WO2022255852A1 - 심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 시스템 및 이를 이용한 심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 방법 및 심전도를 이용한 고칼륨 혈증 예측 시스템 - Google Patents

심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 시스템 및 이를 이용한 심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 방법 및 심전도를 이용한 고칼륨 혈증 예측 시스템 Download PDF

Info

Publication number
WO2022255852A1
WO2022255852A1 PCT/KR2022/008022 KR2022008022W WO2022255852A1 WO 2022255852 A1 WO2022255852 A1 WO 2022255852A1 KR 2022008022 W KR2022008022 W KR 2022008022W WO 2022255852 A1 WO2022255852 A1 WO 2022255852A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
hyperkalemia
electrocardiogram
time
neural network
Prior art date
Application number
PCT/KR2022/008022
Other languages
English (en)
French (fr)
Inventor
육현
황상원
에르덴바야르
Original Assignee
연세대학교 원주산학협력단
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 KR1020210073051A external-priority patent/KR102568281B1/ko
Priority claimed from KR1020210073050A external-priority patent/KR102578047B1/ko
Application filed by 연세대학교 원주산학협력단 filed Critical 연세대학교 원주산학협력단
Publication of WO2022255852A1 publication Critical patent/WO2022255852A1/ko
Priority to US18/527,458 priority Critical patent/US20240105344A1/en

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
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • 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
    • A61B5/14546—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 for measuring analytes not otherwise provided for, e.g. ions, cytochromes
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/25—Bioelectric electrodes therefor
    • A61B5/279—Bioelectric electrodes therefor specially adapted for particular uses
    • A61B5/28—Bioelectric electrodes therefor specially adapted for particular uses for electrocardiography [ECG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/6802—Sensor mounted on worn items
    • A61B5/681—Wristwatch-type devices
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Definitions

