WO2023022495A1 - 예후 예측 장치, 방법 및 기록매체 - Google Patents
예후 예측 장치, 방법 및 기록매체 Download PDFInfo
- Publication number
- WO2023022495A1 WO2023022495A1 PCT/KR2022/012248 KR2022012248W WO2023022495A1 WO 2023022495 A1 WO2023022495 A1 WO 2023022495A1 KR 2022012248 W KR2022012248 W KR 2022012248W WO 2023022495 A1 WO2023022495 A1 WO 2023022495A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- information
- prediction
- model
- predictor
- prognosis
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 230000004083 survival effect Effects 0.000 claims abstract description 75
- 229940079593 drug Drugs 0.000 claims abstract description 69
- 239000003814 drug Substances 0.000 claims abstract description 69
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 40
- 210000003958 hematopoietic stem cell Anatomy 0.000 claims abstract description 40
- 238000010801 machine learning Methods 0.000 claims abstract description 32
- 201000010099 disease Diseases 0.000 claims abstract description 17
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 17
- 238000004393 prognosis Methods 0.000 claims description 118
- 238000011282 treatment Methods 0.000 claims description 49
- 230000006870 function Effects 0.000 claims description 46
- 238000011156 evaluation Methods 0.000 claims description 28
- 238000002054 transplantation Methods 0.000 claims description 27
- 238000003745 diagnosis Methods 0.000 claims description 24
- 238000011134 hematopoietic stem cell transplantation Methods 0.000 claims description 22
- 238000003066 decision tree Methods 0.000 claims description 10
- 238000011476 stem cell transplantation Methods 0.000 claims description 8
- 208000034578 Multiple myelomas Diseases 0.000 description 20
- 206010035226 Plasma cell myeloma Diseases 0.000 description 20
- 229960001924 melphalan Drugs 0.000 description 14
- SGDBTWWWUNNDEQ-LBPRGKRZSA-N melphalan Chemical compound OC(=O)[C@@H](N)CC1=CC=C(N(CCCl)CCCl)C=C1 SGDBTWWWUNNDEQ-LBPRGKRZSA-N 0.000 description 14
- 238000012360 testing method Methods 0.000 description 11
- 210000004027 cell Anatomy 0.000 description 8
- 238000007619 statistical method Methods 0.000 description 8
- 230000002159 abnormal effect Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 7
- 238000013473 artificial intelligence Methods 0.000 description 7
- 239000002246 antineoplastic agent Substances 0.000 description 6
- 238000007405 data analysis Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 229940041181 antineoplastic drug Drugs 0.000 description 5
- 102000003855 L-lactate dehydrogenase Human genes 0.000 description 4
- 108700023483 L-lactate dehydrogenases Proteins 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000002560 therapeutic procedure Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000010370 cell cloning Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000010295 mobile communication Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 210000002966 serum Anatomy 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 206010061728 Bone lesion Diseases 0.000 description 2
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 2
- 206010061818 Disease progression Diseases 0.000 description 2
- 102000001554 Hemoglobins Human genes 0.000 description 2
- 108010054147 Hemoglobins Proteins 0.000 description 2
- 108060003951 Immunoglobulin Proteins 0.000 description 2
- 229910052791 calcium Inorganic materials 0.000 description 2
- 239000011575 calcium Substances 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- DDRJAANPRJIHGJ-UHFFFAOYSA-N creatinine Chemical compound CN1CC(=O)NC1=N DDRJAANPRJIHGJ-UHFFFAOYSA-N 0.000 description 2
- 230000002559 cytogenic effect Effects 0.000 description 2
- 230000005750 disease progression Effects 0.000 description 2
- VJJPUSNTGOMMGY-MRVIYFEKSA-N etoposide Chemical compound COC1=C(O)C(OC)=CC([C@@H]2C3=CC=4OCOC=4C=C3[C@@H](O[C@H]3[C@@H]([C@@H](O)[C@@H]4O[C@H](C)OC[C@H]4O3)O)[C@@H]3[C@@H]2C(OC3)=O)=C1 VJJPUSNTGOMMGY-MRVIYFEKSA-N 0.000 description 2
- 229960005420 etoposide Drugs 0.000 description 2
- 102000018358 immunoglobulin Human genes 0.000 description 2
- 210000004698 lymphocyte Anatomy 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 210000004180 plasmocyte Anatomy 0.000 description 2
- 102000004169 proteins and genes Human genes 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 210000000130 stem cell Anatomy 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 210000002700 urine Anatomy 0.000 description 2
- UEJJHQNACJXSKW-UHFFFAOYSA-N 2-(2,6-dioxopiperidin-3-yl)-1H-isoindole-1,3(2H)-dione Chemical compound O=C1C2=CC=CC=C2C(=O)N1C1CCC(=O)NC1=O UEJJHQNACJXSKW-UHFFFAOYSA-N 0.000 description 1
- 206010000830 Acute leukaemia Diseases 0.000 description 1
- 108010088751 Albumins Proteins 0.000 description 1
- 102000009027 Albumins Human genes 0.000 description 1
- 108010074051 C-Reactive Protein Proteins 0.000 description 1
- 102100032752 C-reactive protein Human genes 0.000 description 1
- -1 Carfilazomib Chemical compound 0.000 description 1
- 102100025064 Cellular tumor antigen p53 Human genes 0.000 description 1
- 102000006311 Cyclin D1 Human genes 0.000 description 1
- 108010058546 Cyclin D1 Proteins 0.000 description 1
- CMSMOCZEIVJLDB-UHFFFAOYSA-N Cyclophosphamide Chemical compound ClCCN(CCCl)P1(=O)NCCCO1 CMSMOCZEIVJLDB-UHFFFAOYSA-N 0.000 description 1
- 206010012289 Dementia Diseases 0.000 description 1
- 208000000059 Dyspnea Diseases 0.000 description 1
- 206010013975 Dyspnoeas Diseases 0.000 description 1
- 102100027842 Fibroblast growth factor receptor 3 Human genes 0.000 description 1
- 101710182396 Fibroblast growth factor receptor 3 Proteins 0.000 description 1
- 102100031573 Hematopoietic progenitor cell antigen CD34 Human genes 0.000 description 1
- 101000777663 Homo sapiens Hematopoietic progenitor cell antigen CD34 Proteins 0.000 description 1
- 101000979190 Homo sapiens Transcription factor MafB Proteins 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 206010025323 Lymphomas Diseases 0.000 description 1
- 101710085938 Matrix protein Proteins 0.000 description 1
- 101710127721 Membrane protein Proteins 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 208000007452 Plasmacytoma Diseases 0.000 description 1
- 102100023234 Transcription factor MafB Human genes 0.000 description 1
- 108010078814 Tumor Suppressor Protein p53 Proteins 0.000 description 1
- XSQUKJJJFZCRTK-UHFFFAOYSA-N Urea Chemical compound NC(N)=O XSQUKJJJFZCRTK-UHFFFAOYSA-N 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000000735 allogeneic effect Effects 0.000 description 1
- 210000001185 bone marrow Anatomy 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 239000004202 carbamide Substances 0.000 description 1
- 238000002512 chemotherapy Methods 0.000 description 1
- 229940109239 creatinine Drugs 0.000 description 1
- 229960004397 cyclophosphamide Drugs 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 201000005787 hematologic cancer Diseases 0.000 description 1
- 208000024200 hematopoietic and lymphoid system neoplasm Diseases 0.000 description 1
- 229940099472 immunoglobulin a Drugs 0.000 description 1
- 229940027941 immunoglobulin g Drugs 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 208000017169 kidney disease Diseases 0.000 description 1
- 229960004942 lenalidomide Drugs 0.000 description 1
- GOTYRUGSSMKFNF-UHFFFAOYSA-N lenalidomide Chemical compound C1C=2C(N)=CC=CC=2C(=O)N1C1CCC(=O)NC1=O GOTYRUGSSMKFNF-UHFFFAOYSA-N 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000011418 maintenance treatment Methods 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229940074923 mozobil Drugs 0.000 description 1
- 210000000440 neutrophil Anatomy 0.000 description 1
- 238000011369 optimal treatment Methods 0.000 description 1
- YIQPUIGJQJDJOS-UHFFFAOYSA-N plerixafor Chemical compound C=1C=C(CN2CCNCCCNCCNCCC2)C=CC=1CN1CCCNCCNCCCNCC1 YIQPUIGJQJDJOS-UHFFFAOYSA-N 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000035755 proliferation Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 229960003433 thalidomide Drugs 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4842—Monitoring progression or stage of a disease
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4848—Monitoring or testing the effects of treatment, e.g. of medication
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61L—METHODS OR APPARATUS FOR STERILISING MATERIALS OR OBJECTS IN GENERAL; DISINFECTION, STERILISATION OR DEODORISATION OF AIR; CHEMICAL ASPECTS OF BANDAGES, DRESSINGS, ABSORBENT PADS OR SURGICAL ARTICLES; MATERIALS FOR BANDAGES, DRESSINGS, ABSORBENT PADS OR SURGICAL ARTICLES
- A61L27/00—Materials for grafts or prostheses or for coating grafts or prostheses
- A61L27/36—Materials for grafts or prostheses or for coating grafts or prostheses containing ingredients of undetermined constitution or reaction products thereof, e.g. transplant tissue, natural bone, extracellular matrix
- A61L27/38—Materials for grafts or prostheses or for coating grafts or prostheses containing ingredients of undetermined constitution or reaction products thereof, e.g. transplant tissue, natural bone, extracellular matrix containing added animal cells
- A61L27/3804—Materials for grafts or prostheses or for coating grafts or prostheses containing ingredients of undetermined constitution or reaction products thereof, e.g. transplant tissue, natural bone, extracellular matrix containing added animal cells characterised by specific cells or progenitors thereof, e.g. fibroblasts, connective tissue cells, kidney cells
- A61L27/3834—Cells able to produce different cell types, e.g. hematopoietic stem cells, mesenchymal stem cells, marrow stromal cells, embryonic stem cells
-
- 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
- G16H50/20—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
-
- 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
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/40—ICT specially adapted for the handling or processing of medical references relating to drugs, e.g. their side effects or intended usage
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Chemical & Material Sciences (AREA)
- Veterinary Medicine (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Databases & Information Systems (AREA)
- Medicinal Chemistry (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Cell Biology (AREA)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Zoology (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Developmental Biology & Embryology (AREA)
- Hematology (AREA)
- Urology & Nephrology (AREA)
- Psychiatry (AREA)
- Botany (AREA)
Abstract
본 개시는 예후 예측 장치, 방법 및 기록매체에 관한 것으로서, 특히 자가조혈모세포이식 환자의 환자 특성 및 질환 특성에 따라 특정 약물의 용량을 선별할 수 있도록 예후를 예측하는 예후 예측 장치, 방법 및 기록매체를 제공할 수 있다. 구체적으로, 머신러닝 알고리즘을 이용하여 특정 약물의 용량에 따른 생존기간, 무진행생존기간 및 의료비용을 예측하는 예후 예측 장치, 방법 및 기록매체를 제공할 수 있다.
