WO2023063528A1 - 시간 변동성 기반의 질환 연관성 요인 분석을 통한 질환 발병 정보 생성 장치 및 그 방법 - Google Patents

시간 변동성 기반의 질환 연관성 요인 분석을 통한 질환 발병 정보 생성 장치 및 그 방법 Download PDF

Info

Publication number
WO2023063528A1
WO2023063528A1 PCT/KR2022/009112 KR2022009112W WO2023063528A1 WO 2023063528 A1 WO2023063528 A1 WO 2023063528A1 KR 2022009112 W KR2022009112 W KR 2022009112W WO 2023063528 A1 WO2023063528 A1 WO 2023063528A1
Authority
WO
WIPO (PCT)
Prior art keywords
disease
data
time
analysis
factor
Prior art date
Application number
PCT/KR2022/009112
Other languages
English (en)
French (fr)
Inventor
이솔
김정오
김호
김정은
윤상혁
박승환
권도형
차지희
김나영
Original Assignee
주식회사 바스젠바이오
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 바스젠바이오 filed Critical 주식회사 바스젠바이오
Publication of WO2023063528A1 publication Critical patent/WO2023063528A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G16H50/50—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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Definitions

  • the present invention relates to a disease outbreak information generation technology through time variability-based disease correlation factor analysis, and more specifically, by analyzing examination result data including examination results of a large number of people over time or a plurality of disease-related data At least one disease-related factor is selected, and individual examination result values included in the examination result data of a plurality of persons for the at least one disease-related factor are entered into a group trend model to form a plurality of groups including a plurality of persons.
  • time series characteristic parameterization is performed for each group to calculate the influence on the examination results over time as at least one time series characteristic variable, and at least one time series calculated based on the examination result data for disease-related factors Its purpose is to provide an apparatus and method for generating disease outbreak information through time variability-based disease association factor analysis that calculates the risk of disease occurrence for each group by applying characteristic variables to calculate the risk change and generate outbreak prediction information. .
  • the examination result data including the examination results over time of each individual and multiple disease-related data are analyzed
  • the disease outbreak information generating device through time variability-based disease correlation factor analysis receives examination result data including examination results of a plurality of people over time or a plurality of disease-related data to determine disease correlation a correlation analysis performing unit that performs a plurality of analyzes for selecting factor candidates; a disease-related factor selector selecting at least one disease-related factor according to an overlapping degree among the plurality of disease-related factors selected as disease-related factor candidates for each of the plurality of analyses;
  • a data pre-processing unit for processing data according to pre-set pre-processing criteria targeting disease-related factors requiring secondary processing of data among the examination result data of a plurality of persons for the selected at least one disease-related factor;
  • a plurality of groups are formed by grouping the plurality of persons based on the change in individual checkup result values included in the checkup result data of the plurality of persons for at least one disease-related factor over time using a group trend model a data group classification unit to generate;
  • Time-series characteristic parameterization is performed for each group on the generated examination result data for disease-related factors of a plurality of persons included in the plurality of groups, and the influence on the examination result over time is at least one time-series characteristic variable Time series characteristic parameterization unit that calculates as; Applying the at least one time series characteristic variable calculated for the examination result data for the disease-related factor, and performing COX regression analysis for each group on the examination result data for the disease-related factor of a large number of applied persons Risk calculation unit for calculating the risk of disease occurrence
  • an outbreak prediction information generation unit configured to generate outbreak prediction information by calculating a change in risk using the calculated risk of disease occurrence for each group using a difference value.
  • the correlation analysis performing unit receives examination result data including examination results of a plurality of people over time or a plurality of disease-related data, and analyzes disease correlation and big data analysis for a target disease , at least one or more of the meta-analyses may be performed.
  • the association analysis performing unit performs correlation analysis of a plurality of disease-related factors with respect to the possibility of onset of a target disease targeting examination result data including examination results over time of a plurality of persons
  • a disease correlation analysis unit may be further included that selects the disease-related factor, which is derived to have a high correlation, as a disease-related factor candidate.
  • the association analysis performing unit collects a plurality of data by using crawling from a database in which text-based disease-related data is stored, and performs text mining on the collected plurality of data to perform disease-related data. It may further include a big data analysis unit that selects correlation factor candidates.
  • the correlation analysis performing unit inputs a plurality of disease-related data on the subject of the target disease and the effect on the disease-related factor into a meta-analysis model, and the disease-related factor for each of the plurality of disease-related data.
  • the method may further include a meta-analysis performing unit that calculates an effect size of stars and selects disease-related factor candidates according to the effect size.
  • the disease-related factor selection unit is a disease-related factor generated by comparing a plurality of disease-related factor candidates generated by performing at least one or more of disease correlation analysis, big data analysis, and meta-analysis, respectively. Only disease-related factors included in all candidates can be selected as disease-related factors.
  • the data pre-processing unit collects individual checkup result values for disease-related factors included in the selected at least one disease-related factor from checkup result data, and collects the collected individual checkup result values in time series. It is possible to generate time-series checkup data for each checkup target period by performing preprocessing to enumerate.
  • the data pre-processing unit determines that the disease-related factor included in at least one disease-related factor selected according to a pre-set pre-processing criterion cannot be used as a tendency criterion or a judgment criterion as an individual checkup result value
  • time-series examination data for each period subject to examination may be generated by performing pre-processing of calculating or reprocessing the examination result data according to the pre-set pre-processing criterion so as to be used as a tendency criterion or a judgment criterion.
  • the data pre-processing unit, the pre-processing criterion is information on the type of disease-related factor that cannot produce a result value by inputting individual checkup result values into a group trend model without pre-processing. And it may include information on the pre-processing method of the disease-related factor.
  • the data group classification unit estimates the trajectory form for individual examination result values for each disease-related factor included in the examination result data of the persons included in each group, and the difference in the trajectory form for each group In contrast, the classification suitability of the classified groups can be verified.
  • the time series characteristic parameterization unit inputs individual checkup result values for each disease-related factor included in the checkup result data of persons included in each group into a time-variant covariate calculation model
  • the method may further include a covariate calculation unit for each time point that calculates an influence on a checkup result value as a covariate for each time point and uses the calculated covariate for each time point as a time-series characteristic variable.
  • the time series characteristic parameterization unit inputs individual checkup result values for each disease correlation factor included in the checkup result data of persons included in each group into a time-dependent correlation calculation model to obtain independent values to be input into the COX model.
  • the method may further include a time-dependent correlation calculation unit that calculates the magnitude of association between the variable and the dependent variable at each time point and uses the calculated magnitude of association at each time point as a time-series characteristic variable.
  • the method for generating disease onset information through time variability-based disease correlation factor analysis receives examination result data including examination results over time of a large number of people or a plurality of disease-related data to obtain disease correlation performing a plurality of analyzes for selecting factor candidates; selecting at least one disease-related factor according to an overlapping degree among a plurality of disease-related factors selected as disease-related factor candidates for each of the plurality of analyses; Processing data according to pre-processing criteria set for a disease-related factor requiring secondary processing of data from among a plurality of persons' examination result data for the selected at least one disease-related factor; Create a plurality of groups by grouping the plurality of persons based on the change in individual checkup result values included in the checkup result data of the plurality of persons for at least one disease-related factor over time using a group trend model doing; Time-series characteristic parameterization is performed for each group on the generated examination result data for disease-related factors of a plurality of persons included in the plurality of groups, and the influence
  • the performing of the plurality of analyzes may include receiving examination result data including examination results of a plurality of persons over time or a plurality of disease-related data, and analyzing the disease correlation with respect to the target disease At least one of analysis, big data analysis, and meta-analysis may be performed.
  • the performing of the plurality of analyzes may include determining a plurality of disease-related factors for the possibility of developing a target disease for examination result data including examination results of a plurality of persons over time.
  • the method may further include performing correlation analysis and selecting disease-related factors that have been derived to be highly correlated as disease-related factor candidates.
  • the performing of the plurality of analyzes may include collecting a plurality of data by using crawling from a database in which text-based disease-related data is stored, and performing text mining on the collected plurality of data. It may further include the step of selecting disease-related factor candidates by performing.
  • the step of performing the plurality of analyzes may include inputting a plurality of disease-related data on the subject of a target disease and an effect on a disease-related factor into a meta-analysis model, and inputting the plurality of disease-related data.
  • the method may further include calculating an effect size for each disease-related factor and selecting disease-related factor candidates according to the effect size.
  • the step of selecting the disease-related factor is generated by comparing a plurality of disease-related factor candidates generated by performing at least one or more of disease correlation analysis, big data analysis, and meta-analysis, respectively Only disease-related factors included in all candidate disease-related factors may be selected as disease-related factors.
  • the processing of the data may include collecting individual checkup result values for disease-related factors included in at least one determined disease-related factor from checkup result data, and collecting the collected individual checkup result values It is possible to generate time-series checkup data for each checkup target period by performing pre-processing to list them in time series.
  • a disease-related factor included in at least one disease-related factor selected according to a pre-set preprocessing criterion is used as a tendency criterion or a judgment criterion as an individual checkup result value. If it is classified as unavailable, preprocessing of calculating or reprocessing the examination result data according to the pre-set preprocessing standard so that it can be used as a tendency criterion or a criterion can be generated as time-series examination data for each period to be examined.
  • the preset preprocessing criterion is a disease-related factor of a disease-related factor that cannot produce a result value by inputting individual checkup result values into a group trend model without preprocessing. It may include information on the type and information on the pre-processing method of the disease-related factor.
  • the generating of the plurality of groups may include estimating a trajectory shape for individual examination result values for each disease-related factor included in the examination result data of persons included in each group, and The classification suitability of the classified groups can be verified by comparing the differences in trajectory shapes.
  • the method may further include calculating an influence on individual checkup result values as a covariate for each time point according to the flow, and using the calculated covariate for each time point as a time-series characteristic variable.
  • the individual checkup result values for each disease-related factor included in the checkup result data of the persons included in each group are entered into the time-dependent correlation calculation model to calculate the size of the correlation at each point in time between the independent variable and the dependent variable to be input into the COX model, and the calculation
  • the method may further include using the size of the correlation for each time point as a time series characteristic variable.
  • FIG. 1 is a block diagram of an apparatus for generating disease onset information through time variability-based disease correlation factor analysis implemented according to an embodiment of the present invention.
  • FIG. 2 is a detailed configuration diagram of a correlation analysis performing unit shown in FIG. 1 .
  • FIG. 3 is a detailed configuration diagram of a time-series characteristic parameterization unit shown in FIG. 1 .
  • FIG. 4 is a data flow diagram of an apparatus for generating disease onset information through time variability-based disease correlation factor analysis implemented according to an embodiment of the present invention.
  • FIG. 5 is a diagram showing a graph of life expectancy calculated using onset prediction information including a change in risk according to an embodiment of the present invention.
  • FIG. 6 is a flowchart of a method for generating disease onset information through time variability-based disease association factor analysis according to an embodiment of the present invention.
  • These computer program instructions may also be stored in a computer usable or computer readable memory that can be directed to a computer or other programmable data processing equipment to implement functionality in a particular way, such that the computer usable or computer readable memory
  • the instructions stored in are also capable of producing an article of manufacture containing instruction means that perform the functions described in the flowchart block(s).
  • the computer program instructions can also be loaded on a computer or other programmable data processing equipment, so that a series of operational steps are performed on the computer or other programmable data processing equipment to create a computer-executed process to generate computer or other programmable data processing equipment. Instructions for performing processing equipment may also provide steps for performing the functions described in the flowchart block(s).
  • each block may represent a module, segment, or portion of code that includes one or more executable instructions for executing specified logical function(s).
  • the term ' ⁇ unit' used in this embodiment means software or a hardware component such as a field-programmable gate array (FPGA) or application specific integrated circuit (ASIC), and what role does ' ⁇ unit' have? perform them
  • ' ⁇ part' is not limited to software or hardware.
  • ' ⁇ bu' may be configured to be in an addressable storage medium and may be configured to reproduce one or more processors.
  • ' ⁇ unit' refers to components such as software components, object-oriented software components, class components, and task components, processes, functions, properties, and procedures. , subroutines, segments of program code, drivers, firmware, microcode, circuitry, data, databases, data structures, tables, arrays, and variables. Functions provided within components and ' ⁇ units' may be combined into smaller numbers of components and ' ⁇ units' or further separated into additional components and ' ⁇ units'. In addition, components and ' ⁇ units' may be implemented to play one or more CPUs in a device or a secure multimedia card.
  • FIG. 1 is a block diagram of an apparatus for generating disease onset information through time variability-based disease correlation factor analysis implemented according to an embodiment of the present invention.
  • the disease outbreak information generation device 1000 through time variability-based disease-related factor analysis includes a correlation analysis performing unit 100, a disease-related factor selection unit 200, and a data pre-processing unit 300. , a data group classification unit 400, a time series characteristic parameterization unit 500, a risk calculation unit 600, and an onset prediction information generation unit 700.
  • the association analysis performer 100 may perform a plurality of analyzes to select disease-related factor candidates by receiving examination result data including examination results of a plurality of persons over time or a plurality of disease-related data.
  • the checkup result data may refer to data including a plurality of health checkup results for a plurality of persons by storing results of each item of a health checkup performed by a specific person at least once in the form of a data set.
  • the health checkup items included in the checkup result data include fasting blood sugar level, systolic blood pressure and/or diastolic blood pressure, total cholesterol level and/or high density cholesterol level (HDL), low density cholesterol level (LDL), Weight, body mass index (BMI), and the like may be included.
  • HDL high density cholesterol level
  • LDL low density cholesterol level
  • BMI body mass index
  • the disease-related factor candidates may mean that factors inducing the onset of a target disease are defined as disease-related factors, and a plurality of factors that may be selected as disease-related factors are selected as a candidate group of disease-related factors.
  • the factor causing the onset of the target disease may be a health checkup item included in the checkup result data, and the health checkup item included in the checkup result data is processed once or through a plurality of steps. It could be a specific factor that created it.
  • disease-related data may refer to text-based data including the results of a study on the relationship between a target disease and a specific factor or the result of statistical analysis on a large number of people, ,
  • it may be medical papers, statistical data, etc., but it is not limited thereto, and any text-based data on the correlation between target diseases and specific factors may be used without limitation.
  • the association analysis performer 100 receives examination result data including examination results of a plurality of persons over time or a plurality of disease-related data, and analyzes disease association with respect to a target disease, big At least one of data analysis and meta-analysis may be performed.
  • the correlation analysis performing unit 100 receives examination result data or a plurality of disease-related data and performs disease correlation analysis, big data analysis, and meta-analysis to determine three diseases according to each analysis result. Associate factor candidates can be selected.
  • the disease-related factor selector 200 may select at least one disease-related factor according to the degree of overlap among the plurality of disease-related factors selected as disease-related factor candidates for each analysis.
  • a list of disease-related factors may be generated by selecting only factors commonly included in at least two or more among the factor candidates as disease-related factors.
  • the disease-related factor selection unit 200 is a disease generated by comparing a plurality of disease-related factor candidates generated by performing at least one or more of disease correlation analysis, big data analysis, and meta-analysis, respectively. Only disease-related factors included in all candidates for related factors may be selected as disease-related factors.
  • factors included in all three disease-related factor candidates according to each analysis result generated by receiving examination result data or a plurality of disease-related data and performing disease correlation analysis, big data analysis, and meta-analysis A list of disease-related factors may be generated by selecting only the factors related to the disease.
  • the reason why only factors included in all three disease-related factor candidates according to each analysis result generated by performing disease-related analysis, big data analysis, and meta-analysis are selected as disease-related factors is selected among numerous factors. This is to conservatively select a factor that has a relatively high influence on the induction of the disease, thereby reducing computational resources and time required for analysis, and increasing its accuracy.
  • the data pre-processing unit 300 may process data according to preset pre-processing criteria targeting disease-related factors that require secondary processing of data among the examination result data of a plurality of persons for the selected at least one disease-related factor. .
  • the following criteria exist as preset preprocessing criteria, but are not limited thereto, and the results of each item of the health checkup included in the checkup result data are processed as factors that can clarify disease-related factors. If it can be derived, it can be used without limitation.
  • a disease-related factor included in at least one disease-related factor selected according to a pre-set preprocessing criterion may be used as a tendency criterion or a judgment criterion as an individual checkup result value. If it is classified as non-existent, it is possible to generate time-series checkup data for each checkup target period by performing preprocessing that calculates or reprocesses the checkup result data according to a pre-processing criterion set in advance so that it can be used as a tendency criterion or a judgment criterion.
  • the preprocessing criteria may be as follows, but are not limited thereto, and may be used without limitation as long as they are preprocessed to be used as tendency criteria or judgment criteria.
  • the data preprocessing unit 300 collects individual checkup result values for disease-related factors included in the selected at least one disease-related factor from checkup result data, and collects the collected individual checkup result values. It is possible to generate time-series checkup data for each checkup target period by performing pre-processing to list them in time series.
  • Preprocessing in the process of generating time-series checkup data for each checkup target period by performing preprocessing to list the collected individual checkup result values in time series, if there is a missing value in the time-series checkup data for each checkup target period, Preprocessing may be performed to remove missing value values, and according to another embodiment, preprocessing may be performed by estimating the value of the corresponding missing value using a statistical imputation method and adding the estimated value to the missing value item. , According to another embodiment, preprocessing to compensate for missing values may be performed using an artificial neural network-based machine learning technique.
  • the data preprocessing unit 300 sets preprocessing criteria for the types of disease related factors that cannot produce result values by inputting individual checkup result values into a group trend model without preprocessing.
  • Information and information on a preprocessing method of the disease-related factor may be included.
  • the group trend model may refer to a method of classifying behavior types over time into clusters and estimating the trajectory shape of each group to verify the number of groups and the number of groups having the best fit with the data.
  • the data group classification unit 400 uses a group trend model to determine the number of persons based on changes in individual checkup result values included in the checkup result data of the plurality of persons for at least one disease-related factor over time.
  • a plurality of groups can be created by grouping.
  • the data group classification unit 400 inputs individual checkup result values included in the checkup result data of a plurality of persons for any one disease-related factor into a group trend model, so that the individual observation values of the data
  • a number of people are included in each group according to changes in individual checkup result values as shown in Equation 1 below
  • Multiple groups can be created.
  • the probability density function of the dependent variable may be expressed as the sum of the product of the probability of belonging to a specific group and the probability density function of the dependent variable of specific group members, and the dependent variable of the specific group member Since the variables have mutual independence at each time point, the probability density function of the dependent variable can be calculated as a product of the corresponding probability density function at each time point.
  • the data group classification unit 400 estimates the trajectory shape for individual examination result values for each disease-related factor included in the examination result data of the persons included in each group, and calculates the trajectory shape for each group.
  • the classification suitability of the classified groups can be verified by contrasting the difference in .
  • the maximum likelihood estimation method can be used to estimate the trajectory of each group and the proportion of cases in each group together using a group trend model, and the individual event trajectory contents shown in the data are relatively most
  • the selection of the final model that describes well can be determined based on the Bayesian Information Index (BIC), and at this time, the lower the BIC value, the more the event trajectory of the individual shown in the data can be evaluated as a model that relatively describes. .
  • BIC Bayesian Information Index
  • the time-series characteristic parameterization unit 500 performs time-series characteristic parameterization for each group on the examination result data for the disease-related factors of a plurality of persons included in the plurality of groups, and the effect on the examination result over time can be calculated as at least one time series characteristic variable.
  • the time-series characteristic parameterization unit 500 performs time-series characteristic parameterization for each group targeting examination result data for disease-related factors of a plurality of persons included in a plurality of groups, and at least for each time point. It can be calculated with one or more time series characteristic variables.
  • calculating time series characteristic variables for each time point by performing time series characteristic parameterization for each group is COX, which will be performed later, despite the fact that the target disease inducing factors for each time point may have different influences on the corresponding disease.
  • Regression analysis assumes "proportional risk" that the risk is constant at each time point, so it is necessary to compensate for possible errors through time-series analysis that reflects the concept of time by calculating the risk at each time point in a lump without variableizing time series characteristics. For this purpose, it is possible to secure relatively more accurate accuracy compared to conventional techniques for analyzing disease-causing factors.
  • the risk calculation unit 600 applies the at least one time-series characteristic variable calculated for the examination result data for the disease-related factor, and applies the examination result data for the disease-related factor of a plurality of persons applied for each group. COX regression analysis can be performed to calculate the risk of disease occurrence for each group.
  • the risk calculation unit 600 may apply the calculated at least one time series characteristic variable to the examination result data for the disease-related factor, and at each time point of the examination result data for the disease-related factor
  • the application can be performed by multiplying the number of disease inducing factors by the time series characteristic variable calculated for each time point.
  • the risk of disease occurrence for each group may be calculated by performing COX regression analysis for each group consisting of examination result data for disease-related factors to which time-series characteristic variables are applied.
  • the reciprocal value of the survival rate data for each time point in each group calculated by performing COX regression analysis can be used to calculate the risk of disease occurrence for each group.
  • the outbreak prediction information generation unit 700 may generate outbreak prediction information by calculating a change in risk using a difference between the calculated risk of disease occurrence for each group.
  • the onset prediction information generating unit 700 may compare the calculated risk of disease occurrence for each group at each time point to calculate the change in risk at a specific time point for each group, based on this. predictive information can be generated.
  • the average value of the calculated risk change at a specific time point for each group is specified as the risk change amount at that time point, and based on this, the expected incidence rate at a later time point is calculated to generate onset prediction information. there is.
  • the onset prediction information represents the probability or risk rate of a person having at least one disease-inducing factor developing the disease over time in the form of a graph, and each graph shows a risk level, an intermediate level, and a risk level. It may be classified into risk stages, but it may be used without limitation as long as it can indicate expected information about outbreaks over time.
  • FIG. 2 is a detailed configuration diagram of a correlation analysis performing unit shown in FIG. 1 .
  • the association analysis performer 100 shown in FIG. 1 may include a disease association analyzer 110 , a big data analyzer 120 , and a meta-analysis performer 130 .