  • the present invention relates to a system for constructing an algorithm for predicting hyperkalemia through electrocardiogram, a method for constructing an algorithm for predicting hyperkalemia through electrocardiogram using the same, and a system for predicting hyperkalemia using electrocardiogram, and more particularly, to a system for predicting hyperkalemia using electrocardiogram It relates to a system capable of building a neural network model capable of predicting, a method for constructing a hyperkalemia prediction algorithm through electrocardiogram using the same, and a hyperkalemia prediction system using electrocardiogram.
  • Hyperkalemia is an electrolyte displacement that can lead to fatal cardiac arrhythmias. Proper management of hyperkalemia has become more important due to the increasing incidence of hyperkalemia-related diseases such as diabetes, coronary artery disease, and chronic kidney disease. Both hyperkalemia and hypokalemia or fluctuating potassium levels are associated with an increased risk of death and life-threatening arrhythmias. In patients with renal or heart disease, morbidity, hospitalization, and death may follow modest changes in potassium levels.
  • the present invention was conceived to improve the above problems, and a system capable of constructing an algorithm capable of predicting hyperkalemia using electrocardiogram data, a method for constructing a hyperkalemia prediction algorithm through electrocardiogram using the same, and a hyperkalemia Its purpose is to provide a hyperemia prediction system.
  • the system for constructing a hyperkalemia prediction algorithm through electrocardiogram includes a data collection unit for collecting electrocardiogram data of a plurality of hyperkalemia patients, and a machine based on the electrocardiogram data collected by the data collection unit A data processing unit for generating a training data set for learning, and a model generator for constructing a neural network model for predicting hyperkalemia using an electrocardiogram based on the training data set provided by the data processing unit.
  • the data collection unit collects electrocardiogram data of patients with symptoms of hyperkalemia.
  • the data collection unit collects the electrocardiogram data of the hyperkalemia patient from the time point onset of symptoms of hyperkalemia to the time point before the first preset reference time, from the time of symptom onset of hyperkalemia to the time point after the preset second reference time can be collected
  • the data processing unit classifies electrocardiogram data at the time of symptom onset of hyperkalemia among the electrocardiogram data provided by the data collection unit as data of an abnormal state, and from the time of symptom onset of the corresponding hyperkalemia to a time before the first reference time Electrocardiogram data up to and including are classified as normal state data, and the training data set is created to include the classified normal state data and abnormal state data.
  • the data processing unit classifies electrocardiogram data at the time of symptom onset of hyperkalemia among the electrocardiogram data provided by the data collection unit as data of an abnormal state, and from the time of onset of symptoms of hyperkalemia to a time point after a predetermined second reference time Electrocardiogram data up to and including are classified as normal state data, and the training data set is created to include the classified normal state data and abnormal state data.
  • the data processing unit classifies electrocardiogram data at the time of symptom onset of hyperkalemia among the electrocardiogram data provided by the data collection unit as data of an abnormal state, and from the time of symptom onset of the corresponding hyperkalemia to a time before the first reference time Classify electrocardiogram data excluding the electrocardiogram data at the time of symptom onset of hyperkalemia among the electrocardiogram data from the time of symptom onset of hyperkalemia to the time after the second reference time set as normal state data, and classify the classified
  • the training data set may be created to include data in a normal state and data in an abnormal state.
  • the data processing unit may classify some randomly selected data among the classified data from the electrocardiogram data provided by the data collection unit as the training data set, and classify the rest as a sample set for testing or verifying the neural network model. .
  • Electrocardiogram data collected by the data collection unit is preferably ECG lead II signals data.
  • a symptom of the hyperkalemia is chronic renal failure.
  • system for constructing an algorithm for predicting hyperkalemia through electrocardiogram may further include a verification module for analyzing the performance of the neural network model by applying the sample set to the neural network model.
  • the method for constructing a hyperkalemia prediction algorithm through electrocardiogram includes a data collection step in which the data collection unit collects electrocardiogram data of a plurality of hyperkalemia patients, and machine learning based on the electrocardiogram data collected in the data collection step It may include a data processing step of generating a training data set for, and a model generating step of constructing a neural network model for predicting hyperkalemia by a model generating unit using an electrocardiogram based on the training data set.
  • electrocardiogram data of patients with symptoms of hyperkalemia are collected.
  • the hyperkalemia patient from the time point onset of symptoms of hyperkalemia to the time point before the first reference time, the time point before the symptom onset of hyperkalemia to the time point after the second reference time Electrocardiogram data can be collected.
  • electrocardiogram data at the time of symptom onset of hyperkalemia is classified as data of an abnormal state, and a first reference time preset from the time of symptom onset of the hyperkalemia Electrocardiogram data up to a previous time point may be classified as normal state data, and the training data set may be generated to include the classified normal state data and abnormal state data.
  • electrocardiogram data at the time of symptom onset of hyperkalemia is classified as data of an abnormal state, and a second reference time preset from the time of onset of symptoms of hyperkalemia Electrocardiogram data up to a later point in time may be classified as normal state data, and the training data set may be generated to include the classified normal state data and abnormal state data.
  • electrocardiogram data at the time of symptom onset of hyperkalemia is classified as data of an abnormal state, and a first reference time preset from the time of symptom onset of the hyperkalemia
  • Electrocardiogram data excluding the electrocardiogram data at the time of onset of symptoms of hyperkalemia among the electrocardiogram data from the time of symptom onset of the hyperkalemia at the previous time point to the time point after the second predetermined reference time is classified as normal state data, and classified
  • the training data set may be created to include the data in the normal state and the data in the abnormal state.
  • a randomly selected part is classified as the training data set, and the rest is classified as a sample set for testing or verifying the neural network model.
  • the method for constructing an algorithm for predicting hyperkalemia through electrocardiogram may further include a verification step of analyzing the performance of the neural network model by applying the sample set to the neural network model.
  • the system for predicting hyperkalemia using an electrocardiogram is worn by a user, and includes a smart band for measuring the electrocardiogram of the user and information collection for collecting information on the electrocardiogram of the user measured by the smart band and a discrimination module for determining whether or not the user has hyperkalemia by applying the electrocardiogram of the user collected by the information collection unit to an instrument-contracted neural network model to predict hyperkalemia according to the electrocardiogram.
  • the smart band is preferably worn on the user's wrist.
  • the system for predicting hyperkalemia using electrocardiogram further comprises a model construction unit for constructing the neural network model using the electrocardiogram data of the hyperkalemia patient and providing the built neural network model to the discrimination module.
  • the model building unit includes a data collection unit for collecting electrocardiogram data of the hyperkalemia patients, a data processing unit for generating a training data set for machine learning based on the electrocardiogram data collected by the data collection unit, and the A model generation unit for constructing a neural network model for predicting hyperkalemia using an electrocardiogram based on a training data set provided by the data processing unit is provided.
  • the data collection unit collects the electrocardiogram data of the hyperkalemia patient from the time point onset of symptoms of hyperkalemia to the time point before the first preset reference time, from the time of symptom onset of hyperkalemia to the time point after the preset second reference time can be collected
  • the data processing unit classifies electrocardiogram data at the time of symptom onset of hyperkalemia among the electrocardiogram data provided by the data collection unit as data of an abnormal state, and from the time of symptom onset of the corresponding hyperkalemia to a time before the first reference time Electrocardiogram data up to and including are classified as data in a normal state, and the training data set may be generated to include the classified data in a normal state and data in an abnormal state.
  • the data processing unit classifies electrocardiogram data at the time of symptom onset of hyperkalemia among the electrocardiogram data provided by the data collection unit as data of an abnormal state, and from the time of onset of symptoms of hyperkalemia to a time point after a predetermined second reference time Electrocardiogram data up to and including are classified as data in a normal state, and the training data set may be generated to include the classified data in a normal state and data in an abnormal state.
  • the data processing unit classifies electrocardiogram data at the time of symptom onset of hyperkalemia among the electrocardiogram data provided by the data collection unit as data of an abnormal state, and from the time of symptom onset of the corresponding hyperkalemia to a time before the first reference time Classify electrocardiogram data excluding the electrocardiogram data at the time of symptom onset of hyperkalemia among the electrocardiogram data from the time of symptom onset of hyperkalemia to the time after the second reference time set as normal state data, and classify the classified
  • the training data set may be created to include data in a normal state and data in an abnormal state.
  • the data processing unit may classify some randomly selected data among the classified data from the electrocardiogram data provided by the data collection unit as the training data set, and classify the rest as a sample set for testing or verifying the neural network model. .
  • the system for predicting hyperkalemia using electrocardiogram may further include a verification module for analyzing the performance of the neural network model by applying the sample set to the neural network model.
  • the system for constructing a hyperkalemia prediction algorithm through electrocardiogram according to the present invention, the method for constructing a hyperkalemia prediction algorithm through electrocardiogram using the same, and the hyperkalemia prediction system using electrocardiogram are used to determine whether a patient has hyperkalemia or not using an electrocardiogram Since it is possible to build a neural network model for hyperkalemia, there is an advantage in diagnosing patients with hyperkalemia more easily in a non-invasive manner using the neural network model.
  • FIG. 1 is a block diagram of a system for constructing an algorithm for predicting hyperkalemia through electrocardiogram according to the present invention
  • FIG. 2 is a flowchart of a method for constructing an algorithm for predicting hyperkalemia through electrocardiography according to the present invention
  • FIG. 3 is a conceptual diagram of a system for predicting hyperkalemia using an electrocardiogram according to the present invention
  • FIG. 4 is a block diagram of the system for predicting hyperkalemia using the electrocardiogram of FIG. 3 .
  • a system for constructing a hyperkalemia prediction algorithm according to an embodiment of the present invention and a hyperkalemia prediction algorithm through electrocardiogram using the same may have a form, and specific embodiments are illustrated in the drawings and the text to explain in detail. However, this is not intended to limit the present invention to a specific form disclosed, and should be understood to include all modifications, equivalents, and substitutes included in the spirit and scope of the present invention. Like reference numerals have been used for like elements throughout the description of each figure. In the accompanying drawings, the dimensions of the structures are shown enlarged than actual for clarity of the present invention.
  • first and second may be used to describe various components, but the components should not be limited by the terms. These terms are only used for the purpose of distinguishing one component from another. For example, a first element may be termed a second element, and similarly, a second element may be termed a first element, without departing from the scope of the present invention.
  • FIG. 1 shows a hyperkalemia prediction algorithm construction system 100 according to the present invention.
  • the hyperkalemia prediction algorithm construction system 100 includes a data collection unit 110 for collecting electrocardiogram data of a plurality of hyperkalemia patients, and electrocardiogram data collected by the data collection unit 110 Based on the data processing unit 120 for generating a training data set for machine learning, and based on the training data set provided by the data processing unit 120, using an electrocardiogram to build a neural network model for predicting hyperkalemia A model generating unit 130 is provided.
  • the data collection unit 110 collects electrocardiogram data of a plurality of patients measured through an electrocardiogram measuring device (not shown).
  • a plurality of ECG data may be measured through a plurality of measurement channels according to the number of electrodes attached to the patient's body.
  • the ECG measuring device is a device that measures 12-lead ECG (Electrocardiography) using electrodes of lead I, lead II, lead III, aVR, aVL, aVF, V1, V2, V3, V4, V5, and V6.
  • the data collection unit 110 may collect electrocardiogram data input from each electrode of the electrocardiogram measuring device.
  • the data collection unit 110 may be connected to the corresponding electrocardiogram measurement device to receive the corresponding electrocardiogram data.
  • the data collection unit 110 extracts and stores a waveform of a 12-lead ECG signal having a sampling frequency of 700 Hz.
  • the ECG signal segment is 2 seconds in duration and consists of 1,400 samples.
  • the patient is a hyperkalemia patient whose plasma potassium concentration is higher than the normal value (3.7 to 5.3 mEq/L), and a patient with symptoms of hyperkalemia is applied.
  • symptoms of hyperkalemia include chronic renal failure, arrhythmia, and the like.
  • the data collection unit 110 is the hyperkalemia from the time of symptom onset of hyperkalemia to the time before the first preset reference time, from the time of symptom onset of hyperkalemia to the time after the preset second reference time It is desirable to collect the patient's electrocardiogram data.
  • the first and second reference times may be set in various ways according to the condition of the patient and the place where the neural network model to be built is used.
  • the data processing unit 120 classifies the electrocardiogram data collected by the data collection unit 110 into abnormal state data or normal state data to create a training data set.
  • the data processing unit 120 classifies the ECG data at the time of symptom onset of hyperkalemia among the ECG data provided by the data collection unit 110 as abnormal state data.
  • the data processing unit 120 classifies electrocardiogram data from the time point onset of symptoms of hyperkalemia to the time point before the first reference time in the electrocardiogram data provided by the data collection unit 110 as normal state data.
  • the data processing unit 120 is not limited to this, but among the electrocardiogram data provided by the data collection unit 110, the electrocardiogram data from the time point onset of symptoms of hyperkalemia to the time point after the second reference time is normal state data can be classified as At this time, the data processing unit 120 classifies the ECG data at the time of symptom onset of hyperkalemia from the ECG data provided by the data collection unit 110 as data of an abnormal state.
  • the data processing unit 120 in the electrocardiogram data provided by the data collection unit 110, from the time point of symptoms of hyperkalemia before the first reference time from the time of onset of symptoms of hyperkalemia, from the time of onset of symptoms of hyperkalemia Electrocardiogram data excluding the electrocardiogram data at the time of symptom onset of the hyperkalemia among the electrocardiogram data from the reference time to the time point may be classified as normal state data. At this time, the data processing unit 120 classifies the ECG data at the time of symptom onset of hyperkalemia from the ECG data provided by the data collection unit 110 as data of an abnormal state.
  • the data processing unit 120 classifies a randomly selected part of the normal state data and abnormal state data classified from the electrocardiogram data provided by the data collection unit 110 into the training data set, and the rest classifies the neural network model into a sample set for testing or verifying.
  • the sample set is classified into a validation set for verifying the performance of the neural network model and a test set for testing the corresponding neural network model.
  • the ratio of the training data set, the verification set, and the test set is preferably 6:2:2.
  • the model generation unit 130 builds a neural network model for predicting hyperkalemia using the electrocardiogram based on the training data set provided by the data processing unit 120.
  • CNN convolutional neural network
  • the CNN model alternately performs a plurality of operation layers (Convolutional Layer, pooling layer) to finally extract features of the input data. This is the hierarchical model used.
  • the corresponding neural network model is built up by processing the training data set provided from the data processing unit 120 according to a supervised learning technique.
  • the model generation unit 130 generates a corresponding neural network model as a 5-layer convolutional neural network using a 1-dimensional convolution operation, maximum pooling, and a fully connected layer.
  • the detailed structure of the corresponding neural network model, that is, the deep learning model, is shown in Table 1 below.
  • the neural network model is not limited thereto, and any neural network model capable of predicting hyperkalemia using electrocardiogram data of a patient can be applied.
  • the model generation unit 130 may generate a neural network model for each electrode from which electrocardiogram data included in each training data set is acquired.
  • the system 100 for constructing an algorithm for predicting hyperkalemia through electrocardiogram may further include a verification module 140 for calculating the accuracy of the neural network model by applying the sample set to the neural network model.
  • the verification module 140 calculates precision and recall of the neural network model, and calculates performance based on the calculated precision and recall.
  • the verification module 140 calculates the precision and recall of the neural network model built in the model generator 130 using Equation 1 below.
  • precision is the precision of the neural network model
  • recall is the recall of the neural network model
  • TP is a true positive
  • FP is a false positive
  • FN is a false negative.
  • the verification module 140 calculates the corresponding precision and recall by using data in the normal state or data in the abnormal state of the verification set and the data set, respectively.
  • TP is a true positive
  • FP is a false positive
  • FN is a false negative
  • TP is a true positive
  • FP is a false positive
  • the neural network The number of predictions by the model of the actual abnormal state data as the normal state, FN is false negative, and the number of predictions of the actual steady state data by the neural network model as the hyperkalemia state is applied.
  • the verification module 140 calculates the performance of the neural network model by applying the calculated accuracy and recall of the neural network model to Equation 2 below.
  • F1 is a numerical value for the performance of the neural network model
  • precision is the precision of the neural network model
  • recall is the recall of the neural network model.
  • the verification module 140 may calculate the performance of the corresponding neural network model for each electrode from which the electrocardiogram data included in the corresponding training data set is acquired.
  • the verification module 140 provides F1 calculated by Equation 2, that is, information on the performance of the neural network model to the manager.
  • the manager may supplement the corresponding neural network model based on information about the performance of the neural network model provided by the verification module 140 .
  • the hyperkalemia prediction algorithm construction method includes data collection step (S110), data processing step (S120), model generation step (S130) and verification step (S140).
  • the data collection step (S110) is a step in which the data collection unit 110 collects electrocardiogram data of a plurality of hyperkalemia patients.
  • the data collection unit 110 collects electrocardiogram data from the electrocardiogram measurement device installed in the patient.
  • the patient is a hyperkalemia patient whose plasma potassium concentration is higher than the normal value (3.7 to 5.3 mEq/L), and a patient with symptoms of hyperkalemia is applied.
  • the data collection unit 110 measures the hyperkalemia from the time point onset of symptoms of hyperkalemia to the time point before the first preset reference time, from the time of symptom onset of hyperkalemia to the time point after the preset second reference time It is desirable to collect the patient's electrocardiogram data.
  • the data processing step (S120) is a step of generating a training data set for machine learning based on the electrocardiogram data collected in the data collection step (S110).
  • the data processing unit 120 classifies the electrocardiogram data collected by the data collection unit 110 into abnormal state data or normal state data to generate a training data set.
  • the data processing unit 120 classifies the ECG data at the time of symptom onset of hyperkalemia among the electrocardiogram data provided by the data collection unit 110 as data of an abnormal state, and from the time of onset of symptoms of hyperkalemia Electrocardiogram data up to a time point before the first predetermined reference time may be classified as normal state data.
  • the data processing unit 120 classifies the ECG data at the time of symptom onset of hyperkalemia among the electrocardiogram data provided by the data collection unit 110 as data of an abnormal state, and from the time of onset of symptoms of hyperkalemia Electrocardiogram data from a predetermined second reference time to a point in time may be classified as normal state data.
  • the data processing unit 120 classifies the ECG data at the time of symptom onset of hyperkalemia among the electrocardiogram data provided by the data collection unit 110 as data of an abnormal state, and from the time of onset of symptoms of hyperkalemia Electrocardiogram data excluding the ECG data at the time of symptom onset of hyperkalemia among the electrocardiogram data from the time of symptom onset of the corresponding hyperkalemia before the first preset reference time to the time after the preset second reference time in normal state Data can also be categorized.
  • a randomly selected part of normal state data and abnormal state data classified from the electrocardiogram data provided by the data collection unit 110 is classified as the training data set, The remainder is classified as a sample set for testing or verifying the neural network model.
  • the sample set is classified into a validation set for verifying the performance of the neural network model and a test set for testing the neural network model.
  • the ratio of the training data set, validation set, and test set is 6:2:2 applies.
  • the model generating unit 130 builds a neural network model for predicting hyperkalemia using the electrocardiogram based on the training data set.
  • a convolutional neural network (CNN) model is applied to the neural network model.
  • the verification step (S140) is a step of analyzing the performance of the neural network model by applying the sample set to the neural network model.
  • the verification module 140 calculates precision and recall of the neural network model by applying the verification set and the test set of the corresponding sample set to the neural network model, and calculates performance based on the calculated precision and recall.
  • a neural network model was constructed using the system 100 for constructing the hyperkalemia prediction algorithm based on the electrocardiogram of the present invention. Electrocardiogram data obtained from 855 patients with hyperkalemia symptoms at least once at a local emergency center from July 2009 to June 2019 were used. Of these, 555 had chronic renal failure (CRF), and the rest were not diagnosed with chronic renal failure. Information on the patient is shown in Table 2 below.
  • the data processing unit 120 processed three types of training data sets using the electrocardiogram data collected by the data collection unit 110 .
  • the data processing unit 120 classifies the ECG data at the time of symptom onset of hyperkalemia among the ECG data provided by the data collection unit 110 as data of an abnormal state, and
  • the first data set (dataset I) is generated by classifying the electrocardiogram data from the time of symptom onset of hyperemia to the time point before the first reference time as normal state data, and a part of the first data set (dataset I) is used as first training data set to set
  • the data processing unit 120 classifies the ECG data from the time point of symptom onset of hyperkalemia to the time point after the second reference time among the electrocardiogram data provided by the data collection unit 110 as normal state data, , From the electrocardiogram data provided by the data collection unit 110, the electrocardiogram data at the time of symptom onset of hyperkalemia is classified as data of an abnormal state to create a second data set (dataset II), and the second data set (dataset II) Some of them are set as the second training data set.
  • the data processing unit 120 in the electrocardiogram data provided by the data collection unit 110, from the time point of symptom onset of the corresponding hyperkalemia to the time point before the first reference time and the time point of symptom onset of the hyperkalemia to the second Electrocardiogram data excluding the electrocardiogram data at the time of symptom onset of the hyperkalemia among the electrocardiogram data from the reference time to the time point is classified as normal state data, and the electrocardiogram data provided by the data collection unit 110 as abnormal state data
  • a third data set (dataset III) is created by classifying electrocardiogram data at the time of symptom onset of hyperkalemia.
  • the data processing unit 120 sets a part of the data set (dataset III) as a third training data set.
  • Table 3 below shows information on the first to third data sets (datasets I, II, and III) classified by the data processing unit 120.
  • the training set is a training data set
  • the validation set is a validation set
  • the test set is a test set.
  • the model generator 130 creates a neural network model for each data set.
  • the verification module 140 calculates the performance of the neural network model built for each data set by using the verification set and the test set of each data set.
  • Table 4 below shows analysis results of the performance of the neural network model generated by the first data set (dataset I).
  • Table 5 below shows analysis results of the performance of the neural network model generated by the second data set (dataset II).
  • Table 6 below shows analysis results of the performance of the neural network model generated by the third data set (dataset III).
  • Precision is the precision of the neural network model
  • Recall is the recall of the neural network model
  • F1-score is information about the performance of the neural network model
  • 'Lead I, LeadII, V1, V2, V3, V4, V5, V6' are The type of electrode from which the electrocardiogram data used to construct each neural network model was acquired. Referring to the above table, a neural network model constructed based on electrocardiogram data of patients with hyperkalemia provides relatively high performance. In particular, it can be seen that the performance of the neural network model generated using the first data set consisting of electrocardiogram data acquired in Lead II among the neural network models is the best.
  • the hyperkalemia prediction algorithm construction system 100 through electrocardiogram according to the present invention configured as described above and the hyperkalemia prediction algorithm construction method through electrocardiogram using the same are for determining whether the patient has hyperkalemia using electrocardiogram Since a neural network model can be constructed, there is an advantage in that patients with hyperkalemia can be more easily diagnosed in a non-invasive manner using the neural network model.
  • FIGS. 3 and 4 show a hyperkalemia prediction system 10 using an electrocardiogram using the hyperkalemia prediction algorithm construction system 100 through the electrocardiogram according to the present invention.
  • the system for predicting hyperkalemia using the electrocardiogram 10 is worn by a user, and includes a smart band 11 for measuring the electrocardiogram of the user and the user measured by the smart band 11.
  • An information collection unit 12 that collects information on the electrocardiogram, and the electrocardiogram of the user collected by the information collection unit 12 is applied to a neural network model built to predict hyperkalemia according to the electrocardiogram,
  • a discrimination module 13 for determining whether a user has hyperkalemia or not, and an electrocardiogram for constructing the neural network model using the electrocardiogram data of the hyperkalemia patient and providing the built neural network model to the discrimination module 13 Equipped with a hyperkalemia prediction algorithm construction system 100 through.
  • the smart band 11 includes a wearable body formed to be worn on the user's body, a memory installed on the wearable body and storing unique identification information and user's personal information, and a device for measuring the user's electrocardiogram.
  • a measurement sensor and a communication module for transmitting information stored in a memory and measurement values of measurement fine lines are provided.
  • the wearing body may be formed in the form of a wrist watch or a wrist band so as to be worn on a user's wrist.
  • the wearing body is not limited thereto, but may be formed in a form worn on the human body, but may also be formed in the form of an adhesive sticker or pad to be attached to the body.
  • Personal information such as the user's name, gender, age, and the like, and identification information for identifying the smart band 11 are stored in the memory.
  • the communication module is for communication with a portable terminal 20 such as a user's smart phone, and Bluetooth Low Energy (BLE) for low power operation is applied. Meanwhile, the communication module is not limited thereto, and any communication means capable of transmitting data such as a measurement value of a measurement sensor may be applied.
  • BLE Bluetooth Low Energy
  • the measurement sensor is installed on the wearable body so as to come into contact with the user's body and measures the user's electrocardiogram signal.
  • the measurement sensor is an electrocardiogram measuring means commonly used in the prior art to measure the user's electrocardiogram, a detailed description thereof will be omitted.
  • the information collection unit 12 is installed in the user's portable terminal 20 to receive information on the user's electrocardiogram transmitted from the smart band 11 through the portable terminal 20, and to store information on the received electrocardiogram. It is transmitted to the determination module 13. At this time, it is preferable that the information collection unit 12 organizes and stores in chronological order.
  • the determination module 13 determines whether the user has hyperkalemia by applying the electrocardiogram of the user collected by the information collection unit 12 to the neural network model.
  • the determination module 13 may display the determined information to the corresponding user through the portable terminal 20 of the user.
  • the determination module 13 and the information collection unit 12 are preferably formed in the form of applications installed in the mobile terminal 20 .
  • the hyperkalemia prediction system 10 using the electrocardiogram according to the present invention configured as described above applies the electrocardiogram measured through the smart band 11 worn by the user to the built neural network model to determine whether hyperkalemia is present Therefore, there is an advantage in diagnosing patients with hyperkalemia more easily.
  • the hyperkalemia prediction algorithm construction system 100 through the electrocardiogram includes a data collection unit 110 that collects electrocardiogram data of a plurality of hyperkalemia patients, and a machine based on the electrocardiogram data collected by the data collection unit 110
  • a part 130 is provided. Since the system 100 for constructing an algorithm for predicting hyperkalemia through electrocardiogram is the same as the system for constructing an algorithm for predicting hyperkalemia through electrocardiogram shown in FIGS. 1 and 2, a detailed description thereof will be omitted.