Description
본 실시예들은 예후 예측 장치, 방법 및 기록매체를 제공한다.
다발골수종(multiple myeloma)은 형질세포(plasma cells)의 악성 증식에 의해 발생하는 혈액암의 일종으로 국내에서는 악성림프종과 급성 백혈병 다음으로 많이 발생하는 질병이다. 다발성골수종은 희귀암의 일종으로 매년 세계적으로 11만 4000건이 발생하며, 국내에서도 최근 30년간 30배 정도로 발병률이 증가하여 현재 5,000명 정도의 환자가 있는 것으로 추정된다. 고령화 인구 증가와 평균 수명 연장의 영향으로 환자가 급격하게 증가함에 따라 향후 사회적인 문제가 될 수 있는 질병이다.
다발골수종의 치료를 위해서 항암 화학요법 치료를 하게 되며, 경우에 따라 자가 조혈모세포이식 또는 동종조혈모세포이식을 하게 된다. 특히, 자가조혈모세포이식치료는 가장 강력한 치료 방법으로, 다발골수종 치료의 핵심적 역할을 한다. 이러한 자가조혈모세포이식치료를 위해서는 조혈모세포이식 전, 항암치료제로 분류되는 고용량의 멜팔란을 투여하는 것은 오랜기간 표준적 전처리 요법으로 간주되고 있다. 하지만, 멜팔란 용량은 체표면적(Body surface area, BSA, 단위 mm2)을 기준으로 투여되고 있으나 환자의 개별 요인, 질환적 특성 등을 고려한 개별맞춤형 최적 용량을 제시할 수 있는 기준이 정립되지는 않은 상태라는 문제점이 있다. 즉, 국제적 가이드라인으로는 200 mg/BSA를 권장하며 환자의 상태에 따라 140 mg/BSA로 감량할 수 있도록 권유하고 있으나, 이는 절대적이지 않을뿐더러 명확한 근거가 없다는 문제점이 있다.
또한, 다발골수종은 치료에도 불구하고, 개선과 재발이 반복되고 완치가 어려운 경향이 있다. 병의 재발이 반복되면 다음 치료에 영향을 미치기 때문에 치료 효과를 높이고 반응 지속기간을 장기간 유지하여 다음 재발을 늦추기 위해서는 치료 예후를 예측하는 기술을 필요로 한다. 특히, 자가조혈모세포이식치료 환자에 있어서, 환자와 환자의 질환 특성에 따라 멜팔란과 같은 특정 약물의 투여 용량을 선별할 수 있도록 예후를 예측하는 기술을 필요로 한다.
이러한 배경에서, 본 실시예들의 목적은 자가조혈모세포이식 환자의 환자 특성 및 질환 특성에 따라 특정 약물의 용량을 선별할 수 있도록 예후를 예측하는 예후 예측 장치, 방법 및 기록매체를 제공하는데 있다.
전술한 목적을 달성하기 위하여, 일 측면에서, 본 실시예는 예후 예측 장치에 있어서, 자가조혈모세포이식 환자의 진단 정보, 이식 평가 정보 및 이식 치료 정보를 포함하는 의료 정보를 획득하는 정보 획득부, 의료 정보 중에서 예측 모델에 입력될 복수의 예측 인자를 결정하는 예측 인자 결정부, 예측 인자를 기반으로 머신러닝 알고리즘을 이용하여 특정 약물의 용량에 따른 예후를 예측하는 예측 모델을 생성하는 모델 생성부 및 예측 모델을 이용하여 산출된 자가조혈모세포이식 환자의 예후 정보에 따라, 사용자가 특정 약물의 용량을 선별하도록 예측 결과 정보를 제공하는 결과 제공부를 포함하는 것을 특징으로 하는 예후 예측 장치를 제공할 수 있다.
다른 측면에서, 본 실시예는 예후 예측 방법에 있어서, 자가조혈모세포이식 환자의 진단 정보, 이식 평가 정보 및 이식 치료 정보를 포함하는 의료 정보를 획득하는 정보 획득 단계, 의료 정보 중에서 예측 모델에 입력될 복수의 예측 인자를 결정하는 예측 인자 결정 단계, 예측 인자를 기반으로 머신러닝 알고리즘을 이용하여 특정 약물의 용량에 따른 예후를 예측하는 예측 모델을 생성하는 모델 생성 단계 및 예측 모델을 이용하여 산출된 자가조혈모세포이식 환자의 예후 정보에 따라, 사용자가 특정 약물의 용량을 선별하도록 예측 결과 정보를 제공하는 결과 제공 단계를 포함하는 것을 특징으로 하는 예후 예측 방법을 제공할 수 있다.
또 다른 측면에서, 본 실시예는 예후 예측 방법을 실행시키기 위한 프로그램을 기록한 기록 매체에 있어서, 자가조혈모세포이식 환자의 진단 정보, 이식 평가 정보 및 이식 치료 정보를 포함하는 의료 정보를 획득하는 정보 획득 기능, 의료 정보 중에서 예측 모델에 입력될 복수의 예측 인자를 결정하는 예측 인자 결정 기능, 예측 인자를 기반으로 머신러닝 알고리즘을 이용하여 특정 약물의 용량에 따른 예후를 예측하는 예측 모델을 생성하는 모델 생성 기능 및 예측 모델을 이용하여 산출된 자가조혈모세포이식 환자의 예후 정보에 따라, 사용자가 특정 약물의 용량을 선별하도록 예측 결과 정보를 제공하는 결과 제공 기능을 구현하는 프로그램이 기록되고 컴퓨터로 읽을 수 있는 기록매체를 제공할 수 있다.
도 1은 본 개시의 일 실시예에 따른 예후 예측 장치가 적용될 수 있는 시스템을 예시적으로 도시한 도면이다.
도 2는 본 개시의 일 실시예에 따른 예후 예측 장치의 구성을 도시한 도면이다.
도 3은 본 개시의 일 실시예에 따른 예후 예측 장치의 예측 결과 정보를 제공하는 동작을 설명하기 위한 흐름도이다.
도 4는 본 개시의 일 실시예에 따른 예후 예측 장치에서 결정된 예측 인자에 따라 데이터를 입력하는 예시를 도시한 화면이다.
도 5는 본 개시의 일 실시예에 따른 예후 예측 장치에서 예측 결과 정보를 제공하는 예시를 도시한 화면이다.
도 6은 본 개시의 일 실시예에 따른 예후 예측 방법의 흐름도이다.
도 7은 본 개시의 일 실시예에 따른 기록매체의 구성을 개념적으로 도시한 도면이다.
본 개시는 예후 예측 장치, 방법 및 기록매체에 관한 것이다.
이하, 본 개시의 일부 실시예들을 예시적인 도면을 참조하여 상세하게 설명한다. 각 도면의 구성 요소들에 참조부호를 부가함에 있어서, 동일한 구성 요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가질 수 있다. 또한, 본 실시예들을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 기술 사상의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략할 수 있다. 본 명세서 상에서 언급된 "포함한다", "갖는다", "이루어진다" 등이 사용되는 경우 "~만"이 사용되지 않는 이상 다른 부분이 추가될 수 있다. 구성 요소를 단수로 표현한 경우에 특별한 명시적인 기재 사항이 없는 한 복수를 포함하는 경우를 포함할 수 있다.
또한, 본 개시의 구성 요소를 설명하는 데 있어서, 제1, 제2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질, 차례, 순서 또는 개수 등이 한정되지 않는다.
구성 요소들의 위치 관계에 대한 설명에 있어서, 둘 이상의 구성 요소가 "연결", "결합" 또는 "접속" 등이 된다고 기재된 경우, 둘 이상의 구성 요소가 직접적으로 "연결", "결합" 또는 "접속" 될 수 있지만, 둘 이상의 구성 요소와 다른 구성 요소가 더 "개재"되어 "연결", "결합" 또는 "접속"될 수도 있다고 이해되어야 할 것이다. 여기서, 다른 구성 요소는 서로 "연결", "결합" 또는 "접속" 되는 둘 이상의 구성 요소 중 하나 이상에 포함될 수도 있다.
구성 요소들이나, 동작 방법이나 제작 방법 등과 관련한 시간적 흐름 관계에 대한 설명에 있어서, 예를 들어, "~후에", "~에 이어서", "~다음에", "~전에" 등으로 시간적 선후 관계 또는 흐름적 선후 관계가 설명되는 경우, "바로" 또는 "직접"이 사용되지 않는 이상 연속적이지 않은 경우도 포함할 수 있다.
한편, 구성 요소에 대한 수치 또는 그 대응 정보(예: 레벨 등)가 언급된 경우, 별도의 명시적 기재가 없더라도, 수치 또는 그 대응 정보는 각종 요인(예: 공정상의 요인, 내부 또는 외부 충격, 노이즈 등)에 의해 발생할 수 있는 오차 범위를 포함하는 것으로 해석될 수 있다.
본 명세서에서의 무진행생존기간(Progression-free survival,PFS)은 질병을 치료 중이거나 치료 후 환자가 질병을 지닌 채 살고 있지만 악화되지 않는 기간을 의미할 수 있고, 전체생존기간(Overall survival,OS)은 질병이 진행한 시점부터 사망까지의 기간으로 무진행생존기간과 질병의 진행 후 생존기간의 합을 의미할 수 있다.
이하 첨부된 도면을 참고하여 본 개시를 상세히 설명하기로 한다.
도 1은 본 개시의 일 실시예에 따른 예후 예측 장치가 적용될 수 있는 시스템을 예시적으로 도시한 도면이다.
도 1을 참조하면, 본 개시의 일 실시예에 따른 예후 예측 장치(100)가 적용될 수 있는 시스템은 서버(110) 및 네트워크(120)를 포함하여 구현될 수 있다.
예후 예측 장치(100)는, 본 개시의 실시예에 따른 예후 예측 방법을 수행할 수 있는 장치로서, 프로그램을 실행할 수 있는 전자 기기와 같은 하드웨어, 프로세서에 의해 실행되는 소프트웨어 또는 이들의 조합으로 구현될 수 있다.
일 예에 따라, 예후 예측 장치(100)가 하드웨어로 구현되는 경우, 일반적인 데스크 탑이나 노트북 등의 일반 PC를 포함하고, 스마트 폰, 태블릿 PC, PDA(Personal Digital Assistants) 및 이동통신 단말기 등의 모바일 단말기 등을 포함할 수 있다. 다만, 이는 일 예로서, 서버(110)와 통신 가능한 전자 기기라면 그 명칭이나 종류에 한정되지 않고, 폭넓게 해석될 수 있다. 또한, 일 예에 따라, 예후 예측 장치(100)는 사용자의 조작에 따라 정보의 입력이 가능하며, 본 개시의 실시예에 따른 예후 예측 방법을 수행할 수 있는 애플리케이션으로 구현될 수 있다. 일 예로, 예후 예측 애플리케이션이나 프로그램 등일 수 있으며, 다만, 그 명칭이나 종류에 한정되지 않고 폭넓게 해석될 수 있다.
서버(110)는 네트워크(120)를 통하여 불특정 다수 클라이언트 (장치(100)를 포함) 및/또는 다른 서버와 연결될 수 있다. 이에 따라, 서버(110)는 클라이언트 또는 다른 서버의 작업수행 요청을 접수하고 그에 대한 작업 결과를 도출하여 제공하는 컴퓨터 시스템를 의미하거나 이러한 컴퓨터 시스템을 위하여 설치되어 있는 컴퓨터 소프트웨어(서버 프로그램)를 의미할 수 있다.
일 예에 따라, 서버(110)는 환자의 전자의무기록(Electronic Medical Record, EMR) 등을 포함하는 환자 데이터를 수집하여 저장시키고 관리할 수 있다. 그리고, 서버(110)는 예후 예측 장치(100)의 요청에 따라 해당 데이터를 전송할 수 있다. 예를 들어, 서버(110)는 예후 예측 서비스에 대응하는 애플리케이션의 통해 환자 데이터를 예후 예측 장치(100)에 제공할 수 있다.
또한, 서버(110)는 전술한 서버 프로그램 이외에도, 서버(110) 상에서 동작하는 일련의 응용 프로그램(Application Program)과, 경우에 따라서는 내부 또는 외부에 구축되어 있는 각종 데이터베이스를 포함하는 넓은 개념으로 이해되어야 할 것이다. 여기서, 서버(110)는, 서버 또는 다른 장치 등에 의해 사용될 목적으로 정보나 자료 등의 데이터가 구조화되어 관리되는 데이터의 집합체를 의미할 수 있으며, 이러한 데이터의 집합체를 저장하는 저장매체를 의미할 수도 있다.
또한, 이러한 서버(110)는 데이터의 구조화 방식, 관리 방식, 종류 등에 따라 분류된 복수의 데이터베이스를 포함하는 것일 수도 있다. 경우에 따라서, 서버(110)는 정보나 자료 등을 추가, 수정, 삭제 등을 할 수 있도록 해주는 소프트웨어인 데이터베이스 관리시스템(Database Management System, DBMS)을 포함할 수도 있다.
한편, 네트워크(120)는 예후 예측 장치(100)와 서버(110)를 연결해주는 망(Network)으로서, LAN(Local Area Network), WAN(Wide Area Network)등의 폐쇄형 네트워크일 수도 있으나, 인터넷(Internet)과 같은 개방형 네트워크일 수도 있다. 여기서, 인터넷은 TCP/IP 프로토콜 및 그 상위계층에 존재하는 여러 서비스, 즉 HTTP(HyperText Transfer Protocol), Telnet, FTP(File Transfer Protocol), DNS(Domain Name System), SMTP(Simple Mail Transfer Protocol), SNMP(Simple Network Management Protocol), NFS(Network File Service), NIS(Network Information Service)를 제공하는 전 세계적인 개방형 컴퓨터 네트워크 구조를 의미한다.
간략하게 전술한 본 개시의 일 실시예에 따른 예후 예측 장치, 방법 및 기록매체에 대하여, 이하에서 더욱 상세하게 설명한다.
도 2는 본 개시의 일 실시예에 따른 예후 예측 장치의 구성을 도시한 도면이다.
도 2를 참조하면, 본 개시의 일 실시예에 따른 예후 예측 장치(100)는, 자가조혈모세포이식(autologous stem cell transplantation, ASCT) 환자의 진단 정보, 이식 평가 정보 및 이식 치료 정보를 포함하는 의료 정보를 획득하는 정보 획득부(210), 의료 정보 중에서 예측 모델에 입력될 복수의 예측 인자를 결정하는 예측 인자 결정부(220), 예측 인자를 기반으로 머신러닝 알고리즘(Machine learning algorithm)을 이용하여 특정 약물의 용량에 따른 예후를 예측하는 예측 모델을 생성하는 모델 생성부(230) 및 예측 모델을 이용하여 산출된 자가조혈모세포이식 환자의 예후 정보에 따라, 사용자가 특정 약물의 용량을 선별하도록 예측 결과 정보를 제공하는 결과 제공부(240)를 포함하는 예후 예측 장치(100)를 제공한다.
일 실시예에 따라 정보 획득부(210)는 환자의 의료기록데이터를 기초로 각종 의료 정보를 획득할 수 있다. 일 예로, 정보 획득부(210)는 자가조혈모세포이식 환자의 진단 정보, 평가 정보 및 치료 정보를 포함하는 의료 정보를 획득할 수 있다. 예를 들어, 정보 획득부(210)는 병원의 내부 또는 외부에 마련된 서버(110)에 저장된 의료기록데이터로부터 자가조혈모세포이식 환자의 진단 정보, 이식 평가 정보 및 이식 치료 정보를 포함하는 의료 정보를 획득할 수 있다. 구체적인 예를 들면, 진단 정보는 환자의 다발골수종 진단 시 환자의 인적 특성에 관한 정보와 진단을 위해 수행된 검사의 결과에 관한 정보 등을 포함할 수 있다. 또한, 이식 평가 정보는 이식 치료 전 평가 정보로, 환자의 자가조혈모세포이식(ASCT) 직전 사용된 항암제에 관한 정보와 치료 전 수행된 검사의 결과에 관한 정보 등을 포함할 수 있다. 또한, 이식 치료 정보는 이식치료를 위한 치료 정보로, 환자의 자가이식치료를 위해 투여된 약물에 관한 정보와 자가이식치료 당시 수행된 검사의 결과에 관한 정보 등을 포함할 수 있다. 다만, 의료 정보는 환자와 관계된 정보에 해당되면, 이에 한정되는 것은 아니다.
일 실시예에 따라 예측 인자 결정부(220)는 의료 정보 중에서 예측 모델에 입력될 복수의 예측 인자를 결정할 수 있다. 일 예로, 예측 인자 결정부(220)는 자가조혈모세포이식 환자의 특성 및 질환의 특성 중 적어도 하나에 기초하여 의료 정보 중에서 예측 결과 정보와 통계적으로 유의미한 정보로 설정된 정보를 복수의 예측 인자로 결정할 수 있다. 예를 들어, 예측 인자 결정부(220)는 의료 정보로부터 특정 약물의 용량에 따른 예후에 영향을 끼치는 예측 인자를 결정하기 위해 데이터 분석 알고리즘을 이용할 수 있다. 여기서 데이터 분석 알고리즘은 통계적 분석 방법과 인공지능 분석 방법일 수 있다. 이에 따라, 예측 인자 결정부(220)는 데이터 분석 알고리즘을 이용하여 의료 정보 중에서 자가조혈모세포이식 환자의 환자 관련 요인 또는 다발골수종 관련 요인에 해당되는 정보를 유의미한 정보로 설정하여 복수의 예측 인자로 결정할 수 있다. 다른 예를 들어, 예측 인자 결정부(220)는 실험 또는 통계적으로 약물의 용량에 따른 예후를 산출한 결과와 의료 정보에 포함되는 각각의 정보를 1:N으로 연계시켜 예측 인자를 결정할 수도 있다.
다른 예를 들어, 예측 인자 결정부(220)는 예측 모델이 예측하려는 예측 결과 정보에 기초하여 각각의 예측 모델에 입력되는 복수의 예측 인자를 서로 다른 정보로 결정할 수 있다. 또한, 예측 인자 결정부(220)는 예측 모델의 예측 결과 정보에 따라 예측 인자를 교체하거나 추가할 수 있다. 구체적으로, 예측 인자 결정부(220)는 예측 모델의 예측 결과 정보를 도출하는데 통계적으로 관련이 큰 인자를 예측 인자로 결정할 수 있다. 이에 따라, 예측 모델의 예측 결과 정보가 다르면 입력되는 복수의 예측 인자는 서로 다른 정보로 결정되어야 하고, 실제 다발골수종 환자의 데이터 코호트에 기초한 예측 결과 정보에 따라 예측 인자를 교체하거나 추가할 수 있다.
일 실시예에 따라 모델 생성부(230)는 예측 인자를 기반으로 머신러닝 알고리즘(Machine learning algorithm)을 이용하여 특정 약물의 용량에 따른 예후를 예측하는 예측 모델을 생성할 수 있다. 일 예로, 모델 생성부(230)는 전체생존기간 예측 모델, 무진행생존기간 예측 모델 및 의료비용 예측 모델 중 적어도 하나의 예측 모델로 이루어지는 예측 모델을 생성할 수 있다. 예를 들어, 모델 생성부(230)는 다발골수종 환자의 데이터 코호트에서 확보된 유효성 평가 지표들을 예측하기 위한 예측 모델을 생성할 수 있다. 구체적으로, 전체생존기간 예측 모델은 객체의 자가조혈모세포이식 후 생존 여부, 생존기간을 유효성 평가 지표로 하는 예측 모델일 수 있다. 또한, 무진행생존기간 예측 모델은 객체의 자가조혈모세포이식 후 무진행 생존 여부, 무진행 생존기간을 유효성 평가 지표로 하는 예측 모델일 수 있다. 또한, 의료비용 예측 모델은 객체의 자가조혈모세포이식 후 특정 기간까지의 단위시간 별 발생 의료 비용을 유효성 평가 지표로 하는 예측 모델일 수 있다.
다른 일 예로, 모델 생성부(230)는 예측 인자에 포함된 정보에 대하여 의사결정트리(decision tree)를 적용하거나, 섀플리 값(Shapley value)를 이용하여 가중치가 부가된 머신러닝 알고리즘을 기반으로 예측 모델을 생성할 수 있다. 예를 들어, 모델 생성부(230)는 예측 인자에 포함된 정보에 대하여 예측 결과 정보를 연결시켜 의사결정트리를 적용한 머신러닝 알고리즘을 기반으로 예측 모델을 생성할 수 있다. 구체적으로 모델 생성부(230)는 목적 함수를 최적화하는 예측 인자와 그 예측 인자의 분리 기준을 결정하여 의사결정트리를 생성하는 방식으로 분류(Classification)와 예측(Prediction)을 수행하는 예측 모델을 생성할 수 있다. 다른 예를 들어, 모델 생성부(230)는 SHAP(SHapley Additive exPlanations)에 의해 계산된 섀플리 값을 이용하여 각각의 정보에 가중치가 부가된 머신러닝 알고리즘을 기반으로 예측 모델을 생성할 수 있다. 구체적으로, 모델 생성부(230)는 SHAP를 이용하여 예측 모델의 입력으로 사용되는 예측 인자에 포함된 정보의 각 인스턴스의 입력 특징값에 대한 섀플리 값을 계산할 수 있다. 여기서, 섀플리 값은 서로 다른 조합에서 계산된 예측에 대한 특성의 평균 기여 값일 수 있다. 다만, 이는 예측 모델의 일 예로, 공지된 다양한 머신러닝 알고리즘에 해당되면 이에 한정되지는 않는다.
일 실시예에 따라 결과 제공부(240)는 예측 모델을 이용하여 산출된 환자의 예후 정보에 따라, 사용자가 특정 약물의 용량을 선별하도록 예측 결과 정보를 제공할 수 있다. 일 예로, 결과 제공부(240)는 각각의 예측 모델을 이용하여 산출된 자가조혈모세포이식 환자의 예후 정보에 따라 특정 약물의 용량에 따른 예측 결과 정보를 제공할 수 있다. 여기서 특정 약물은 멜팔란일 수 있으나, 이에 한정되지는 않는다. 예를 들어, 결과 제공부(240)는 예측 모델이 전체생존기간 예측 모델이면, 자가조혈모세포이식 환자의 생존 여부 및 생존 기간을 특정 약물의 용량 별로 예측하여 예측 결과 정보로 제공할 수 있다. 또한, 결과 제공부(240)는 예측 모델이 무진행생존기간 예측 모델이면, 자가조혈모세포이식 환자의 무진행 생존 여부 및 무진행 생존 기간을 특정 약물의 용량 별로 예측하여 예측 결과 정보로 제공할 수 있다. 또한, 결과 제공부(240)는 예측 모델이 의료비용 예측 모델이면, 자가조혈모세포이식 환자의 특정 기간 동안 발생된 의료 비용을 특정 약물의 용량 별로 예측하여 예측 결과 정보로 제공할 수 있다. 이에 따라, 사용자는 제공된 예측 결과 정보를 활용하여 환자의 최적 치료를 위한 특정 약물의 용량을 선별할 수 있다.
도 3은 본 개시의 일 실시예에 따른 예후 예측 장치의 예측 결과 정보를 제공하는 동작을 설명하기 위한 흐름도이다.
도 3을 참조하면, 본 개시의 일 실시예에 따른 예후 예측 장치의 정보 획득부(210)는 자가조혈모세포이식 환자의 진단 정보, 이식 평가 정보 및 이식 치료 정보를 포함하는 의료 정보를 획득 획득할 수 있다(S310). 예를 들어, 정보 획득부(210)는 진단 시 환자의 성별, 국제 병기 분류(International Staging System, ISS) 단계, 고혈압(hypertension), 당뇨(diabetes), MM의 heavy chain 종류, MM의 light chain 종류, 면역글로불린(immunoglobulin) G 수치, 면역글로불린 A 수치, 면역글로불린 M 수치, 면역글로불린 D 수치, M-peak(M 단백) 수치, 24시간 urine의 protein 수치, 24시간 urine의 M-peak 수치, Serum Kappa의 절대값 수치, Serum Lambda의 절대값 수치, Serum B2-microgloubulin 수치, Bone lesion 골병변, Plasmacytoma, 골수검사 bone marrow plasma cells 수치, 세포유전검사 Cytogenetics 결과값, Fish RB1 abnormal signal containing cells %, Fish CCND1 abnormal signal containing cells %, Fish TP53 abnormal signal containing cells %, Fish FGFR3 abnormal signal containing cells %, Fish MAF abnormal signal containing cells %, Fish MAFB abnormal signal containing cells %, Fish 1q21 abnormal signal containing cells %, 절대호중구(ANC) 수치, 절대림프구(ALC) 수치, 헤모글로빈(hemoglobin) 수치, 백혈구(Platelet) 수치, 칼슘(Calcium) 수치, CRP(C-reactive protein) 수치, 크레아티닌,요소(Creatinine) 수치, 총 단백질(Total Protein) 수치, 알부민(Albumin) 수치, 젖산탈수소효소(Lactate dehydrogenase,LDH)수치 등에 관한 정보를 진단 정보로 획득할 수 있다.
다른 예를 들어, 정보 획득부(210)는 환자의 자가이식 치료 전, 자가조혈모세포이식(ASCT) 직전 line에 해당하는 항암제 중 bortezomiib, Thalidomide, Carfilazomib, Lenalidomide 사용, 반응평가(Best Response), stem cell cllection을 위해 Cyclophosphamide 투여, stem cell cllection을 위해 VP-16 (etoposide) 투여, stem cell cllection을 위해 Mozobil 투여, 운동수행능력(ECOG) 3점이상 여부, 1초 노력성 호기량(FEV1) 수치 %, 폐전체값의 폐포용적 확산계수(DLCO/VA) 수치 %, 칼슘(Calcium) 수치, 젖산탈수소효소(Lactate dehydrogenase, LDH) 수치 등에 관한 정보를 이식 평가 정보로 획득할 수 있다.
또 다른 예를 들어, 정보 획득부(210)는 환자의 이식 당시 키, 이식 당시 몸무게, 이식 당시 BSA, 이식을 위해 투여된 항암제 종류, 이식을 위해 투여된 멜팔란의 의도용량, 이식을 위해 투여된 멜팔란의 실제투여량, 주입된 CD34 세포의 양, 유지치료 여부 등에 관한 정보를 이식 치료 정보로 획득할 수 있다.
일 실시예에 따른 예후 예측 장치의 예측 인자 결정부(220)는 의료 정보 중에서 예측 모델에 입력될 복수의 예측 인자를 결정할 수 있다(S320). 일 예로, 예측 인자 결정부(220)는 자가조혈모세포이식 환자의 특성 및 질환의 특성 중 적어도 하나에 기초하여 의료 정보 중에서 예측 결과 정보와 통계적으로 유의미한 정보로 설정된 정보를 복수의 예측 인자로 결정할 수 있다. 예를 들어, 예측 인자 결정부(220)는 의료 정보로부터 특정 약물의 용량에 따른 예후에 영향을 끼치는 예측 인자를 결정하기 위해 다양한 통계적 분석 방법을 이용할 수 있다. 구체적인 예를 들면, 예측 인자 결정부(220)는 통계적 분석 방법을 이용하여 환자의 의료 정보 중에서 예측 결과 정보에 대한 예측 인자를 도출하기 위한 기준값으로 유의미한 정보를 설정할 수 있다. 기준값은 회귀 계수, p-value 등 통계적 분석 방법에 따라 다른 값일 수 있다. 여기서, 통계적 분석 방법은 Logistic Regression, Support Vector Machine, Naive Bayes Classifier, Linear Regression, LASSO(Least Absolute Shrinkage and Selection Operator), PLS(Partial Least Squares) Regression, Poisson Regression, Negative Binomial Model, Zero Inflated Poisson Model, K-Means, Partitioning Around Medoids 등과 같은 다양한 통계적 학습 기법, FDR(False Discovery Rate) 등과 같은 다양한 통계적 가설 검증(Statistical testing) 기법 등일 수 있다. 다만, 이는 통계적 분석 방법의 일 예로, 공지된 다양한 통계적 분석 방법에 해당되면 이에 한정되지는 않는다.
다른 예를 들어, 예측 인자 결정부(220)는 의료 정보로부터 특정 약물의 용량에 따른 예후에 영향을 끼치는 예측 인자를 결정하기 위해 다양한 인공지능 분석 방법을 이용할 수 있다. 구체적인 예를 들면, 예측 인자 결정부(220)는 환자의 의료 정보를 인공지능 분석 방법에 의해 예측 인자 별 중요도를 추출하여 예측 인자를 결정할 수 있다. 또한, 예측 인자 결정부(220)는 환자의 의료 정보를 입력하여 인공지능 분석 방법으로 예측한 예측 결과 중 가장 높은 정확도를 나타내는 정보를 예측 모델에 입력될 예측 인자로 결정할 수 있다. 여기서, 인공지능 분석 방법은 빅데이터 기반의 머신러닝 알고리즘 또는 인공신경망 기반의 딥러닝 알고리즘 등일 수 있으나, 공지된 다양한 인공지능 분석 방법에 해당되면 이에 한정되지는 않는다.
일 실시예에 따른 예후 예측 장치의 모델 생성부(230)는 특정 약물의 용량에 따른 전체생존기간을 예측하는 전체생존기간 예측 모델을 생성할 수 있다(S330). 일 예로, 모델 생성부(230)는 결정된 예측 인자를 기반으로 머신러닝 알고리즘을 이용하여 특정 약물의 용량에 따른 전체생존기간을 예측하는 예측 모델을 생성할 수 있다. 예를 들어, 모델 생성부(230)는 자가조혈모세포이식치료를 받는 다발골수종 환자의 예측 인자를 빅데이터 기반의 머신러닝 알고리즘을 이용하여 투여되는 고용량 멜팔란의 용량에 따른 전체생존기간을 예측하는 예측 모델을 생성할 수 있다.
일 실시예에 따른 예후 예측 장치의 모델 생성부(230)는 특정 약물의 용량에 따른 무진행생존기간을 예측하는 무진행생존기간 예측 모델을 생성할 수 있다(S340). 일 예로, 모델 생성부(230)는 결정된 예측 인자를 기반으로 머신러닝 알고리즘을 이용하여 특정 약물의 용량에 따른 무진행생존기간을 예측하는 예측 모델을 생성할 수 있다. 예를 들어, 모델 생성부(230)는 자가조혈모세포이식치료를 받는 다발골수종 환자의 예측 인자를 빅데이터 기반의 머신러닝 알고리즘을 이용하여 투여되는 고용량 멜팔란의 용량에 따른 무진행생존기간을 예측하는 예측 모델을 생성할 수 있다.
일 실시예에 따른 예후 예측 장치의 모델 생성부(230)는 특정 약물의 용량에 따른 의료 비용을 예측하는 의료비용 예측 모델을 생성할 수 있다(S350). 일 예로, 모델 생성부(230)는 결정된 예측 인자를 기반으로 머신러닝 알고리즘을 이용하여 특정 약물의 용량에 따른 의료비용(medical cost)을 예측하는 예측 모델을 생성할 수 있다. 예를 들어, 모델 생성부(230)는 자가조혈모세포이식치료를 받는 다발골수종 환자의 예측 인자를 빅데이터 기반의 머신러닝 알고리즘을 이용하여 투여되는 고용량 멜팔란의 용량에 따른 의료비용을 예측하는 예측 모델을 생성할 수 있다.
즉, 일 실시예에 따른 예후 예측 장치의 모델 생성부(230)는 후향적 다발골수종 환자의 데이터 코호트를 바탕으로 서로 다른 정보로 결정된 복수의 예측 인자를 입력하는 각각의 예측 모델을 생성할 수 있다. 예를 들어, 모델 생성부(230)는 예측 인자에 포함된 정보에 대하여 의사결정트리(decision tree)를 적용하거나, 섀플리 값(Shapley value)를 이용하여 가중치가 부가된 머신러닝 알고리즘을 기반으로 각각의 예측 모델을 생성할 수 있다. 다만, 머신러닝 알고리즘은 다층의 네트워크로 이루어진 심층 신경망(deep neural network)에서 다량의 데이터를 학습시킴으로써 입력값에 대한 특성(feature)을 자동으로 학습하고, 이를 통해 목적 함수, 즉 예측 정확도의 에러를 최소화하도록 네트워크를 학습시켜 나아가는 형태일 수 있다. 예를 들어, CNN(Convolutional Neural Network), DHN(Deep Hierachical Network), CDBN(Convolutional Deep Belief Network), DDN(Deconvolutional Deep Network), RNN(Recurrent Neural Network), GAN(Generative Adversarial Network), XGBoost, random forest, SVM(Support Vector Machine, SVM) 및 KNN(k-Nearest Neighbors) 알고리즘 등일 수 있으며, 본 개시는 이에 제한되지 않고 현재 또는 장래에 사용될 수 있는 다양한 머신러닝 알고리즘일 수 있다.
일 실시예에 따른 예후 예측 장치의 결과 제공부(240)는 특정 약물의 용량을 선별하도록 예측 결과 정보를 제공할 수 있다(S360). 일 예로, 결과 제공부(240)는 각각의 예측 모델로부터 특정 약물의 용량에 따른 전체생존기간, 무진행생존기간, 의료비용을 예측한 예측 결과 정보를 제공할 수 있다. 또는 결과 제공부(240)는 예측 결과 정보에 기초하여 환자에게 가장 적합한 특정 약물의 최적 용량을 결정하여 제공할 수 있다.
도 4는 본 개시의 일 실시예에 따른 예후 예측 장치에서 결정된 예측 인자에 따라 데이터를 입력하는 예시를 도시한 화면이다.
도 4를 참조하면, 본 개시의 일 실시예에 따른 예후 예측 장치(100)에서 결정된 예측 인자에 따라 예측 모델에 입력될 환자의 의료 정보를 획득할 수 있다. 일 예로, 예후 예측 장치(100)는 예측 인자 결정부(220)에 의해 결정된 예측 인자에 대한 의료 정보를 사용자가 직접 입력할 수 있다. 또는, 예후 예측 장치(100)는 예측 인자 결정부(220)에 의해 결정된 예측 인자에 대한 의료 정보를 서버(110)으로부터 수신할 수 있다. 예를 들면, 결정된 예측 인자는 나이, 성별, 심박수, 진단시 체온, 진단시 기저질환(호흡곤란, 심장질환, 신장질환, 치매) 여부, 진단시 혈색소, 진단시 림프구, 진단시 혈소판 등에 관한 정보일 수 있다. 다만, 이는 예측 인자의 일 예로, 이에 한정되지는 않는다. 다른 예를 들어, 예측 인자는 예측 모델의 종류에 따라 예측 인자를 서로 다른 정보일 수 있다. 또한, 예측 인자는 예측 결과 정보에 따라 교체되거나 추가하도록 일정 주기로 갱신될 수 있다.
도 5는 본 개시의 일 실시예에 따른 예후 예측 장치에서 예측 결과 정보를 제공하는 예시를 도시한 화면이다.
도 5를 참조하면, 본 개시의 일 실시예에 따른 예후 예측 장치(100)에서 사용자가 특정 약물의 용량을 선별하도록 예측 결과 정보를 제공할 수 있다. 일 예로, 결과 제공부(240)는 예측 모델을 이용하여 예측한 특정 약물의 용량 별 예측 결과 정보를 제공할 수 있다. 예를 들어, 결과 제공부(240)는 전체생존기간 예측 모델을 이용하여 멜팔란의 용량 별 전체생존률을 예측한 예측 결과 정보를 제공할 수 있다. 여기서 전체생존률은 자가조혈모세포이식치료를 받은 다발골수종 환자가 5년 이상 생존하는 비율을 퍼센트(%)로 계산될 수 있다. 또한, 결과 제공부(240)는 무진행생존기간 예측 모델을 이용하여 멜팔란의 용량 별 무진행생존률을 예측한 예측 결과 정보를 제공할 수 있다. 여기서 무진행생존률은 자가조혈모세포이식치료를 받은 다발골수종 환자가 2년 이상 질병이 진행되지 않는 상태인 비율을 퍼센트(%)로 계산될 수 있다. 또한, 결과 제공부(240)는 의료비용 예측 모델을 이용하여 멜팔란의 용량 별 의료비용을 예측한 예측 결과 정보를 제공할 수 있다. 여기서 의료비용은 자가조혈모세포이식치료를 받은 다발골수종 환자가 5년동안 발생된 총 의료비용으로 계산될 수 있다. 다만, 도 5에서 제시한 표 형태는 예측 결과 정보의 일 예로, 사용자가 용량 별로 각각의 데이터를 확인할 수 있는 형태이면 이에 한정되지는 않는다.
다른 일 예로, 결과 제공부(240)는 각각의 예측 모델에서 예측되는 예측 결과 정보를 멜팔란의 용량 별로 통합하여 제공할 수 있다. 따라서, 사용자는 결과 제공부(240)에서 제공하는 통합된 예측 결과 정보를 활용하여 환자에게 가장 적합한 특정 약물의 최적 용량을 결정할 수 있다. 또는, 결과 제공부(240)는 복수의 예측 모델 중에서 가장 적합한 특정 약물의 용량을 결정하여 제공할 수 있다. 이 경우에는 각각의 예측 모델에서 예측되는 유효성 평가 지표에 대한 가치 판단을 통해 최적 용량을 결정하여 제공할 수 있다.
이하에서는 도 1 내지 도5를 참조하여 설명한 예후 예측 장치가 수행할 수 있는 예후 예측 방법에 대해서 설명한다. 단, 아래에서는 도 1 내지 도 5에서 설명한 일부 실시예 또는 일부 동작에 대한 상세한 설명을 생략할 수 있으나, 이는 설명의 중복을 방지하기 위한 것일 뿐이므로 예후 예측 방법은 전술한 예후 예측 장치를 동일하게 제공할 수 있다.
도 6은 본 개시의 일 실시예에 따른 예후 예측 방법의 흐름도이다.
도 6을 참조하면, 본 개시의 일 실시예에 따른 예후 예측 방법은 환자의 의료기록데이터를 기초로 각종 의료 정보를 획득하는 정보 획득 단계를 포함할 수 있다(S610). 일 예로, 예후 예측 장치는 자가조혈모세포이식 환자의 진단 정보, 이식 평가 정보 및 이식 치료 정보를 포함하는 의료 정보를 획득할 수 있다. 예를 들어, 예후 예측 장치는 다발골수종 진단 시 환자의 인적 특성에 관한 정보와 진단을 위해 수행된 검사의 결과에 관한 정보 등을 진단 정보로 획득할 수 있다. 또한, 예후 예측 장치는 환자의 자가조혈모세포이식(ASCT) 직전 사용된 항암제에 관한 정보와 치료 전 수행된 검사의 결과에 관한 정보 등을 이식치료 전 이식 평가 정보로 획득할 수 있다. 또한, 예후 예측 장치는 환자의 자가이식치료를 위해 투여된 약물에 관한 정보와 자가이식치료 당시 수행된 검사의 결과에 관한 정보 등을 이식치료를 위한 이식 치료 정보로 획득할 수 있다. 다만, 의료 정보는 환자와 관계된 정보에 해당되면, 이에 한정되는 것은 아니다.
일 실시예에 따른 예후 예측 방법은 의료 정보 중에서 예측 모델에 입력될 복수의 예측 인자를 결정하는 예측 인자 결정 단계를 포함할 수 있다(S620). 일 예로, 예후 예측 장치는 자가조혈모세포이식 환자의 특성 및 질환의 특성 중 적어도 하나에 기초하여 의료 정보 중에서 예측 결과 정보와 통계적으로 유의미한 정보로 설정된 정보를 복수의 예측 인자로 결정할 수 있다. 예를 들어, 예후 예측 장치는 의료 정보로부터 특정 약물의 용량에 따른 예후에 영향을 끼치는 예측 인자를 결정하기 위해 데이터 분석 알고리즘을 이용할 수 있다. 여기서, 데이터 분석 알고리즘은 통계적 분석 방법과 인공지능 분석 방법일 수 있다. 이에 따라, 예후 예측 장치는 데이터 분석 알고리즘을 이용하여 의료 정보 중에서 자가조혈모세포이식 환자의 환자 관련 요인 또는 다발골수종 관련 요인에 해당되는 정보를 유의미한 정보로 설정하여 복수의 예측 인자로 결정할 수 있다. 다른 예를 들어, 예후 예측 장치는 실험 또는 통계적으로 약물의 용량에 따른 예후를 산출한 결과와 의료 정보에 포함되는 각각의 정보를 1:N으로 연계시켜 예측 인자를 결정할 수도 있다.
다른 일 예로, 예후 예측 장치는 예측 모델이 예측하려는 예측 결과 정보에 기초하여 각각의 예측 모델에 입력되는 복수의 예측 인자를 서로 다른 정보로 결정할 수 있다. 또한, 예후 예측 장치는 예측 모델의 예측 결과 정보에 따라 예측 인자를 교체하거나 추가할 수 있다. 예를 들어, 예후 예측 장치는 예측 모델의 예측 결과 정보를 도출하는데 통계적으로 관련이 큰 인자를 예측 인자로 결정할 수 있다. 따라서, 예측 모델의 예측 결과 정보가 다르게 되면, 입력되는 복수의 예측 인자는 서로 다른 정보로 결정되어야 하며, 실제 환자의 데이터 코호트에 기초한 예측 결과 정보에 따라 예측 인자를 교체하거나 추가할 수 있다.
일 실시예에 따른 예후 예측 방법은 특정 약물의 용량에 따른 예후를 예측하는 예측 모델을 생성하는 모델 생성 단계를 포함할 수 있다(S630). 일 예로, 예후 예측 장치는 예측 인자를 기반으로 머신러닝 알고리즘(Machine learning algorithm)을 이용하여 특정 약물의 용량에 따른 예후를 예측하는 예측 모델을 생성할 수 있다. 또한, 예후 예측 장치는 전체생존기간 예측 모델, 무진행생존기간 예측 모델 및 의료비용 예측 모델 중 적어도 하나의 예측 모델로 이루어지는 예측 모델을 생성할 수 있다. 예를 들어, 예후 예측 장치는 다발골수종 환자의 데이터 코호트에서 확보된 유효성 평가 지표들을 예측하기 위한 예측 모델을 생성할 수 있다. 구체적으로, 전체생존기간 예측 모델은 객체의 자가조혈모세포이식 후 생존 여부, 생존기간을 유효성 평가 지표로 하는 예측 모델일 수 있다. 또한, 무진행생존기간 예측 모델은 객체의 자가조혈모세포이식 후 무진행 생존 여부, 무진행 생존기간을 유효성 평가 지표로 하는 예측 모델일 수 있다. 또한, 의료비용 예측 모델은 객체의 자가조혈모세포이식 후 특정 기간까지의 단위시간 별 발생 의료 비용을 유효성 평가 지표로 하는 예측 모델일 수 있다.
다른 일 예로, 예후 예측 장치는 예측 인자에 포함된 정보에 대하여 의사결정트리(decision tree)를 적용하거나, 섀플리 값(Shapley value)를 이용하여 가중치가 부가된 머신러닝 알고리즘을 기반으로 예측 모델을 생성할 수 있다. 예를 들어, 예후 예측 장치는 예측 인자에 포함된 정보에 대하여 예측 결과 정보를 연결시켜 의사결정트리를 적용한 머신러닝 알고리즘을 기반으로 예측 모델을 생성할 수 있다. 구체적으로 예후 예측 장치는 목적 함수를 최적화하는 예측 인자와 그 예측 인자의 분리 기준을 결정하여 의사결정트리를 생성하는 방식으로 분류와 예측을 수행하는 예측 모델을 생성할 수 있다. 다른 예를 들어, 예후 예측 장치는 SHAP에 의해 계산된 섀플리 값을 이용하여 각각의 정보에 가중치가 부가된 머신러닝 알고리즘을 기반으로 예측 모델을 생성할 수 있다. 구체적으로, 예후 예측 장치는 SHAP를 이용하여 예측 모델의 입력으로 사용되는 예측 인자에 포함된 정보의 각 인스턴스의 입력 특징값에 대한 섀플리 값을 계산할 수 있다. 여기서, 섀플리 값은 서로 다른 조합에서 계산된 예측에 대한 특성의 평균 기여 값일 수 있다.
일 실시예에 따른 예후 예측 방법은 사용자가 특정 약물의 용량을 선별하도록 예측 결과 정보를 제공하는 결과 제공 단계를 포함할 수 있다(S640). 일 예로, 예후 예측 장치는 예측 모델을 이용하여 산출된 환자의 예후 정보에 따라, 사용자가 특정 약물의 용량을 선별하도록 예측 결과 정보를 제공할 수 있다. 여기서 특정 약물은 멜팔란일 수 있으나, 이에 한정되지는 않는다. 예를 들어, 예후 예측 장치는 예측 모델이 전체생존기간 예측 모델이면, 자가조혈모세포이식 환자의 생존 여부 및 생존 기간을 특정 약물의 용량 별로 예측하여 예측 결과 정보로 제공할 수 있다. 또한, 예후 예측 장치는 예측 모델이 무진행생존기간 예측 모델이면, 자가조혈모세포이식 환자의 무진행 생존 여부 및 무진행 생존 기간을 특정 약물의 용량 별로 예측하여 예측 결과 정보로 제공할 수 있다. 또한, 예후 예측 장치는 예측 모델이 의료비용 예측 모델이면, 자가조혈모세포이식 환자의 특정 기간 동안 발생된 의료 비용을 특정 약물의 용량 별로 예측하여 예측 결과 정보로 제공할 수 있다.
이하에서는 도 7을 참조하여 전술한 예후 예측 방법을 실행시키기 위한 프로그램을 기록한 기록매체에 포함되는 기능에 대해서 설명한다. 단, 아래에서는 도 1 내지 도 5에서 설명한 일부 실시예 또는 일부 동작에 대한 상세한 설명을 생략할 수 있으나, 이는 설명의 중복을 방지하기 위한 것일 뿐이므로 전술한 예후 예측 방법에 대응되는 모든 기능을 실행할 수 있다.
도 7은 본 개시의 일 실시예에 따른 기록매체의 구성을 개념적으로 도시한 도면이다.
일 실시예에 따른 예후 예측 방법을 실행시키기 위한 프로그램을 기록한 기록매체(700)는 자가조혈모세포이식(autologous stem cell transplantation, ASCT) 환자의 진단 정보, 이식 평가 정보 및 이식 치료 정보를 포함하는 의료 정보를 획득하는 정보 획득 기능(710), 의료 정보 중에서 예측 모델에 입력될 복수의 예측 인자를 결정하는 예측 인자 결정 기능(720), 예측 인자를 기반으로 머신러닝 알고리즘(Machine learning algorithm)을 이용하여 특정 약물의 용량에 따른 예후를 예측하는 예측 모델을 생성하는 모델 생성 기능(730) 및 예측 모델을 이용하여 산출된 자가조혈모세포이식 환자의 예후 정보에 따라, 사용자가 특정 약물의 용량을 선별하도록 예측 결과 정보를 제공하는 결과 제공 기능(740)을 포함할 수 있다.
일 예에 따라, 정보 획득 기능(710)은 자가조혈모세포이식 환자의 진단 정보, 이식 평가 정보 및 이식 치료 정보를 포함하는 의료 정보를 획득할 수 있다. 예를 들어, 정보 획득 기능(710)은 다발골수종 진단 시 환자의 인적 특성에 관한 정보와 진단을 위해 수행된 검사의 결과에 관한 정보 등을 진단 정보로 획득할 수 있다. 또한, 정보 획득 기능(710)은 환자의 자가조혈모세포이식(ASCT) 직전 사용된 항암제에 관한 정보와 치료 전 수행된 검사의 결과에 관한 정보 등을 이식치료 전 이식 평가 정보로 획득할 수 있다. 또한, 정보 획득 기능(710)은 환자의 자가이식치료를 위해 투여된 약물에 관한 정보와 자가이식치료 당시 수행된 검사의 결과에 관한 정보 등을 이식치료를 위한 이식 치료 정보로 획득할 수 있다.
일 예에 따라, 예측 인자 결정 기능(720)은 의료 정보 중에서 예측 모델에 입력될 복수의 예측 인자를 결정할 수 있다. 예를 들어, 예측 인자 결정 기능(720)은 자가조혈모세포이식 환자의 특성 및 질환의 특성 중 적어도 하나에 기초하여 의료 정보 중에서 예측 결과 정보와 통계적으로 유의미한 정보로 설정된 정보를 복수의 예측 인자로 결정할 수 있다. 다른 예를 들어, 예측 인자 결정 기능(720)은 예측 모델이 예측하려는 예측 결과 정보에 기초하여 각각의 예측 모델에 입력되는 복수의 예측 인자를 서로 다른 정보로 결정할 수 있다. 또한, 예측 인자 결정 기능(720)은 예측 모델의 예측 결과 정보에 따라 예측 인자를 교체하거나 추가할 수 있다.
일 예에 따라, 모델 생성 기능(730)은 예측 인자를 기반으로 머신러닝 알고리즘(Machine learning algorithm)을 이용하여 특정 약물의 용량에 따른 예후를 예측하는 예측 모델을 생성할 수 있다. 또한, 모델 생성 기능(730)은 전체생존기간 예측 모델, 무진행생존기간 예측 모델 및 의료비용 예측 모델 중 적어도 하나의 예측 모델로 이루어지는 예측 모델을 생성할 수 있다. 예를 들어, 모델 생성 기능(730)은 예측 인자에 포함된 정보에 대하여 의사결정트리(decision tree)를 적용하거나, 섀플리 값(Shapley value)를 이용하여 가중치가 부가된 머신러닝 알고리즘을 기반으로 예측 모델을 생성할 수 있다.
일 예에 따라, 결과 제공 기능(740)은 예측 모델을 이용하여 산출된 자가조혈모세포이식 환자의 예후 정보에 따라, 사용자가 특정 약물의 용량을 선별하도록 예측 결과 정보를 제공할 수 있다. 예를 들어, 결과 제공 기능(740)은 예측 모델이 전체생존기간 예측 모델이면, 자가조혈모세포이식 환자의 생존 여부 및 생존 기간을 특정 약물의 용량 별로 예측하여 예측 결과 정보로 제공할 수 있다. 또한, 결과 제공 기능(740)은 예측 모델이 무진행생존기간 예측 모델이면, 자가조혈모세포이식 환자의 무진행 생존 여부 및 무진행 생존 기간을 특정 약물의 용량 별로 예측하여 예측 결과 정보로 제공할 수 있다. 또한, 결과 제공 기능(740)은 예측 모델이 의료비용 예측 모델이면, 자가조혈모세포이식 환자의 특정 기간 동안 발생된 의료 비용을 특정 약물의 용량 별로 예측하여 예측 결과 정보로 제공할 수 있다.
전술한 본 개시의 실시예에 따른 예후 예측 방법은 예후 예측 장치(100)에 기본적으로 설치되거나 사용자에 의해 직접 설치된 애플리케이션(즉, 프로그램)으로 구현되고, 예후 예측 장치(100) 등의 컴퓨터로 읽을 수 있는 기록매체에 기록될 수 있다.
본 개시의 실시예에 따른 예후 예측 방법을 구현한 프로그램은, 정보 획득 기능, 예측 인자 결정 기능, 모델 생성 기능, 결과 제공 기능 등을 실행한다. 이러한 프로그램은 컴퓨터에 의해 읽힐 수 있는 기록매체에 기록되고 컴퓨터에 의해 실행됨으로써 전술한 기능들이 실행될 수 있다.
이와 같이, 컴퓨터가 기록매체에 기록된 프로그램을 읽어 들여 프로그램으로 구현된 예후 예측 방법을 실행시키기 위하여, 전술한 프로그램은 컴퓨터의 프로세서(CPU)가 읽힐 수 있는 C, C++, JAVA, 기계어 등의 컴퓨터 언어로 코드화된 코드(Code)를 포함할 수 있다.
이러한 코드는 전술한 기능들을 정의한 함수 등과 관련된 기능적인 코드(Function Code)를 포함할 수 있고, 전술한 기능들을 컴퓨터의 프로세서가 소정의 절차대로 실행시키는데 필요한 실행 절차 관련 제어 코드를 포함할 수도 있다.
또한, 이러한 코드는 전술한 기능들을 컴퓨터의 프로세서가 실행시키는데 필요한 추가 정보나 미디어가 컴퓨터의 내부 또는 외부 메모리의 어느 위치(주소 번지)에서 참조 되어야 하는지에 대한 메모리 참조 관련 코드를 더 포함할 수 있다.
또한, 컴퓨터의 프로세서가 전술한 기능들을 실행시키기 위하여 원격(Remote)에 있는 어떠한 다른 컴퓨터나 서버 등과 통신이 필요한 경우, 코드는 컴퓨터의 프로세서가 컴퓨터의 통신 모듈(예: 유선 및/또는 무선 통신 모듈)을 이용하여 원격(Remote)에 있는 어떠한 다른 컴퓨터나 서버 등과 어떻게 통신해야만 하는지, 통신 시 어떠한 정보나 미디어를 송수신해야 하는지 등에 대한 통신 관련 코드를 더 포함할 수도 있다.
그리고, 본 개시를 구현하기 위한 기능적인(Functional) 프로그램과 이와 관련된 코드 및 코드 세그먼트 등은, 기록매체를 읽어서 프로그램을 실행시키는 컴퓨터의 시스템 환경 등을 고려하여, 본 개시가 속하는 기술분야의 프로그래머들에 의해 용이하게 추론되거나 변경될 수도 있다.
또한 전술한 바와 같은 프로그램을 기록한 컴퓨터로 읽힐 수 있는 기록매체는 네트워크로 커넥션된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다. 이 경우, 다수의 분산된 컴퓨터 중 어느 하나 이상의 컴퓨터는 상기에 제시된 기능들 중 일부를 실행하고, 그 결과를 다른 분산된 컴퓨터들 중 하나 이상에 그 실행 결과를 전송할 수 있으며, 그 결과를 전송 받은 컴퓨터 역시 상기에 제시된 기능들 중 일부를 실행하여, 그 결과를 역시 다른 분산된 컴퓨터들에 제공할 수 있다.
이상에서 전술한 바와 같은, 본 개시의 실시예에 따른 예후 예측 방법을 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽힐 수 있는 기록매체는, 일 예로, ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 미디어 저장장치 등이 있다.
또한, 본 개시의 실시예에 따른 예후 예측 방법을 실행시키기 위한 프로그램인 애플리케이션을 기록한 컴퓨터로 읽을 수 있는 기록매체는, 애플리케이션 스토어 서버(Application Store Server), 애플리케이션 또는 해당 서비스와 관련된 웹 서버(Web Server) 등을 포함하는 애플리케이션 제공 서버(Application Provider Server)에 포함된 저장매체(예: 하드디스크 등)이거나, 애플리케이션 제공 서버 그 자체일 수도 있으며, 프로그램을 기록한 다른 컴퓨터 또는 그 저장매체일 수도 있다.
본 개시의 일 실시예에 따른 예후 예측 방법을 실행시키기 위한 프로그램인 애플리케이션을 기록한 기록매체를 읽을 수 있는 컴퓨터는, 일반적인 데스크 탑이나 노트북 등의 일반 PC 뿐만 아니라, 스마트 폰, 태블릿 PC, PDA(Personal Digital Assistants) 및 이동통신 단말기 등의 모바일 단말기를 포함할 수 있으며, 이뿐만 아니라, 컴퓨팅(Computing) 가능한 모든 기기로 해석되어야 할 것이다.
만약, 본 개시의 일 실시예에 따른 예후 예측 방법을 실행시키기 위한 프로그램인 애플리케이션을 기록한 기록매체를 읽을 수 있는 컴퓨터가 스마트 폰, 태블릿 PC, PDA(Personal Digital Assistants) 및 이동통신 단말기 등의 모바일 단말기인 경우, 모바일 단말기는 애플리케이션 스토어 서버, 웹 서버 등을 포함하는 애플리케이션 제공 서버로부터 해당 애플리케이션을 다운로드 받아 설치할 수 있고, 경우에 따라서는, 애플리케이션 제공 서버에서 일반 PC로 다운로드 된 이후, 동기화 프로그램을 통해 모바일 단말기에 설치될 수도 있다.
이상에서, 본 개시의 실시예를 구성하는 모든 구성 요소들이 하나로 결합되거나 결합되어 동작하는 것으로 설명되었다고 해서, 본 개시가 반드시 이러한 실시예에 한정되는 것은 아니다. 즉, 본 개시의 목적 범위 안에서라면, 그 모든 구성 요소들이 하나 이상으로 선택적으로 결합하여 동작할 수도 있다. 또한, 그 모든 구성 요소들이 각각 하나의 독립적인 하드웨어로 구현될 수 있지만, 각 구성 요소들의 그 일부 또는 전부가 선택적으로 조합되어 하나 또는 복수 개의 하드웨어에서 조합된 일부 또는 전부의 기능을 수행하는 프로그램 모듈을 갖는 컴퓨터 프로그램으로서 구현될 수도 있다. 그 컴퓨터 프로그램을 구성하는 코드들 및 코드 세그먼트들은 본 개시의 기술 분야의 당업자에 의해 용이하게 추론될 수 있을 것이다. 이러한 컴퓨터 프로그램은 컴퓨터가 읽을 수 있는 저장매체(Computer Readable Media)에 저장되어 컴퓨터에 의하여 읽혀지고 실행됨으로써, 본 개시의 실시예를 구현할 수 있다. 컴퓨터 프로그램의 저장매체로서는 자기 기록매체, 광 기록매체, 등이 포함될 수 있다.
또한, 이상에서 기재된 "포함하다", "구성하다" 또는 "가지다" 등의 용어는, 특별히 반대되는 기재가 없는 한, 해당 구성 요소가 내재될 수 있음을 의미하는 것이므로, 다른 구성 요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것으로 해석되어야 한다. 기술적이거나 과학적인 용어를 포함한 모든 용어들은, 다르게 정의되지 않는 한, 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 사전에 정의된 용어와 같이 일반적으로 사용되는 용어들은 관련 기술의 문맥 상의 의미와 일치하는 것으로 해석되어야 하며, 본 개시에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이상의 설명은 본 개시의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 개시의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 개시에 개시된 실시예들은 본 개시의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 개시의 기술 사상의 범위가 한정되는 것은 아니다. 본 개시의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 개시의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
CROSS-REFERENCE TO RELATED APPLICATION
본 특허출원은 2021년 08월 20일 한국에 출원한 특허출원번호 제 10-2021-0110005 호에 대해 미국 특허법 119(a)조 (35 U.S.C § 119(a))에 따라 우선권을 주장하며, 그 모든 내용은 참고문헌으로 본 특허출원에 병합된다. 아울러, 본 특허출원은 미국 이외에 국가에 대해서도 위와 동일한 이유로 우선권을 주장하면 그 모든 내용은 참고문헌으로 본 특허출원에 병합된다.
Claims (17)
- 자가조혈모세포이식(autologous stem cell transplantation, ASCT) 환자의 진단 정보, 이식 평가 정보 및 이식 치료 정보를 포함하는 의료 정보를 획득하는 정보 획득부;상기 의료 정보 중에서 예측 모델에 입력될 복수의 예측 인자를 결정하는 예측 인자 결정부;상기 예측 인자를 기반으로 머신러닝 알고리즘(Machine learning algorithm)을 이용하여 특정 약물의 용량에 따른 예후를 예측하는 상기 예측 모델을 생성하는 모델 생성부; 및상기 예측 모델을 이용하여 산출된 상기 자가조혈모세포이식 환자의 예후 정보에 따라, 사용자가 상기 특정 약물의 용량을 선별하도록 예측 결과 정보를 제공하는 결과 제공부;를 포함하는 것을 특징으로 하는 예후 예측 장치.
- 제 1 항에 있어서,상기 예측 모델은,전체생존기간 예측 모델, 무진행생존기간 예측 모델 및 의료비용 예측 모델 중 적어도 하나의 예측 모델로 이루어지는 것을 특징으로 하는 예후 예측 장치.
- 제 1 항에 있어서,상기 예측 인자 결정부는,상기 자가조혈모세포이식 환자의 특성 및 질환의 특성 중 적어도 하나에 기초하여 상기 의료 정보 중에서 상기 예측 결과 정보와 통계적으로 유의미한 정보로 설정된 정보를 상기 복수의 예측 인자로 결정하는 것을 특징으로 하는 예후 예측 장치.
- 제 2 항에 있어서,상기 예측 인자 결정부는,각각의 예측 모델에 입력될 상기 복수의 예측 인자를 서로 다른 정보로 결정하며, 상기 예측 결과 정보에 따라 예측 인자를 교체하거나 추가하는 것을 특징으로 하는 예후 예측 장치.
- 제 1 항에 있어서,상기 모델 생성부는,상기 예측 인자에 포함된 정보에 대하여 의사결정트리(decision tree)를 적용하거나, 섀플리 값(Shapley value)을 이용하여 가중치가 부가된 상기 머신러닝 알고리즘을 기반으로 상기 예측 모델을 생성하는 것을 특징으로 하는 예후 예측 장치.
- 제 2 항에 있어서,상기 결과 제공부는,상기 예측 모델이 상기 전체생존기간 예측 모델이면, 상기 자가조혈모세포이식 환자의 생존 여부 및 생존 기간을 상기 특정 약물의 용량 별로 예측하여 상기 예측 결과 정보로 제공하는 것을 특징으로 하는 예후 예측 장치.
- 제 2 항에 있어서,상기 결과 제공부는,상기 예측 모델이 상기 무진행생존기간 예측 모델이면, 상기 자가조혈모세포이식 환자의 무진행 생존 여부 및 무진행 생존 기간을 상기 특정 약물의 용량 별로 예측하여 상기 예측 결과 정보로 제공하는 것을 특징으로 하는 예후 예측 장치.
- 제 2 항에 있어서,상기 결과 제공부는,상기 예측 모델이 상기 의료비용 예측 모델이면, 상기 자가조혈모세포이식 환자의 특정 기간 동안 발생된 의료 비용을 상기 특정 약물의 용량 별로 예측하여 상기 예측 결과 정보로 제공하는 것을 특징으로 하는 예후 예측 장치.
- 자가조혈모세포이식(autologous stem cell transplantation, ASCT) 환자의 진단 정보, 이식 평가 정보 및 이식 치료 정보를 포함하는 의료 정보를 획득하는 정보 획득 단계;상기 의료 정보 중에서 예측 모델에 입력될 복수의 예측 인자를 결정하는 예측 인자 결정 단계;상기 예측 인자를 기반으로 머신러닝 알고리즘(Machine learning algorithm)을 이용하여 특정 약물의 용량에 따른 예후를 예측하는 상기 예측 모델을 생성하는 모델 생성 단계; 및상기 예측 모델을 이용하여 산출된 상기 자가조혈모세포이식 환자의 예후 정보에 따라, 사용자가 상기 특정 약물의 용량을 선별하도록 예측 결과 정보를 제공하는 결과 제공 단계;를 포함하는 것을 특징으로 하는 예후 예측 방법.
- 제 9 항에 있어서,상기 예측 모델은,전체생존기간 예측 모델, 무진행생존기간 예측 모델 및 의료비용 예측 모델 중 적어도 하나의 예측 모델로 이루어지는 것을 특징으로 하는 예후 예측 방법.
- 제 9 항에 있어서,상기 예측 인자 결정 단계는,상기 자가조혈모세포이식 환자의 특성 및 질환의 특성 중 적어도 하나에 기초하여 상기 의료 정보 중에서 상기 예측 결과 정보와 통계적으로 유의미한 정보로 설정된 정보를 상기 복수의 예측 인자로 결정하는 것을 특징으로 하는 예후 예측 방법.
- 제 10 항에 있어서,상기 예측 인자 결정 단계는,각각의 예측 모델에 입력될 상기 복수의 예측 인자를 서로 다른 정보로 결정하며, 상기 예측 결과 정보에 따라 예측 인자를 교체하거나 추가하는 것을 특징으로 하는 예후 예측 방법.
- 제 9 항에 있어서,상기 모델 생성 단계는,상기 예측 인자에 포함된 정보에 대하여 의사결정트리(decision tree)를 적용하거나, 섀플리 값(Shapley value)를 이용하여 가중치가 부가된 상기 머신러닝 알고리즘을 기반으로 상기 예측 모델을 생성하는 것을 특징으로 하는 예후 예측 방법.
- 제 10 항에 있어서,상기 결과 제공 단계는,상기 예측 모델이 상기 전체생존기간 예측 모델이면, 상기 자가조혈모세포이식 환자의 생존 여부 및 생존 기간을 상기 특정 약물의 용량 별로 예측하여 상기 예측 결과 정보로 제공하는 것을 특징으로 하는 예후 예측 방법.
- 제 10 항에 있어서,상기 결과 제공 단계는,상기 예측 모델이 상기 무진행생존기간 예측 모델이면, 상기 자가조혈모세포이식 환자의 무진행 생존 여부 및 무진행 생존 기간을 상기 특정 약물의 용량 별로 예측하여 상기 예측 결과 정보로 제공하는 것을 특징으로 하는 예후 예측 방법.
- 제 10 항에 있어서,상기 결과 제공 단계는,상기 예측 모델이 상기 의료비용 예측 모델이면, 상기 자가조혈모세포이식 환자의 특정 기간 동안 발생된 의료 비용을 상기 특정 약물의 용량 별로 예측하여 상기 예측 결과 정보로 제공하는 것을 특징으로 하는 예후 예측 방법.
- 예후 예측 방법을 실행시키기 위한 프로그램을 기록한 기록 매체에 있어서,자가조혈모세포이식(autologous stem cell transplantation, ASCT) 환자의 진단 정보, 이식 평가 정보 및 이식 치료 정보를 포함하는 의료 정보를 획득하는 정보 획득 기능;상기 의료 정보 중에서 예측 모델에 입력될 복수의 예측 인자를 결정하는 예측 인자 결정 기능;상기 예측 인자를 기반으로 머신러닝 알고리즘(Machine learning algorithm)을 이용하여 특정 약물의 용량에 따른 예후를 예측하는 상기 예측 모델을 생성하는 모델 생성 기능; 및상기 예측 모델을 이용하여 산출된 상기 자가조혈모세포이식 환자의 예후 정보에 따라, 사용자가 상기 특정 약물의 용량을 선별하도록 예측 결과 정보를 제공하는 결과 제공 기능을 구현하는 프로그램이 기록되고 컴퓨터로 읽을 수 있는 기록매체.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210110005A KR20230027810A (ko) | 2021-08-20 | 2021-08-20 | 예후 예측 장치, 방법 및 기록매체 |
| KR10-2021-0110005 | 2021-08-20 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| WO2023022495A1 true WO2023022495A1 (ko) | 2023-02-23 |
Family
ID=85239597
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| PCT/KR2022/012248 WO2023022495A1 (ko) | 2021-08-20 | 2022-08-17 | 예후 예측 장치, 방법 및 기록매체 |
Country Status (2)
| Country | Link |
|---|---|
| KR (1) | KR20230027810A (ko) |
| WO (1) | WO2023022495A1 (ko) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3782792B2 (ja) * | 1996-02-09 | 2006-06-07 | アデザ・バイオメデイカル・コーポレイシヨン | ニューラルネットワーク関連アプリケーションを使用して医療診断テストおよび生化学診断テストを選択する方法 |
| US20190354814A1 (en) * | 2017-01-08 | 2019-11-21 | Henry M. Jackson Foundation For The Advancement Of Military Medicine | Systems and methods for using supervised learning to predict subject-specific bacteremia outcomes |
| JP2020144471A (ja) * | 2019-03-04 | 2020-09-10 | 学校法人東海大学 | 予後予測システム、予後予測プログラム作成装置、予後予測装置、予後予測方法及び予後予測プログラム |
| JP6863591B2 (ja) * | 2018-01-10 | 2021-04-21 | オムロンヘルスケア株式会社 | リスク分析システム及びリスク分析方法 |
| JP6916107B2 (ja) * | 2014-09-11 | 2021-08-11 | バーグ エルエルシー | 患者データに基づく健康診断および治療のためのベイジアン因果関係ネットワークモデル |
-
2021
- 2021-08-20 KR KR1020210110005A patent/KR20230027810A/ko not_active Application Discontinuation
-
2022
- 2022-08-17 WO PCT/KR2022/012248 patent/WO2023022495A1/ko unknown
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3782792B2 (ja) * | 1996-02-09 | 2006-06-07 | アデザ・バイオメデイカル・コーポレイシヨン | ニューラルネットワーク関連アプリケーションを使用して医療診断テストおよび生化学診断テストを選択する方法 |
| JP6916107B2 (ja) * | 2014-09-11 | 2021-08-11 | バーグ エルエルシー | 患者データに基づく健康診断および治療のためのベイジアン因果関係ネットワークモデル |
| US20190354814A1 (en) * | 2017-01-08 | 2019-11-21 | Henry M. Jackson Foundation For The Advancement Of Military Medicine | Systems and methods for using supervised learning to predict subject-specific bacteremia outcomes |
| JP6863591B2 (ja) * | 2018-01-10 | 2021-04-21 | オムロンヘルスケア株式会社 | リスク分析システム及びリスク分析方法 |
| JP2020144471A (ja) * | 2019-03-04 | 2020-09-10 | 学校法人東海大学 | 予後予測システム、予後予測プログラム作成装置、予後予測装置、予後予測方法及び予後予測プログラム |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20230027810A (ko) | 2023-02-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Birgmeier et al. | AMELIE speeds Mendelian diagnosis by matching patient phenotype and genotype to primary literature | |
| Taylor et al. | Prediction of in‐hospital mortality in emergency department patients with sepsis: a local big data–driven, machine learning approach | |
| Xia et al. | Modeling disease severity in multiple sclerosis using electronic health records | |
| Oleynik et al. | Evaluating shallow and deep learning strategies for the 2018 n2c2 shared task on clinical text classification | |
| Vodovotz et al. | In silico modeling: methods and applications to trauma and sepsis | |
| US11521719B1 (en) | Valence profiling of virtual interactive objects | |
| US11244761B2 (en) | Accelerated clinical biomarker prediction (ACBP) platform | |
| Park et al. | Detecting conversation topics in primary care office visits from transcripts of patient-provider interactions | |
| CN111564223B (zh) | 传染病生存概率的预测方法、预测模型的训练方法及装置 | |
| Guo et al. | The use of synthetic electronic health record data and deep learning to improve timing of high-risk heart failure surgical intervention by predicting proximity to catastrophic decompensation | |
| Hu et al. | Low predictability of readmissions and death using machine learning in cirrhosis | |
| WO2016190495A1 (ko) | 비정형 데이터 기반 룰 관리 방법 및 그 장치 | |
| Ahalt et al. | Data to discovery: Genomes to health | |
| Boncea et al. | Association between intrahospital transfer and hospital-acquired infection in the elderly: a retrospective case–control study in a UK hospital network | |
| AU2020321943A1 (en) | Methods and systems for generating a diagnosis via a digital health application | |
| Adamson et al. | Approach to machine learning for extraction of real-world data variables from electronic health records | |
| Elghamrawy et al. | Genetic‐based adaptive momentum estimation for predicting mortality risk factors for COVID‐19 patients using deep learning | |
| Gökcen et al. | Artificial intelligence–based COVID-19 detection using cough records | |
| KR102613560B1 (ko) | 질병 예측 장치, 방법 및 기록 매체 | |
| Zafar et al. | Lung transplantation advanced prediction tool: determining recipient’s outcome for a certain donor | |
| WO2023022495A1 (ko) | 예후 예측 장치, 방법 및 기록매체 | |
| CN113628751A (zh) | 胃癌预后预测方法、装置及电子设备 | |
| Funkner et al. | Negation Detection for Clinical Text Mining in Russian. | |
| Mastorakos et al. | Probing patient messages enhanced by natural language processing: A top-down message corpus analysis | |
| Özsarı et al. | SLPred: a multi-view subcellular localization prediction tool for multi-location human proteins |
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: 22858732 Country of ref document: EP Kind code of ref document: A1 |
|
| NENP | Non-entry into the national phase |
Ref country code: DE |