  • the disease correlation analysis unit 110 analyzes the correlation of a plurality of disease-related factors with respect to the possibility of onset of a target disease targeting the examination result data including the examination results over time of a number of persons, and determines that the correlation is high.
  • the derived disease-related factors may be selected as disease-related factor candidates.
  • the disease association analysis unit 110 inputs examination result data including examination results over time of a plurality of persons into a disease correlation analysis model to determine a plurality of diseases related to the possibility of onset of a target disease. Correlation analysis of related factors can be performed.
  • the disease association analysis model can be implemented as a deep learning model based on an artificial neural network, and upon receiving examination result data including examination results over time of a large number of people, the correlation with the disease is relatively It can be learned to derive at least one checkup result item that is high as .
  • the disease correlation analysis model may be a model that performs correlation analysis on examination result data including examination results over time of a plurality of people received as input, and through this, correlation with disease By deriving at least one relatively high examination result item, correlation analysis of a plurality of disease-related factors may be performed.
  • the big data analysis unit 120 collects a plurality of data by crawling from a database in which text-based disease-related data is stored, and selects disease-related factor candidates by performing text mining on the collected data.
  • the big data analysis unit 120 crawls text-based data from databases such as NCBI DB, OMIM, Diseases Card, and open DB to obtain each disease name, related item, cause information, etc. It is possible to perform an analysis of correlation between a target disease and a plurality of disease-related factors by collecting a target and selecting and deriving significant related items through text mining of the collected data.
  • the meta-analysis unit 130 inputs a plurality of disease-related data on the subject of the target disease and the effect on the disease-related factor into the meta-analysis model, calculates the effect size for each disease-related factor for each of the plurality of disease-related data, , disease-related factor candidates can be selected according to the effect size.
  • disease-related factors refer to factors that can affect the occurrence of a specific disease, and may include the presence or absence of other diseases, whether or not the result of a health checkup is within a predetermined range, but It is not limited and can be used without limitation as long as it is a factor that can affect the development of other diseases.
  • meta-analysis generates a data set based on analysis information for each disease-related data by inputting a plurality of disease-related data into a meta-analysis model, and targeting the data set to match the subject of the disease-related factor. It may mean calculating an effect size, that is, a size that a corresponding disease-related factor affects a specific disease, and using the effect size to measure a target disease influence score, thereby selecting a disease-related factor candidate.
  • effect size there may be various methods for extracting effect size, and the type of effect size to be extracted is different depending on the subject.
  • an odds ratio which is an index for the size of the effect on the disease (correlation size) for each disease-related factor
  • the effect size can be estimated based on the 95% confidence interval (95% Confidence Interval, CI).
  • the overall OR can be calculated by combining the odds ratios of each individual disease-related data.
  • a generic inverse variance estimation method may be used to measure a target disease influence score for each disease-related factor using the calculated effect size.
  • Inverse variance estimation is a method used to give weight in meta-analysis, and the reciprocal of the variance of the estimated effect size can be used as a weight for individual disease-related data.
  • disease-related data for a study with a large sample will have a small variance and the reciprocal of the variance will become large, so that the disease-related data for a study with a large sample will have a larger variance.
  • the natural logarithm of the odds ratio of each disease-related data is taken.
  • Calculate, Calculate the standard error (SE) for , and weight the reciprocal of the square of the calculated standard error , and the overall effect size (OR pooled ) can be calculated by summing all the values obtained by multiplying the odds ratio by the weight of each disease-related data calculated as shown in Equation 2 below.
  • FIG. 3 is a detailed configuration diagram of a time-series characteristic parameterization unit shown in FIG. 1 .
  • the time-series characteristic parameterization unit 500 shown in FIG. 1 may further include a covariate calculation unit 510 and a time-dependent correlation calculation unit 520 for each viewpoint.
  • the time-specific covariate calculation unit 510 inputs the individual checkup result values for each disease-related factor included in the checkup result data of the persons included in each group into a time-varying covariate calculation model to calculate the individual checkup result values over time. Influence is calculated as a covariate for each time point, and the calculated covariate for each time point can be used as a time series characteristic variable.
  • the time-varying covariate calculation model when the same disease-associated factor is observed at several time points, since the past observation value at each time point affects the current observation value, the influence of each time point It means performing time-varying covariate analysis to calculate.
  • the time-varying covariate calculation model can mean a technique for reflecting the phenomenon that is not constant for each time point in performing COX regression analysis based on the regression analysis. If it does occur, the variable for this influence can be defined as a time-varying covariate, and in survival analysis, the association of a specific variable with the response variable in which the time series value is reflected ( ) is different for each time point, the correlation for each time point is determined by Time-Varying Coefficients ( ), and according to an embodiment of the present invention, the time-variable covariate calculation model can be expressed as Equation 3 below.
  • the time-dependent correlation calculation unit 520 inputs the individual examination result values for each disease-related factor included in the examination result data of the persons included in each group into the time-dependent correlation calculation model to determine the relationship between the independent variable and the dependent variable to be input into the COX model.
  • the correlation size for each time point is calculated, and the calculated correlation size for each time point can be used as a time series characteristic variable.
  • the time-dependent association calculating unit 520 calculates a time-dependent association in order to use a time-dependent cox, which is an extended cox model, to reflect variables whose values change with time in survival analysis. It can be used to calculate the size of the association between the explanatory variable (X) and the response variable (Y), which change according to the time point t, and define it as a time-series characteristic variable and apply it to the examination result data for disease-related factors.
  • a time-dependent cox which is an extended cox model
  • the extended cox model can be expressed as Equation 4 below.
  • FIG. 4 is a data flow diagram of an apparatus for generating disease onset information through time variability-based disease correlation factor analysis implemented according to an embodiment of the present invention.
  • FIG. 4 a data flow for each component of the device for generating disease onset information according to an embodiment of the present invention is shown.
  • the disease correlation analysis unit 110 and the big data analysis unit 120 receive examination result data including examination results of a plurality of people over time, and determine disease Associated factor candidates may be selected, and the meta-analysis performing unit 130 may receive a plurality of disease-related data and select disease-related factor candidates.
  • the disease-related factor selection unit 200 receives disease-related factor candidates for each analysis from the disease-related analysis unit 110, the big data analysis unit 120, and the meta-analysis performing unit 130, At least one disease-related factor may be selected, and the data pre-processing unit 300 receives information on the at least one disease-related factor from the disease-related factor selection unit 200, and the examination result data of a plurality of persons for the factor Secondary processing of data may be performed according to preset preprocessing criteria targeting disease-related factors requiring secondary processing of heavy data.
  • the data group classification unit 400 receives secondary processed data from the data pre-processing unit 300, and based on changes in individual examination result values included in the examination result data of a plurality of persons.
  • a plurality of groups may be created by grouping the plurality of persons.
  • the time-specific covariate calculation unit 510 and the time-dependent correlation calculation unit 520 calculate information on a plurality of groups generated by the data group classification unit 400 and examination result data of a plurality of persons.
  • the time-dependent covariate calculating unit 510 calculates a time-variable covariate
  • the time-dependent correlation calculating unit 520 calculates the time-dependent correlation and performs time-series characteristic variableization for each group to determine the time-variable covariate.
  • the influence of the flow on the examination result may be calculated as at least one time series characteristic variable.
  • the risk calculation unit 600 receives at least one time-series characteristic variable from the time-point covariate calculation unit 510 and the time-dependent correlation calculation unit 520, and checkup result data for disease association factors It is possible to calculate the risk of disease occurrence for each group by applying at least one time-series characteristic variable calculated in , and performing COX regression analysis for each group on the examination result data for the disease-related factors of a large number of applied persons.
  • the outbreak prediction information generation unit 700 receives the risk of disease occurrence for each group from the risk calculation unit 600 and calculates the risk change amount using the difference between the calculated risk of disease occurrence for each group It is possible to generate outbreak prediction information.
  • FIG. 5 is a diagram showing a graph of life expectancy calculated using onset prediction information including a change in risk according to an embodiment of the present invention.
  • a life expectancy graph is shown according to an embodiment of the present invention, and disease-related factors can be classified into high-risk, intermediate, and non-risk stages for each time point by sorting based on a plurality of onset prediction information. And, using this, as shown in FIG. 5, the elapsed time of people with the disease-causing factor can be generated as a graph to provide the user with the expected incidence rate of the disease for each risk group. there is.
  • FIG. 6 is a flowchart of a method for generating disease onset information through time variability-based disease association factor analysis according to an embodiment of the present invention.
  • a plurality of analyzes are performed to select disease-related factor candidates by receiving examination result data or a plurality of disease-related data (S10).
  • a plurality of analyzes may be performed to select disease-related factor candidates by receiving examination result data including examination results of a plurality of persons over time or a plurality of disease-related data.
  • the checkup result data may refer to data including a plurality of health checkup results for a plurality of persons by storing results of each item of a health checkup performed by a specific person at least once in the form of a data set.
  • the health checkup items included in the checkup result data include fasting blood sugar level, systolic blood pressure and/or diastolic blood pressure, total cholesterol level and/or high density cholesterol level (HDL), low density cholesterol level (LDL), Weight, body mass index (BMI), and the like may be included.
  • HDL high density cholesterol level
  • LDL low density cholesterol level
  • BMI body mass index
  • the factor causing the onset of the target disease may be a health checkup item included in the checkup result data, and the health checkup item included in the checkup result data is processed once or through a plurality of steps. It could be a specific factor that created it.
  • disease-related data may refer to text-based data including the results of a study on the relationship between a target disease and a specific factor or the result of statistical analysis on a large number of people, ,
  • it may be medical papers, statistical data, etc., but it is not limited thereto, and any text-based data on the correlation between target diseases and specific factors may be used without limitation.
  • At least one of disease association analysis, big data analysis, and meta-analysis for a target disease by receiving examination result data or a plurality of disease-related data including examination results over time of a plurality of persons above analysis can be performed.
  • three disease-related factor candidates can be selected according to each analysis result by receiving examination result data or a plurality of disease-related data and performing disease correlation analysis, big data analysis, and meta-analysis. .
  • correlation analysis of a plurality of disease-related factors for the possibility of onset of a target disease is performed for examination result data including examination results over time of a plurality of persons, and the correlation is high.
  • the derived disease-related factors may be selected as disease-related factor candidates.
  • a correlation analysis of a plurality of disease-related factors with respect to the possibility of developing a target disease is performed by inputting examination result data including examination results of a plurality of persons over time into a disease correlation analysis model.
  • the disease association analysis model can be implemented as a deep learning model based on an artificial neural network, and upon receiving examination result data including examination results over time of a large number of people, the correlation with the disease is relatively It can be learned to derive at least one checkup result item that is high as .
  • the disease association analysis model may be a model that performs correlation analysis on examination result data including examination results over time of a plurality of persons received as input, and through this, correlation with disease By deriving at least one relatively high examination result item, correlation analysis of a plurality of disease-related factors may be performed.
  • a plurality of data is collected by crawling from a database in which text-based disease-related data is stored, and text mining is performed on the collected plurality of data to select disease-related factor candidates.
  • text-based data from databases such as NCBI DB, OMIM, Diseases Card, and open DB are crawled to collect each disease name, related item, cause information, etc., and collect It is possible to analyze the association between a target disease and a plurality of disease-related factors by selecting and deriving significant related items through text mining of the analyzed data.
  • a plurality of disease-related data on the subject of a target disease and its effect on disease-related factors are input into a meta-analysis model, and the effect size for each disease-related factor is calculated for each of the plurality of disease-related data , disease-related factor candidates can be selected according to the effect size.
  • disease-related factors refer to factors that can affect the onset of a specific disease, and may include the presence or absence of other diseases, whether or not the result of a health checkup is within a predetermined range, It is not limited thereto, and other factors that may affect the development of diseases may be used without limitation.
  • meta-analysis generates a data set based on analysis information for each disease-related data by inputting a plurality of disease-related data into a meta-analysis model, and targeting the data set to match the subject of the disease-related factor. It may mean calculating an effect size, that is, a size that a corresponding disease-related factor affects a specific disease, and using the effect size to measure a target disease influence score, thereby selecting a disease-related factor candidate.
  • effect size there may be various methods for extracting effect size, and the type of effect size to be extracted is different depending on the subject.
  • an odds ratio which is an index for the size of the effect on the disease (correlation size) for each disease-related factor
  • the effect size can be estimated based on the 95% confidence interval (95% Confidence Interval, CI).
  • the overall OR can be calculated by combining the odds ratios of each individual disease-related data.
  • a generic inverse variance estimation method may be used to measure a target disease influence score for each disease-related factor using the calculated effect size.
  • Inverse variance estimation is a method used to give weight in meta-analysis, and the reciprocal of the variance of the estimated effect size can be used as a weight for individual disease-related data.
  • disease-related data for a study with a large sample will have a small variance and the reciprocal of the variance will become large, so that the disease-related data for a study with a large sample will have a larger variance.
  • the natural logarithm of the odds ratio of each disease-related data is taken.
  • Calculate, Calculate the standard error (SE) for , and weight the reciprocal of the square of the calculated standard error , and the overall effect size (OR pooled ) can be calculated by summing all the values obtained by multiplying the odds ratio by the weight of each disease-related data calculated as in Equation 2.
  • At least one disease-related factor is selected according to the degree of overlap among the plurality of disease-related factors selected as disease-related factor candidates for each analysis (S20).
  • At least one disease-related factor may be selected according to an overlapping degree among a plurality of disease-related factors selected as disease-related factor candidates for a plurality of analyses.
  • At least two or more disease-related factor candidates generated according to each analysis result by performing at least one of disease correlation analysis, big data analysis, and meta-analysis by receiving examination result data or a plurality of disease-related data as input A list of disease-related factors may be generated by selecting only factors commonly included in at least two or more factors as disease-related factors.
  • a plurality of disease-related factor candidates generated by performing at least one or more of disease-related analysis, big data analysis, and meta-analysis are respectively compared, and diseases included in all of the disease-related factor candidates generated Only relevant factors can be selected as disease-related factors.
  • factors included in all three disease-related factor candidates according to each analysis result generated by receiving examination result data or a plurality of disease-related data and performing disease correlation analysis, big data analysis, and meta-analysis A list of disease-related factors may be generated by selecting only the factors related to the disease.
  • the reason why only factors included in all three disease-related factor candidates according to each analysis result generated by performing disease-related analysis, big data analysis, and meta-analysis are selected as disease-related factors is selected among numerous factors. This is to conservatively select a factor that has a relatively high influence on the induction of the disease, thereby reducing computational resources and time required for analysis, and increasing its accuracy.
  • checkup result data of a plurality of persons for at least one disease-related factor data are processed according to pre-processing criteria set in advance for a disease-related factor requiring secondary processing of the data (S30).
  • data can be processed according to pre-processing criteria set in advance for disease-related factors requiring secondary processing of data among the examination result data of a plurality of persons for the selected at least one disease-related factor.
  • the following criteria exist as preset preprocessing criteria, but are not limited thereto, and the results of each item of the health checkup included in the checkup result data are processed as factors that can clarify disease-related factors. If it can be derived, it can be used without limitation.
  • the tendency Time-series examination data for each period subject to examination may be generated by performing pre-processing to calculate or reprocess the examination result data according to a pre-processing criterion set in advance so as to be used as a criterion or judgment standard.
  • individual checkup result values for disease-related factors included in at least one selected disease-related factor are collected from checkup result data, and preprocessing is performed to list the collected individual checkup result values in time series. Therefore, it is possible to generate time-series examination data for each period of the entire examination target.
  • Preprocessing in the process of generating time-series checkup data for each checkup target period by performing preprocessing to list the collected individual checkup result values in time series, if there is a missing value in the time-series checkup data for each checkup target period, Preprocessing may be performed to remove missing value values, and according to another embodiment, preprocessing may be performed by estimating the value of the corresponding missing value using a statistical imputation method and adding the estimated value to the missing value item. , According to another embodiment, preprocessing to compensate for missing values may be performed using an artificial neural network-based machine learning technique.
  • the preset preprocessing criterion is information on the type of disease-related factor that cannot produce a result value by inputting individual checkup result values into a group trend model without preprocessing, and information on the type of disease-related factor Information on preprocessing methods may be included.
  • the plurality of persons A plurality of groups can be created by grouping.
  • the individual checkup result values included in the checkup result data of a plurality of persons for at least one disease-related factor are entered into a group trend model to calculate the probability that individual observations of the data belong to each group
  • a plurality of groups including a plurality of people in each group can be generated according to changes in individual checkup result values as shown in Equation 1. .
  • the probability density function of the dependent variable may be expressed as the sum of the product of the probability of belonging to a specific group and the probability density function of the dependent variable of specific group members, and the dependent variable of the specific group member Since the variables have mutual independence at each time point, the probability density function of the dependent variable can be calculated as a product of the corresponding probability density function at each time point.
  • the maximum likelihood estimation method can be used to estimate the trajectory of each group and the proportion of cases in each group together using a group trend model, and the individual event trajectory contents shown in the data are relatively most
  • the selection of a final model that describes well can be determined based on the Bayesian Information Index (BIC), and the lower the BIC value, the more likely the model is to describe the individual's event trajectory in the data.
  • BIC Bayesian Information Index
  • At least one time-series characteristic variable is calculated by performing time-series characteristic parameterization for each group on examination result data for disease-related factors of a plurality of persons included in a plurality of groups (S50).
  • time-series characteristic parameterization is performed for each group for the examination result data of the disease-related factors of a plurality of persons included in the plurality of groups generated, and the effect on the examination result over time can be calculated as at least one time series characteristic variable.
  • time-series characteristic parameterization is performed for each group on examination result data for disease-related factors of a plurality of people included in a plurality of groups, and at least one time-series characteristic variable is calculated for each time point.
  • calculating time series characteristic variables for each time point by performing time series characteristic parameterization for each group is COX, which will be performed later, despite the fact that the target disease inducing factors for each time point may have different influences on the corresponding disease.
  • Regression analysis assumes "proportional risk" that the risk is constant at each time point, so it is necessary to compensate for possible errors through time-series analysis that reflects the concept of time by calculating the risk at each time point in a lump without variableizing time series characteristics. For this purpose, it is possible to secure relatively more accurate accuracy compared to conventional techniques for analyzing disease-causing factors.
  • the individual checkup result values for each disease-related factor included in the checkup result data of the persons included in each group are entered into a time-variant covariate calculation model to determine the effect on the individual checkup result values over time is calculated as a covariate for each time point, and the calculated covariate for each time point can be used as a time series characteristic variable.
  • the time-varying covariate calculation model when the same disease-associated factor is observed at several time points, since the past observation value at each time point affects the current observation value, the influence of each time point It means performing time-varying covariate analysis to calculate.
  • the time-varying covariate calculation model may refer to a technique for reflecting the phenomenon that is not constant for each time point in performing COX based on regression analysis, and the past observation value is the current observation If a case that affects the value occurs, the variable for this influence can be defined as a time-varying covariate, and in survival analysis, the association of a specific variable with a response variable that reflects the time series value ( ) is different for each time point, the correlation for each time point is determined by Time-Varying Coefficients ( ), and according to an embodiment of the present invention, the time-variable covariate calculation model can be expressed as Equation 3.
  • individual checkup result values for each disease-related factor included in the checkup result data of persons included in each group are input to a time-dependent correlation calculation model, and the time point between the independent variable and the dependent variable to be input into the COX model
  • the correlation size for each point is calculated, and the calculated correlation size for each time point can be used as a time series characteristic variable.
  • a time-dependent correlation calculation model is used to use an extended cox model, Time-dependent cox, to describe changes according to time point t
  • the size of the correlation between the variable (X) and the response variable (Y) can be calculated, defined as a time-series characteristic variable, and applied to the examination result data for disease-related factors.
  • the extended cox model can be expressed as Equation 4.
  • At least one time-series characteristic variable is applied to the checkup result data for disease-related factors, and COX regression analysis is performed for each group on the checkup result data for disease-related factors of a large number of applied persons to determine the risk of disease occurrence. Calculate (S60).
  • the at least one time series characteristic variable calculated for the examination result data for disease-related factors is applied, and each group By performing COX regression analysis for each group, the risk of disease occurrence can be calculated for each group.
  • the calculated at least one time series characteristic variable may be applied to the examination result data for the disease-related factor, and the value of the disease-causing factor at each time point of the examination result data for the disease-related factor
  • the application can be performed by multiplying the time series characteristic variables calculated for each time point.
  • the risk of disease occurrence for each group may be calculated by performing COX regression analysis for each group consisting of examination result data for disease-related factors to which time-series characteristic variables are applied.
  • the reciprocal value of the survival rate data for each time point in each group calculated by performing COX regression analysis can be used to calculate the risk of disease occurrence for each group.
  • Risk change is calculated using the difference between the calculated risk of disease occurrence for each group, and outbreak prediction information is generated (S70).
  • risk change may be calculated using a difference value between the calculated risk of disease occurrence for each group, and thus onset prediction information may be generated.
  • the calculated risk of disease occurrence for each group can be compared for each time point to calculate the risk change at a specific time point for each group, and outbreak prediction information can be generated based on this.
  • the average value of the calculated risk change at a specific time point for each group is specified as the risk change amount at that time point, and based on this, the expected incidence rate at a later time point is calculated to generate onset prediction information. there is.
  • the onset prediction information represents the probability or risk rate of a person having at least one disease-inducing factor developing the disease over time in the form of a graph, and each graph shows a risk level, an intermediate level, and a risk level. It may be classified into risk stages, but it may be used without limitation as long as it can indicate expected information about outbreaks over time.
  • Embodiments of the present invention are not implemented only through the devices and / or methods described above, and the embodiments of the present invention have been described in detail above, but the scope of the present invention is not limited thereto, and the following claims Various modifications and improvements of those skilled in the art using the basic concept of the present invention defined in , also belong to the scope of the present invention.

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • Databases & Information Systems (AREA)
  • Primary Health Care (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

본 발명은 시간 변동성 기반의 질환 연관성 요인 분석을 통한 질환 발병 정보 생성 기술에 대한 것으로, 위하여 각 개인들의 시간의 흐름에 따른 검진 결과를 포함한 검진 결과 데이터 및 복수의 질환 관련 자료를 분석하여 적어도 하나의 질환 연관성 요인을 선정하고, 이에 따라 사용자의 발병 예상 정보를 생성하는 시간 변동성 기반의 질환 연관성 요인 분석을 통한 질환 발병 정보 생성 장치 및 그 방법을 제공하는데 그 목적이 있다.

Description

시간 변동성 기반의 질환 연관성 요인 분석을 통한 질환 발병 정보 생성 장치 및 그 방법
본 발명은 시간 변동성 기반의 질환 연관성 요인 분석을 통한 질환 발병 정보 생성 기술에 대한 것으로, 더 자세하게는 다수의 인원의 시간의 흐름에 따른 검진 결과를 포함한 검진 결과 데이터 또는 복수의 질환 관련 자료를 분석하여 적어도 하나의 질환 연관성 요인을 선정하고, 적어도 하나의 질환 연관성 요인에 대한 다수의 인원의 검진 결과 데이터에 포함된 개별 검진 결과값을 집단 추세 모형에 입력하여 다수의 인원이 포함된 하여 복수의 그룹을 생성하고, 각 그룹별로 시계열 특성 변수화를 수행하여 시간의 흐름에 따른 검진 결과에 미치는 영향력을 적어도 하나의 시계열 특성 변수로 산출하며, 질환 연관성 요인에 대한 검진 결과 데이터를 대상으로 산출된 적어도 하나의 시계열 특성 변수를 적용하여 각 그룹 별로 질병 발생 위험도를 계산함으로써 위험도 변화량을 산출하여 발병 예상 정보를 생성하는 시간 변동성 기반의 질환 연관성 요인 분석을 통한 질환 발병 정보 생성 장치 및 그 방법을 제공하는데 그 목적이 있다.
질환을 유발하는 요인은 한가지일 수도 있으나 확률적으로 다양한 요인들이 복합적으로 영향을 미치는 경우가 일반적이다.
종래에 질환 유발에 복합적으로 영향을 미치는 복수의 요인들에 대하여 정확하게 도출하기 위하여 많은 노력들이 있었으나 각 개인들의 1회 건강 상태 데이터들을 분석해서는 분석 패턴을 일반화하기가 매우 어려우며, 인공 신경망을 이용한 빅데이터 분석을 통해서 복수의 사람들의 건상 상태 데이터를 분석하는 방법은 입력값과 결과값 사이의 인과관계가 불명확하여 해당 요인들이 질환에 대해 영향을 미치는 것에 대한 정확도를 신뢰할 수 없다는 문제점들이 존재하였다.
선행기술문헌 [한국등록특허 제10-0673252호(2007.01.16)]
본 발명은 각 개인들의 1회 건강 상태 데이터들을 분석해서는 분석 패턴을 일반화하기가 매우 어려우며, 인공 신경망을 이용한 빅데이터 분석을 통해서 복수의 사람들의 건상 상태 데이터를 분석하는 방법은 입력값과 결과값 사이의 인과관계가 불명확하여 해당 요인들이 질환에 대해 영향을 미치는 것에 대한 정확도를 신뢰할 수 없다는 문제점을 해결하기 위하여 각 개인들의 시간의 흐름에 따른 검진 결과를 포함한 검진 결과 데이터 및 복수의 질환 관련 자료를 분석함으로써 적어도 하나의 질환 연관성 요인을 선정하고, 이에 따라 사용자의 발병 예상 정보를 생성하는 기술을 제공하고자 한다.
본 발명의 실시예에 따르면 시간 변동성 기반의 질환 연관성 요인 분석을 통한 질환 발병 정보 생성 장치 는 다수의 인원의 시간의 흐름에 따른 검진 결과를 포함한 검진 결과 데이터 또는 복수의 질환 관련 자료를 입력 받아 질환 연관성 요인 후보를 선정하는 복수의 분석을 수행하는 연관성 분석 수행부; 상기 복수의 분석 별 질환 연관성 요인 후보로 선정된 복수의 질환 관련 인자 중 서로 겹치는 정도에 따라 적어도 하나의 질환 연관성 요인을 선정하는 질환 연관성 요인 선정부;
상기 선정된 적어도 하나의 질환 연관성 요인에 대한 다수의 인원의 검진 결과 데이터 중 데이터의 2차 가공이 필요한 질환 연관성 요인을 대상으로 미리 설정된 전처리 기준에 따라 데이터를 가공하는 데이터 전처리부; 집단 추세 모형을 이용하여 시간의 흐름에 따른 적어도 하나의 질환 연관성 요인에 대한 다수의 인원의 검진 결과 데이터에 포함된 개별 검진 결과값들의 변화를 기준으로 상기 다수의 인원을 그룹핑을 하여 복수의 그룹을 생성하는 데이터 그룹 분류부; 생성된 상기 복수의 그룹에 포함된 다수의 인원의 질환 연관성 요인에 대한 검진 결과 데이터를 대상으로 각 그룹별로 시계열 특성 변수화를 수행하여 시간의 흐름에 따른 검진 결과에 미치는 영향력을 적어도 하나의 시계열 특성 변수로 산출하는 시계열 특성 변수화부; 상기 질환 연관성 요인에 대한 검진 결과 데이터를 대상으로 산출된 상기 적어도 하나의 시계열 특성 변수를 적용하고, 적용된 다수의 인원의 질환 연관성 요인에 대한 검진 결과 데이터를 대상으로 각 그룹별로 COX 회귀 분석을 수행하여 각 그룹 별로 질병 발생 위험도를 계산하는 위험도 계산부; 및
계산된 각 그룹 별 질병 발생 위험도를 차이값을 이용하여 위험도 변화량을 산출하여 발병 예상 정보를 생성하는 발병 예상 정보 생성부를 포함할 수 있다.
본 발명의 일 실시예에 따르면 상기 연관성 분석 수행부는, 다수의 인원의 시간의 흐름에 따른 검진 결과를 포함한 검진 결과 데이터 또는 복수의 질환 관련 자료를 입력 받아 타겟 질환에 대하여 질환 연관성 분석, 빅데이터 분석, 메타 분석 중 적어도 하나 이상의 분석을 수행할 수 있다.
본 발명의 일 실시예에 따르면 상기 연관성 분석 수행부는, 다수의 인원의 시간의 흐름에 따른 검진 결과를 포함한 검진 결과 데이터를 대상으로 타겟 질환의 발병 가능성에 대한 복수의 질환 관련 인자의 연관성 분석을 수행하여, 연관성이 높은 것으로 도출된 질환 관련 인자를 질환 연관성 요인 후보로 선정하는 질환 연관성 분석부를 더 포함할 수 있다.
본 발명의 일 실시예에 따르면 상기 연관성 분석 수행부는, 텍스트 기반의 질환 관련 자료가 저장된 데이터 베이스로부터 크롤링을 이용하여 복수의 데이터를 수집하고, 수집된 복수의 데이터를 대상으로 텍스트 마이닝을 수행하여 질환 연관성 요인 후보를 선정하는 빅데이터 분석부를 더 포함할 수 있다.
본 발명의 일 실시예에 따르면 상기 연관성 분석 수행부는, 타겟 질환과 질환 관련 인자에 대한 영향을 주제로 한 복수의 질환 관련 자료를 메타 분석 모델에 입력하여, 상기 복수의 질환 관련 자료 별로 질환 관련 인자별의 효과 크기를 산출하여, 상기 효과 크기에 따라 질환 연관성 요인 후보를 선정하는 메타 분석 수행부를 더 포함할 수 있다.
본 발명의 일 실시예에 따르면 상기 질환 연관성 요인 선정부는, 질환 연관성 분석, 빅데이터 분석, 메타 분석 중 적어도 하나 이상의 분석을 수행하여 생성된 복수의 질환 연관성 요인 후보를 각각 대비하여 생성된 질환 연관성 요인 후보들 모두에 포함되어 있는 질환 관련 인자만을 질환 연관성 요인으로 선정할 수 있다.
본 발명의 일 실시예에 따르면 상기 데이터 전처리부는, 선정된 적어도 하나의 질환 연관성 요인에 포함된 질환 관련 인자에 대한 개별 검진 결과값을 검진 결과 데이터로부터 수집하고, 수집된 개별 검진 결과값을 시계열로 나열하는 전처리를 수행하여 전체 검진 대상 기간별 시계열 검진 데이터로 생성할 수 있다.
본 발명의 일 실시예에 따르면 상기 데이터 전처리부는, 미리 설정된 전처리 기준에 따라 선정된 적어도 하나의 질환 연관성 요인에 포함된 질환 관련 인자가 개별 검진 결과값으로는 경향성 기준 또는 판단 기준으로 사용될 수 없는 것으로 분류되는 경우, 경향성 기준 또는 판단 기준으로 사용될 수 있도록 상기 미리 설정된 전처리 기준에 따라 검진 결과 데이터에서 산출 혹은 재가공하는 전처리를 수행하여 전체 검진 대상 기간별 시계열 검진 데이터로 생성할 수 있다.
본 발명의 일 실시예에 따르면 상기 데이터 전처리부는, 상기 미리 설정된 전처리 기준은 질환 관련 인자가 개별 검진 결과값을 전처리 없이 집단 추세 모형에 입력하여 결과 값을 낼 수 없는 질환 관련 인자의 종류에 대한 정보 및 상기 질환 관련 인자의 전처리 방법에 대한 정보를 포함할 수 있다.
본 발명의 일 실시예에 따르면 상기 데이터 그룹 분류부는, 각 그룹에 포함된 인원들의 검진 결과 데이터에 포함된 질환 연관성 요인 별 개별 검진 결과값들을 대상으로 궤적 형태를 추정하여 각 그룹별로 궤적 형태의 차이를 대비하여 분류된 그룹의 분류 적합도를 검증할 수 있다.
본 발명의 일 실시예에 따르면 상기 시계열 특성 변수화부는, 각 그룹에 포함된 인원들의 검진 결과 데이터에 포함된 질환 연관성 요인 별 개별 검진 결과값들을 시간 변동 공변량 산출 모델에 입력하여 시간의 흐름에 따라 개별 검진 결과값에 대한 영향력을 각 시점별 공변량으로 산출하며, 산출된 상기 각 시점별 공변량을 시계열 특성 변수로 사용하는 시점별 공변량 산출부를 더 포함할 수 있다.
본 발명의 일 실시예에 따르면 상기 시계열 특성 변수화부는, 각 그룹에 포함된 인원들의 검진 결과 데이터에 포함된 질환 연관성 요인 별 개별 검진 결과값들을 시간 의존 연관성 산출 모델에 입력하여 COX 모델에 입력될 독립변수와 종속 변수 간의 시점 별 연관성 크기를 산출하며, 산출된 상기 각 시점별 연관성 크기를 시계열 특성 변수로 사용하는 시간 의존 연관성 산출부를 더 포함할 수 있다.
본 발명의 실시예에 따르면 시간 변동성 기반의 질환 연관성 요인 분석을 통한 질환 발병 정보 생성 방법은 다수의 인원의 시간의 흐름에 따른 검진 결과를 포함한 검진 결과 데이터 또는 복수의 질환 관련 자료를 입력 받아 질환 연관성 요인 후보를 선정하는 복수의 분석을 수행하는 단계; 상기 복수의 분석 별 질환 연관성 요인 후보로 선정된 복수의 질환 관련 인자 중 서로 겹치는 정도에 따라 적어도 하나의 질환 연관성 요인을 선정하는 단계; 상기 선정된 적어도 하나의 질환 연관성 요인에 대한 다수의 인원의 검진 결과 데이터 중 데이터의 2차 가공이 필요한 질환 연관성 요인을 대상으로 미리 설정된 전처리 기준에 따라 데이터를 가공하는 단계; 집단 추세 모형을 이용하여 시간의 흐름에 따른 적어도 하나의 질환 연관성 요인에 대한 다수의 인원의 검진 결과 데이터에 포함된 개별 검진 결과값들의 변화를 기준으로 상기 다수의 인원을 그룹핑 하여 복수의 그룹을 생성하는 단계; 생성된 상기 복수의 그룹에 포함된 다수의 인원의 질환 연관성 요인에 대한 검진 결과 데이터를 대상으로 각 그룹별로 시계열 특성 변수화를 수행하여 시간의 흐름에 따른 검진 결과에 미치는 영향력을 적어도 하나의 시계열 특성 변수로 산출하는 단계; 상기 질환 연관성 요인에 대한 검진 결과 데이터를 대상으로 산출된 상기 적어도 하나의 시계열 특성 변수를 적용하고, 적용된 다수의 인원의 질환 연관성 요인에 대한 검진 결과 데이터를 대상으로 각 그룹별로 COX 회귀 분석을 수행하여 각 그룹 별로 질병 발생 위험도를 계산하는 단계; 및 계산된 각 그룹 별 질병 발생 위험도를 차이값을 이용하여 위험도 변화량을 산출하여 발병 예상 정보를 생성하는 단계를 포함할 수 있다.
본 발명의 일 실시예에 따르면 상기 복수의 분석을 수행하는 단계는, 다수의 인원의 시간의 흐름에 따른 검진 결과를 포함한 검진 결과 데이터 또는 복수의 질환 관련 자료를 입력받아 타겟 질환에 대하여 질환 연관성 분석, 빅데이터 분석, 메타 분석 중 적어도 하나 이상의 분석을 수행할 수 있다.
본 발명의 일 실시예에 따르면 상기 복수의 분석을 수행하는 단계는, 다수의 인원의 시간의 흐름에 따른 검진 결과를 포함한 검진 결과 데이터를 대상으로 타겟 질환의 발병 가능성에 대한 복수의 질환 관련 인자의 연관성 분석을 수행하여, 연관성이 높은 것으로 도출된 질환 관련 인자를 질환 연관성 요인 후보로 선정하는 단계를 더 포함할 수 있다.
본 발명의 일 실시예에 따르면 상기 복수의 분석을 수행하는 단계는, 텍스트 기반의 질환 관련 자료가 저장된 데이터 베이스로부터 크롤링을 이용하여 복수의 데이터를 수집하고, 수집된 복수의 데이터를 대상으로 텍스트 마이닝을 수행하여 질환 연관성 요인 후보를 선정하는 단계를 더 포함할 수 있다.
본 발명의 일 실시예에 따르면 상기 복수의 분석을 수행하는 단계는, 타겟 질환과 질환 관련 인자에 대한 영향을 주제로 한 복수의 질환 관련 자료를 메타 분석 모델에 입력하여, 상기 복수의 질환 관련 자료 별로 질환 관련 인자별의 효과 크기를 산출하여, 상기 효과 크기에 따라 질환 연관성 요인 후보를 선정하는 단계를 더 포함할 수 있다.
본 발명의 일 실시예에 따르면 상기 질환 연관성 요인을 선정하는 단계는, 질환 연관성 분석, 빅데이터 분석, 메타 분석 중 적어도 하나 이상의 분석을 수행하여 생성된 복수의 질환 연관성 요인 후보를 각각 대비하여 생성된 질환 연관성 요인 후보들 모두에 포함되어 있는 질환 관련 인자만을 질환 연관성 요인으로 선정할 수 있다.
본 발명의 일 실시예에 따르면 상기 데이터를 가공하는 단계는, 정된 적어도 하나의 질환 연관성 요인에 포함된 질환 관련 인자에 대한 개별 검진 결과값을 검진 결과 데이터로부터 수집하고, 수집된 개별 검진 결과값을 시계열로 나열하는 전처리를 수행하여 전체 검진 대상 기간별 시계열 검진 데이터로 생성할 수 있다.
본 발명의 일 실시예에 따르면 상기 데이터를 가공하는 단계는, 미리 설정된 전처리 기준에 따라 선정된 적어도 하나의 질환 연관성 요인에 포함된 질환 관련 인자가 개별 검진 결과값으로는 경향성 기준 또는 판단 기준으로 사용될 수 없는 것으로 분류되는 경우, 경향성 기준 또는 판단 기준으로 사용될 수 있도록 상기 미리 설정된 전처리 기준에 따라 검진 결과 데이터에서 산출 혹은 재가공하는 전처리를 수행하여 전체 검진 대상 기간별 시계열 검진 데이터로 생성할 수 있다.
본 발명의 일 실시예에 따르면 상기 데이터를 가 공하는 단계는, 상기 미리 설정된 전처리 기준은 질환 관련 인자가 개별 검진 결과값을 전처리 없이 집단 추세 모형에 입력하여 결과 값을 낼 수 없는 질환 관련 인자의 종류에 대한 정보 및 상기 질환 관련 인자의 전처리 방법에 대한 정보를 포함할 수 있다.
본 발명의 일 실시예에 따르면 상기 복수의 그룹을 생성하는 단계는, 각 그룹에 포함된 인원들의 검진 결과 데이터에 포함된 질환 연관성 요인 별 개별 검진 결과값들을 대상으로 궤적 형태를 추정하여 각 그룹별로 궤적 형태의 차이를 대비하여 분류된 그룹의 분류 적합도를 검증할 수 있다.
본 발명의 일 실시예에 따르면 상기 시계열 특성 변수로 산출하는 단계는, 각 그룹에 포함된 인원들의 검진 결과 데이터에 포함된 질환 연관성 요인 별 개별 검진 결과값들을 시간 변동 공변량 산출 모델에 입력하여 시간의 흐름에 따라 개별 검진 결과값에 대한 영향력을 각 시점별 공변량으로 산출하며, 산출된 상기 각 시점별 공변량을 시계열 특성 변수로 사용하는 단계를 더 포함할 수 있다.
본 발명의 일 실시예에 따르면 상기 시계열 특성 변수로 산출하는 단계는,
각 그룹에 포함된 인원들의 검진 결과 데이터에 포함된 질환 연관성 요인 별 개별 검진 결과값들을 시간 의존 연관성 산출 모델에 입력하여 COX 모델에 입력될 독립변수와 종속 변수 간의 시점 별 연관성 크기를 산출하며, 산출된 상기 각 시점별 연관성 크기를 시계열 특성 변수로 사용하는 단계를 더 포함할 수 있다.
본 발명의 실시예에 따라 구현된 시간 변동성 기반의 질환 연관성 요인 분석을 통한 질환 발병 정보 생성 기술을 이용하여 개인별 누적 검진 결과 데이터를 입력하여 종래의 특정 시점을 기준으로만 질병 발생을 예측하는 1차원적인 분석에서 벗어나 시계열적으로 검진 결과 데이터를 분석함으로써 질환 연관성 요인을 종합적이고도 시간의 흐름에 따라 변동되는 발병 위험도 정보까지도 제공할 수 있는 효과를 제공할 수 있다.
도 1은 본 발명의 실시예에 따라 구현된 시간 변동성 기반의 질환 연관성 요인 분석을 통한 질환 발병 정보 생성 장치의 구성도이다.
도 2는 도 1에서 도시된 연관성 분석 수행부의 세부 구성도이다.
도 3은 도 1에서 도시된 시계열 특성 변수화부의 세부 구성도이다.
도 4는 본 발명의 일 실시예에 따라 구현된 시간 변동성 기반의 질환 연관성 요인 분석을 통한 질환 발병 정보 생성 장치의 데이터 흐름도이다.
도 5는 본 발명의 일 실시예에 따라 위험도 변화량을 포함하는 발병 예상 정보를 이용하여 산출된 기대여명 그래프를 나타낸 도면이다.
도 6은 본 발명의 일 실시예에 따른 시간 변동성 기반의 질환 연관성 요인 분석을 통한 질환 발병 정보 생성 방법의 흐름도이다.
아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시 예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다.
본 발명에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.
본 발명에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 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 발명에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
또한 도면들의 각 블록과 흐름도 도면들의 조합들은 컴퓨터 프로그램 인스트럭션들에 의해 수행될 수 있음을 이해할 수 있을 것이며, 이들 컴퓨터 프로그램 인스트럭션들은 범용 컴퓨터, 특수용 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서에 탑재될 수 있으므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서를 통해 수행되는 그 인스트럭션들이 흐름도 블록(들)에서 설명된 기능들을 수행하는 수단을 생성하게 된다.
이들 컴퓨터 프로그램 인스트럭션들은 특정 방식으로 기능을 구현하기 위해 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 지향할 수 있는 컴퓨터 이용 가능 또는 컴퓨터 판독가능 메모리에 저장되는 것도 가능하므로, 그 컴퓨터 이용가능 또는 컴퓨터 판독 가능 메모리에 저장된 인스트럭션들은 흐름도 블록(들)에서 설명된 기능을 수행하는 인스트럭션 수단을 내포하는 제조 품목을 생산하는 것도 가능하다.
컴퓨터 프로그램 인스트럭션들은 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에 탑재되는 것도 가능하므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에서 일련의 동작 단계들이 수행되어 컴퓨터로 실행되는 프로세스를 생성해서 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 수행하는 인스트럭션들은 흐름도 블록(들)에서 설명된 기능들을 실행하기 위한 단계들을 제공하는 것도 가능하다.
또한, 각 블록은 특정된 논리적 기능(들)을 실행하기 위한 하나 이상의 실행 가능한 인스트럭션들을 포함하는 모듈, 세그먼트 또는 코드의 일부를 나타낼 수 있다.
그리고 몇 가지 대체 실시예들에서는 블록들에서 언급된 기능들이 순서를 벗어나서 발생하는 것도 가능함을 주목해야 한다. 예컨대, 잇달아 도시되어 있는 두 개의 블록들은 사실 실질적으로 동시에 수행되는 것도 가능하고 또는 그 블록들이 때때로 해당하는 기능에 따라 역순으로 수행되는 것도 가능하다.
이 때, 본 실시예에서 사용되는 '~부'라는 용어는 소프트웨어 또는 FPGA(field-Programmable Gate Array) 또는 ASIC(Application Specific Integrated Circuit)과 같은 하드웨어 구성요소를 의미하며, '~부'는 어떤 역할들을 수행한다.
그렇지만 '~부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '~부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다.
따라서, 일 예로서 '~부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들, 및 변수들을 포함한다. 구성요소들과 '~부'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '~부'들로 결합되거나 추가적인 구성요소들과 '~부'들로 더 분리될 수 있다. 뿐만 아니라, 구성요소들 및 '~부'들은 디바이스 또는 보안 멀티미디어카드 내의 하나 또는 그 이상의 CPU들을 재생시키도록 구현될 수도 있다.
본 발명의 실시예들을 구체적으로 설명함에 있어서, 특정 시스템의 예를 주된 대상으로 할 것이지만, 본 명세서에서 청구하고자 하는 주요한 요지는 유사한 기술적 배경을 가지는 여타의 통신 시스템 및 서비스에도 본 명세서에 개시된 범위를 크게 벗어나지 아니하는 범위에서 적용 가능하며, 이는 당해 기술분야에서 숙련된 기술적 지식을 가진 자의 판단으로 가능할 것이다.
이하, 도면을 참조하여 본 발명의 실시 예에 따른 시간 변동성 기반의 질환 연관성 요인 분석을 통한 질환 발병 정보 생성 장치 및 그 방법에 대하여 설명한다.
도 1은 본 발명의 실시예에 따라 구현된 시간 변동성 기반의 질환 연관성 요인 분석을 통한 질환 발병 정보 생성 장치의 구성도이다.
본 발명의 일 실시예에 따르면 시간 변동성 기반의 질환 연관성 요인 분석을 통한 질환 발병 정보 생성 장치(1000)은 연관성 분석 수행부(100), 질환 연관성 요인 선정부(200), 데이터 전처리부(300), 데이터 그룹 분류부(400), 시계열 특성 변수화부(500), 위험도 계산부(600), 발병 예상 정보 생성부(700)를 포함할 수 있다.
연관성 분석 수행부(100)는 다수의 인원의 시간의 흐름에 따른 검진 결과를 포함한 검진 결과 데이터 또는 복수의 질환 관련 자료를 입력 받아 질환 연관성 요인 후보를 선정하는 복수의 분석을 수행할 수 있다.
여기서 검진 결과 데이터는 특정 인원이 적어도 한번 이상 수행한 건강 검진의 각 항목별 결과를 데이터 세트 형태로 저장하여 다수의 인원에 대한 인원별 복수의 건강 검진 결과를 포함하는 데이터를 의미할 수 있다.
본 발명의 일 실시예에 따르면 검진 결과 데이터에 포함되는 건강 검진 항목은 공복 혈당 수치, 수축기 혈압 및/또는 이완기 혈압, 총 콜레스테롤 수치 및/또는 고밀도 콜레스테롤 수치(HDL), 저밀도 콜레스테롤 수치(LDL), 체중, 체질량지수(BMI) 등이 포함될 수 있다.
여기서 질환 연관성 요인 후보는 타겟 질환의 발병을 유발하는 요인들을 질환 연관성 요인으로 정의하여, 질환 연관성 요인으로 선정될 수 있을 만한 복수의 요인들을 질환 연관성 요인의 후보군으로 선정한 것을 의미할 수 있다.
본 발명의 일 실시예에 따르면 타겟 질환의 발병을 유발하는 요인으로는 검진 결과 데이터에 포함되는 건강 검진 항목일 수 있으며, 검진 결과 데이터에 포함되는 건강 검진 항목을 한번 또는 복수의 단계를 거쳐 가공하여 생성한 특정 요인일 수 있다.
본 발명의 일 실시예에 따르면 질환 관련 자료는 타겟 질환과 특정 요인과의 발생 연관성 대한 연구 결과 또는 다수의 인원들에 대한 통계 분석 결과 등의 내용을 포함하고 있는 텍스트 기반의 자료를 의미할 수 있으며, 일반적으로 의학 논문, 통계 자료 등이 될 수 있으나 이에 한정되지 아니하고, 텍스트 기반의 타겟 질환과 특정 요인과의 발생 연관성 대한 자료라면 제한 없이 사용될 수 있다.
본 발명의 일 실시예에 따르면 연관성 분석 수행부(100)는 다수의 인원의 시간의 흐름에 따른 검진 결과를 포함한 검진 결과 데이터 또는 복수의 질환 관련 자료를 입력 받아 타겟 질환에 대하여 질환 연관성 분석, 빅데이터 분석, 메타 분석 중 적어도 하나 이상의 분석을 수행할 수 있다.
본 발명의 일 실시예에 따르면 연관성 분석 수행부(100)는 검진 결과 데이터 또는 복수의 질환 관련 자료를 입력 받아 질환 연관성 분석, 빅데이터 분석, 메타 분석을 모두 수행하여 각 분석 결과에 따른 3개의 질환 연관성 요인 후보를 선정할 수 있다.
질환 연관성 요인 선정부(200)는 복수의 분석 별 질환 연관성 요인 후보로 선정된 복수의 질환 관련 인자 중 서로 겹치는 정도에 따라 적어도 하나의 질환 연관성 요인을 선정할 수 있다.
본 발명의 일 실시예에 따르면 검진 결과 데이터 또는 복수의 질환 관련 자료를 입력 받아 질환 연관성 분석, 빅데이터 분석, 메타 분석 중 적어도 하나 이상을 수행하여 각 분석 결과에 따라 생성된 적어도 2개 이상의 질환 연관성 요인 후보 사이에 적어도 2개 이상 공통되게 포함된 요인들만 질환 연관성 요인으로 선정하여 질환 연관성 요인 리스트를 생성할 수 있다.
본 발명의 일 실시예에 따르면 질환 연관성 요인 선정부(200)는 질환 연관성 분석, 빅데이터 분석, 메타 분석 중 적어도 하나 이상의 분석을 수행하여 생성된 복수의 질환 연관성 요인 후보를 각각 대비하여 생성된 질환 연관성 요인 후보들 모두에 포함되어 있는 질환 관련 인자만을 질환 연관성 요인으로 선정할 수 있다.
상기 일 실시예에 따르면 검진 결과 데이터 또는 복수의 질환 관련 자료를 입력 받아 질환 연관성 분석, 빅데이터 분석, 메타 분석을 모두 수행하여 생성된 각 분석 결과에 따른 3개의 질환 연관성 요인 후보에 모두 포함된 요인들만 질환 연관성 요인으로 선정하여 질환 연관성 요인 리스트를 생성할 수 있다.
상기 일 실시예에 따르면 질환 연관성 분석, 빅데이터 분석, 메타 분석을 모두 수행하여 생성된 각 분석 결과에 따른 3개의 질환 연관성 요인 후보에 모두 포함된 요인들만 질환 연관성 요인으로 선정하는 이유는 수많은 요인 중 해당 질환의 유발에 상대적으로 높은 영향력을 미치는 요인을 보수적으로 선정하기 위함이며, 이에 따라 분석에 소요되는 연산 자원 및 시간의 절감이 가능하며 그 정확도 또한 상승되는 효과를 얻을 수 있다.
데이터 전처리부(300)는 선정된 적어도 하나의 질환 연관성 요인에 대한 다수의 인원의 검진 결과 데이터 중 데이터의 2차 가공이 필요한 질환 연관성 요인을 대상으로 미리 설정된 전처리 기준에 따라 데이터를 가공할 수 있다.
본 발명의 일 실시예에 따르면 미리 설정된 전처리 기준으로는 다음 기준들이 존재하나 이에 국한되지 아니하고 검진 결과 데이터에 포함된 건강 검진의 각 항목별 결과를 가공하여 질환 연관성 요인을 명확하게 할 수 있는 요인으로 도출할 수 있다면 제한없이 사용될 수 있다.
본 발명의 일 실시예에 따르면 데이터 전처리부(300)는 미리 설정된 전처리 기준에 따라 선정된 적어도 하나의 질환 연관성 요인에 포함된 질환 관련 인자가 개별 검진 결과값으로는 경향성 기준 또는 판단 기준으로 사용될 수 없는 것으로 분류되는 경우, 경향성 기준 또는 판단 기준으로 사용될 수 있도록 미리 설정된 전처리 기준에 따라 검진 결과 데이터에서 산출 혹은 재가공하는 전처리를 수행하여 전체 검진 대상 기간별 시계열 검진 데이터로 생성할 수 있다.
본 발명의 일 실시예에 따르면 전처리 기준은 아래와 같을 수 있으나 이에 한정되지 아니하고, 경향성 기준 또는 판단 기준으로 사용될 수 있도록 전처리하는 것이라면 제한 없이 사용될 수 있다.
[전처리 기준]
(1) 공복 혈당을 이용하여 당뇨 유무 데이터로 전처리
: 공복혈당 < 100 (정상),
100 ≤ 공복혈당 <126 (공복혈당장애)
126 < 공복혈당 (당뇨)
(2) 수축기 또는 이완기 혈압을 이용하여 고혈압 여부 데이터로 전처리
: 수축기 혈압 < 120 or 이완기 혈압 < 80 (정상)
120 ≤ 수축기 혈압 < 140 or 80 ≤이완기 혈압<90 (전고혈압)
140 ≤ 수축기 혈압 < 160 or 90 ≤ 이완기 혈압 < 100 (1단계 고혈압)
160 <= 수축기 혈압 or 100 ≤ 이완기 혈압 (2단계 고혈압)
(3) 총 콜레스테롤양 혹은 LDL을 이용한 이상지질혈증 유무 데이터로 전처리
(4) BMI을 이용한 비만도 데이터로 전처리
: BMI < 18.5 (저체중)
18.5 ≤ BMI < 25.0 (정상)
25.0 ≤ BMI < 30.0 (과체중)
30 ≤ BMI (비만)
30.0 ≤ BMI < 35.0 (중도비만)
35.0 ≤ BMI < 40.0 (고도비만)
40 ≤ BMI (초고도비만)
본 발명의 일 실시예에 따르면 데이터 전처리부(300)는 선정된 적어도 하나의 질환 연관성 요인에 포함된 질환 관련 인자에 대한 개별 검진 결과값을 검진 결과 데이터로부터 수집하고, 수집된 개별 검진 결과값을 시계열로 나열하는 전처리를 수행하여 전체 검진 대상 기간별 시계열 검진 데이터로 생성할 수 있다.
본 발명의 일 실시 예에 따르면 수집된 개별 검진 결과값을 시계열로 나열하는 전처리를 수행하여 전체 검진 대상 기간별 시계열 검진 데이터로 생성하는 과정에 있어 전체 검진 대상 기간별 시계열 검진 데이터 상의 결측치가 존재하는 경우, 결측치 값을 제거하는 전처리를 수행할 수 있으며, 또 다른 실시예에 따르면 통계적인 대체(imputation)방식을 이용하여 해당 결측치의 값을 추정하여 추정한 값을 결측치 항목에 추가하는 전처리를 수행할 수 있으며, 또 다른 실시예에 따르면 인공신경망 기반의 머신 러닝 기법을 이용하여 결측치를 보완하는 전처리를 수행할 수도 있다.
본 발명의 일 실시예에 따르면 데이터 전처리부(300)는 미리 설정된 전처리 기준은 질환 관련 인자가 개별 검진 결과값을 전처리 없이 집단 추세 모형에 입력하여 결과 값을 낼 수 없는 질환 관련 인자의 종류에 대한 정보 및 상기 질환 관련 인자의 전처리 방법에 대한 정보를 포함할 수 있다.
여기서 집단 추세 모형이란 시간에 따른 행동 유형을 군집으로 분류하고, 각 그룹의 궤적 형태를 추정하여 그룹 수와 자료와의 최적 적합도를 갖는 그룹의 수를 검증하는 방법을 의미할 수 있다.
데이터 그룹 분류부(400)는 집단 추세 모형을 이용하여 시간의 흐름에 따른 적어도 하나의 질환 연관성 요인에 대한 다수의 인원의 검진 결과 데이터에 포함된 개별 검진 결과값들의 변화를 기준으로 상기 다수의 인원을 그룹핑을 하여 복수의 그룹을 생성할 수 있다.
본 발명의 일 실시예에 따르면 데이터 그룹 분류부(400)는 어도 하나의 질환 연관성 요인에 대한 다수의 인원의 검진 결과 데이터에 포함된 개별 검진 결과값을 집단 추세 모형에 입력하여 자료의 개별 관찰치가 각 그룹에 속할 확률을 계산하여 종속변수 확률 밀도 함수의 속성에 따라 시점에 따라 각기 다른 분포를 가정하고 추정함으로써 아래 수학식 1과 같이 개별 검진 결과값들의 변화에 따라 각 그룹에 다수의 인원이 포함되는 복수의 그룹을 생성할 수 있다.
Figure PCTKR2022009112-appb-img-000001
Figure PCTKR2022009112-appb-img-000002
Figure PCTKR2022009112-appb-img-000003
Figure PCTKR2022009112-appb-img-000004
본 발명의 일 실시예에 따르면 수학식 1과 같이 종속 변수의 확률밀도 함수는 특정 그룹에 소속될 확률과 특정 그룹 구성원들의 종속변수 확률밀도 함수 곱의 총합으로 표현될 수 있으며, 특정 그룹 구성원의 종속 변수는 매 시점마다 상호독립성을 지니고 있으므로 종속변수의 확률밀도 함수는 매시점별 해당 확률밀도 함수의 곱으로 계산할 수 있다.
본 발명의 일 실시예에 따르면 데이터 그룹 분류부(400)는 각 그룹에 포함된 인원들의 검진 결과 데이터에 포함된 질환 연관성 요인 별 개별 검진 결과값들을 대상으로 궤적 형태를 추정하여 각 그룹별로 궤적 형태의 차이를 대비하여 분류된 그룹의 분류 적합도를 검증할 수 있다.
본 발명의 일 실시예에 따르면 집단 추세 모형을 이용하여 각 그룹의 궤적과 각 그룹에서 사례 수 비율을 함께 주정하기 위하여 최대우도추정법을 이용할 수 있으며, 자료에 나타난 개인의 사건 궤적 내용을 상대적으로 가장 잘 묘사하는 최종 모델의 선정 여부는 베이지안 정보지수(BIC)를 기준으로 결정할 수 있고, 이 때 BIC 값이 낮을수록 상대적으로 자료에 나타난 개인의 사건 궤적 내용을 상대적으로 더 묘사하는 모델로 평가할 수 있다.
시계열 특성 변수화부(500)는 생성된 복수의 그룹에 포함된 다수의 인원의 질환 연관성 요인에 대한 검진 결과 데이터를 대상으로 각 그룹별로 시계열 특성 변수화를 수행하여 시간의 흐름에 따른 검진 결과에 미치는 영향력을 적어도 하나의 시계열 특성 변수로 산출할 수 있다.
본 발명의 일 실시예에 따르면 시계열 특성 변수화부(500)는 복수의 그룹에 포함된 다수의 인원의 질환 연관성 요인에 대한 검진 결과 데이터를 대상으로 각 그룹별로 시계열 특성 변수화를 수행하여 각 시점별로 적어도 하나 이상의 시계열 특성 변수로 산출할 수 있다.
본 발명의 일 실시예에 따르면 각 그룹별로 시계열 특성 변수화를 수행하여 각 시점별 시계열 특성 변수를 산출하기 위하여 시간 변동 공변량 산출 모델을 이용하는 실시예 및 시간 의존 연관성 산출 모델을 이용하는 실시예가 존재할 수 있다.
본 발명의 일 실시예에 따르면 각 그룹별로 시계열 특성 변수화를 수행하여 각 시점별 시계열 특성 변수를 산출하는 것은 각 시점별로 타겟 질환 유발 요인이 해당 질환에 대한 영향력이 다를 수 있음에도 불구하고 이후 수행될 COX 회기 분석에서는 각 시점별로 위험이 일정하다는 "비례위험"을 가정하고 있으므로, 시계열 특성 변수화 없이 이를 각 시점별로 위험도를 일괄적으로 계산함으로써 발생할 수 있는 오차를 시간 개념을 반영한 시계열적 분석을 통해 보완하기 위함이며, 이를 통해 종래의 질환 유발 요인을 분석하는 기법에 비해 상대적으로 더 정확한 정확도를 확보할 수 있다.
본 발명에 따라 각 그룹별로 시계열 특성 변수화를 수행하기 위해 시간 변동 공변량 산출 모델을 이용하는 실시예 및 시간 의존 연관성 산출 모델을 이용하는 실시예에 대해서는 도 3을 참조하며 자세히 설명하도록 한다.
위험도 계산부(600)는 질환 연관성 요인에 대한 검진 결과 데이터를 대상으로 산출된 상기 적어도 하나의 시계열 특성 변수를 적용하고, 적용된 다수의 인원의 질환 연관성 요인에 대한 검진 결과 데이터를 대상으로 각 그룹별로 COX 회귀 분석을 수행하여 각 그룹 별로 질병 발생 위험도를 계산할 수 있다.
본 발명의 일 실시예에 따르면 위험도 계산부(600)는 산출된 적어도 하나의 시계열 특성 변수를 질환 연관성 요인에 대한 검진 결과 데이터에 적용시킬 수 있으며, 질환 연관성 요인에 대한 검진 결과 데이터의 각 시점별 질환 유발 요인의 수치에 각 시점 별로 산출된 시계열 특성 변수를 곱하는 식으로 적용을 수행할 수 있다.
본 발명의 일 실시 예에 따르면 시계열 특성 변수가 적용된 질환 연관성 요인에 대한 검진 결과 데이터로 이루어진 각 그룹을 대상으로 각 그룹 별로 COX 회귀 분석을 수행하여 각 그룹 별로 질병 발생 위험도를 계산할 수 있다.
본 발명의 일 실시예에 다르면 시계열 특성 변수가 적용된 질환 연관성 요인에 대한 검진 결과 데이터를 각 그룹별로 COX 회귀 분석 모델에 입력하여 COX 회귀 분석을 수행하면, 각 그룹간 각 시점별 생존율 데이터가 산출될 수 있다.
본 발명의 일 실시예에 따르면 COX 회귀 분석을 수행하여 산출된 각 그룹간 각 시점별 생존율 데이터의 역수 값을 각 그룹 별로 질병 발생 위험도를 계산할 수 있다.
발병 예상 정보 생성부(700)는 계산된 각 그룹 별 질병 발생 위험도를 차이값을 이용하여 위험도 변화량을 산출하여 발병 예상 정보를 생성할 수 있다.
본 발명의 일 실시예에 따르면 발병 예상 정보 생성부(700)는 계산된 각 그룹 별 질병 발생 위험도를 각 시점별로 대비하여 각 그룹별 특정 시점에서의 위험도 변화량을 산출할 수 있으며, 이를 기반으로 발병 예상 정보를 생성할 수 있다.
본 발명의 일 실시예에 따르면 산출된 각 그룹별 특정 시점에서의 위험도 변화량의 평균값을 해당 시점의 위험도 변화량으로 특정하여 이를 기반으로 이후 시점에서의 발병 예상율을 산정하여 발병 예상 정보를 생성할 수 있다.
본 발명의 일 실시예에 따르면 발병 예상 정보는 시간의 흐름에 따라 적어도 하나의 질환 유발 요인을 가진 사람이 해당 질환이 발병할 확률 또는 위험율을 그래프 형태로 나타내어 각 그래프별로 위험 단계, 중간 단계, 비위험 단계로 구분한 것일 수 있으나 시간의 흐름에 따라 발병에 대한 예상 정보를 나타낼 수 있는 것이라면 제한없이 사용될 수 있다.
도 2는 도 1에서 도시된 연관성 분석 수행부의 세부 구성도이다.
도 2를 참조하면 도 1에서 도시된 연관성 분석 수행부(100)는 질환 연관성 분석부(110), 빅데이터 분석부(120), 메타 분석 수행부(130)을 포함할 수 있다.
질환 연관성 분석부(110)는 다수의 인원의 시간의 흐름에 따른 검진 결과를 포함한 검진 결과 데이터를 대상으로 타겟 질환의 발병 가능성에 대한 복수의 질환 관련 인자의 연관성 분석을 수행하여, 연관성이 높은 것으로 도출된 질환 관련 인자를 질환 연관성 요인 후보로 선정할 수 있다.
본 발명의 일 실시예에 따르면 질환 연관성 분석부(110)는 다수의 인원의 시간의 흐름에 따른 검진 결과를 포함한 검진 결과 데이터를 질환 연관성 분석 모델에 입력하여 타겟 질환의 발병 가능성에 대한 복수의 질환 관련 인자의 연관성 분석을 수행할 수 있다.
본 발명의 일 실시예에 따르면 질환 연관성 분석 모델은 인공 신경망 기반의 딥러닝 모델로 구현될 수 있으며, 다수의 인원의 시간의 흐름에 따른 검진 결과를 포함한 검진 결과 데이터를 입력 받으면 질환과 연관성이 상대적으로 높은 적어도 하나의 검진 결과 항목을 도출하도록 학습될 수 있다.
본 발명의 다른 일 실시예에 따르면 질환 연관성 분석 모델은 입력 받은 다수의 인원의 시간의 흐름에 따른 검진 결과를 포함한 검진 결과 데이터를 대상으로 상관 분석을 수행하는 모델일 수 있으며, 이를 통해 질환과 연관성이 상대적으로 높은 적어도 하나의 검진 결과 항목을 도출하여 복수의 질환 관련 인자의 연관성 분석을 수행할 수 있다.
빅데이터 분석부(120)는 텍스트 기반의 질환 관련 자료가 저장된 데이터 베이스로부터 크롤링을 이용하여 복수의 데이터를 수집하고, 수집된 복수의 데이터를 대상으로 텍스트 마이닝을 수행하여 질환 연관성 요인 후보를 선정할 수 있다.
본 발명의 일 실시예에 따르면 빅데이터 분석부(120)는 NCBI DB, OMIM, Diseases Card, open DB 등의 데이터 베이스로부터 텍스트 기반의 데이터를 크롤링을 통해 각 질환명, 관련 항목, 원인 정보 등을 대상으로 수집을 수행하고, 수집된 데이터의 텍스트 마이닝 작업을 통하여 유의한 관련 항목을 선별하여 도출하여 타겟 질환과 복수의 질환 관련 인자와의 연관성 분석을 수행할 수 있다.
메타 분석 수행부(130)는 타겟 질환과 질환 관련 인자에 대한 영향을 주제로 한 복수의 질환 관련 자료를 메타 분석 모델에 입력하여, 복수의 질환 관련 자료 별로 질환 관련 인자별의 효과 크기를 산출하여, 효과 크기에 따라 질환 연관성 요인 후보를 선정할 수 있다.
본 발명의 일 실시예에 따르면 질환 관련 인자는 특정 질환의 발병에 영양을 미칠 수 있는 요인에 대한 것을 의미하며, 다른 질병 유무, 건강 검진 결과값이 미리 설정된 일정 범위 내인지 여부 등일 수 있으나, 이에 한정되지 아니하고 기타 질환 발병에 영향을 미칠 수 있는 요인이라면 제한 없이 사용될 수 있다.
본 발명의 일 실시 예에 따르면 메타 분석은 복수의 질환 관련 자료들을 메타 분석 모델에 입력하여 질환 관련 자료별 분석 정보 기반의 데이터 세트를 생성하고 해당 데이터 세트를 대상으로 질환 관련 인자의 주제에 부합하는 효과 크기, 즉 해당 질환 관련 인자가 특정 질환에 영향을 미치는 크기를 산출하고, 효과 크기를 이용하여 타겟 질환 영향력 점수를 측정함으로써 이에 따라 질환 연관성 요인 후보로 선별하는 것을 의미할 수 있다.
본 발명의 일 실시예에 따르면 효과 크기를 추출하기 위한 방법은 다양하게 존재할 수 있으며, 추출하는 효과크기의 종류는 주제에 따라 상이한데, 표준화 평균차(Standardized mean difference)를 기준으로 한 효과크기, 상관계수를 기준으로 한 효과 크기, 그리고 오즈비(odds ratio)를 기준으로 한 효과 크기 등을 사용할 수 있다.
본 발명의 일 실시예에 따르면 오즈비(odds ratio)를 기준으로 효과 크기를 산출하기 위하여 각 질환 관련 인자 별로 질환에 대한 영향력의 크기(연관성 크기)에 대한 지표인 오즈비(odds ratio, OR)와 95% 신뢰구간(95% Confidence Interval, CI)을 토대로 효과크기를 추정할 수 있으며. 각 개별 질환 관련 자료의 오즈비를 종합하여 종합 효과크기(overall OR)를 산출할 수 있다.
본 발명의 일 실시예에 따르면 산출한 효과 크기를 이용하여 질환 관련 인자별로 타겟 질환 영향력 점수를 측정하기 위하여 역분산 추정법(generic inverse variance estimation method)을 이용할 수 있다.
역분산 추정법은 메타분석에서 가중치를 주기위해 사용되는 방법으로, 추정된 효과크기의 분산의 역수를 개별 질환 관련 자료의 가중치로 사용할 수 있다.
역분산 추정법을 사용하는 본 발명의 일 실시예에 따르면 표본수가 큰 연구에 대한 질환 관련 자료는 작은 분산을 가지고, 분산의 역수는 커지게 될 것이므로, 표본수가 큰 연구에 대한 질환 관련 자료에 더 큰 가중치를 주는 것으로 사용될 수 있다.
상기 일 실시예에 따르면 각 질환 관련 자료의 오즈비에 자연로그를 취한
Figure PCTKR2022009112-appb-img-000005
를 산출하고,
Figure PCTKR2022009112-appb-img-000006
에 대한 표준오차(SE)를 계산하고, 계산된 표준오차의 제곱의 역수를 가중치
Figure PCTKR2022009112-appb-img-000007
로 산출할 수 있으며, 아래 수학식 2와 같이 산출된 각 질환 관련 자료의 가중치를 오즈비에 곱한 값을 모두 합하여 종합적인 효과 크기(ORpooled)를 계산할 수 있다.
Figure PCTKR2022009112-appb-img-000008
Figure PCTKR2022009112-appb-img-000009
Figure PCTKR2022009112-appb-img-000010
도 3은 도 1에서 도시된 시계열 특성 변수화부의 세부 구성도이다.
도 3을 참조하면 본 발명의 일 실시예에 따른 도 1에서 도시된 시계열 특성 변수화부(500)는 시점별 공변량 산출부(510), 시간 의존 연관성 산출부(520)를 더 포함할 수 있다.
시점별 공변량 산출부(510)는 각 그룹에 포함된 인원들의 검진 결과 데이터에 포함된 질환 연관성 요인 별 개별 검진 결과값들을 시간 변동 공변량 산출 모델에 입력하여 시간의 흐름에 따라 개별 검진 결과값에 대한 영향력을 각 시점별 공변량으로 산출하며, 산출된 상기 각 시점별 공변량을 시계열 특성 변수로 사용할 수 있다.
본 발명의 일 실시예에 따르면 시간 변동 공변량 산출 모델은 동일한 질환 연관성 요인에 대하여 여러 시점에서 관측하였을 때, 각 시점별로 과거의 관측값이 현재의 관측값에 영향을 미치게 되므로, 이러한 시점별 영향력을 산출하기 위하여 시간 가변성 공변량(Time-varying covariate)분석을 수행하는 것을 의미한다.
여기서 시간 가변성 공변량 산출 모델은 COX 회기 분석을 기반으로 하는 을 수행함에 있어 시점별로 일정하지 않다는 현상을 반영하기 위한 기법을 의미할 수 있으며, 과거의 관측값이 현재의 관측값에 영향을 미치는 경우가 발생하는 경우 이러한 영향력에 대한 변수를 Time-varying covariate로 정의할 수 있으며, 생존 분석에 있어서 시계열 값이 반영된 특정 변수의 반응변수와의 연관성(
Figure PCTKR2022009112-appb-img-000011
)이 각 시점 별로 달라지는 경우, 각 시점 별 연관성을 Time-Varying Coefficients(
Figure PCTKR2022009112-appb-img-000012
)고 정의할 수 있고, 본 발명의 일 실시예에 따르면 시간 가변성 공변량 산출 모델은 아래 수학식 3과 같이 표현될 수 있다.
Figure PCTKR2022009112-appb-img-000013
시간 의존 연관성 산출부(520)는 각 그룹에 포함된 인원들의 검진 결과 데이터에 포함된 질환 연관성 요인 별 개별 검진 결과값들을 시간 의존 연관성 산출 모델에 입력하여 COX 모델에 입력될 독립변수와 종속 변수 간의 시점 별 연관성 크기를 산출하며, 산출된 상기 각 시점별 연관성 크기를 시계열 특성 변수로 사용할 수 있다.
본 발명의 일 실시예에 따르면 시간 의존 연관성 산출부(520)는 생존분석에서 시간에 따라 값이 변화하는 변수를 반영하기 위하여 extended cox model인 Time-dependent cox를 사용하기 위해 시간 의존 연관성 산출 모델을 이용하여 시점 t에 따라 변화하는 설명변수(X)와 반응변수(Y)간 연관성의 크기를 산출하고 이를 시계열 특성 변수로 정의하고 질환 연관성 요인에 대한 검진 결과 데이터에 적용할 수 있다.
본 발명의 일 실시예에 따르면 extended cox model은 아래 수학식 4와 같이 표현될 수 있다.
Figure PCTKR2022009112-appb-img-000014
도 4는 본 발명의 일 실시예에 따라 구현된 시간 변동성 기반의 질환 연관성 요인 분석을 통한 질환 발병 정보 생성 장치의 데이터 흐름도이다.
도 4를 참조하면 본 발명의 일 실시예에 따른 질환 발병 정보 생성 장치의 각 구성요소별 데이터 흐름이 나타나 있다.
본 발명의 일 실시예에 따르면 질환 발병 정보 생성 장치는 질환 연관성 분석부(110)와 빅데이터 분석부(120)는 다수의 인원의 시간의 흐름에 따른 검진 결과를 포함한 검진 결과 데이터를 입력 받아 질환 연관성 요인 후보를 선정할 수 있으며, 메타 분석 수행부(130)는 복수의 질환 관련 자료를 입력 받아 질환 연관성 요인 후보를 선정할 수 있다.
본 발명의 일 실시예에 따르면 질환 연관성 요인 선정부(200)는 질환 연관성 분석부(110)와 빅데이터 분석부(120), 메타 분석 수행부(130)로부터 분석 별 질환 연관성 요인 후보를 수신하여 적어도 하나의 질환 연관성 요인을 선정할 수 있으며, 데이터 전처리부(300)는 적어도 하나의 질환 연관성 요인에 대한 정보를 질환 연관성 요인 선정부(200)로부터 입력 받아 요인에 대한 다수의 인원의 검진 결과 데이터 중 데이터의 2차 가공이 필요한 질환 연관성 요인을 대상으로 미리 설정된 전처리 기준에 따라 데이터를 2차 가공할 수 있다.
본 발명의 일 실시예에 따르면 데이터 그룹 분류부(400)는 데이터 전처리부(300)로부터 2차 가공된 데이터를 입력 받아 다수의 인원의 검진 결과 데이터에 포함된 개별 검진 결과값들의 변화를 기준으로 상기 다수의 인원을 그룹핑을 수행하여 복수의 그룹을 생성할 수 있다.
본 발명의 일 실시예에 따르면 시점별 공변량 산출부(510)와 시간 의존 연관성 산출부(520)는 데이터 그룹 분류부(400)로부터 생성된 복수의 그룹의 정보 및 다수의 인원의 검진 결과 데이터에 포함된 개별 검진 결과값를 입력 받아 시점별 공변량 산출부(510)는 시간 변동 공변량을 산출하고, 시간 의존 연관성 산출부(520)는 시간 의존 연관성을 산출하여 각 그룹별로 시계열 특성 변수화를 수행하여 시간의 흐름에 따른 검진 결과에 미치는 영향력을 적어도 하나의 시계열 특성 변수로 산출할 수 있다.
본 발명의 일 실시예에 따르면 위험도 계산부(600)는 시점별 공변량 산출부(510)와 시간 의존 연관성 산출부(520)로부터 적어도 하나의 시계열 특성 변수를 수신 받아 질환 연관성 요인에 대한 검진 결과 데이터에 산출된 적어도 하나의 시계열 특성 변수를 적용하고, 적용된 다수의 인원의 질환 연관성 요인에 대한 검진 결과 데이터를 대상으로 각 그룹별로 COX 회귀 분석을 수행하여 각 그룹 별로 질병 발생 위험도를 계산할 수 있다.
본 발명의 일 실시에 따르면 발병 예상 정보 생성부(700)는 위험도 계산부(600)로부터 각 그룹 별로 질병 발생 위험도 수신 받아 계산된 각 그룹 별 질병 발생 위험도를 차이값을 이용하여 위험도 변화량을 산출하여 발병 예상 정보를 생성할 수 있다.
도 5는 본 발명의 일 실시예에 따라 위험도 변화량을 포함하는 발병 예상 정보를 이용하여 산출된 기대여명 그래프를 나타낸 도면이다.
도 5를 참조하면 본 발명의 일 실시예에 따라 기대여명 그래프가 도시되어 있으며, 복수의 발병 예상 정보를 기준으로 정렬하여 각 시점별로 고위험 단계, 중간 단계, 비위험 단계로 질환 연관성 요인을 분류할 수 있고, 이를 이용하여 도 5와 같이 해당 질환 유발 인자를 가지고 있는 사람들의 경과 시간(elapsed time)을 그래프로 생성하여 사용자에게 위험 그룹별로 질환의 발생이 예상되는 발생률(incidence rate)을 제공할 수 있다.
도 6은 본 발명의 일 실시예에 따른 시간 변동성 기반의 질환 연관성 요인 분석을 통한 질환 발병 정보 생성 방법의 흐름도이다.
검진 결과 데이터 또는 복수의 질환 관련 자료를 입력 받아 질환 연관성 요인 후보를 선정하는 복수의 분석을 수행한다(S10).
본 발명의 일 실시예에 따르면 다수의 인원의 시간의 흐름에 따른 검진 결과를 포함한 검진 결과 데이터 또는 복수의 질환 관련 자료를 입력 받아 질환 연관성 요인 후보를 선정하는 복수의 분석을 수행할 수 있다.
여기서 검진 결과 데이터는 특정 인원이 적어도 한번 이상 수행한 건강 검진의 각 항목별 결과를 데이터 세트 형태로 저장하여 다수의 인원에 대한 인원별 복수의 건강 검진 결과를 포함하는 데이터를 의미할 수 있다.
본 발명의 일 실시예에 따르면 검진 결과 데이터에 포함되는 건강 검진 항목은 공복 혈당 수치, 수축기 혈압 및/또는 이완기 혈압, 총 콜레스테롤 수치 및/또는 고밀도 콜레스테롤 수치(HDL), 저밀도 콜레스테롤 수치(LDL), 체중, 체질량지수(BMI) 등이 포함될 수 있다.
본 발명의 일 실시예에 따르면 타겟 질환의 발병을 유발하는 요인으로는 검진 결과 데이터에 포함되는 건강 검진 항목일 수 있으며, 검진 결과 데이터에 포함되는 건강 검진 항목을 한번 또는 복수의 단계를 거쳐 가공하여 생성한 특정 요인일 수 있다.
본 발명의 일 실시예에 따르면 질환 관련 자료는 타겟 질환과 특정 요인과의 발생 연관성 대한 연구 결과 또는 다수의 인원들에 대한 통계 분석 결과 등의 내용을 포함하고 있는 텍스트 기반의 자료를 의미할 수 있으며, 일반적으로 의학 논문, 통계 자료 등이 될 수 있으나 이에 한정되지 아니하고, 텍스트 기반의 타겟 질환과 특정 요인과의 발생 연관성 대한 자료라면 제한 없이 사용될 수 있다.
본 발명의 일 실시예에 따르면 다수의 인원의 시간의 흐름에 따른 검진 결과를 포함한 검진 결과 데이터 또는 복수의 질환 관련 자료를 입력 받아 타겟 질환에 대하여 질환 연관성 분석, 빅데이터 분석, 메타 분석 중 적어도 하나 이상의 분석을 수행할 수 있다.
본 발명의 일 실시예에 따르면 검진 결과 데이터 또는 복수의 질환 관련 자료를 입력 받아 질환 연관성 분석, 빅데이터 분석, 메타 분석을 모두 수행하여 각 분석 결과에 따른 3개의 질환 연관성 요인 후보를 선정할 수 있다.
본 발명의 일 실시예에 따르면 다수의 인원의 시간의 흐름에 따른 검진 결과를 포함한 검진 결과 데이터를 대상으로 타겟 질환의 발병 가능성에 대한 복수의 질환 관련 인자의 연관성 분석을 수행하여, 연관성이 높은 것으로 도출된 질환 관련 인자를 질환 연관성 요인 후보로 선정할 수 있다.
본 발명의 일 실시예에 따르면 다수의 인원의 시간의 흐름에 따른 검진 결과를 포함한 검진 결과 데이터를 질환 연관성 분석 모델에 입력하여 타겟 질환의 발병 가능성에 대한 복수의 질환 관련 인자의 연관성 분석을 수행할 수 있다.
본 발명의 일 실시예에 따르면 질환 연관성 분석 모델은 인공 신경망 기반의 딥러닝 모델로 구현될 수 있으며, 다수의 인원의 시간의 흐름에 따른 검진 결과를 포함한 검진 결과 데이터를 입력 받으면 질환과 연관성이 상대적으로 높은 적어도 하나의 검진 결과 항목을 도출하도록 학습될 수 있다.
본 발명의 다른 일 실시예에 따르면 질환 연관성 분석 모델은 입력 받은 다수의 인원의 시간의 흐름에 따른 검진 결과를 포함한 검진 결과 데이터를 대상으로 상관 분석을 수행하는 모델일 수 있으며, 이를 통해 질환과 연관성이 상대적으로 높은 적어도 하나의 검진 결과 항목을 도출하여 복수의 질환 관련 인자의 연관성 분석을 수행할 수 있다.
본 발명의 일 실시예에 따르면 텍스트 기반의 질환 관련 자료가 저장된 데이터 베이스로부터 크롤링을 이용하여 복수의 데이터를 수집하고, 수집된 복수의 데이터를 대상으로 텍스트 마이닝을 수행하여 질환 연관성 요인 후보를 선정할 수 있다.
본 발명의 일 실시예에 따르면 NCBI DB, OMIM, Diseases Card, open DB 등의 데이터 베이스로부터 텍스트 기반의 데이터를 크롤링을 통해 각 질환명, 관련 항목, 원인 정보 등을 대상으로 수집을 수행하고, 수집된 데이터의 텍스트 마이닝 작업을 통하여 유의한 관련 항목을 선별하여 도출하여 타겟 질환과 복수의 질환 관련 인자와의 연관성 분석을 수행할 수 있다.
본 발명의 일 실시예에 따르면 타겟 질환과 질환 관련 인자에 대한 영향을 주제로 한 복수의 질환 관련 자료를 메타 분석 모델에 입력하여, 복수의 질환 관련 자료 별로 질환 관련 인자별의 효과 크기를 산출하여, 효과 크기에 따라 질환 연관성 요인 후보를 선정할 수 있다.
본 발명의 일 실시예에 따르면 질환 관련 인자는 특정 질환의 발병에 영양을 미칠 수 있는 요인에 대한 것을 의미하며, 다른 질병 유무, 건강 검진 결과값이 미리 설정된 일정 범위 내인지 여부 등 일 수 있으나, 이에 한정되지 아니하고 기타 질환 발병에 영향을 미칠 수 있는 요인이라면 제한 없이 사용될 수 있다.
본 발명의 일 실시 예에 따르면 메타 분석은 복수의 질환 관련 자료들을 메타 분석 모델에 입력하여 질환 관련 자료별 분석 정보 기반의 데이터 세트를 생성하고 해당 데이터 세트를 대상으로 질환 관련 인자의 주제에 부합하는 효과 크기, 즉 해당 질환 관련 인자가 특정 질환에 영향을 미치는 크기를 산출하고, 효과 크기를 이용하여 타겟 질환 영향력 점수를 측정함으로써 이에 따라 질환 연관성 요인 후보로 선별하는 것을 의미할 수 있다.
본 발명의 일 실시예에 따르면 효과 크기를 추출하기 위한 방법은 다양하게 존재할 수 있으며, 추출하는 효과크기의 종류는 주제에 따라 상이한데, 표준화 평균차(Standardized mean difference)를 기준으로 한 효과크기, 상관계수를 기준으로 한 효과 크기, 그리고 오즈비(odds ratio)를 기준으로 한 효과 크기 등을 사용할 수 있다.
본 발명의 일 실시예에 따르면 오즈비(odds ratio)를 기준으로 효과 크기를 산출하기 위하여 각 질환 관련 인자 별로 질환에 대한 영향력의 크기(연관성 크기)에 대한 지표인 오즈비(odds ratio, OR)와 95% 신뢰구간(95% Confidence Interval, CI)을 토대로 효과크기를 추정할 수 있으며. 각 개별 질환 관련 자료의 오즈비를 종합하여 종합 효과크기(overall OR)를 산출할 수 있다.
본 발명의 일 실시예에 따르면 산출한 효과 크기를 이용하여 질환 관련 인자별로 타겟 질환 영향력 점수를 측정하기 위하여 역분산 추정법(generic inverse variance estimation method)을 이용할 수 있다.
역분산 추정법은 메타분석에서 가중치를 주기위해 사용되는 방법으로, 추정된 효과크기의 분산의 역수를 개별 질환 관련 자료의 가중치로 사용할 수 있다.
역분산 추정법을 사용하는 본 발명의 일 실시예에 따르면 표본수가 큰 연구에 대한 질환 관련 자료는 작은 분산을 가지고, 분산의 역수는 커지게 될 것이므로, 표본수가 큰 연구에 대한 질환 관련 자료에 더 큰 가중치를 주는 것으로 사용될 수 있다.
상기 일 실시예에 따르면 각 질환 관련 자료의 오즈비에 자연로그를 취한
Figure PCTKR2022009112-appb-img-000015
를 산출하고,
Figure PCTKR2022009112-appb-img-000016
에 대한 표준오차(SE)를 계산하고, 계산된 표준오차의 제곱의 역수를 가중치
Figure PCTKR2022009112-appb-img-000017
로 산출할 수 있으며, 수학식 2와 같이 산출된 각 질환 관련 자료의 가중치를 오즈비에 곱한 값을 모두 합하여 종합적인 효과 크기(ORpooled)를 계산할 수 있다.
복수의 분석 별 질환 연관성 요인 후보로 선정된 복수의 질환 관련 인자 중 서로 겹치는 정도에 따라 적어도 하나의 질환 연관성 요인을 선정한다(S20).
본 발명의 일 실시예에 따르면 복수의 분석 별 질환 연관성 요인 후보로 선정된 복수의 질환 관련 인자 중 서로 겹치는 정도에 따라 적어도 하나의 질환 연관성 요인을 선정할 수 있다.
상기 일 실시예에 따르면 검진 결과 데이터 또는 복수의 질환 관련 자료를 입력 받아 질환 연관성 분석, 빅데이터 분석, 메타 분석 중 적어도 하나 이상을 수행하여 각 분석 결과에 따라 생성된 적어도 2개 이상의 질환 연관성 요인 후보 사이에 적어도 2개 이상 공통되게 포함된 요인들만 질환 연관성 요인으로 선정하여 질환 연관성 요인 리스트를 생성할 수 있다.
본 발명의 일 실시예에 따르면 질환 연관성 분석, 빅데이터 분석, 메타 분석 중 적어도 하나 이상의 분석을 수행하여 생성된 복수의 질환 연관성 요인 후보를 각각 대비하여 생성된 질환 연관성 요인 후보들 모두에 포함되어 있는 질환 관련 인자만을 질환 연관성 요인으로 선정할 수 있다.
상기 일 실시예에 따르면 검진 결과 데이터 또는 복수의 질환 관련 자료를 입력 받아 질환 연관성 분석, 빅데이터 분석, 메타 분석을 모두 수행하여 생성된 각 분석 결과에 따른 3개의 질환 연관성 요인 후보에 모두 포함된 요인들만 질환 연관성 요인으로 선정하여 질환 연관성 요인 리스트를 생성할 수 있다.
상기 일 실시예에 따르면 질환 연관성 분석, 빅데이터 분석, 메타 분석을 모두 수행하여 생성된 각 분석 결과에 따른 3개의 질환 연관성 요인 후보에 모두 포함된 요인들만 질환 연관성 요인으로 선정하는 이유는 수많은 요인 중 해당 질환의 유발에 상대적으로 높은 영향력을 미치는 요인을 보수적으로 선정하기 위함이며, 이에 따라 분석에 소요되는 연산 자원 및 시간의 절감이 가능하며 그 정확도 또한 상승되는 효과를 얻을 수 있다.
적어도 하나의 질환 연관성 요인에 대한 다수의 인원의 검진 결과 데이터 중 데이터의 2차 가공이 필요한 질환 연관성 요인을 대상으로 미리 설정된 전처리 기준에 따라 데이터를 가공한다(S30).
본 발명의 일 실시예에 따르면 선정된 적어도 하나의 질환 연관성 요인에 대한 다수의 인원의 검진 결과 데이터 중 데이터의 2차 가공이 필요한 질환 연관성 요인을 대상으로 미리 설정된 전처리 기준에 따라 데이터를 가공할 수 있다.
본 발명의 일 실시예에 따르면 미리 설정된 전처리 기준으로는 다음 기준들이 존재하나 이에 국한되지 아니하고 검진 결과 데이터에 포함된 건강 검진의 각 항목별 결과를 가공하여 질환 연관성 요인을 명확하게 할 수 있는 요인으로 도출할 수 있다면 제한없이 사용될 수 있다.
본 발명의 일 실시예에 따르면 미리 설정된 전처리 기준에 따라 선정된 적어도 하나의 질환 연관성 요인에 포함된 질환 관련 인자가 개별 검진 결과값으로는 경향성 기준 또는 판단 기준으로 사용될 수 없는 것으로 분류되는 경우, 경향성 기준 또는 판단 기준으로 사용될 수 있도록 미리 설정된 전처리 기준에 따라 검진 결과 데이터에서 산출 혹은 재가공하는 전처리를 수행하여 전체 검진 대상 기간별 시계열 검진 데이터로 생성할 수 있다.
본 발명의 일 실시예에 따르면 선정된 적어도 하나의 질환 연관성 요인에 포함된 질환 관련 인자에 대한 개별 검진 결과값을 검진 결과 데이터로부터 수집하고, 수집된 개별 검진 결과값을 시계열로 나열하는 전처리를 수행하여 전체 검진 대상 기간별 시계열 검진 데이터로 생성할 수 있다.
본 발명의 일 실시 예에 따르면 수집된 개별 검진 결과값을 시계열로 나열하는 전처리를 수행하여 전체 검진 대상 기간별 시계열 검진 데이터로 생성하는 과정에 있어 전체 검진 대상 기간별 시계열 검진 데이터 상의 결측치가 존재하는 경우, 결측치 값을 제거하는 전처리를 수행할 수 있으며, 또 다른 실시예에 따르면 통계적인 대체(imputation)방식을 이용하여 해당 결측치의 값을 추정하여 추정한 값을 결측치 항목에 추가하는 전처리를 수행할 수 있으며, 또 다른 실시예에 따르면 인공신경망 기반의 머신 러닝 기법을 이용하여 결측치를 보완하는 전처리를 수행할 수도 있다.
본 발명의 일 실시예에 따르면 미리 설정된 전처리 기준은 질환 관련 인자가 개별 검진 결과값을 전처리 없이 집단 추세 모형에 입력하여 결과 값을 낼 수 없는 질환 관련 인자의 종류에 대한 정보 및 상기 질환 관련 인자의 전처리 방법에 대한 정보를 포함할 수 있다.
집단 추세 모형을 이용하여 시간의 흐름에 따른 적어도 하나의 질환 연관성 요인에 대한 다수의 인원의 검진 결과 데이터에 포함된 개별 검진 결과값들의 변화를 기준으로 다수의 인원을 그룹핑 하여 복수의 그룹을 생성한다(S40).
본 발명의 일 실시예에 따르면 집단 추세 모형을 이용하여 시간의 흐름에 따른 적어도 하나의 질환 연관성 요인에 대한 다수의 인원의 검진 결과 데이터에 포함된 개별 검진 결과값들의 변화를 기준으로 상기 다수의 인원을 그룹핑을 하여 복수의 그룹을 생성할 수 있다.
본 발명의 일 실시예에 따르면 적어도 하나의 질환 연관성 요인에 대한 다수의 인원의 검진 결과 데이터에 포함된 개별 검진 결과값을 집단 추세 모형에 입력하여 자료의 개별 관찰치가 각 그룹에 속할 확률을 계산하여 종속변수 확률 밀도 함수의 속성에 따라 시점에 따라 각기 다른 분포를 가정하고 추정함으로써 수학식 1과 같이 개별 검진 결과값들의 변화에 따라 각 그룹에 다수의 인원이 포함되는 복수의 그룹을 생성할 수 있다.
본 발명의 일 실시예에 따르면 수학식 1과 같이 종속 변수의 확률밀도 함수는 특정 그룹에 소속될 확률과 특정 그룹 구성원들의 종속변수 확률밀도 함수 곱의 총합으로 표현될 수 있으며, 특정 그룹 구성원의 종속 변수는 매 시점마다 상호독립성을 지니고 있으므로 종속변수의 확률밀도 함수는 매시점별 해당 확률밀도 함수의 곱으로 계산할 수 있다.
본 발명의 일 실시예에 따르면 각 그룹에 포함된 인원들의 검진 결과 데이터에 포함된 질환 연관성 요인 별 개별 검진 결과값들을 대상으로 궤적 형태를 추정하여 각 그룹별로 궤적 형태의 차이를 대비하여 분류된 그룹의 분류 적합도를 검증할 수 있다.
본 발명의 일 실시예에 따르면 집단 추세 모형을 이용하여 각 그룹의 궤적과 각 그룹에서 사례 수 비율을 함께 주정하기 위하여 최대우도추정법을 이용할 수 있으며, 자료에 나타난 개인의 사건 궤적 내용을 상대적으로 가장 잘 묘사하는 최종 모델의 선정 여부는 베이지안 정보지수(BIC)를 기준으로 결정할 수 있으며, BIC 값이 낮을수록 상대적으로 자료에 나타난 개인의 사건 궤적 내용을 상대적으로 더 묘사하는 모델로 평가할 수 있다.
복수의 그룹에 포함된 다수의 인원의 질환 연관성 요인에 대한 검진 결과 데이터를 대상으로 각 그룹별로 시계열 특성 변수화를 수행하여 적어도 하나의 시계열 특성 변수 산출한다(S50).
본 발명의 일 실시예에 따르면 생성된 복수의 그룹에 포함된 다수의 인원의 질환 연관성 요인에 대한 검진 결과 데이터를 대상으로 각 그룹별로 시계열 특성 변수화를 수행하여 시간의 흐름에 따른 검진 결과에 미치는 영향력을 적어도 하나의 시계열 특성 변수로 산출할 수 있다.
본 발명의 일 실시예에 따르면 복수의 그룹에 포함된 다수의 인원의 질환 연관성 요인에 대한 검진 결과 데이터를 대상으로 각 그룹별로 시계열 특성 변수화를 수행하여 각 시점별로 적어도 하나 이상의 시계열 특성 변수로 산출할 수 있다.
본 발명의 일 실시예에 따르면 각 그룹별로 시계열 특성 변수화를 수행하여 각 시점별 시계열 특성 변수를 산출하기 위하여 시간 변동 공변량 산출 모델을 이용하는 실시예 및 시간 의존 연관성 산출 모델을 이용하는 실시예가 존재할 수 있다.
본 발명의 일 실시예에 따르면 각 그룹별로 시계열 특성 변수화를 수행하여 각 시점별 시계열 특성 변수를 산출하는 것은 각 시점별로 타겟 질환 유발 요인이 해당 질환에 대한 영향력이 다를 수 있음에도 불구하고 이후 수행될 COX 회기 분석에서는 각 시점별로 위험이 일정하다는 "비례위험"을 가정하고 있으므로, 시계열 특성 변수화 없이 이를 각 시점별로 위험도를 일괄적으로 계산함으로써 발생할 수 있는 오차를 시간 개념을 반영한 시계열적 분석을 통해 보완하기 위함이며, 이를 통해 종래의 질환 유발 요인을 분석하는 기법에 비해 상대적으로 더 정확한 정확도를 확보할 수 있다.
본 발명의 일 실시예에 따르면 각 그룹에 포함된 인원들의 검진 결과 데이터에 포함된 질환 연관성 요인 별 개별 검진 결과값들을 시간 변동 공변량 산출 모델에 입력하여 시간의 흐름에 따라 개별 검진 결과값에 대한 영향력을 각 시점별 공변량으로 산출하며, 산출된 상기 각 시점별 공변량을 시계열 특성 변수로 사용할 수 있다.
본 발명의 일 실시예에 따르면 시간 변동 공변량 산출 모델은 동일한 질환 연관성 요인에 대하여 여러 시점에서 관측하였을 때, 각 시점별로 과거의 관측값이 현재의 관측값에 영향을 미치게 되므로, 이러한 시점별 영향력을 산출하기 위하여 시간 가변성 공변량(Time-varying covariate)분석을 수행하는 것을 의미한다.
본 발명의 일 실시예에 따르면 시간 가변성 공변량 산출 모델은 COX 회기 분석을 기반으로 하는 을 수행함에 있어 시점별로 일정하지 않다는 현상을 반영하기 위한 기법을 의미할 수 있으며, 과거의 관측값이 현재의 관측값에 영향을 미치는 경우가 발생하는 경우 이러한 영향력에 대한 변수를 Time-varying covariate로 정의할 수 있으며, 생존 분석에 있어서 시계열 값이 반영된 특정 변수의 반응변수와의 연관성(
Figure PCTKR2022009112-appb-img-000018
)이 각 시점 별로 달라지는 경우, 각 시점 별 연관성을 Time-Varying Coefficients(
Figure PCTKR2022009112-appb-img-000019
)고 정의할 수 있고, 본 발명의 일 실시예에 따르면 시간 가변성 공변량 산출 모델은 수학식 3과 같이 표현될 수 있다.
본 발명의 일 실시예에 따르면 각 그룹에 포함된 인원들의 검진 결과 데이터에 포함된 질환 연관성 요인 별 개별 검진 결과값들을 시간 의존 연관성 산출 모델에 입력하여 COX 모델에 입력될 독립변수와 종속 변수 간의 시점 별 연관성 크기를 산출하며, 산출된 상기 각 시점별 연관성 크기를 시계열 특성 변수로 사용할 수 있다.
본 발명의 일 실시예에 따르면 생존분석에서 시간에 따라 값이 변화하는 변수를 반영하기 위하여 extended cox model인 Time-dependent cox를 사용하기 위해 시간 의존 연관성 산출 모델을 이용하여 시점 t에 따라 변화하는 설명변수(X)와 반응변수(Y)간 연관성의 크기를 산출하고 이를 시계열 특성 변수로 정의하고 질환 연관성 요인에 대한 검진 결과 데이터에 적용할 수 있다.
본 발명의 일 실시예에 따르면 extended cox model은 수학식 4와 같이 표현될 수 있다.
질환 연관성 요인에 대한 검진 결과 데이터를 대상으로 적어도 하나의 시계열 특성 변수를 적용하고, 적용된 다수의 인원의 질환 연관성 요인에 대한 검진 결과 데이터를 대상으로 각 그룹별로 COX 회귀 분석을 수행하여 질병 발생 위험도를 계산한다(S60).
본 발명의 일 실시예에 따르면 질환 연관성 요인에 대한 검진 결과 데이터를 대상으로 산출된 상기 적어도 하나의 시계열 특성 변수를 적용하고, 적용된 다수의 인원의 질환 연관성 요인에 대한 검진 결과 데이터를 대상으로 각 그룹별로 COX 회귀 분석을 수행하여 각 그룹 별로 질병 발생 위험도를 계산할 수 있다.
본 발명의 일 실시예에 따르면 산출된 상기 적어도 하나의 시계열 특성 변수를 질환 연관성 요인에 대한 검진 결과 데이터에 적용시킬 수 있으며, 질환 연관성 요인에 대한 검진 결과 데이터의 각 시점별 질환 유발 요인의 수치에 각 시점 별로 산출된 시계열 특성 변수를 곱하는 식으로 적용을 수행할 수 있다.
본 발명의 일 실시 예에 따르면 시계열 특성 변수가 적용된 질환 연관성 요인에 대한 검진 결과 데이터로 이루어진 각 그룹을 대상으로 각 그룹 별로 COX 회귀 분석을 수행하여 각 그룹 별로 질병 발생 위험도를 계산할 수 있다.
본 발명의 일 실시예에 다르면 시계열 특성 변수가 적용된 질환 연관성 요인에 대한 검진 결과 데이터를 각 그룹별로 COX 회귀 분석 모델에 입력하여 COX 회귀 분석을 수행하면, 각 그룹간 각 시점별 생존율 데이터가 산출될 수 있다.
본 발명의 일 실시예에 따르면 COX 회귀 분석을 수행하여 산출된 각 그룹간 각 시점별 생존율 데이터의 역수 값을 각 그룹 별로 질병 발생 위험도를 계산할 수 있다.
계산된 각 그룹 별 질병 발생 위험도를 차이값을 이용하여 위험도 변화량을 산출하여 발병 예상 정보를 생성한다(S70).
본 발명의 일 실시예에 따르면 계산된 각 그룹 별 질병 발생 위험도를 차이값을 이용하여 위험도 변화량을 산출하여 발병 예상 정보를 생성할 수 있다.
본 발명의 일 실시예에 따르면 계산된 각 그룹 별 질병 발생 위험도를 각 시점별로 대비하여 각 그룹별 특정 시점에서의 위험도 변화량을 산출할 수 있으며, 이를 기반으로 발병 예상 정보를 생성할 수 있다.
본 발명의 일 실시예에 따르면 산출된 각 그룹별 특정 시점에서의 위험도 변화량의 평균값을 해당 시점의 위험도 변화량으로 특정하여 이를 기반으로 이후 시점에서의 발병 예상율을 산정하여 발병 예상 정보를 생성할 수 있다.
본 발명의 일 실시예에 따르면 발병 예상 정보는 시간의 흐름에 따라 적어도 하나의 질환 유발 요인을 가진 사람이 해당 질환이 발병할 확률 또는 위험율을 그래프 형태로 나타내어 각 그래프별로 위험 단계, 중간 단계, 비위험 단계로 구분한 것일 수 있으나 시간의 흐름에 따라 발병에 대한 예상 정보를 나타낼 수 있는 것이라면 제한없이 사용될 수 있다.
본 발명의 실시 예는 이상에서 설명한 장치 및/또는 방법을 통해서만 구현이 되는 것은 아니며, 이상에서 본 발명의 실시 예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다.

Claims (24)

  1. 다수의 인원의 시간의 흐름에 따른 검진 결과를 포함한 검진 결과 데이터 또는 복수의 질환 관련 자료를 입력 받아 질환 연관성 요인 후보를 선정하는 복수의 분석을 수행하는 연관성 분석 수행부;
    상기 복수의 분석 별 질환 연관성 요인 후보로 선정된 복수의 질환 관련 인자 중 서로 겹치는 정도에 따라 적어도 하나의 질환 연관성 요인을 선정하는 질환 연관성 요인 선정부;
    상기 선정된 적어도 하나의 질환 연관성 요인에 대한 다수의 인원의 검진 결과 데이터 중 데이터의 2차 가공이 필요한 질환 연관성 요인을 대상으로 미리 설정된 전처리 기준에 따라 데이터를 가공하는 데이터 전처리부;
    집단 추세 모형을 이용하여 시간의 흐름에 따른 적어도 하나의 질환 연관성 요인에 대한 다수의 인원의 검진 결과 데이터에 포함된 개별 검진 결과값들의 변화를 기준으로 상기 다수의 인원을 그룹핑을 하여 복수의 그룹을 생성하는 데이터 그룹 분류부;
    생성된 상기 복수의 그룹에 포함된 다수의 인원의 질환 연관성 요인에 대한 검진 결과 데이터를 대상으로 각 그룹별로 시계열 특성 변수화를 수행하여 시간의 흐름에 따른 검진 결과에 미치는 영향력을 적어도 하나의 시계열 특성 변수로 산출하는 시계열 특성 변수화부;
    상기 질환 연관성 요인에 대한 검진 결과 데이터를 대상으로 산출된 상기 적어도 하나의 시계열 특성 변수를 적용하고, 적용된 다수의 인원의 질환 연관성 요인에 대한 검진 결과 데이터를 대상으로 각 그룹별로 COX 회귀 분석을 수행하여 각 그룹 별로 질병 발생 위험도를 계산하는 위험도 계산부; 및
    계산된 각 그룹 별 질병 발생 위험도를 차이값을 이용하여 위험도 변화량을 산출하여 발병 예상 정보를 생성하는 발병 예상 정보 생성부를 포함하는 것을 특징으로 하는 시간 변동성 기반의 질환 연관성 요인 분석을 통한 질환 발병 정보 생성 장치.
  2. 제 1 항에 있어서 상기 연관성 분석 수행부는,
    다수의 인원의 시간의 흐름에 따른 검진 결과를 포함한 검진 결과 데이터 또는 복수의 질환 관련 자료를 입력 받아 타겟 질환에 대하여 질환 연관성 분석, 빅데이터 분석, 메타 분석 중 적어도 하나 이상의 분석을 수행하는 것을 특징으로 하는 시간 변동성 기반의 질환 연관성 요인 분석을 통한 질환 발병 정보 생성 장치.
  3. 제 2 항에 있어서 상기 연관성 분석 수행부는,
    다수의 인원의 시간의 흐름에 따른 검진 결과를 포함한 검진 결과 데이터를 대상으로 타겟 질환의 발병 가능성에 대한 복수의 질환 관련 인자의 연관성 분석을 수행하여, 연관성이 높은 것으로 도출된 질환 관련 인자를 질환 연관성 요인 후보로 선정하는 질환 연관성 분석부를 더 포함하는 시간 변동성 기반의 질환 연관성 요인 분석을 통한 질환 발병 정보 생성 장치.
  4. 제 2 항에 있어서 상기 연관성 분석 수행부는,
    텍스트 기반의 질환 관련 자료가 저장된 데이터 베이스로부터 크롤링을 이용하여 복수의 데이터를 수집하고, 수집된 복수의 데이터를 대상으로 텍스트 마이닝을 수행하여 질환 연관성 요인 후보를 선정하는 빅데이터 분석부를 더 포함하는 시간 변동성 기반의 질환 연관성 요인 분석을 통한 질환 발병 정보 생성 장치.
  5. 제 2 항에 있어서 상기 연관성 분석 수행부는,
    타겟 질환과 질환 관련 인자에 대한 영향을 주제로 한 복수의 질환 관련 자료를 메타 분석 모델에 입력하여, 상기 복수의 질환 관련 자료 별로 질환 관련 인자별의 효과 크기를 산출하여, 상기 효과 크기에 따라 질환 연관성 요인 후보를 선정하는 메타 분석 수행부를 더 포함하는 시간 변동성 기반의 질환 연관성 요인 분석을 통한 질환 발병 정보 생성 장치.
  6. 제 2 항에 있어서 상기 질환 연관성 요인 선정부는,
    질환 연관성 분석, 빅데이터 분석, 메타 분석 중 적어도 하나 이상의 분석을 수행하여 생성된 복수의 질환 연관성 요인 후보를 각각 대비하여 생성된 질환 연관성 요인 후보들 모두에 포함되어 있는 질환 관련 인자만을 질환 연관성 요인으로 선정하는 것을 특징으로 하는 시간 변동성 기반의 질환 연관성 요인 분석을 통한 질환 발병 정보 생성 장치.
  7. 제 1 항에 있어서 상기 데이터 전처리부는,
    선정된 적어도 하나의 질환 연관성 요인에 포함된 질환 관련 인자에 대한 개별 검진 결과값을 검진 결과 데이터로부터 수집하고, 수집된 개별 검진 결과값을 시계열로 나열하는 전처리를 수행하여 전체 검진 대상 기간별 시계열 검진 데이터로 생성하는 것을 특징으로 하는 시간 변동성 기반의 질환 연관성 요인 분석을 통한 질환 발병 정보 생성 장치.
  8. 제 1 항에 있어서 상기 데이터 전처리부는,
    미리 설정된 전처리 기준에 따라 선정된 적어도 하나의 질환 연관성 요인에 포함된 질환 관련 인자가 개별 검진 결과값으로는 경향성 기준 또는 판단 기준으로 사용될 수 없는 것으로 분류되는 경우, 경향성 기준 또는 판단 기준으로 사용될 수 있도록 상기 미리 설정된 전처리 기준에 따라 검진 결과 데이터에서 산출 혹은 재가공하는 전처리를 수행하여 전체 검진 대상 기간별 시계열 검진 데이터로 생성하는 것을 특징으로 하는 시간 변동성 기반의 질환 연관성 요인 분석을 통한 질환 발병 정보 생성 장치.
  9. 제 8 항에 있어서 상기 데이터 전처리부는,
    상기 미리 설정된 전처리 기준은 질환 관련 인자가 개별 검진 결과값을 전처리 없이 집단 추세 모형에 입력하여 결과 값을 낼 수 없는 질환 관련 인자의 종류에 대한 정보 및 상기 질환 관련 인자의 전처리 방법에 대한 정보를 포함하는 것을 특징으로 하는 시간 변동성 기반의 질환 연관성 요인 분석을 통한 질환 발병 정보 생성 장치.
  10. 제 1 항에 있어서 상기 데이터 그룹 분류부는,
    각 그룹에 포함된 인원들의 검진 결과 데이터에 포함된 질환 연관성 요인 별 개별 검진 결과값들을 대상으로 궤적 형태를 추정하여 각 그룹별로 궤적 형태의 차이를 대비하여 분류된 그룹의 분류 적합도를 검증하는 것을 특징으로 하는 시간 변동성 기반의 질환 연관성 요인 분석을 통한 질환 발병 정보 생성 장치.
  11. 제 1 항에 있어서 상기 시계열 특성 변수화부는,
    각 그룹에 포함된 인원들의 검진 결과 데이터에 포함된 질환 연관성 요인 별 개별 검진 결과값들을 시간 변동 공변량 산출 모델에 입력하여 시간의 흐름에 따라 개별 검진 결과값에 대한 영향력을 각 시점별 공변량으로 산출하며, 산출된 상기 각 시점별 공변량을 시계열 특성 변수로 사용하는 시점별 공변량 산출부를 더 포함하는 것을 특징으로 하는 시간 변동성 기반의 질환 연관성 요인 분석을 통한 질환 발병 정보 생성 장치.
  12. 제 1 항에 있어서 상기 시계열 특성 변수화부는,
    각 그룹에 포함된 인원들의 검진 결과 데이터에 포함된 질환 연관성 요인 별 개별 검진 결과값들을 시간 의존 연관성 산출 모델에 입력하여 COX 모델에 입력될 독립변수와 종속 변수 간의 시점 별 연관성 크기를 산출하며, 산출된 상기 각 시점별 연관성 크기를 시계열 특성 변수로 사용하는 시간 의존 연관성 산출부를 더 포함하는 것을 특징으로 하는 시간 변동성 기반의 질환 연관성 요인 분석을 통한 질환 발병 정보 생성 장치.
  13. 다수의 인원의 시간의 흐름에 따른 검진 결과를 포함한 검진 결과 데이터 또는 복수의 질환 관련 자료를 입력 받아 질환 연관성 요인 후보를 선정하는 복수의 분석을 수행하는 단계;
    상기 복수의 분석 별 질환 연관성 요인 후보로 선정된 복수의 질환 관련 인자 중 서로 겹치는 정도에 따라 적어도 하나의 질환 연관성 요인을 선정하는 단계;
    상기 선정된 적어도 하나의 질환 연관성 요인에 대한 다수의 인원의 검진 결과 데이터 중 데이터의 2차 가공이 필요한 질환 연관성 요인을 대상으로 미리 설정된 전처리 기준에 따라 데이터를 가공하는 단계;
    집단 추세 모형을 이용하여 시간의 흐름에 따른 적어도 하나의 질환 연관성 요인에 대한 다수의 인원의 검진 결과 데이터에 포함된 개별 검진 결과값들의 변화를 기준으로 상기 다수의 인원을 그룹핑 하여 복수의 그룹을 생성하는 단계;
    생성된 상기 복수의 그룹에 포함된 다수의 인원의 질환 연관성 요인에 대한 검진 결과 데이터를 대상으로 각 그룹별로 시계열 특성 변수화를 수행하여 시간의 흐름에 따른 검진 결과에 미치는 영향력을 적어도 하나의 시계열 특성 변수로 산출하는 단계;
    상기 질환 연관성 요인에 대한 검진 결과 데이터를 대상으로 산출된 상기 적어도 하나의 시계열 특성 변수를 적용하고, 적용된 다수의 인원의 질환 연관성 요인에 대한 검진 결과 데이터를 대상으로 각 그룹별로 COX 회귀 분석을 수행하여 각 그룹 별로 질병 발생 위험도를 계산하는 단계; 및
    계산된 각 그룹 별 질병 발생 위험도를 차이값을 이용하여 위험도 변화량을 산출하여 발병 예상 정보를 생성하는 단계를 포함하는 것을 특징으로 하는 시간 변동성 기반의 질환 연관성 요인 분석을 통한 질환 발병 정보 생성 방법.
  14. 제 13 항에 있어서 상기 복수의 분석을 수행하는 단계는,
    다수의 인원의 시간의 흐름에 따른 검진 결과를 포함한 검진 결과 데이터 또는 복수의 질환 관련 자료를 입력받아 타겟 질환에 대하여 질환 연관성 분석, 빅데이터 분석, 메타 분석 중 적어도 하나 이상의 분석을 수행하는 것을 특징으로 하는 시간 변동성 기반의 질환 연관성 요인 분석을 통한 질환 발병 정보 생성 방법.
  15. 제 14 항에 있어서 상기 복수의 분석을 수행하는 단계는,
    다수의 인원의 시간의 흐름에 따른 검진 결과를 포함한 검진 결과 데이터를 대상으로 타겟 질환의 발병 가능성에 대한 복수의 질환 관련 인자의 연관성 분석을 수행하여, 연관성이 높은 것으로 도출된 질환 관련 인자를 질환 연관성 요인 후보로 선정하는 단계를 더 포함하는 시간 변동성 기반의 질환 연관성 요인 분석을 통한 질환 발병 정보 생성 방법.
  16. 제 14 항에 있어서 상기 복수의 분석을 수행하는 단계는,
    텍스트 기반의 질환 관련 자료가 저장된 데이터 베이스로부터 크롤링을 이용하여 복수의 데이터를 수집하고, 수집된 복수의 데이터를 대상으로 텍스트 마이닝을 수행하여 질환 연관성 요인 후보를 선정하는 단계를 더 포함하는 시간 변동성 기반의 질환 연관성 요인 분석을 통한 질환 발병 정보 생성 방법.
  17. 제 14 항에 있어서 상기 복수의 분석을 수행하는 단계는,
    타겟 질환과 질환 관련 인자에 대한 영향을 주제로 한 복수의 질환 관련 자료를 메타 분석 모델에 입력하여, 상기 복수의 질환 관련 자료 별로 질환 관련 인자별의 효과 크기를 산출하여, 상기 효과 크기에 따라 질환 연관성 요인 후보를 선정하는 단계를 더 포함하는 시간 변동성 기반의 질환 연관성 요인 분석을 통한 질환 발병 정보 생성 방법.
  18. 제 14 항에 있어서 상기 질환 연관성 요인을 선정하는 단계는,
    질환 연관성 분석, 빅데이터 분석, 메타 분석 중 적어도 하나 이상의 분석을 수행하여 생성된 복수의 질환 연관성 요인 후보를 각각 대비하여 생성된 질환 연관성 요인 후보들 모두에 포함되어 있는 질환 관련 인자만을 질환 연관성 요인으로 선정하는 것을 특징으로 하는 시간 변동성 기반의 질환 연관성 요인 분석을 통한 질환 발병 정보 생성 방법.
  19. 제 13 항에 있어서 상기 데이터를 가공하는 단계는,
    선정된 적어도 하나의 질환 연관성 요인에 포함된 질환 관련 인자에 대한 개별 검진 결과값을 검진 결과 데이터로부터 수집하고, 수집된 개별 검진 결과값을 시계열로 나열하는 전처리를 수행하여 전체 검진 대상 기간별 시계열 검진 데이터로 생성하는 것을 특징으로 하는 시간 변동성 기반의 질환 연관성 요인 분석을 통한 질환 발병 정보 생성 방법.
  20. 제 13 항에 있어서 상기 데이터를 가공하는 단계는,
    미리 설정된 전처리 기준에 따라 선정된 적어도 하나의 질환 연관성 요인에 포함된 질환 관련 인자가 개별 검진 결과값으로는 경향성 기준 또는 판단 기준으로 사용될 수 없는 것으로 분류되는 경우, 경향성 기준 또는 판단 기준으로 사용될 수 있도록 상기 미리 설정된 전처리 기준에 따라 검진 결과 데이터에서 산출 혹은 재가공하는 전처리를 수행하여 전체 검진 대상 기간별 시계열 검진 데이터로 생성하는 것을 특징으로 하는 시간 변동성 기반의 질환 연관성 요인 분석을 통한 질환 발병 정보 생성 방법.
  21. 제 20 항에 있어서 상기 데이터를 가공하는 단계는,
    상기 미리 설정된 전처리 기준은 질환 관련 인자가 개별 검진 결과값을 전처리 없이 집단 추세 모형에 입력하여 결과 값을 낼 수 없는 질환 관련 인자의 종류에 대한 정보 및 상기 질환 관련 인자의 전처리 방법에 대한 정보를 포함하는 것을 특징으로 하는 시간 변동성 기반의 질환 연관성 요인 분석을 통한 질환 발병 정보 생성 방법.
  22. 제 13 항에 있어서 상기 복수의 그룹을 생성하는 단계는,
    각 그룹에 포함된 인원들의 검진 결과 데이터에 포함된 질환 연관성 요인 별 개별 검진 결과값들을 대상으로 궤적 형태를 추정하여 각 그룹별로 궤적 형태의 차이를 대비하여 분류된 그룹의 분류 적합도를 검증하는 것을 특징으로 하는 시간 변동성 기반의 질환 연관성 요인 분석을 통한 질환 발병 정보 생성 방법.
  23. 제 13 항에 있어서 상기 시계열 특성 변수로 산출하는 단계는,
    각 그룹에 포함된 인원들의 검진 결과 데이터에 포함된 질환 연관성 요인 별 개별 검진 결과값들을 시간 변동 공변량 산출 모델에 입력하여 시간의 흐름에 따라 개별 검진 결과값에 대한 영향력을 각 시점별 공변량으로 산출하며, 산출된 상기 각 시점별 공변량을 시계열 특성 변수로 사용하는 단계를 더 포함하는 것을 특징으로 하는 시간 변동성 기반의 질환 연관성 요인 분석을 통한 질환 발병 정보 생성 방법.
  24. 제 13 항에 있어서 상기 시계열 특성 변수로 산출하는 단계는,
    각 그룹에 포함된 인원들의 검진 결과 데이터에 포함된 질환 연관성 요인 별 개별 검진 결과값들을 시간 의존 연관성 산출 모델에 입력하여 COX 모델에 입력될 독립변수와 종속 변수 간의 시점 별 연관성 크기를 산출하며, 산출된 상기 각 시점별 연관성 크기를 시계열 특성 변수로 사용하는 단계를 더 포함하는 것을 특징으로 하는 시간 변동성 기반의 질환 연관성 요인 분석을 통한 질환 발병 정보 생성 방법.
PCT/KR2022/009112 2021-10-12 2022-06-27 시간 변동성 기반의 질환 연관성 요인 분석을 통한 질환 발병 정보 생성 장치 및 그 방법 WO2023063528A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2021-0134876 2021-10-12
KR1020210134876A KR102405900B1 (ko) 2021-10-12 2021-10-12 시간 변동성 기반의 질환 연관성 요인 분석을 통한 질환 발병 정보 생성 장치 및 그 방법

Publications (1)

Publication Number Publication Date
WO2023063528A1 true WO2023063528A1 (ko) 2023-04-20

Family

ID=81981641

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2022/009112 WO2023063528A1 (ko) 2021-10-12 2022-06-27 시간 변동성 기반의 질환 연관성 요인 분석을 통한 질환 발병 정보 생성 장치 및 그 방법

Country Status (2)

Country Link
KR (1) KR102405900B1 (ko)
WO (1) WO2023063528A1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102405900B1 (ko) * 2021-10-12 2022-06-08 주식회사 바스젠바이오 시간 변동성 기반의 질환 연관성 요인 분석을 통한 질환 발병 정보 생성 장치 및 그 방법

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170023770A (ko) * 2014-06-25 2017-03-06 삼성전자주식회사 진단모델 생성 시스템 및 방법
KR20180058159A (ko) * 2016-11-23 2018-05-31 주식회사 셀바스에이아이 질환 발병 예측 방법 및 장치
KR101925506B1 (ko) * 2017-12-12 2018-12-06 한국과학기술정보연구원 감염병 확산 예측 방법 및 장치
KR20210018610A (ko) * 2019-08-06 2021-02-18 고려대학교 산학협력단 인공지능을 이용한 암환자 예후인자 중요도 분석 및 치료계획 처방적 분석 시스템
KR20210053064A (ko) * 2019-11-01 2021-05-11 주식회사 피씨티 생활습관정보의 위험요인 정도에 따라 대장암 관련 정보를 예측하는 방법 및 시스템.
KR102405900B1 (ko) * 2021-10-12 2022-06-08 주식회사 바스젠바이오 시간 변동성 기반의 질환 연관성 요인 분석을 통한 질환 발병 정보 생성 장치 및 그 방법

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170023770A (ko) * 2014-06-25 2017-03-06 삼성전자주식회사 진단모델 생성 시스템 및 방법
KR20180058159A (ko) * 2016-11-23 2018-05-31 주식회사 셀바스에이아이 질환 발병 예측 방법 및 장치
KR101925506B1 (ko) * 2017-12-12 2018-12-06 한국과학기술정보연구원 감염병 확산 예측 방법 및 장치
KR20210018610A (ko) * 2019-08-06 2021-02-18 고려대학교 산학협력단 인공지능을 이용한 암환자 예후인자 중요도 분석 및 치료계획 처방적 분석 시스템
KR20210053064A (ko) * 2019-11-01 2021-05-11 주식회사 피씨티 생활습관정보의 위험요인 정도에 따라 대장암 관련 정보를 예측하는 방법 및 시스템.
KR102405900B1 (ko) * 2021-10-12 2022-06-08 주식회사 바스젠바이오 시간 변동성 기반의 질환 연관성 요인 분석을 통한 질환 발병 정보 생성 장치 및 그 방법

Also Published As

Publication number Publication date
KR102405900B1 (ko) 2022-06-08

Similar Documents

Publication Publication Date Title
WO2023033329A1 (ko) 질환 연관 유전자 변이 분석을 통한 질환별 위험 유전자 변이 정보 생성 장치 및 그 방법
WO2023080379A1 (ko) 다유전자 위험점수를 이용한 시간 의존 연관성 기반의 질환 발병 정보 생성 장치 및 그 방법
WO2020009297A1 (ko) 도메인 추출기반의 언어 이해 성능 향상장치및 성능 향상방법
WO2020022639A1 (ko) 딥러닝 기반의 가치 평가 방법 및 그 장치
WO2020101108A1 (ko) 인공지능 모델 플랫폼 및 인공지능 모델 플랫폼 운영 방법
WO2023063528A1 (ko) 시간 변동성 기반의 질환 연관성 요인 분석을 통한 질환 발병 정보 생성 장치 및 그 방법
WO2021006522A1 (ko) 딥 러닝 모델을 활용한 영상 진단 장치 및 그 방법
WO2017014469A1 (ko) 질병 위험도 예측 방법 및 이를 수행하는 장치
WO2018084581A1 (en) Method and apparatus for filtering a plurality of messages
WO2023172025A1 (ko) 시계열적 정보를 인코딩하는 모델을 사용하여 개체-쌍 사이의 연관성 관련 정보를 예측하는 방법 및 이를 이용하여 생성되는 예측 시스템
WO2017116215A1 (ko) 평가지표 자율제안에 의한 연구개발과제 선정 시스템 및 방법
WO2022010255A1 (ko) 기계학습모델을 이용하여 면접영상에 대한 자동화된 평가를 위한 심층질문을 도출하는 방법, 시스템 및 컴퓨터-판독가능 매체
WO2022220649A1 (ko) 심전도 이미지에 기반한 환자 평가 시스템 및 방법
WO2020168606A1 (zh) 广告视频优化方法、装置、设备及计算机可读存储介质
WO2019009664A1 (en) APPARATUS FOR OPTIMIZING THE INSPECTION OF THE OUTSIDE OF A TARGET OBJECT AND ASSOCIATED METHOD
Talib et al. Fuzzy decision-making framework for sensitively prioritizing autism patients with moderate emergency level
WO2020091253A1 (ko) 전자 장치 및 전자 장치의 제어 방법
WO2023080766A1 (ko) 시간 변동 공변량 기반의 prs 모델을 이용한 질환별 위험 유전자 변이 정보 생성 장치 및 그 방법
WO2011068315A4 (ko) 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택장치 및 그 방법
WO2023163405A1 (ko) 신용평가 모델 업데이트 또는 교체 방법 및 장치
WO2023177150A1 (ko) 딥러닝 모델의 분산 훈련을 위한 전체 슬라이드 이미지 분배 방법 및 이를 수행하는 컴퓨팅 시스템
EP3659073A1 (en) Electronic apparatus and control method thereof
WO2023229094A1 (ko) 행동 예측 방법 및 장치
WO2023068821A1 (ko) 자기-지도 학습 기반의 다중 객체 추적 장치 및 방법
WO2023033275A1 (ko) 개인 맞춤 생체나이 예측 모형 생성 방법 및 시스템

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: 22881159

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE