셋은 입력 데이터 셋과 출력 데이터 셋을 포함하고, 입력 데이터 셋은 변환된 환자 정보이고, 실측 당화혈색소 수치가 출력 데이터 셋(data set)이다. 다만, 실측 당화혈색소 수치는 2 개월 내지 3개월 마다 측정되므로 중간의 당화혈색소 수치는 일별 추이를 반영한 값을 입력한다. 예를 들어, 3월 4일에 측정한 값이 6.6%이고 6월 4일에 측정한 값이 6.0%인 경우 4월 4일의 실측 당화혈색소 수치는 예를 들어 6.0+(31/92)*(6.6-6.0)= 6.2%로 산정하여 입력한다. 다른 방식으로는, 전처리 과정에서 평균값, 바로 앞의 값 또는 바로 뒤의 값을 이용하여 각기 학습을 하고 인공지능모델을 생성하되, 그 예측율이 높은 경우를 선택할 수 있다. 예를 들어, 6.0, 6.3(산술평균), 6.6 을 각기 당화혈색소 수치로 이용하여 학습을 하되 그 결과 생성된 인공지능모델 중에서 예측율이 가장 높은 것을 선택하는 방식이다.
상기 인공지능 학습을 위해 예를 들어 Recurrent Neural Network (RNN), Convolutional Neural Network (CNN), Long Short-Term Memory (LSTM), 또는 Deep Feedforward Network (DFN) 기반의 인공지능 알고리즘이 이용될 수 있다.
한편, 상기 인공지능 학습을 위해, 환자 단말기의 사용자 인터페이스에서 제공되는 치료적 개입에 대한 응답이 추가로 수집되어 이용될 수 있다.
이를 위해 환자 관리 서버(150)는 치료적 개입부(미도시)를 더 포함하고, 상기 치료적 개입부는 환자 정보와 당화혈색소 수치에 기초한 치료적 개입 신호를 환자 단말기로 제공할 수 있다. 대안적으로, 치료적 개입부는 환자 단말기에 저장된 어플리케이션 프로그램의 형태로 구현될 수도 있다. 즉, 별도의 서버에서 생성된 치료적 개입 프로그램이 당뇨 환자 관리용 어플리케이션 프로그램과 연동되거나 그 일부로 포함될 수 있다.
치료적 개입은 복약 지도, 운동 권유, 식이 조절 요청, 위험 경고 등을 포함하고, 환자 단말의 사용자 인터페이스를 통해 제공될 수 있다. 구체적으로 환자 단말기의 사용자 인터페이스를 통해 문자, SNS 메시지, 음성 메시지, 푸쉬 메시지, 어플리케이션 프로그램의 알람 메시지 등의 형태로 제공될 수 있다.
치료개입부는 상기 환자 정보(당화혈색소 수치, 운동 정보, 생체 정보, 처방 정보, 신체 정보, 생활 정보, 식이 정보, 치료적 개입에 대한 순응도, 나이, 성별)에 기초하여 치료개입을 위한 개입 신호를 생성한다.
이하, 치료적 개입 제공 단계 및 순응도 산정 과정을 구체적으로 설명한다.
치료개입부는 환자 정보와 당화혈색소 수치 중 하나 이상에 기초하여 치료적 개입 정보를 생성하고, 제어부는 상기 치료적 개입 정보를 통신부가 환자 단말기로 전송하도록 제어한다. 상기 환자 단말기로 제공된 치료적 개입 정보에 대한 응답에 기초하여 치료적 개입에 대한 순응도를 산정한다.
상기 순응도는 상기 환자 단말기의 사용자 인터페이스를 통해 제공되는 치료적 개입에 대한 확인 여부, 응답 여부, 응답 시간 중 하나 이상에 기초하여 산정된다. 이하, 치료적 개입과 순응도 산정에 대해 상세히 설명한다.
치료개입부는 상기 데이터베이스에 저장된 변환된 환자 정보와 인공지능 학습모델에 의해 추정된 당화혈색소 수치 중 하나 이상에 기초하여 치료적 개입 정보를 생성한다.
치료적 개입 중 복약 지도를 일 예로서 설명하면, 상기 처방 정보는 환자별 복용 의약품의 종류, 양, 복용 시간, 횟수를 포함한다. 상기 처방 정보에 따라 치료적 개입 정보를 생성한다. 예를 들어, 아침 식후 의약품 1을 복용하는 치료적 개입 정보를 이용하여 아침 8시에 의약품 1을 복용하라는 복약 지도 메시지 또는 복약 알림 메시지를 출력하도록 하라는 요청을 환자 단말기로 전송할 수 있다.
치료적 개입에 대한 순응도는 환자 단말기의 사용자 인터페이스로 출력된 복약 지도 메시지에 대한, 수신 확인 여부, 그리고 그에 대한 응답 시간에 기초하여 결정된다. 메시지 확인을 한 경우 포인트는 1, 확인하지 않은 경우 포인트 0을 부여한다. 그리고 메시지에 대해 응답(메시지는 응답 입력 폼 또는 버튼을 포함)을 한 경우, 예를 들어 메시지 출력에 대해 즉시 답변한 경우(예를 들어 10초 이내 답변), 10초 경과 후 10분 이내에 응답이 입력된 경우, 10분 경과 후 1시간 이내에 응답이 입력된 경우, 1시간 경과 후 24시간 이내에 응답이 입력된 경우, 24시간 경과 후 응답이 입력되거나 계속 응답이 입력되지 않은 경우에 대해, 각기 1, 0.7, 0.5, 0.1, -1점의 포인트를 주도록 미리 설정한다(도 6 참조). 이 포인트는 일별로 합산되어 일별 순응도를 산정하거나, 이 포인트를 누적 합산하여 누적 순응도를 산출할 수 있다. 누적 순응도는 실측 당화혈색소 수치가 측정된 날부터 합산된다. 일별 또는 누적 순응도 수치가 높을수록 순응도가 높다.
복약 지도 외에도 치료적 개입은 운동 권유, 식이 조절, 흡연 중단, 음주 자제요청 메시지 등을 포함하며, 상기 치료적 개입 정보는 추정 당화혈색소 수치 및/또는 환자 정보에 기초하여 생성될 수 있다. 생성된 치료적 개입 정보는 챗봇에 의해 자연어 메시지로 변환되어 환자 단말기로 제공된다.
상기 치료적 개입에 대한 순응도는 치료적 개입 메시지에 대한 확인 여부, 응답 여부, 응답 시간에 기초하여 산출된다. 구체적으로는 환자 단말기에 의해 출력된 치료적 개입 메시지에 대한 확인여부, 치료적 개입 메시지를 출력한 시간으로부터 응답이 입력된 시간에 따라 결정되고, 상기 입력된 시간은 범위를 나누어 각기 차별되는 포인트를 부여하고 일별 또는 누적되게 포인트를 합산하여 순응도를 산출한다.
이렇게 산출된 순응도는 상기 환자 정보의 일부로 포함되어 인공지능 학습모델을 생성하기 위한 입력 데이터 셋에 포함된다.
순응도 산출 방법은, 상기 치료적 개입 메시지를 환자 단말기로 제공하는 단계; 환자 단말기로부터 상기 치료적 개입 메시지에 대응하는 확인 메시지를 수신하는 단계; 상기 확인 메시지의 응답시간을 추출하는 단계; 응답시간에 기초하여 포인트를 산출하는 단계; 상기 포인트를 더하여 순응도를 산출하는 단계;를 포함한다.
다만, 상기 응답은 환자 단말기의 사용자 인터페이스를 통해 제공되는 응답 버튼을 클릭하거나 터치하는 것에 한정되지 않는다. 운동 권유 메시지, 걷기 권유 메시지 등을 받은 환자가 단말기를 통한 별도의 응답을 하지 않으면서 운동을 할 수 있다. 이 경우 환자가 소지한 환자 단말기의 센서에 의해 운동이 감지될 수 있다. 환자 단말기는 상기 운동이 감지되면 해당 운동 및 운동 시작 시간을 응답 및 응답 시간으로 포함하는 확인 메시지를 생성한다.
이처럼 환자 단말기의 메시지에 대한 명시적 응답이 없어도 상기 치료적 개입 정보에 대응하는 신호가 감지될 경우 응답 시간 및 응답을 생성하여 확인 메시지로 저장한다. 이경우 확인 메시지는 (운동, 1시간)일 수 있다.
상술한 방법에 의해 산출된 순응도는 인공지능 학습 데이터로 이용된다.
본 발명의 다른 실시예에 따른 당뇨 환자 관리 방법을 설명한다.
당뇨 환자 관리 서버는 당뇨 환자 관리 방법을 실행하고, 이 방법은 일련의 명령어들을 포함하는 프로그램으로 구현될 수 있다.
당뇨 환자 관리 방법은 환자 장치로부터 환자 정보를 수신하는 단계; 상기 환자 정보를 당화혈색소 수치 추정을 위한 인공지능학습 모델에 적용하여 당화혈색소 수치를 추정하는 단계; 상기 추정된 당화혈색소 수치를 상기 환자 단말기의 사용자 인터페이스를 통해 제공하는 단계;를 포함한다.
상기 관리 방법은 또한 상기 환자 정보에 기초하여 치료적 개입을 수행하는 단계; 상기 치료적 개입에 대한 응답을 획득하는 단계; 상기 응답에 기초하여 순응도를 산출하는 단계; 및 상기 순응도를 포함하는 환자 정보를 상기 인공지능학습 모델에 적용하여 당화혈색소 수치를 추정하는 단계;를 더 포함한다.
상술한 바와 같이 환자 단말기(110)는 혈당 수치, 혈압, 심박수, 체중, 맥박, 심전도 등의 다양한 생체 정보를 감지할 수 있으며, 사용자의 위치기반서비스에 대한 동의가 있는 경우, 사용자의 움직임을 감지하여 사용자의 운동량, 수면시간, 이동거리 등을 포함하는 생활 정보를 생성할 수 있다.
서버(150)는 환자 단말기(110)로부터 환자 정보를 제공받고, 환자 정보를 내부 저장매체, 예를 들어 데이터베이스, 외부 저장매체 또는 별도의 클라우드에 저장할 수 있다. 이때, 서버(150)는 해당 사용자데이터가 저장된 위치를 별도로 관리할 수 있다. 서버(150)는 사용자데이터의 저장위치를 내부 저장매체에 저장할 수 있다.
상술한 본 발명의 바람직한 실시예에 의하면, 환자의 당화혈색소 수치를 추정할 수 있고, 이에 기초하여 환자 단말기를 통해 치료적 개입을 할 수 있다. 매일 집에서 측정하는 당뇨수치보다는 3개월마다 혈액이 refresh되기 때문에 이때 병원에서 수행하는 당화혈색소 검사가 의학적으로 의미가 있다.
그러나 당화혈색소 수치는 가정에서 할 수 없기 때문에 3개월간 환자의 생활을 실시간으로 모니터하고, 챗봇을 통해 치료적개입을 수행하기 위해 당화혈색소 수치의 적절한 추정이 필요하다. 치료적 개입에 대한 반응(순응도)을 확인하고 이 순응도를 환자 정보의 일부로 이용하여 당화혈색소 수치 추정을 위한 인공지능학습모델의 학습 데이터로 이용함으로써 정확도가 높은 당화혈색소 수치 추정이 가능하다. 나아가, 이를 자가 관리의 기준으로 활용하여 당뇨 환자 관리의 품질을 향상할 수 있다.
본 발명의 일 실시예에 따른 당화혈색소 수치 추정을 위한 인공지능학습 모델은 프로세서(CPU) 및 메모리(Memory, 기억장치)를 구비하는 개인용 컴퓨터 또는 PDA, 스마트폰, PMP 등의 각종 휴대 단말기에 설치됨으로써, 개인 소유 단말기에서 서버와의 통신 없이 바로 당화혈색소 수치의 추정이 가능할 수도 있다.
또한, 본 발명에 따른 당화혈색소 수치 추정 방법은 소프트웨어 형태로 구현되어 상술한 개인용 컴퓨터 또는 각종 휴대 단말기에서 동작하도록 구성될 수도 있고, 상기 당화혈색소 수치 추정 방법을 실행하는 프로그램을 기록한 기록매체의 형태로 본 발명이 구성되는 것도 가능하다.
이와 같은 구성에 의하여 본 발명이 제한되지는 아니하며, 어떠한 형태로 구성되더라도 본 발명의 구성요소를 이용하여 당화혈색소 수치를 추정할 수 있는 효과를 얻을 수 있도록 구성되는 것이라면 본 발명의 권리범위에 속한다.
이하에서는 도 8을 참조하여 본 발명의 다른 실시예에 따른 당뇨 환자 관리 방법의 수립 절차를 설명한다. 구체적으로는 당뇨 환자 관리 계획의 수립 및 이에 따른 치료적 개입과 그에 대한 feed back을 나타낸 것이다.
본 발명의 다른 실시예에 따른 당뇨 환자 관리 방법에 의하면, 의료진 단말기를 통해 특정 환자를 등록하고 당뇨 관리항목을 선택하는 정보를 환자 관리 서버로 전송한다. 이후 의료진 단말기를 통해 환자의 임상정보와 관리 목표가 환자 관리 서버로 전송되면, 환자 관리 서버는 수집한 데이터를 분석하고 환자 관리 계획을 생성한다.
여기에서 수집된 데이터는 환자 정보와, 의료진이 선택한 관리항목이고, 관리항목은 예를 들어 운동, 식이, 흡연, 음주일 수 있다. 의료진 단말기를 통해 입력된 관리 목표는 예를 들어 당화혈색소수치 6.5이다.
환자 관리 서버는 상술한 도 2의 구성과 동일하고, 다만, 맞춤형 질병 관리(PDM, personal disease menagement) 계획 수립부를 더 포함한다. PDM 계획 수립부는 환자 정보, 상기 관리 항목, 관리 목표에 기초하여 당뇨 환자를 위한 개인별 관리 계획을 생성한다. 관리 계획은 미리 저장된 알고리즘의 프로그램에 의해 자동 생성될 수 있다.
생성된 관리 계획은 의료진 단말기로 제공되고, 제공된 관리 계획에 대해 승인이 입력되면, 환자관리서버에 의한 치료적 개입을 포함한 자동 관리가 시작된다. 승인 입력은 단말기 인터페이스에 제공되는 승인 입력 방식에 의하고, 버튼 터치, 음성 입력 등 다양한 방식으로 이루어질 수 있다.
여기서 관리 계획은 일련의 치료적 개입 정보를 포함하고, 치료적 개입 정보의 제공을 위한 치료적 개입 메시지의 제공은 상술한 도 3의 과정과 기본적으로 동일하다. 또한 치료적 개입에 대한 순응도를 포함한 환자 정보를 이용하여 인공지능학습을 실행하고, 이 학습에 의해 형성된 인공지능학습모델을 이용한 당화혈색소수치 추정 방법도 동일하다.
한편, 도 8 및 도 9를 참조하여 본 발명의 다른 실시예에 따른 치료적 개입 방법을 구체적으로 설명하면, 승인된 환자 관리 계획에 따라 환자 관리 서버는 치료적 개입 정보(PDM 계획의 구체적인 개입 내용)에 따른 PDM 메시지(치료적 개입 메시지)를 환자 단말기로 제공하여 환자 단말기의 인터페이스로 출력한다. 환자가 환자 단말기를 통해 PDM 메시지를 수락(도 9의 수락 버튼 터치)하면, 환자 관리 서버는 PDM 컨텐츠를 환자 단말기로 제공한다.
여기에서 PDM 컨텐츠는 치료적 개입에 대한 순응도를 향상시키기 위한 텍스트 메시지와 이미지를 포함한다. 도 9에 의하면, 흡연을 막기 위한 PDM 컨텐츠(1)가 환자 단말기에 제공된 후 더보기 버튼을 터치하면 PDM 컨텐츠(2)가 추가로 제공될 수 있다. 이러한 PDM 컨텐츠의 제공은 Option으로 부가적인 것이다. PDM 컨텐츠의 제공 없이 바로 흡연 여부에 대한 답변을 제공하는 PDM 피드백 메시지가 제공될 수도 있다. 이 경우 예, 아니오 등의 답변은 치료적 개입에 대한 순응도로서 응답 시간, 응답 내용에 따라 환자 관리 서버로 전송되어 인공지능학습을 위한 데이터로 이용될 수 있다.
상술한 학습 방법은 당뇨 환자 관리를 위한 시스템 및 방법을 제공하는 것으로 헬스케어 산업에서 이용가능한 것이다.

Claims (10)

  1. 당화혈색소 수치 추정을 위한 인공지능학습 모델의 학습 방법으로서,
    환자의 운동 정보 및 생체 정보를 포함하는 환자 정보를 수집하는 단계;
    환자의 실측 당화혈색소 수치를 수집하는 단계;
    상기 수집된 환자 정보와 실측 당화혈색소 수치를 단일 표준화된 데이터 구조 형식으로 변환하는 단계; 및
    상기 변환된 환자 정보와 실측 당화혈색소 수치를 이용하여 인공지능 학습 모델을 학습시켜 당화혈색소 수치 추정을 위한 인공지능학습 모델을 생성하는 단계;를 포함하고,
    상기 생체 정보는 혈당, 혈압, 심박수, 생리주기 중 하나 이상을 포함하고,
    상기 운동 정보는 환자 단말기에 의해 획득되는 환자 생활 로그 데이터에 기초하여 생성되는 것을 특징으로 하는 당화혈색소 수치 예측을 위한 인공지능학습 모델 학습 방법.
  2. 제1항에 있어서,
    상기 환자 정보는 치료적 개입에 대한 순응도를 포함하고,
    상기 치료적 개입은 상기 환자 단말기의 사용자 인터페이스를 통한 처방 의약품의 복약 알림 메시지의 제공을 포함하고,
    상기 순응도는 복약 알림 메시지에 대한 응답에 기초하여 산정되는 것을 특징으로 하는 당화혈색소 수치 예측을 위한 인공지능학습 모델 학습 방법.
  3. 제1항에 있어서,
    상기 환자 정보는 처방 정보, 신체 정보, 생활 정보, 치료적 개입에 대한 순응도 중 하나 이상을 더 포함하고,
    상기 처방정보는 처방 의약품 정보와 복약 지도 정보를 포함하고,
    상기 신체정보는 사용자의 키, 몸무게, 허리둘레 중 하나 이상을 포함하고,
    상기 생활정보는 수면지수와 활동지수 중 하나 이상을 포함하고,
    상기 생활정보는 환자가 소지하는 환자 단말기에 의해 생성된 생활 로그 데이터에 기초하여 생성되고,
    상기 치료적 개입은 운동 권유 메시지의 제공을 포함하고,
    상기 순응도는 상기 치료적 개입에 대한 사용자의 응답에 기초하여 산정되는 것을 특징으로 하는 인공지능학습 모델 학습 방법.
  4. 제1항에 있어서,
    상기 환자 정보는 치료적 개입에 대한 순응도를 포함하고,
    상기 환자 정보와, 실측 또는 추정 당화혈색소 수치에 기초하여 생성되는 치료적 개입 정보를 챗봇이 치료적 개입 메시지로 변환하고,
    환자 단말기로 출력되는 상기 치료적 개입 메시지에 대한 응답이 환자 단말기에 입력되는 시간에 기초하여 상기 순응도가 산출되는 것을 특징으로 하는 인공지능학습 모델 학습 방법.
  5. 당화혈색소 수치 추정을 위한 인공지능학습 모델 학습 장치로서,
    환자의 운동 정보 및 생체 정보를 포함하는 환자 정보와, 환자의 실측 당화혈색소 수치를 이용하여 환자 데이터베이스를 구축하는 데이터베이스부; 및
    상기 환자 데이터베이스에 포함된 환자 정보와 실측 당화혈색소 수치 데이터를 멀티 레벨 기계 학습(Multi-Level Machine Learning)에 적용하여 당화혈색소 수치 추정을 위한 인공지능 학습 모델을 생성하는 신경망 모델링부;를 포함하고,
    상기 생체정보는 혈당, 혈압, 심박수, 생리주기 중 하나 이상을 포함하고,
    상기 운동 지수는 환자 단말기에 의해 획득되는 환자 생활 로그 데이터에 기초하여 생성되는 것을 특징으로 하는 인공지능학습 모델 학습 장치.
  6. 정보처리장치에 의해 실행되는 당뇨 환자 관리 방법으로서,
    환자 정보를 수집하는 단계;
    상기 환자 정보를 청구항 제1항의 방법에 의해 학습된 당화혈색소 수치 추정을 위한 인공지능학습 모델에 적용하여 당화혈색소 수치를 추정하는 단계; 및
    상기 추정된 당화혈색소 수치를 상기 환자 단말기의 사용자 인터페이스를 통해 제공하는 단계;를 포함하는 당뇨 환자 관리 방법.
  7. 제6항에 있어서,
    상기 환자 정보는 운동 정보 및 생체 정보를 포함하고,
    상기 생체 정보는 실측 당화혈색소 수치, 혈당, 혈압, 심박수, 생리주기 중 하나 이상을 포함하고,
    상기 운동 정보는 환자 단말기에 의해 획득되는 환자 생활 로그 데이터에 기초하여 생성되는 운동 지수이고,
    상기 운동 지수는 운동 종류별로 대응하는 운동 시간에 의해 결정되는 수치인 것을 특징으로 하는 당뇨 환자 관리 방법.
  8. 제6항에 있어서,
    상기 환자 정보에 기초하여 치료적 개입을 수행하는 단계;
    상기 치료적 개입에 대한 응답을 획득하는 단계;
    상기 응답에 기초하여 순응도를 산출하는 단계; 및
    상기 순응도를 포함하는 환자 정보를 상기 인공지능학습 모델에 적용하여 당화혈색소 수치를 추정하는 단계;를 포함하는 것을 특징으로 하는 당뇨 환자 관리 방법.
  9. 제6항 내지 제8항 중 어느 한 항에 있어서,
    수집된 상기 환자 정보와 관리 목표에 기초하여 환자 관리 계획을 수립하는 단계;
    상기 수립된 환자 관리 계획에 따라 치료적 개입의 실행을 위해 치료적 개입 메시지를 환자 단말기로 제공하는 단계;
    상기 치료적 개입 메시지에 대한 응답을 획득하는 단계; 및
    상기 응답에 기초하여 치료적 개입에 대한 순응도를 산출하는 단계;를 포함하고,
    상기 순응도는 환자 단말기의 사용자 인터페이스로 출력된 상기 치료적 개입 메시지에 대한 응답 시간에 기초하여 결정되는 것을 특징으로 하는 당뇨 환자 관리 방법.
  10. 제9항에 있어서,
    상기 치료적 개입 메시지와 함께 또는 상기 치료적 개입 메시지의 제공 후에, 치료적 개입에 대한 순응도를 향상시키기 위한 텍스트 메시지와 이미지를 포함하는 컨텐츠를 환자 단말기로 제공하는 것을 특징으로 하는 당뇨 환자 관리 방법.
PCT/KR2021/010486 2021-04-28 2021-08-09 당화혈색소 수치 추정을 위한 인공지능학습 모델의 학습 방법 및 그 시스템 WO2022231069A1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US17/780,001 US20220415507A1 (en) 2021-04-28 2021-08-09 Method and system for training artificial intelligence model for estimation of glycolytic hemoglobin levels

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2021-0055135 2021-04-28
KR1020210055135A KR102382659B1 (ko) 2021-04-28 2021-04-28 당화혈색소 수치 추정을 위한 인공지능학습 모델의 학습 방법 및 그 시스템

Publications (1)

Publication Number Publication Date
WO2022231069A1 true WO2022231069A1 (ko) 2022-11-03

Family

ID=81182998

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2021/010486 WO2022231069A1 (ko) 2021-04-28 2021-08-09 당화혈색소 수치 추정을 위한 인공지능학습 모델의 학습 방법 및 그 시스템

Country Status (3)

Country Link
US (1) US20220415507A1 (ko)
KR (1) KR102382659B1 (ko)
WO (1) WO2022231069A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130142016A (ko) * 2012-06-18 2013-12-27 경희대학교 산학협력단 당뇨병 및 당뇨 합병증 관리 방법
KR20160043527A (ko) * 2016-03-31 2016-04-21 강수진 당뇨병 및 당뇨 합병증 관리시스템과 방법
KR20160054320A (ko) * 2014-11-06 2016-05-16 두산중공업 주식회사 스마트폰을 이용한 혈당 관리 시스템
KR20190113451A (ko) * 2018-03-28 2019-10-08 주식회사 아이센스 인공신경망 딥러닝 기법을 활용한 측정물 분석 방법, 장치, 학습 방법 및 시스템
KR20200082062A (ko) * 2018-12-28 2020-07-08 (주)아이쿱 혈액검사 결과 기반 생활패턴 및 변화인자 추정방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130142016A (ko) * 2012-06-18 2013-12-27 경희대학교 산학협력단 당뇨병 및 당뇨 합병증 관리 방법
KR20160054320A (ko) * 2014-11-06 2016-05-16 두산중공업 주식회사 스마트폰을 이용한 혈당 관리 시스템
KR20160043527A (ko) * 2016-03-31 2016-04-21 강수진 당뇨병 및 당뇨 합병증 관리시스템과 방법
KR20190113451A (ko) * 2018-03-28 2019-10-08 주식회사 아이센스 인공신경망 딥러닝 기법을 활용한 측정물 분석 방법, 장치, 학습 방법 및 시스템
KR20200082062A (ko) * 2018-12-28 2020-07-08 (주)아이쿱 혈액검사 결과 기반 생활패턴 및 변화인자 추정방법

Also Published As

Publication number Publication date
KR102382659B1 (ko) 2022-04-08
US20220415507A1 (en) 2022-12-29

Similar Documents

Publication Publication Date Title
KR100755974B1 (ko) 스마트 커뮤니케이터를 이용한 건강관리 네트워크 시스템및 방법
US20110288379A1 (en) Body sign dynamically monitoring system
WO2015199258A1 (ko) 진단모델 생성 시스템 및 방법
RU2712395C1 (ru) Способ выдачи рекомендаций по поддержанию здорового образа жизни на основе параметров ежедневной деятельности пользователя, автоматически отслеживаемых в реальном времени, и соответствующая система (варианты)
Merilahti et al. Compliance and technical feasibility of long-term health monitoring with wearable and ambient technologies
KR102598101B1 (ko) 딥 뉴럴 네트워크 기반 실시간 중환자실 환자 상태 분석 시스템 및 방법
Islam et al. Internet of Things-(IoT-) Based Real-Time Vital Physiological Parameter Monitoring System for Remote Asthma Patients.
WO2020111787A1 (en) Method for providing recommendations for maintaining a healthy lifestyle basing on daily activity parameters of user, automatically tracked in real time, and corresponding system
US11594328B2 (en) Systems and methods for SeVa: senior's virtual assistant
Larimer et al. Personalized analytics and a wearable biosensor platform for early detection of COVID-19 decompensation (DeCODe): protocol for the development of the COVID-19 decompensation index
WO2021080027A1 (ko) 스마트 체중계를 이용한 헬스케어 시스템
WO2022231069A1 (ko) 당화혈색소 수치 추정을 위한 인공지능학습 모델의 학습 방법 및 그 시스템
CN112466423A (zh) 智能慢病健康管理方法及系统
WO2019054553A1 (ko) 웨어러블 장치를 이용한 갑상선기능항진증의 예측 시스템 및 예측 컴퓨터프로그램
WO2016171542A1 (en) Lifestyle tracking system
Wagner et al. Reliable blood pressure self-measurement in the obstetric waiting room
Fayoumi et al. Effective remote monitoring system for heart disease patients
AU2016200158A1 (en) System and method for autonomous chronic disease management
Tan et al. Remote patient monitoring system
Martillano et al. Wearable Tool for Breathing Pattern Recognition and Exacerbation Monitoring for COPD Patients via a Device-to-Cloud Communication Model.
CN111863283A (zh) 一种医疗健康大数据平台
KR102462574B1 (ko) 만성질환자의 순응도 및 상태 예측을 위한 인공지능학습 모델의 학습 방법 및 그 시스템
BinSalman et al. Effective remote monitoring system for heart disease patients
US20240074703A1 (en) Wearable monitor
WO2024014875A1 (ko) 심박 변이도에 대한 특징 추출의 정확도를 향상시키는 방법, 프로그램 및 장치

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: 21939447

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: 21939447

Country of ref document: EP

Kind code of ref document: A1