Abstract

본 발명은 심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 시스템 및 이를 이용한 심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 방법 및 심전도를 이용한 고칼륨 혈증 예측 시스템에 관한 것으로서, 상기 심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 시스템은 다수의 고칼륨 혈증 환자의 심전도 데이터를 수집하는 데이터 수집부와, 상기 데이터 수집부에서 수집된 심전도 데이터를 토대로 기계학습을 위한 훈련 데이터 세트를 생성하는 데이터 가공부와, 상기 데이터 가공부에서 제공되는 훈련 데이터 세트를 토대로 심전도를 이용하여 고칼륨 혈증을 예측하기 위한 신경망 모델을 구축하는 모델 생성부를 구비한다. 본 발명에 따른 심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 시스템 및 이를 이용한 심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 방법 및 심전도를 이용한 고칼륨 혈증 예측 시스템은 심전도를 이용하여 환자의 고칼륨 혈증 여부를 판별하기 위한 신경망 모델을 구축할 수 있으므로 해당 신경망 모델을 이용하여 비침습 방식으로 보다 용이하게 고칼륨 혈증 환자를 진단할 수 있는 장점이 있다.

Description

심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 시스템 및 이를 이용한 심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 방법 및 심전도를 이용한 고칼륨 혈증 예측 시스템
본 발명은 심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 시스템 및 이를 이용한 심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 방법 및 심전도를 이용한 고칼륨 혈증 예측 시스템에 관한 것으로서, 더욱 상세하게는 심전도를 이용하여 고칼륨 혈증을 예측할 수 있는 신경망 모델을 구축할 수 있는 시스템 및 이를 이용한 심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 방법 및 심전도를 이용한 고칼륨 혈증 예측 시스템에 관한 것이다.
고칼륨혈증(Hyperkalemia)은 치명적인 심장 부정맥으로 이어질 수 있는 전해질 변위이다. 고칼륨혈증의 적절한 관리는 당뇨병, 관상 동맥 질환, 만성 신장 질환 등과 같은 고칼륨혈증 관련 질병 발생의 증가로 인해 더욱 중요해지고 있다. 고칼륨혈증과 저칼륨혈증 또는 칼륨 수치의 변동은 모두 사망 위험 증가 및 생명을 위협하는 부정맥과 관련이 있다. 신장 질환이나 심장 질환이 있는 환자에서 이환율, 입원 및 사망은 칼륨 수치의 완만한 변화를 따를 수 있다.
한편, 체내 칼륨 농도를 측정하기 위해서는 혈액 샘플링이라는 침습적인 방법을 이용한다. 그렇기 때문에 고칼륨혈증 같은 칼륨 관련 질환을 앓고 있는 환자들이 칼륨농도를 측정하기 위해서는 병원을 방문하여 검사받아야한다. 그러나, 치명적인 영향을 줄 수 있는 체내 칼륨농도는 상시적인 관리가 필요하지만 매번 병원 방문을 통한 측정은 병원과 환자 모두에게 불편한 일이며, 이로 인해 관리하기도 쉽지 않은 상황이다.
본 발명은 상기와 같은 문제점을 개선하기 위해 창안된 것으로서, 심전도 데이터를 이용하여 고칼륨 혈증을 예측할 수 있는 알고리즘을 구축할 수 있는 시스템 및 이를 이용한 심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 방법 및 고칼륨 혈증 예측 시스템을 제공하는데 그 목적이 있다.
상기 목적을 달성하기 위한 본 발명에 따른 심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 시스템은 다수의 고칼륨 혈증 환자의 심전도 데이터를 수집하는 데이터 수집부와, 상기 데이터 수집부에서 수집된 심전도 데이터를 토대로 기계학습을 위한 훈련 데이터 세트를 생성하는 데이터 가공부와, 상기 데이터 가공부에서 제공되는 훈련 데이터 세트를 토대로 심전도를 이용하여 고칼륨 혈증을 예측하기 위한 신경망 모델을 구축하는 모델 생성부를 구비한다.
상기 데이터 수집부는 고칼륨 혈증의 증상이 발현된 환자들의 심전도 데이터를 수집한다.
상기 데이터 수집부는 고칼륨 혈증의 증상 발현 시점으로부터 기설정된 제1기준시간 이전 시점에서, 해당 고칼륨 혈증의 증상 발현 시점으로부터 기설정된 제2기준시간 이후 시점까지의 상기 고칼륨 혈증 환자의 심전도 데이터를 수집할 수 있다.
상기 데이터 가공부는 상기 데이터 수집부에서 제공되는 심전도 데이터 중 고칼륨 혈증의 증상 발현 시점의 심전도 데이터를 비정상 상태의 데이터로 분류하며, 해당 고칼륨 혈증의 증상 발현 시점으로부터 기설정된 제1기준시간 이전 시점까지의 심전도 데이터를 정상 상태의 데이터로 분류하고, 분류된 상기 정상 상태의 데이터 및 비정상 상태의 데이터가 포함되도록 상기 훈련 데이터 세트를 생성한다.
상기 데이터 가공부는 상기 데이터 수집부에서 제공되는 심전도 데이터 중 고칼륨 혈증의 증상 발현 시점의 심전도 데이터를 비정상 상태의 데이터로 분류하며, 해당 고칼륨 혈증의 증상 발현 시점으로부터 기설정된 제2기준시간 이후 시점까지의 심전도 데이터를 정상 상태의 데이터로 분류하고, 분류된 상기 정상 상태의 데이터 및 비정상 상태의 데이터가 포함되도록 상기 훈련 데이터 세트를 생성한다.
상기 데이터 가공부는 상기 데이터 수집부에서 제공되는 심전도 데이터 중 고칼륨 혈증의 증상 발현 시점의 심전도 데이터를 비정상 상태의 데이터로 분류하며, 해당 고칼륨 혈증의 증상 발현 시점으로부터 기설정된 제1기준시간 이전 시점에서 해당 고칼륨 혈증의 증상 발현 시점으로부터 기설정된 제2기준시간 이후 시점까지의 심전도 데이터 중 상기 고칼륨 혈증의 증상 발현 시점의 심전도 데이터를 제외한 심전도 데이터를 정상 상태의 데이터로 분류하고, 분류된 상기 정상 상태의 데이터 및 비정상 상태의 데이터가 포함되도록 상기 훈련 데이터 세트를 생성할 수 있다.
상기 데이터 가공부는 상기 데이터 수집부에서 제공되는 심전도 데이터에서 분류된 데이터들 중 무작위로 선택된 일부는 상기 훈련 데이터 세트로 분류하고, 나머지는 상기 신경망 모델을 테스트 또는 검증하기 위한 샘플 세트로 분류할 수 있다.
상기 데이터 수집부에서 수집된 심전도 데이터는 ECG lead II signals 데이터인 것이 바람직하다.
상기 고칼륨 혈증의 증상은 만성 신부전이다.
한편, 본 발명에 따른 심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 시스템은 상기 샘플 세트를 상기 신경망 모델에 적용하여 해당 신경망 모델의 성능을 분석하는 검증모듈을 더 구비할 수도 있다.
한편, 본 발명에 따른 심전도를 통한 고칼륨 혈증 예측 알고리즘 구축방법은 데이터 수집부가 다수의 고칼륨 혈증 환자의 심전도 데이터를 수집하는 데이터 수집단계와, 상기 데이터 수집단계에서 수집된 심전도 데이터를 토대로 기계학습을 위한 훈련 데이터 세트를 생성하는 데이터 가공단계와, 상기 훈련 데이터 세트를 토대로 심전도를 이용하여 모델 생성부가 고칼륨 혈증을 예측하기 위한 신경망 모델을 구축하는 모델 생성단계를 포함할 수 있다.
상기 데이터 수집단계에서는, 고칼륨 혈증의 증상이 발현된 환자들의 심전도 데이터를 수집한다.
상기 데이터 수집단계에서는, 고칼륨 혈증의 증상 발현 시점으로부터 기설정된 제1기준시가 이전 시점에서, 해당 고칼륨 혈증의 증상 발현 시점으로부터 기설정된 제2기준시간 이후 시점까지의 상기 고칼륨 혈증 환자의 심전도 데이터를 수집할 수 있다.
상기 데이터 가공단계에서는, 상기 데이터 수집단계에서 수집된 심전도 데이터 중 고칼륨 혈증의 증상 발현 시점의 심전도 데이터를 비정상 상태의 데이터로 분류하며, 해당 고칼륨 혈증의 증상 발현 시점으로부터 기설정된 제1기준시간 이전 시점까지의 심전도 데이터를 정상 상태의 데이터로 분류하고, 분류된 상기 정상 상태의 데이터 및 비정상 상태의 데이터가 포함되도록 상기 훈련 데이터 세트를 생성할 수 있다.
상기 데이터 가공단계에서는, 상기 데이터 수집단계에서 수집된 심전도 데이터 중 고칼륨 혈증의 증상 발현 시점의 심전도 데이터를 비정상 상태의 데이터로 분류하며, 해당 고칼륨 혈증의 증상 발현 시점으로부터 기설정된 제2기준시간 이후 시점까지의 심전도 데이터를 정상 상태의 데이터로 분류하고, 분류된 상기 정상 상태의 데이터 및 비정상 상태의 데이터가 포함되도록 상기 훈련 데이터 세트를 생성할 수 있다.
상기 데이터 가공단계에서는, 상기 데이터 수집단계에서 수집된 심전도 데이터 중 고칼륨 혈증의 증상 발현 시점의 심전도 데이터를 비정상 상태의 데이토로 분류하며, 해당 고칼륨 혈증의 증상 발현 시점으로부터 기설정된 제1기준시간 이전 시점에서 해당 고칼륨 혈증의 증상 발현 시점으로부터 기설정된 제2기준시간 이후 시점까지의 심전도 데이터 중 상기 고칼륨 혈증의 증상 발현 시점의 심전도 데이터를 제외한 심전도 데이터를 정상 상태의 데이터로 분류하고, 분류된 상기 정상 상태의 데이터 및 비정상 상태의 데이터가 포함되도록 상기 훈련 데이터 세트를 생성할 수 있다.
상기 데이터 가공단계에서는, 상기 데이터 수집단계에서 수집된 심전도 데이터에서 분류된 데이터들 중 무작위로 선택된 일부는 상기 훈련 데이터 세트로 분류하고, 나머지는 상기 신경망 모델을 테스트 또는 검증하기 위한 샘플 세트로 분류할 수 있다.
한편, 본 발명에 따른 심전도를 통한 고칼륨 혈증 예측 알고리즘 구축방법은 상기 샘플 세트를 상기 신경망 모델에 적용하여 해당 신경망 모델의 성능을 분석하는 검증단계를 더 포함할 수도 있다.
한편, 본 발명에 따른 심전도를 이용한 고칼륨 혈증 예측 시스템은 사용자가 착용하는 것으로서, 상기 사용자의 심전도를 측정하는 스마트 밴드와, 상기 스마트 밴드에서 측정된 상기 사용자의 심전도에 대한 정보를 수집하는 정보 수집부와, 상기 정보 수집부에서 수집된 상기 사용자의 심전도를, 심전도에 따른 고칼륨 혈증을 예측하기 위해 기구축된 신경망 모델에 적용하여 해당 사용자의 고칼륨 혈증 여부를 판별하는 판별모듈을 구비한다.
상기 스마트 밴드는 상기 사용자의 손목에 착용되는 것이 바람직하다.
한편, 본 발명에 따른 심전도를 이용한 고칼륨 혈증 예측 시스템은 상기 고칼륨 혈증 환자의 심전도 데이터를 이용하여 상기 신경망 모델을 구축하고, 구축된 상기 신경망 모델을 상기 판별모듈에 제공하는 모델 구축유닛을 더 구비할 수 있다.
상기 모델 구축유닛은 다수의 상기 고칼륨 혈증 환자의 심전도 데이터를 수집하는 데이터 수집부와, 상기 데이터 수집부에서 수집된 심전도 데이터를 토대로 기계학습을 위한 훈련 데이터 세트를 생성하는 데이터 가공부와, 상기 데이터 가공부에서 제공되는 훈련 데이터 세트를 토대로 심전도를 이용하여 고칼륨 혈증을 예측하기 위한 신경망 모델을 구축하는 모델 생성부를 구비한다.
상기 데이터 수집부는 고칼륨 혈증의 증상 발현 시점으로부터 기설정된 제1기준시간 이전 시점에서, 해당 고칼륨 혈증의 증상 발현 시점으로부터 기설정된 제2기준시간 이후 시점까지의 상기 고칼륨 혈증 환자의 심전도 데이터를 수집할 수 있다.
상기 데이터 가공부는 상기 데이터 수집부에서 제공되는 심전도 데이터 중 고칼륨 혈증의 증상 발현 시점의 심전도 데이터를 비정상 상태의 데이터로 분류하며, 해당 고칼륨 혈증의 증상 발현 시점으로부터 기설정된 제1기준시간 이전 시점까지의 심전도 데이터를 정상 상태의 데이터로 분류하고, 분류된 상기 정상 상태의 데이터 및 비정상 상태의 데이터가 포함되도록 상기 훈련 데이터 세트를 생성할 수 있다.
상기 데이터 가공부는 상기 데이터 수집부에서 제공되는 심전도 데이터 중 고칼륨 혈증의 증상 발현 시점의 심전도 데이터를 비정상 상태의 데이터로 분류하며, 해당 고칼륨 혈증의 증상 발현 시점으로부터 기설정된 제2기준시간 이후 시점까지의 심전도 데이터를 정상 상태의 데이터로 분류하고, 분류된 상기 정상 상태의 데이터 및 비정상 상태의 데이터가 포함되도록 상기 훈련 데이터 세트를 생성할 수 있다.
상기 데이터 가공부는 상기 데이터 수집부에서 제공되는 심전도 데이터 중 고칼륨 혈증의 증상 발현 시점의 심전도 데이터를 비정상 상태의 데이터로 분류하며, 해당 고칼륨 혈증의 증상 발현 시점으로부터 기설정된 제1기준시간 이전 시점에서 해당 고칼륨 혈증의 증상 발현 시점으로부터 기설정된 제2기준시간 이후 시점까지의 심전도 데이터 중 상기 고칼륨 혈증의 증상 발현 시점의 심전도 데이터를 제외한 심전도 데이터를 정상 상태의 데이터로 분류하고, 분류된 상기 정상 상태의 데이터 및 비정상 상태의 데이터가 포함되도록 상기 훈련 데이터 세트를 생성할 수 있다.
상기 데이터 가공부는 상기 데이터 수집부에서 제공되는 심전도 데이터에서 분류된 데이터들 중 무작위로 선택된 일부는 상기 훈련 데이터 세트로 분류하고, 나머지는 상기 신경망 모델을 테스트 또는 검증하기 위한 샘플 세트로 분류할 수 있다.
한편, 본 발명에 따른 심전도를 이용한 고칼륨 혈증 예측 시스템은 상기 샘플 세트를 상기 신경망 모델에 적용하여 해당 신경망 모델의 성능을 분석하는 검증모듈을 더 구비할 수도 있다.
본 발명에 따른 심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 시스템 및 이를 이용한 심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 방법 및 심전도를 이용한 고칼륨 혈증 예측 시스템은 심전도를 이용하여 환자의 고칼륨 혈증 여부를 판별하기 위한 신경망 모델을 구축할 수 있으므로 해당 신경망 모델을 이용하여 비침습 방식으로 보다 용이하게 고칼륨 혈증 환자를 진단할 수 있는 장점이 있다.
도 1은 본 발명에 따른 심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 시스템에 대한 블럭도이고,
도 2는 본 발명에 따른 심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 방법에 대한 순서도이고,
도 3은 본 발명에 따른 심전도를 이용한 고칼륨 혈증 예측 시스템에 대한 개념도이고,
도 4는 도 3의 심전도를 이용한 고칼륨 혈증 예측 시스템에 대한 블럭도이다.
이하, 첨부한 도면을 참조하여 본 발명의 실시예에 따른 고칼륨 혈증 예측 알고리즘 구축 시스템 및 이를 이용한 심전도를 통한 고칼륨 혈증 예측 알고리즘 가지 형태를 가질 수 있는 바, 특정 실시 예들을 도면에 예시하고 본문에 상세하게 설명하고자 한다. 그러나 이는 본 발명을 특정한 개시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다. 첨부된 도면에 있어서, 구조물들의 치수는 본 발명의 명확성을 기하기 위하여 실제보다 확대하여 도시한 것이다.
제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다.
본 출원에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
도 1에는 본 발명에 따른 고칼륨 혈증 예측 알고리즘 구축 시스템(100)이 도시되어 있다.
도면을 참조하면, 상기 고칼륨 혈증 예측 알고리즘 구축 시스템(100)은 다수의 고칼륨 혈증 환자의 심전도 데이터를 수집하는 데이터 수집부(110)와, 상기 데이터 수집부(110)에서 수집된 심전도 데이터를 토대로 기계학습을 위한 훈련 데이터 세트를 생성하는 데이터 가공부(120)와, 상기 데이터 가공부(120)에서 제공되는 훈련 데이터 세트를 토대로 심전도를 이용하여 고칼륨 혈증을 예측하기 위한 신경망 모델을 구축하는 모델 생성부(130)를 구비한다.
데이터 수집부(110)는 심전도 측정장치(미도시)를 통해 측정된 다수의 환자의 심전도 데이터를 수집한다. 해당 심전도 데이터는 환자의 신체에 부착되는 전극 수에 따라 다수의 측정 채널을 통해 복수의 심전도 데이터가 측정될 수 있다. 여기서, 심전도 측정장치는 lead I,lead II, lead III, aVR, aVL, aVF, V1, V2, V3, V4, V5, V6의 전극을 이용한 12-lead ECG(Electrocardiography)를 측정하는 장치가 적용되며, 데이터 수집부(110)는 심전도 측정장치의 각 전극에서 입력되는 심전도 데이터를 각각 수집할 수 있다. 여기서, 데이터 수집부(110)는 해당 심전도 측정장치에 연결되어 해당 심전도 데이터를 전송받을 수도 있다. 모든 12- lead 심전도 데이터는 데이터 세트를 형성하기 위해 각 섹션에서 2 시간 이내에 전해질 테스트와 일치한다. 그런 다음 데이터 수집부(110)는 샘플링 주파수가 700Hz 인 12 lead 심전도 신호의 파형을 추출하여 저장한다. 마지막으로 ECG 신호 세그먼트는 2 초의 기간이며 1,400 개의 샘플로 구성된다.
이때, 환자는 혈장 속의 칼륨 농도가 정상치(3.7~5.3mEq/L)보다 높은 상태인 고칼륨 혈증 환자로서, 고칼륨 혈증의 증상이 발현된 환자가 적용된다. 여기서, 고칼륨 혈증의 증상은 만성 신부전, 부정맥 등이 포함된다.
한편, 데이터 수집부(110)는 고칼륨 혈증의 증상 발현 시점으로부터 기설정된 제1기준시간 이전 시점에서, 해당 고칼륨 혈증의 증상 발현 시점으로부터 기설정된 제2기준시간 이후 시점까지의 상기 고칼륨 혈증 환자의 심전도 데이터를 수집하는 것이 바람직하다. 여기서, 제1 및 제2기준시간은 환자의 상태 및 구축 대상 신경망 모델의 사용처에 따라 다양하게 설정될 수 있다.
데이터 가공부(120)는 데이터 수집부(110)에서 수집된 심전도 데이터를 비정상 상태의 데이터 또는 정상 상태의 데이터로 분류하여 훈련 데이터 세트를 생성한다.
여기서, 데이터 가공부(120)는 데이터 수집부(110)에서 제공되는 심전도 데이터들 중 고칼륨 혈증의 증상 발현 시점의 심전도 데이터를 비정상 상태의 데이터로 분류한다. 또한, 데이터 가공부(120)는 데이터 수집부(110)에서 제공되는 심전도 데이터에서, 고칼륨 혈증의 증상 발현 시점으로부터 해당 제1기준시간 이전 시점까지의 심전도 데이터를 정상 상태의 데이터로 분류한다.
한편, 데이터 가공부(120)는 이에 한정하는 것이 아니라 데이터 수집부(110)에서 제공되는 심전도 데이터들 중 해당 고칼륨 혈증의 증상 발현 시점으로 상기 제2기준시간 이후 시점까지의 심전도 데이터를 정상 상태의 데이터로 분류할 수도 있다. 이때, 데이터 가공부(120)는 비정상 상태의 데이터로서 데이터 수집부(110)에서 제공되는 심전도 데이터들에서 고칼륨 혈증의 증상 발현 시점의 심전도 데이터가 분류된다.
한편, 데이터 가공부(120)는 데이터 수집부(110)에서 제공되는 심전도 데이터들에서, 해당 고칼륨 혈증의 증상 발현 시점으로부터 제1기준시간 이전 시점에서 해당 고칼륨 혈증의 증상 발현 시점으로부터 제2기준시간 이후 시점까지의 심전도 데이터 중 상기 고칼륨 혈증의 증상 발현 시점의 심전도 데이터를 제외한 심전도 데이터를 정상 상태의 데이터로 분류할 수도 있다. 이때, 데이터 가공부(120)는 비정상 상태의 데이터로서 데이터 수집부(110)에서 제공되는 심전도 데이터들에서 고칼륨 혈증의 증상 발현 시점의 심전도 데이터가 분류된다.
다음, 데이터 가공부(120)는 상기 데이터 수집부(110)에서 제공되는 심전도 데이터에서 분류된 정상 상태의 데이터들 및 비정상 상태의 데이터들 중 무작위로 선택된 일부는 상기 훈련 데이터 세트로 분류하고, 나머지는 상기 신경망 모델을 테스트 또는 검증하기 위한 샘플 세트로 분류한다. 여기서, 샘플 세트는 신경망 모델의 성능을 검증하기 위한 검증 세트(validation set)와, 해당 신경망 모델을 테스트하기 위한 테스트 세트(test set)로 분류된다. 이때, 훈련 데이터 세트, 검증 세트 및 테스트 세트의 비율은 6:2:2가 적용되는 것이 바람직하다.
모델 생성부(130)는 상기 데이터 가공부(120)에서 제공되는 훈련 데이터 세트를 토대로 심전도를 이용하여 고칼륨 혈증을 예측하기 위한 신경망 모델을 구축한다.
여기서, 신경망 모델은 합성곱 신경망(CNN: Convolutional Neural Network) 모델이 적용되는데, 상기 CNN 모델은 복수의 연산 레이어(Convolutional Layer, pooling Layer)를 번갈아 수행하여 최종적으로는 입력 데이터의 특징을 추출하는 데 사용되는 계층 모델이다. 해당 신경망 모델은 데이터 가공부(120)에서 제공받은 훈련 데이터 세트를 지도학습(Supervised Learning) 기법에 따라 처리하여 기구축되어 있다.
즉, 모델 생성부(130)는 1 차원 컨볼 루션 연산, 최대 풀링 및 완전 연결 계층을 사용하여 5 계층 컨볼 루션 신경망으로 해당 신경망 모델을 생성된다. 해당 신경망 모델 즉, 딥 러닝 모델의 세부 구조는 하기의 표1과 같다.
No Layers Activation Filter size Output shape Parameter
1 batchnorm_1 = = 1400×1 4
2 conv1D_1
maxpool_1		 relu 100@50×1
2×1		 1351×100
675×100		 5,100
3 conv1D_2
maxpool_2
dropout_2		 relu 80@50×1
2×1
p=0.25		 626×80
313×80
313×80		 400,080
4 conv1D_3
maxpool_3
dropout_3		 relu 60@30×1
2×1
p=0.25		 284×60
142×60
142×60		 144,060
5 conv1D_4
maxpool_4
dropout_4		 relu 40@20×1
2×1
p=0.25		 123×40
61×40
61×40		 48,040
6 conv1D_5
maxpool_5
dropout_5		 relu 20@10×1
2×1
p=0.25		 52×20
26×20
26×20		 8,020
7 flattern_1
dense_1		 softmax 2 520×20 1,042
Total 5 conv.layers 124 filters 606,027
한편, 상기 신경망 모델은 이에 한정하는 것이 아니라 환자의 심전도 데이터를 이용하여 고칼륨 혈증을 예측할 수 있는 신경망 모델이면 무엇이든 적용 가능하다.
여기서, 모델 생성부(130)는 각 훈련 데이터 세트에 포함된 심전도 데이터가 획득된 전극별로 신경망 모델을 각각 생성할 수도 있다.
한편, 본 발명에 따른 심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 시스템(100)은 상기 샘플 세트를 상기 신경망 모델에 적용하여 해당 신경망 모델의 정확도를 산출하는 검증모듈(140)을 더 구비할 수 있다. 상기 검증모듈(140)은 해당 신경망 모델의 정밀도 및 재현율을 산출하고, 산출된 정밀도 및 재현율을 토대로 성능을 산출한다.
여기서, 상기 검증모듈(140)은 하기의 수학식1을 이용하여 모델 생성부(130)에서 구축된 신경망 모델의 정밀도 및 재현율을 산출한다.
Figure PCTKR2022008022-appb-img-000001
Figure PCTKR2022008022-appb-img-000002
여기서, precision는 신경망 모델의 정밀도이고, recall은 상기 신경망 모델의 재현율이고, TP는 참 양성이고, FP는 거짓 양성이고, FN은 거짓음성이다.
이때, 검증모듈(140)은 검증 세트 및 데이터 세트의 정상 상태의 데이터 또는 비정상 상태의 데이터를 각각 사용하여 해당 정밀도 및 재현율을 산출한다. 여기서, 검증모듈(140)이 비정상 상태의 데이터를 신경망 모델에 적용할 경우, TP는 참 양성으로서, 신경망 모델이 실제 비정상 상태의 데이터를 고칼륨 혈증 상태로 예측한 수이고, FP는 거짓 양성으로서, 신경망 모델이 실제 정상 상태의 데이터를 고칼륨 혈증 상태로 예측한 수이고, FN은 거짓 음성으로서, 신경망 모델이 실제 비정상 상태의 데이터를 정상 상태로 예측한 수가 적용된다.
또한, 검증모듈(140)이 정상 상태의 데이터를 신경망 모델에 적용할 경우, TP는 참 양성으로서, 신경망 모델이 실제 정상 상태의 데이터를 정상 상태로 예측한 수이고, FP는 거짓 양성으로서, 신경망 모델이 실제 비정상 상태의 데이터를 정상 상태로 예측한 수이고, FN은 거짓 음성으로서, 신경망 모델이 실제 정상 상태의 데이터를 고칼륨 혈증 상태로 예측한 수가 적용된다.
다음, 검증모듈(140)은 산출된 신경망 모델의 정밀도 및 재현율을 하기의 수학식 2에 적용하여 해당 신경망 모델의 성능을 산출한다.
Figure PCTKR2022008022-appb-img-000003
여기서, F1는 신경망 모델의 성능에 대한 수치이며, precision는 신경망 모델의 정밀도이고, recall은 상기 신경망 모델의 재현율이다. 이때, 검증모듈(140)은 해당 훈련 데이터 세트에 포함된 심전도 데이터가 획득된 전극 별로 해당 신경망 모델의 성능을 산출할 수도 있다. 상기 검증모듈(140)은 수학식 2에 의해 산출된 F1 즉, 신경망 모델의 성능에 대한 정보를 관리자에게 제공한다. 해당 관리자는 검증모듈(140)에서 제공되는 신경망 모델의 성능에 대한 정보를 토대로 해당 신경망 모델을 보완할 수도 있다.
한편, 도 2에는 본 발명에 따른 심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 방법이 게시되어 있다.
도면을 참조하면, 상기 고칼륨 혈증 예측 알고리즘 구축 방법은 데이터 수집단계(S110), 데이터 가공단계(S120), 모델 생성단계(S130) 및 검증단계(S140)를 포함한다.
상기 데이터 수집단계(S110)는 데이터 수집부(110)가 다수의 고칼륨 혈증 환자의 심전도 데이터를 수집하는 단계이다. 여기서, 데이터 수집부(110)는 환자에 설치된 심전도 측정장치로부터 심전도 데이터를 심전도 데이터를 수집한다. 이때, 환자는 혈장 속의 칼륨 농도가 정상치(3.7~5.3mEq/L)보다 높은 상태인 고칼륨 혈증 환자로서, 고칼륨 혈증의 증상이 발현된 환자가 적용된다.
여기서, 데이터 수집부(110)는 고칼륨 혈증의 증상 발현 시점으로부터 기설정된 제1기준시간 이전 시점에서, 해당 고칼륨 혈증의 증상 발현 시점으로부터 기설정된 제2기준시간 이후 시점까지의 상기 고칼륨 혈증 환자의 심전도 데이터를 수집하는 것이 바람직하다.
데이터 가공단계(S120)는 데이터 수집단계(S110)에서 수집된 심전도 데이터를 토대로 기계학습을 위한 훈련 데이터 세트를 생성하는 단계이다. 여기서, 데이터 가공부(120)가 데이터 수집부(110)에서 수집된 심전도 데이터를 비정상 상태의 데이터 또는 정상 상태의 데이터로 분류하여 훈련 데이터 세트를 생성한다.
이때, 데이터 가공부(120)는 상기 데이터 수집부(110)에서 제공되는 심전도 데이터 중 고칼륨 혈증의 증상 발현 시점의 심전도 데이터를 비정상 상태의 데이터로 분류하며, 해당 고칼륨 혈증의 증상 발현 시점으로부터 기설정된 제1기준시간 이전 시점까지의 심전도 데이터를 정상 상태의 데이터로 분류할 수 있다.
또한, 데이터 가공부(120)는 상기 데이터 수집부(110)에서 제공되는 심전도 데이터 중 고칼륨 혈증의 증상 발현 시점의 심전도 데이터를 비정상 상태의 데이터로 분류하며, 해당 고칼륨 혈증의 증상 발현 시점으로부터 기설정된 제2기준시간 이후 시점까지의 심전도 데이터를 정상 상태의 데이터로 분류할 수도 있다.
그리고, 데이터 가공부(120)는 상기 데이터 수집부(110)에서 제공되는 심전도 데이터 중 고칼륨 혈증의 증상 발현 시점의 심전도 데이터를 비정상 상태의 데이터로 분류하며, 해당 고칼륨 혈증의 증상 발현 시점으로부터 기설정된 제1기준시간 이전 시점에서 해당 고칼륨 혈증의 증상 발현 시점으로부터 기설정된 제2기준시간 이후 시점까지의 심전도 데이터 중 상기 고칼륨 혈증의 증상 발현 시점의 심전도 데이터를 제외한 심전도 데이터를 정상 상태의 데이터로 분류할 수도 있다.
다음, 데이터 가공부(120)에서는, 상기 데이터 수집부(110)에서 제공되는 심전도 데이터에서 분류된 정상 상태의 데이터들 및 비정상 상태의 데이터들 중 무작위로 선택된 일부는 상기 훈련 데이터 세트로 분류하고, 나머지는 상기 신경망 모델을 테스트 또는 검증하기 위한 샘플 세트로 분류한다. 여기서, 샘플 세트는 신경망 모델의 성능을 검증하기 위한 검증 세트(validation set)와, 해당 신경망 모델을 테스트하기 위한 테스트 세트(test set)로 분류되는데, 훈련 데이터 세트, 검증 세트 및 테스트 세트의 비율은 6:2:2가 적용된다.
모델 생성단계(S130)는 상기 훈련 데이터 세트를 토대로 심전도를 이용하여 모델 생성부(130)가 고칼륨 혈증을 예측하기 위한 신경망 모델을 구축하는 단계이다. 여기서, 신경망 모델은 합성곱 신경망(CNN: Convolutional Neural Network) 모델이 적용된다.
검증단계(S140)는 상기 샘플 세트를 상기 신경망 모델에 적용하여 해당 신경망 모델의 성능을 분석하는 단계이다. 여기서, 검증모듈(140)이 해당 샘플 세트의 검증세트 및 테이스 세트를 신경망 모델에 적용하여 해당 신경망 모델의 정밀도 및 재현율을 산출하고, 산출된 정밀도 및 재현율을 토대로 성능을 산출한다.
한편, 본 발명의 심전도를 통화 고칼륨 혈증 예측 알고리즘 구축 시스템(100)을 이용하여 신경망 모델을 구축하였다. 2009년 7월부터 2019년 6월까지 한 지역 응급센터에서 고칼륨 혈증 증상이 1회 이상 발행한 환자 855명으로부터 획득한 심전도 데이터를 이용하였다. 이 중 555명이 만성 신부전(CRF)이고, 나머지는 만성 신부전 진단을 받지 않았다. 해당 환자에 대한 정보는 하기의 표2와 같다.
Datasets Non CRF CRF Total
Gender Female
Male
total		 496
672
1,168		 747
1,043
1,790		 1,243
1,715
2,958
Age 70.3±19.0 72.6±13.2 71.7±15.8
Height 155.5±26.2 159.4±14.4 158.0±19.7
Weight 58.8±15.5 62.2±12.2 60.9±13.6
Myocardial infarction 35 117 152
Heart failure 116 271 387
Angina 93 235 328
Diabetes 251 912 1,163
Hypertension 323 1,037 1,360
여기서, 데이터 가공부(120)는 데이터 수집부(110)에서 수집된 심전도 데이터를 이용하여 3종류의 훈련 데이터 세트를 가공하였다. 먼저, 데이터 가공부(120)는 데이터 가공부(120)는 데이터 수집부(110)에서 제공되는 심전도 데이터들 중 고칼륨 혈증의 증상 발현 시점의 심전도 데이터를 비정상 상태의 데이터로 분류하고, 고칼륨 혈증의 증상 발현 시점으로부터 해당 제1기준시간 이전 시점까지의 심전도 데이터를 정상 상태의 데이터로 분류하여 제1데이터 세트(datasetⅠ)를 생성하고, 제1데이터 세트(datasetⅠ) 중 일부를 제1훈련 데이터 세트로 설정한다.
또한, 데이터 가공부(120)는 데이터 수집부(110)에서 제공되는 심전도 데이터들 중 해당 고칼륨 혈증의 증상 발현 시점으로 상기 제2기준시간 이후 시점까지의 심전도 데이터를 정상 상태의 데이터로 분류하고, 데이터 수집부(110)에서 제공되는 심전도 데이터들에서 고칼륨 혈증의 증상 발현 시점의 심전도 데이터를 비정상 상태의 데이터로 분류하여 제2데이터 세트(datasetⅡ)를 생성하고, 제2데이터 세트(datasetⅡ)들 중 일부를 제2훈련 데이터 세트로 설정한다.
그리고, 데이터 가공부(120)는 데이터 수집부(110)에서 제공되는 심전도 데이터들에서, 해당 고칼륨 혈증의 증상 발현 시점으로부터 제1기준시간 이전 시점에서 해당 고칼륨 혈증의 증상 발현 시점으로부터 제2기준시간 이후 시점까지의 심전도 데이터 중 상기 고칼륨 혈증의 증상 발현 시점의 심전도 데이터를 제외한 심전도 데이터를 정상 상태의 데이터로 분류하고, 비정상 상태의 데이터로서 데이터 수집부(110)에서 제공되는 심전도 데이터들에서 고칼륨 혈증의 증상 발현 시점의 심전도 데이터를 분류하여 제3데이터 세트(datasetⅢ)를 생성한다. 이때, 데이터 가공부(120)는 해당 데이터 세트(datasetⅢ) 중 일부를 제3훈련 데이터 세트로 설정한다.
하기의 표 3에는 데이터 가공부(120)에서 분류된 제1 내지 제3데이터 세트(datasetⅠ,Ⅱ,Ⅲ)에 대한 정보가 게재되어 있다.
Datasets DatasetⅠ DatasetⅡ DatasetⅢ
Training set 1,186 879 1,426
Validation set 296 220 357
Test set 370 275 446
Total 1,852 1,374 2,229
여기서, traing set는 훈련 데이터 세트이고, Validation set은 검증 세트이고, Test set는 테스트 세트이다. 다음, 모델 생성부(130)는 각 데이터 세트별로 신경망 모델을 생성한다. 그리고, 검증모듈(140)은 각 데이터 세트별로 구축된 신경망 모델을 각 데이터 세트의 검증 세트 및 테스트 세트를 이용하여 성능을 산출한다.
하기의 표 4는 제1데이터 세트(datasetⅠ)에 의해 생성된 신경망 모델의 성능에 대한 분석결과이다.
Index Events LeadⅠ LeadⅡ V1 V2 V3 V4 V5 V6
Precision Normal
Hyperkalemia		 0.52
0.61		 0.96
0.94		 0.47
0.63		 0.61
0.70		 0.56
0.63		 0.66
0.71		 0.51
0.64		 0.54
0.63
Recall Normal
Hyperkalemia		 0.48
0.64		 0.93
0.97		 0.56
0.54		 0.66
0.65		 0.51
0.68		 0.66
0.71		 0.50
0.65		 0.60
0.58
F1-score Normal
Hyperkalemia		 0.50
0.62		 0.94
0.95		 0.51
0.58		 0.64
0.68		 0.53
0.66		 0.66
0.71		 0.50
0.65		 0.57
0.60
하기의 표 5는 제2데이터 세트(datasetⅡ)에 의해 생성된 신경망 모델의 성능에 대한 분석결과이다.
Index Events LeadⅠ LeadⅡ V1 V2 V3 V4 V5 V6
Precision Normal
Hyperkalemia		 0.31
0.75		 0.88
0.93		 0.28
0.74		 0.36
0.73		 0.28
0.80		 0.52
0.79		 0.36
0.76		 0.51
0.72
Recall Normal
Hyperkalemia		 0.22
0.82		 0.85
0.95		 0.17
0.84		 0.27
0.81		 0.23
0.84		 0.50
0.81		 0.28
0.82		 0.30
0.84
F1-score Normal
Hyperkalemia		 0.26
0.78		 0.84
0.94		 0.21
0.79		 0.31
0.77		 0.25
0.82		 0.51
0.80		 0.31
0.79		 0.38
0.79
하기의 표 6은 제3데이터 세트(datasetⅢ)에 의해 생성된 신경망 모델의 성능에 대한 분석결과이다.
Index Events LeadⅠ LeadⅡ V1 V2 V3 V4 V5 V6
Precision Normal
Hyperkalemia		 0.56
0.47		 0.95
0.94		 0.53
0.74		 0.68
0.59		 0.65
0.57		 0.69
0.60		 0.57
0.60		 0.61
0.51
Recall Normal
Hyperkalemia		 0.61
0.42		 0.96
0.93		 1.00
0.00		 0.70
0.57		 0.62
0.60		 0.63
0.66		 0.68
0.48		 0.59
0.53
F1-score Normal
Hyperkalemia		 0.58
0.44		 0.96
0.94		 0.70
0.00		 0.69
0.58		 0.64
0.59		 0.66
0.63		 0.62
0.53		 0.60
0.52
여기서, Precision은 신경망 모델의 정밀도이고, Recall은 신경망 모델의 재현율이고, F1-score는 신경망 모델의 성능에 대한 정보이고, 'Lead Ⅰ, LeadⅡ, V1, V2, V3, V4, V5, V6'은 각 신경망 모델의 구축에 이용된 심전도 데이터가 획득된 전극 종류이다. 상기 표를 참고하면, 고칼륨 혈증 환자의 심전도 데이터를 토대로 구축된 신경망 모델은 비교적 높은 성능을 제공한다. 특히, 신경망 모델들 중 Lead Ⅱ에서 획득한 심전도 데이터로 이루어진 제1데이터 세트를 이용하여 생성된 신경망 모델의 성능이 가장 우수함을 알 수 있다.
상술된 바와 같이 구성된 본 발명에 따른 심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 시스템(100) 및 이를 이용한 심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 방법은 심전도를 이용하여 환자의 고칼륨 혈증 여부를 판별하기 위한 신경망 모델을 구축할 수 있으므로 해당 신경망 모델을 이용하여 비침습 방식으로 보다 용이하게 고칼륨 혈증 환자를 진단할 수 있는 장점이 있다.
한편, 도 3 및 도 4에는 본 발명에 따른 상기 심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 시스템(100)을 이용한 심전도를 이용한 고칼륨 혈증 예측 시스템(10)이 도시되어 있다.
도면을 참조하면, 상기 심전도를 이용한 고칼륨 혈증 예측 시스템(10)은 사용자가 착용하는 것으로서, 상기 사용자의 심전도를 측정하는 스마트 밴드(11)와, 상기 스마트 밴드(11)에서 측정된 상기 사용자의 심전도에 대한 정보를 수집하는 정보 수집부(12)와, 상기 정보 수집부(12)에서 수집된 상기 사용자의 심전도를, 심전도에 따른 고칼륨 혈증을 예측하기 위해 기구축된 신경망 모델에 적용하여 해당 사용자의 고칼륨 혈증 여부를 판별하는 판별모듈(13)과, 상기 고칼륨 혈증 환자의 심전도 데이터를 이용하여 상기 신경망 모델을 구축하고, 구축된 상기 신경망 모델을 상기 판별모듈(13)에 제공하는 심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 시스템(100)을 구비한다.
스마트 밴드(11)는 도면에 도시되진 않았지만, 사용자의 신체에 착용 가능하게 형성된 착용 본체와, 상기 착용 본체에 설치되며, 고유 식별 정보 및 사용자의 개인정보가 저장된 메모리와, 사용자의 심전도를 측정하는 측정센서와, 메모리에 저장된 정보 및 측정세선의 측정 값을 전송하기 위한 통신모듈을 구비한다.
착용 본체는 사용자의 손목에 착용 가능하도록 손목시계나 손목 밴드 형태로 형성될 수 있다. 한편, 착용 본체는 이에 한정하는 것이 아니라 인체에 착용하는 형태로 형성될 수 있으나, 신체에 부착할 수 있도록 하는 부착 스티커 또는 패드 형태로 형성될 수도 있다.
상기 메모리에는 사용자의 이름, 성별, 나이 등과 같은 개인정보와, 해당 스마트 밴드(11)를 식별하기 위한 식별정보가 저장되어 있다.
통신모듈은 사용자의 스마트 폰과 같은 휴대 단말기(20)와의 통신을 위한 것으로서, 저전력 동작을 위한 BLE(Bluetooth Low Energy)가 적용된다. 한편, 통신모듈은 이에 한정하는 것이 아니라 측정센서의 측정 값과 같은 데이터를 전송할 수 있는 통신수단이면 무엇이든 적용 가능하다.
측정센서는 사용자의 신체에 접촉할 수 있도록 착용본체에 설치되어 해당 사용자의 심전도 신호를 측정한다. 여기서, 상기 측정센서는 사용자의 심전도를 측정하기 위해 종래에 일반적으로 사용되는 심전도 측정 수단이므로 상세한 설명은 생략한다.
정보 수집부(12)는 사용자의 휴대 단말기(20)에 설치되어 해당 휴대 단말기(20)를 통해 스마트 밴드(11)에서 전송된 사용자의 심전도에 대한 정보를 수신하고, 수신된 심전도에 대한 정보를 판별모듈(13)에 전달한다. 이때, 정보 수집부(12)는 시간 순으로 정리하여 저장하는 것이 바람직하다.
판별모듈(13)은 정보 수집부(12)에서 수집된 사용자의 심전도를 상기 신경망 모델에 적용하여 사용자의 고칼륨 혈증 여부를 판별한다. 여기서, 판별모듈(13)은 판별된 정보를 사용자의 휴대 단말기(20)를 통해 해당 사용자에게 표시할 수 있다. 이때, 판별모듈(13) 및 정보 수집부(12)는 휴대 단말기(20)에 설치된 어플리케이션 형태로 형성되는 것이 바람직하다.
상술된 바와 같이 구성된 본 발명에 따른 심전도를 이용한 고칼륨 혈증 예측 시스템(10)은 사용자가 착용한 스마트 밴드(11)를 통해 측정된 심전도를, 구축된 신경망 모델에 적용하여 고칼륨 혈증 여부를 판별하므로 보다 용이하게 고칼륨 혈증 환자를 진단할 수 있는 장점이 있다.
상기 심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 시스템(100)은 다수의 고칼륨 혈증 환자의 심전도 데이터를 수집하는 데이터 수집부(110)와, 상기 데이터 수집부(110)에서 수집된 심전도 데이터를 토대로 기계학습을 위한 훈련 데이터 세트를 생성하는 데이터 가공부(120)와, 상기 데이터 가공부(120)에서 제공되는 훈련 데이터 세트를 토대로 심전도를 이용하여 고칼륨 혈증을 예측하기 위한 신경망 모델을 구축하는 모델 생성부(130)를 구비한다. 상기 심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 시스템(100)은 도 1 및 도 2에 도시된 심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 시스템과 동일하므로 상세한 설명은 생략한다.
제시된 실시예들에 대한 설명은 임의의 본 발명의 기술분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 발명의 기술 분야에서 통상의 지식을 가진자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 발명의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.
제시된 실시예들에 대한 설명은 임의의 본 발명의 기술분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 발명의 기술 분야에서 통상의 지식을 가진자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 발명의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

Claims (28)

  1. 다수의 고칼륨 혈증 환자의 심전도 데이터를 수집하는 데이터 수집부;
    상기 데이터 수집부에서 수집된 심전도 데이터를 토대로 기계학습을 위한 훈련 데이터 세트를 생성하는 데이터 가공부; 및
    상기 데이터 가공부에서 제공되는 훈련 데이터 세트를 토대로 심전도를 이용하여 고칼륨 혈증을 예측하기 위한 신경망 모델을 구축하는 모델 생성부;를 구비하는,
    심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 시스템.
  2. 제1항에 있어서,
    상기 데이터 수집부는 고칼륨 혈증의 증상이 발현된 환자들의 심전도 데이터를 수집하는,
    심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 시스템.
  3. 제2항에 있어서,
    상기 데이터 수집부는 고칼륨 혈증의 증상 발현 시점으로부터 기설정된 제1기준시간 이전 시점에서, 해당 고칼륨 혈증의 증상 발현 시점으로부터 기설정된 제2기준시간 이후 시점까지의 상기 고칼륨 혈증 환자의 심전도 데이터를 수집하는,
    심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 시스템.
  4. 제2항에 있어서,
    상기 데이터 가공부는 상기 데이터 수집부에서 제공되는 심전도 데이터 중 고칼륨 혈증의 증상 발현 시점의 심전도 데이터를 비정상 상태의 데이터로 분류하며, 해당 고칼륨 혈증의 증상 발현 시점으로부터 기설정된 제1기준시간 이전 시점까지의 심전도 데이터를 정상 상태의 데이터로 분류하고, 분류된 상기 정상 상태의 데이터 및 비정상 상태의 데이터가 포함되도록 상기 훈련 데이터 세트를 생성하는,
    심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 시스템.
  5. 제2항에 있어서,
    상기 데이터 가공부는 상기 데이터 수집부에서 제공되는 심전도 데이터 중 고칼륨 혈증의 증상 발현 시점의 심전도 데이터를 비정상 상태의 데이터로 분류하며, 해당 고칼륨 혈증의 증상 발현 시점으로부터 기설정된 제2기준시간 이후 시점까지의 심전도 데이터를 정상 상태의 데이터로 분류하고, 분류된 상기 정상 상태의 데이터 및 비정상 상태의 데이터가 포함되도록 상기 훈련 데이터 세트를 생성하는,
    심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 시스템.
  6. 제2항에 있어서,
    상기 데이터 가공부는 상기 데이터 수집부에서 제공되는 심전도 데이터 중 고칼륨 혈증의 증상 발현 시점의 심전도 데이터를 비정상 상태의 데이터로 분류하며, 해당 고칼륨 혈증의 증상 발현 시점으로부터 기설정된 제1기준시간 이전 시점에서 해당 고칼륨 혈증의 증상 발현 시점으로부터 기설정된 제2기준시간 이후 시점까지의 심전도 데이터 중 상기 고칼륨 혈증의 증상 발현 시점의 심전도 데이터를 제외한 심전도 데이터를 정상 상태의 데이터로 분류하고, 분류된 상기 정상 상태의 데이터 및 비정상 상태의 데이터가 포함되도록 상기 훈련 데이터 세트를 생성하는,
    심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 시스템.
  7. 제4항 내지 제6항 중 어느 한 항에 있어서,
    상기 데이터 가공부는 상기 데이터 수집부에서 제공되는 심전도 데이터에서 분류된 데이터들 중 무작위로 선택된 일부는 상기 훈련 데이터 세트로 분류하고, 나머지는 상기 신경망 모델을 테스트 또는 검증하기 위한 샘플 세트로 분류하는,
    심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 시스템.
  8. 제1항에 있어서,
    상기 데이터 수집부에서 수집된 심전도 데이터는 ECG lead II signals 데이터인,
    심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 시스템.
  9. 제2항에 있어서,
    상기 고칼륨 혈증의 증상은 만성 신부전인,
    심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 시스템.
  10. 제7항에 있어서,
    상기 샘플 세트를 상기 신경망 모델에 적용하여 해당 신경망 모델의 성능을 분석하는 검증모듈;을 더 구비하는,
    심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 시스템.
  11. 데이터 수집부가 다수의 고칼륨 혈증 환자의 심전도 데이터를 수집하는 데이터 수집단계;
    상기 데이터 수집단계에서 수집된 심전도 데이터를 토대로 기계학습을 위한 훈련 데이터 세트를 생성하는 데이터 가공단계; 및
    상기 훈련 데이터 세트를 토대로 심전도를 이용하여 모델 생성부가 고칼륨 혈증을 예측하기 위한 신경망 모델을 구축하는 모델 생성단계;를 포함하는,
    심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 방법.
  12. 제11항에 있어서,
    상기 데이터 수집단계에서는, 고칼륨 혈증의 증상이 발현된 환자들의 심전도 데이터를 수집하는,
    심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 방법.
  13. 제12항에 있어서,
    상기 데이터 수집단계에서는, 고칼륨 혈증의 증상 발현 시점으로부터 기설정된 제1기준시가 이전 시점에서, 해당 고칼륨 혈증의 증상 발현 시점으로부터 기설정된 제2기준시간 이후 시점까지의 상기 고칼륨 혈증 환자의 심전도 데이터를 수집하는,
    심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 방법.
  14. 제12항에 있어서,
    상기 데이터 가공단계에서는, 상기 데이터 수집단계에서 수집된 심전도 데이터 중 고칼륨 혈증의 증상 발현 시점의 심전도 데이터를 비정상 상태의 데이터로 분류하며, 해당 고칼륨 혈증의 증상 발현 시점으로부터 기설정된 제1기준시간 이전 시점까지의 심전도 데이터를 정상 상태의 데이터로 분류하고, 분류된 상기 정상 상태의 데이터 및 비정상 상태의 데이터가 포함되도록 상기 훈련 데이터 세트를 생성하는,
    심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 방법.
  15. 제12항에 있어서,
    상기 데이터 가공단계에서는, 상기 데이터 수집단계에서 수집된 심전도 데이터 중 고칼륨 혈증의 증상 발현 시점의 심전도 데이터를 비정상 상태의 데이터로 분류하며, 해당 고칼륨 혈증의 증상 발현 시점으로부터 기설정된 제2기준시간 이후 시점까지의 심전도 데이터를 정상 상태의 데이터로 분류하고, 분류된 상기 정상 상태의 데이터 및 비정상 상태의 데이터가 포함되도록 상기 훈련 데이터 세트를 생성하는,
    심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 방법.
  16. 제12항에 있어서,
    상기 데이터 가공단계에서는, 상기 데이터 수집단계에서 수집된 심전도 데이터 중 고칼륨 혈증의 증상 발현 시점의 심전도 데이터를 비정상 상태의 데이토로 분류하며, 해당 고칼륨 혈증의 증상 발현 시점으로부터 기설정된 제1기준시간 이전 시점에서 해당 고칼륨 혈증의 증상 발현 시점으로부터 기설정된 제2기준시간 이후 시점까지의 심전도 데이터 중 상기 고칼륨 혈증의 증상 발현 시점의 심전도 데이터를 제외한 심전도 데이터를 정상 상태의 데이터로 분류하고, 분류된 상기 정상 상태의 데이터 및 비정상 상태의 데이터가 포함되도록 상기 훈련 데이터 세트를 생성하는,
    심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 방법.
  17. 제14항 내지 제16항 중 어느 한 항에 있어서,
    상기 데이터 가공단계에서는, 상기 데이터 수집단계에서 수집된 심전도 데이터에서 분류된 데이터들 중 무작위로 선택된 일부는 상기 훈련 데이터 세트로 분류하고, 나머지는 상기 신경망 모델을 테스트 또는 검증하기 위한 샘플 세트로 분류하는,
    심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 방법.
  18. 제17항에 있어서,
    상기 샘플 세트를 상기 신경망 모델에 적용하여 해당 신경망 모델의 성능을 분석하는 검증단계;를 더 포함하는,
    심전도를 통한 고칼륨 혈증 예측 알고리즘 구축방법.
  19. 사용자가 착용하는 것으로서, 상기 사용자의 심전도를 측정하는 스마트 밴드;
    상기 스마트 밴드에서 측정된 상기 사용자의 심전도에 대한 정보를 수집하는 정보 수집부;
    상기 정보 수집부에서 수집된 상기 사용자의 심전도를, 심전도에 따른 고칼륨 혈증을 예측하기 위해 기구축된 신경망 모델에 적용하여 해당 사용자의 고칼륨 혈증 여부를 판별하는 판별모듈;을 구비하는,
    심전도를 이용한 고칼륨 혈증 예측 시스템.
  20. 제19항에 있어서,
    상기 스마트 밴드는 상기 사용자의 손목에 착용되는,
    심전도를 이용한 고칼륨 혈증 예측 시스템.
  21. 제19항에 있어서,
    상기 고칼륨 혈증 환자의 심전도 데이터를 이용하여 상기 신경망 모델을 구축하고, 구축된 상기 신경망 모델을 상기 판별모듈에 제공하는 모델 구축유닛;을 더 구비하는,
    심전도를 이용한 고칼륨 혈증 예측 시스템.
  22. 제21항에 있어서,
    상기 모델 구축유닛은
    다수의 상기 고칼륨 혈증 환자의 심전도 데이터를 수집하는 데이터 수집부;
    상기 데이터 수집부에서 수집된 심전도 데이터를 토대로 기계학습을 위한 훈련 데이터 세트를 생성하는 데이터 가공부; 및
    상기 데이터 가공부에서 제공되는 훈련 데이터 세트를 토대로 심전도를 이용하여 고칼륨 혈증을 예측하기 위한 신경망 모델을 구축하는 모델 생성부;를 구비하는,
    심전도를 이용한 고칼륨 혈증 예측 시스템.
  23. 제22항에 있어서,
    상기 데이터 수집부는 고칼륨 혈증의 증상 발현 시점으로부터 기설정된 제1기준시간 이전 시점에서, 해당 고칼륨 혈증의 증상 발현 시점으로부터 기설정된 제2기준시간 이후 시점까지의 상기 고칼륨 혈증 환자의 심전도 데이터를 수집하는,
    심전도를 이용한 고칼륨 혈증 예측 시스템.
  24. 제22항에 있어서,
    상기 데이터 가공부는 상기 데이터 수집부에서 제공되는 심전도 데이터 중 고칼륨 혈증의 증상 발현 시점의 심전도 데이터를 비정상 상태의 데이터로 분류하며, 해당 고칼륨 혈증의 증상 발현 시점으로부터 기설정된 제1기준시간 이전 시점까지의 심전도 데이터를 정상 상태의 데이터로 분류하고, 분류된 상기 정상 상태의 데이터 및 비정상 상태의 데이터가 포함되도록 상기 훈련 데이터 세트를 생성하는,
    심전도를 이용한 고칼륨 혈증 예측 시스템.
  25. 제22항에 있어서,
    상기 데이터 가공부는 상기 데이터 수집부에서 제공되는 심전도 데이터 중 고칼륨 혈증의 증상 발현 시점의 심전도 데이터를 비정상 상태의 데이터로 분류하며, 해당 고칼륨 혈증의 증상 발현 시점으로부터 기설정된 제2기준시간 이후 시점까지의 심전도 데이터를 정상 상태의 데이터로 분류하고, 분류된 상기 정상 상태의 데이터 및 비정상 상태의 데이터가 포함되도록 상기 훈련 데이터 세트를 생성하는,
    심전도를 이용한 고칼륨 혈증 예측 시스템.
  26. 제22항에 있어서,
    상기 데이터 가공부는 상기 데이터 수집부에서 제공되는 심전도 데이터 중 고칼륨 혈증의 증상 발현 시점의 심전도 데이터를 비정상 상태의 데이터로 분류하며, 해당 고칼륨 혈증의 증상 발현 시점으로부터 기설정된 제1기준시간 이전 시점에서 해당 고칼륨 혈증의 증상 발현 시점으로부터 기설정된 제2기준시간 이후 시점까지의 심전도 데이터 중 상기 고칼륨 혈증의 증상 발현 시점의 심전도 데이터를 제외한 심전도 데이터를 정상 상태의 데이터로 분류하고, 분류된 상기 정상 상태의 데이터 및 비정상 상태의 데이터가 포함되도록 상기 훈련 데이터 세트를 생성하는,
    심전도를 이용한 고칼륨 혈증 예측 시스템.
  27. 제24항 내지 제26항 중 어느 한 항에 있어서,
    상기 데이터 가공부는 상기 데이터 수집부에서 제공되는 심전도 데이터에서 분류된 데이터들 중 무작위로 선택된 일부는 상기 훈련 데이터 세트로 분류하고, 나머지는 상기 신경망 모델을 테스트 또는 검증하기 위한 샘플 세트로 분류하는,
    심전도를 이용한 고칼륨 혈증 예측 시스템.
  28. 제27항에 있어서,
    상기 샘플 세트를 상기 신경망 모델에 적용하여 해당 신경망 모델의 성능을 분석하는 검증모듈;을 더 구비하는,
    심전도를 이용한 고칼륨 혈증 예측 시스템.
PCT/KR2022/008022 2021-06-04 2022-06-07 심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 시스템 및 이를 이용한 심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 방법 및 심전도를 이용한 고칼륨 혈증 예측 시스템 WO2022255852A1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US18/527,458 US20240105344A1 (en) 2021-06-04 2023-12-04 System for constructing hyperkalemia prediction algorithm through electrocardiogram, method for constructing hyperkalemia prediction algorithm through electrocardiogram by using same, and hyperkalemia prediction system using electrocardiogram

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
KR10-2021-0073051 2021-06-04
KR10-2021-0073050 2021-06-04
KR1020210073051A KR102568281B1 (ko) 2021-06-04 2021-06-04 심전도를 이용한 고칼륨 혈증 예측 시스템
KR1020210073050A KR102578047B1 (ko) 2021-06-04 2021-06-04 심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 시스템 및 이를 이용한 심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 방법

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US18/527,458 Continuation US20240105344A1 (en) 2021-06-04 2023-12-04 System for constructing hyperkalemia prediction algorithm through electrocardiogram, method for constructing hyperkalemia prediction algorithm through electrocardiogram by using same, and hyperkalemia prediction system using electrocardiogram

Publications (1)

Publication Number Publication Date
WO2022255852A1 true WO2022255852A1 (ko) 2022-12-08

Family

ID=84324466

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2022/008022 WO2022255852A1 (ko) 2021-06-04 2022-06-07 심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 시스템 및 이를 이용한 심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 방법 및 심전도를 이용한 고칼륨 혈증 예측 시스템

Country Status (2)

Country Link
US (1) US20240105344A1 (ko)
WO (1) WO2022255852A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009537247A (ja) * 2006-05-17 2009-10-29 カーディアック ペースメイカーズ， インコーポレイテッド 化学センサを備えた埋込み式医療装置及び関連方法
WO2017091736A1 (en) * 2015-11-23 2017-06-01 Mayo Foundation For Medical Education And Research Processing physiological electrical data for analyte assessments
KR20190066332A (ko) * 2017-12-05 2019-06-13 아주대학교산학협력단 심전도 데이터를 이용한 혈중 칼륨농도 예측모델 생성장치 및 그 방법
US20190183359A1 (en) * 2016-11-15 2019-06-20 Avidhrt, Inc. Vital Monitoring Device, System, and Method
EP3367897B1 (en) * 2015-10-27 2021-04-14 Cardiologs Technologies An automatic method to delineate or categorize an electrocardiogram

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009537247A (ja) * 2006-05-17 2009-10-29 カーディアック ペースメイカーズ， インコーポレイテッド 化学センサを備えた埋込み式医療装置及び関連方法
EP3367897B1 (en) * 2015-10-27 2021-04-14 Cardiologs Technologies An automatic method to delineate or categorize an electrocardiogram
WO2017091736A1 (en) * 2015-11-23 2017-06-01 Mayo Foundation For Medical Education And Research Processing physiological electrical data for analyte assessments
US20190183359A1 (en) * 2016-11-15 2019-06-20 Avidhrt, Inc. Vital Monitoring Device, System, and Method
KR20190066332A (ko) * 2017-12-05 2019-06-13 아주대학교산학협력단 심전도 데이터를 이용한 혈중 칼륨농도 예측모델 생성장치 및 그 방법

Also Published As

Publication number Publication date
US20240105344A1 (en) 2024-03-28

Similar Documents

Publication Publication Date Title
Huang et al. WE-CARE: an intelligent mobile telecardiology system to enable mHealth applications
Curtis et al. Physiological signal monitoring in the waiting areas of an emergency room
WO2015008936A1 (ko) 습관을 이용한 진단 장치 및 진단 관리 장치와 그를 이용한 진단 방법
US20110288379A1 (en) Body sign dynamically monitoring system
CN107582046B (zh) 心电实时监护方法
WO2012148044A1 (en) Hypertension monitoring and notification device based on context information
Hosseini et al. Neural networks for pulmonary disease diagnosis using auditory and demographic information
US20140350424A1 (en) Wearable heartbeat and breathing waveform continuous monitoring system
WO2022255852A1 (ko) 심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 시스템 및 이를 이용한 심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 방법 및 심전도를 이용한 고칼륨 혈증 예측 시스템
Singh et al. Design and validation of wearable smartphone based wireless cardiac activity monitoring sensor
WO2013172569A1 (ko) 동잡음 측정 및 제거 기능을 포함하는 심장 제세동기
Saeed et al. A scalable wireless body area network for bio-telemetry
WO2023022485A9 (ko) 비동기 심전도를 이용한 건강상태 예측 시스템
Alimbayeva et al. Portable ECG Monitoring System
WO2023043202A1 (ko) 생체 신호 감지 반지를 이용한 생체 데이터 모니터링 플랫폼
CN205268157U (zh) 非接触式心电传感器及其可穿戴式多通道心电采样内衣
WO2016200243A1 (ko) 미병 분류를 보조하는 컴퓨팅 장치 및 방법
WO2022181947A1 (ko) 심전계를 이용한 실시간 다중 모니터링 장치 및 방법
KR102568281B1 (ko) 심전도를 이용한 고칼륨 혈증 예측 시스템
Solar et al. A non invasive, wearable sensor platform for multi-parametric remote monitoring in CHF patients
Picard et al. Monitoring stress and heart health with a phone and wearable computer
CN111710419A (zh) 一种心脏健康质量预警系统及其预警方法
KR102578047B1 (ko) 심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 시스템 및 이를 이용한 심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 방법
CN101785671A (zh) 模糊心电图智能计测传感器
Arslan et al. A wearable system implementation for the internet of medical things (IoMT)

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: 22816511

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE