WO2023085594A1 - 인공지능 기반의 뇌졸중 재발 예측 및 관리 서비스 제공 방법 및 장치 - Google Patents

인공지능 기반의 뇌졸중 재발 예측 및 관리 서비스 제공 방법 및 장치 Download PDF

Info

Publication number
WO2023085594A1
WO2023085594A1 PCT/KR2022/014323 KR2022014323W WO2023085594A1 WO 2023085594 A1 WO2023085594 A1 WO 2023085594A1 KR 2022014323 W KR2022014323 W KR 2022014323W WO 2023085594 A1 WO2023085594 A1 WO 2023085594A1
Authority
WO
WIPO (PCT)
Prior art keywords
stroke recurrence
data
medical
stroke
variable
Prior art date
Application number
PCT/KR2022/014323
Other languages
English (en)
French (fr)
Inventor
조광욱
Original Assignee
가톨릭대학교 산학협력단
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 가톨릭대학교 산학협력단 filed Critical 가톨릭대학교 산학협력단
Publication of WO2023085594A1 publication Critical patent/WO2023085594A1/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
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—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

Definitions

  • the present invention relates to a stroke recurrence prediction and management service, and more particularly, when a change is found by monitoring a stroke recurrence variable, whether or not to update the change is determined based on a reliability judgment method and reflected in real time, resulting in improved accuracy. It relates to an artificial intelligence-based stroke recurrence prediction and management service provision method and device.
  • An object of the present invention is to provide a method and apparatus for increasing the accuracy of prediction of stroke recurrence probability and providing intuitive service guide data by quickly reflecting changes in stroke recurrence parameters whose reliability is secured.
  • a method for predicting stroke recurrence and providing service guide data in an electronic device for solving the above problems includes defining the stroke recurrence variable and generating an artificial intelligence learning model based on the stroke recurrence variable. ; receiving data on the stroke recurrence variable and learning using the generated artificial intelligence learning model; generating stroke recurrence prediction result data based on the learned result; generating service guide data corresponding to the generated stroke recurrence prediction result data; and providing the generated stroke recurrence prediction result data and the service guide data to a terminal, wherein the artificial intelligence learning model includes a support vector machine (SVM), which is a stroke recurrence prediction algorithm, using the defined stroke recurrence parameters, Calculate each performance evaluation value with the input of Random Forest and Logistic Regression, and generate it based on the algorithm with the highest receiver operating characteristic (AUROC) value among the performance evaluation values of each calculated algorithm It can be.
  • SVM support vector machine
  • the method includes the steps of monitoring a medical database to collect the defined stroke recurrence variable data; determining whether the defined stroke recurrence parameters are changed based on the collected stroke recurrence parameter data; and automatically updating if there is a change in the defined stroke recurrence parameters.
  • the method recalculates each performance evaluation value by using the updated stroke recurrence variable as an input of the support vector machine, the random forest, and the logistic regression step; and regenerating an artificial intelligence learning model according to the selected algorithm by selecting an algorithm having the highest receiver manipulation characteristic value among the recalculated performance evaluation values of each algorithm.
  • the medical database includes a database of a national institution server, a medical professional institution server, and a medical thesis service providing server related to domestic and foreign medical fields
  • the collected stroke recurrence variable data includes medical thesis data and medical guidelines.
  • data is included, and if the collected stroke recurrence variable data is medical thesis data, a reliability value of the medical thesis data is calculated, and only when the reliability value of the calculated medical thesis data is greater than or equal to a threshold value, the defined stroke recurrence It can be referenced to determine whether a variable has been changed.
  • the reliability value of the medical thesis data is information on the number of times the medical thesis has been cited in other medical thesis after publication, information of the conference where the corresponding medical thesis was published, information on whether or not the medical technology introduced in the medical thesis was adopted in the medical field, And it can be calculated by assigning a preset weight to evaluation information including the number of trials and results after the medical technology introduced in the corresponding medical paper is adopted in the medical field.
  • the defined stroke recurrence variable data is a predetermined period unit, a search or exposure ranking or number of medical media or general media is more than a preset value, detecting a significant change in the input stroke recurrence variable, and detecting the detected stroke recurrence Collected when there is no pre-generated artificial intelligence learning model related to significant changes in variables, when there is a request from the terminal, or when the number of newly published related medical papers increases by more than a certain number within the preset period It can be.
  • the method further comprises the step of labeling the received stroke recurrence variables and reference data and inputting them to the artificial intelligence learning model, wherein the stroke recurrence variables are gender, age, height, weight, body mass index (BMI), and smoking amount. , alcohol consumption, diabetes, high blood pressure, hyperlipidemia, diseases such as dementia, medication intake, and medication data.
  • BMI body mass index
  • an electronic device for predicting stroke recurrence and providing service guide data includes a memory; and defining the stroke recurrence variable, generating an artificial intelligence learning model based on the stroke recurrence variable, receiving data on the stroke recurrence variable, learning using the generated artificial intelligence learning model, and performing the learning Based on the generated result, generate stroke recurrence prediction result data, generate service guide data corresponding to the generated stroke recurrence prediction result data, and provide the generated stroke recurrence prediction result data and the service guide data to the terminal
  • a processor uses the defined stroke recurrence variable as an input of a stroke recurrence prediction algorithm, such as a support vector machine (SVM), random forest, and logistic regression, and calculates each performance evaluation value
  • the artificial intelligence learning model may be generated based on one algorithm having the highest AUROC value among the calculated performance evaluation values of each algorithm.
  • the processor monitors a medical database to collect the defined stroke recurrence variable data, determine whether the defined stroke recurrence variable is changed based on the collected stroke recurrence variable data, and determine whether the defined stroke recurrence variable data is changed. If there is a change in the variable, it can be automatically updated.
  • the processor recalculates each performance evaluation value by using the updated stroke recurrence variable as an input of the support vector machine, the random forest, and the logistic regression And, among the recalculated performance evaluation values of each algorithm, one algorithm having the highest receiver manipulation characteristic value is selected, and the artificial intelligence learning model can be controlled to be regenerated according to the selected algorithm.
  • the medical database includes a database of a national institution server, a medical professional institution server, and a medical thesis service providing server related to domestic and foreign medical fields
  • the collected stroke recurrence variable data includes medical thesis data and medical guideline data.
  • the processor if the collected stroke recurrence variable data is medical thesis data, calculates a reliability value of the medical thesis data, and only when the reliability value of the calculated medical thesis data is greater than or equal to a threshold value, the defined It can be controlled to refer to when determining whether the stroke recurrence variable is changed.
  • the reliability value of the medical thesis data includes information on the number of times the medical thesis has been cited in other medical thesis after publication, information of the conference where the corresponding medical thesis was published, information on whether or not the medical technology introduced in the corresponding medical thesis was adopted in the medical field, And it can be calculated by assigning a preset weight to evaluation information including the number of trials and results after the medical technology introduced in the corresponding medical paper is adopted in the medical field.
  • the defined stroke recurrence variable data may include detection of a significant change in the input stroke recurrence variable, detection of a significant change in the input stroke recurrence variable, and detection of a significant change in the input stroke recurrence variable, a preset period unit, a search or exposure rank or number of medical media or general media. Collected when there is no pre-generated artificial intelligence learning model related to significant changes in variables, when there is a request from the terminal, or when the number of newly published related medical papers increases by more than a certain number within the preset period It can be.
  • the processor labels the received stroke recurrence variables and reference data and inputs them to the artificial intelligence learning model, and the stroke recurrence variables include gender, age, height, weight, body mass index (BMI), smoking amount, alcohol consumption, It may be defined including whether or not a disease such as diabetes, high blood pressure, hyperlipidemia, or dementia, whether or not a drug has been taken, and data on the drug taken.
  • BMI body mass index
  • FIG. 1 is a block diagram illustrating a stroke recurrence prediction and management service providing system according to an embodiment of the present invention.
  • FIG. 2 is a configuration block diagram of an application server according to an embodiment of the present invention.
  • FIG. 3 is a flowchart illustrating a method for predicting a stroke recurrence probability according to an embodiment of the present invention.
  • FIG. 4 is a diagram for explaining a method for predicting a stroke recurrence probability and providing a management service according to an embodiment of the present invention.
  • FIG. 5 is a flowchart illustrating a method for predicting stroke recurrence and updating a management service according to an embodiment of the present invention.
  • FIG. 6 is a diagram for explaining the configuration of a processor for performing the operations of FIGS. 3 to 5;
  • FIGS. 7 to 9 are diagrams for explaining a user interface configured for an application service according to an embodiment of the present invention.
  • spatially relative terms “below”, “beneath”, “lower”, “above”, “upper”, etc. It can be used to easily describe a component's correlation with other components. Spatially relative terms should be understood as including different orientations of elements in use or operation in addition to the orientations shown in the drawings. For example, if you flip a component that is shown in a drawing, a component described as “below” or “beneath” another component will be placed “above” the other component. can Thus, the exemplary term “below” may include directions of both below and above. Components may also be oriented in other orientations, and thus spatially relative terms may be interpreted according to orientation.
  • FIG. 1 is a block diagram showing a stroke recurrence prediction and management service providing system 100 according to an embodiment of the present invention
  • FIG. 2 is a block diagram of an application server 150 according to an embodiment of the present invention. .
  • a system for providing a stroke recurrence prediction and management service may include a terminal 100 and an application server 150.
  • the stroke recurrence prediction and management service providing system includes one or more components other than the terminal 100 and the application server 150 shown in FIG. 1 in relation to performing the operation according to the present invention. It may be added and configured.
  • the management service includes configuring and providing service guide data as shown in FIG. 9 .
  • the terminal 100 may receive data related to stroke recurrence variables from the patient, and output data related to a stroke recurrence probability prediction and management service corresponding to the input stroke recurrence variable data.
  • the terminal 100 may be any one of a TV, a monitor, a signage, a PC, a laptop computer, a tablet PC, a smart phone, and a wearable device. Meanwhile, the terminal 100 itself may perform both the above-described stroke recurrence variable data input and corresponding service data output, but the input and output may be performed through different terminals, respectively, according to embodiments.
  • the terminal 100 may include or be connected to at least one of an interface for inputting the stroke recurrence variable data, for example, a keyboard, a mouse, a stylus pen, and a microphone.
  • the terminal 100 may recognize motion of a patient through an image sensor or obtain at least some data from a captured image of a patient.
  • the terminal 100 may include or be connected to at least one of a display and a speaker for predicting the stroke recurrence probability and outputting management service data.
  • the application server 150 controls the terminal 100 to predict a stroke recurrence probability based on artificial intelligence based on stroke recurrence variable data obtained from the terminal 100 and to output management service data based on the predicted result.
  • the application server 150 may include a memory 210 and a processor 220, wherein the memory 210 is used to provide a stroke recurrence prediction service.
  • a training data set and a learning model generated using the training data may be stored.
  • the processor 220 receives stroke recurrence variable data from the terminal 100, the received stroke By labeling each of the recurrence variable data and the data on stroke recurrence, the learning result is calculated through an artificial intelligence learning model, and data on the patient's stroke recurrence prediction probability is calculated, and based on the calculated stroke recurrence prediction probability, It is possible to control the provision of life and eating habits management service guides according to conditions and service guides for visits to medical institutions.
  • the application server 150 may provide the stroke recurrence prediction and management service according to the present invention in the form of an application or web service, but hereinafter, for convenience, an application will be described as an example. Therefore, the terminal 100 may include a configuration for providing input and output services related to the stroke recurrence prediction and management service according to the present invention by downloading, installing, and running the application on the terminal, and the application server 150 Also, a component for providing the application to the terminal 100 and controlling output of the stroke recurrence prediction probability and guide service data to the terminal 100 based on input data may be included. In the above, configuration may mean including software such as a program for performing a corresponding function and a hardware configuration for driving the software.
  • the application server 150 may be connected to one or more preset external databases to predict stroke recurrence probability and/or collect guideline data related thereto.
  • an external database may include, for example, a national institution server related to domestic and foreign medical fields, a server of a specialized medical institution, a database of a medical thesis service providing server, and the like.
  • FIG. 3 is a flowchart illustrating a method for predicting a stroke recurrence probability according to an embodiment of the present invention.
  • 4 is a diagram for explaining a method for predicting a stroke recurrence probability and providing a management service according to an embodiment of the present invention.
  • 5 is a flowchart illustrating a method for predicting stroke recurrence and updating a management service according to an embodiment of the present invention.
  • FIG. 6 is a diagram for explaining the configuration of the processor 220 for performing the operations of FIGS. 3 to 5 .
  • 7 to 9 are diagrams for explaining a user interface (UI) configured for an application service according to an embodiment of the present invention.
  • UI user interface
  • FIGS. 3 to 5 may be performed through the application server 150 of FIG. 1 , particularly the processor 220 of FIG. 6 .
  • FIG. 3 illustrates a stroke recurrence prediction algorithm.
  • the processor 220 includes a preprocessing module 610, a calculation module 620, and a selection module 630.
  • the processor 220 may determine whether or not a stroke recurrence of the user, ie, predict, using a prediction model learned through artificial intelligence, in particular, machine learning.
  • a support vector machine (SVM), a random forest, and logistic regression may be used as stroke recurrence prediction algorithms.
  • processor 220 may define a stroke recurrence variable.
  • the preprocessing module 620 as one component of the processor 220 preprocesses the stroke recurrence parameters defined above.
  • stroke recurrence variables sex, age, height, weight, body mass index (BMI), smoking amount, alcohol consumption, diabetes, high blood pressure, hyperlipidemia, dementia, etc., whether or not medication has been taken and taken medication data, etc. may be included.
  • BMI body mass index
  • smoking amount alcohol consumption
  • diabetes high blood pressure
  • hyperlipidemia dementia
  • dementia dementia
  • other factors that may affect stroke recurrence may be further included in the variables.
  • the calculation module 630 takes the stroke recurrence variables preprocessed in the preprocessing module 620 as input and calculates each machine learning method, that is, the above-described stroke recurrence prediction algorithm, support vector machine (SVM), random forest (Random Forest). Forest) and logistic regression to calculate the performance evaluation result.
  • SVM support vector machine
  • Random Forest random forest
  • the selection module 640 selects one machine learning algorithm from the performance evaluation results according to each machine learning algorithm calculated in the calculation module 630, and recurrence of stroke based on the selected machine learning algorithm. Configure predictive medical software and hardware.
  • the selection module 640 evaluates the performance of the corresponding algorithm from the evaluation result value according to each machine learning algorithm.
  • the evaluation has the highest area under receiver operating characteristic (AUROC) value Algorithm, that is, a machine learning model with the best stroke recurrence prediction performance can be adopted as a stroke recurrence prediction algorithm.
  • AUROC area under receiver operating characteristic
  • the processor 220 of FIG. 6 may further include an input unit 610, a service data generator 650, a controller 660, and the like.
  • the input unit 610 receives information corresponding to data defined as stroke recurrence variables from the terminal 100 .
  • the terminal 100 executes the medical service application downloaded and installed from the application server 150 in advance, and displays the user interface in the execution screen of the medical service application as shown in FIGS. 7 to 8 .
  • Information corresponding to the data defined as the stroke recurrence variable can be input through.
  • FIG. 7(a) is a user interface configuration screen for a blood pressure measurement guide, which is one of the stroke recurrence variables according to the present invention, and FIG. 7(b) is measured according to the guide of FIG. 7(a).
  • FIG. 8(a) illustrates a configuration of an input user interface screen for stroke recurrence variables, for example, the number of blood sugar measurements, blood sugar measurements, blood pressure measurements, medication information, weight information, and the like.
  • doctor's terminal screen user interface which, as described later, is information that can be viewed after obtaining consent or confirmation from a patient in a medical institution, and basic information It shows a user interface screen configured in various forms (graphs, tables, etc.) so that data and history on stroke recurrence variables input by various patients can be monitored and dealt with. This indicates that it may function as a kind of digital therapy.
  • Data input on the terminal 100 in this way may be automatically transmitted to the application server 150 .
  • the application server 150 stores the result of the pre-learned model, the stroke recurrence prediction result performed for other terminal users, and service provision data, and transmits them to the terminal 100 at predetermined intervals, thereby transmitting the data to the terminal 100. Even if the terminal 100 and the application server 150 are offline at the time of input, stroke recurrence prediction and service data can be provided on the terminal 100 . That is, the application server 150 transfers data related to predicting stroke recurrence variables in units of time such as days, weeks, months, quarters, and years, based on the frequency or number of executions of the application in the terminal 100, or in a predefined manner. When it is determined that there is a significant change in stroke recurrence variables and there is a change in the machine learning algorithm used for predicting stroke recurrence accordingly, related data may be provided to the terminal 100 .
  • the processor 220 labels the stroke recurrence variable data and the reference data input from the terminal 100 in operation 21, learns through the artificial intelligence model, and produces stroke recurrence prediction result data.
  • the artificial intelligence model is an artificial intelligence model selected by the aforementioned FIG. 3 .
  • the service data generation unit 650 generates service guide data corresponding to the stroke recurrence prediction result data calculated as a result of operation 23.
  • control unit 660 transmits the service guide data generated by the service data generating unit 650 in operation 24 to the terminal 100, and controls the output on the terminal 100.
  • the service data generation unit 650 may generate at least one service guide data of, for example, (a) to (c) of FIG. 9 .
  • the service data generator 650 determines the corresponding stroke recurrence prediction result data as shown in (a) of FIG. Along with, service guide data of “Please maintain your current lifestyle” may be generated and provided to be output through the terminal 100 .
  • the service data generator 650 determines the corresponding stroke recurrence prediction probability ( Alternatively, service guide data recommending "Please change your current lifestyle as follows" along with the result data may be generated and provided to be output through the terminal 100 with a slightly high probability.
  • a change request item may be specifically provided, and it may be determined by referring to the defined or updated stroke recurrence predictor variables and the variable-related data input through the terminal 100 .
  • the service data generation unit 650 provides information such as recommended food, recommended exercise, recommended lifestyle, etc. in various forms such as specific figures or graphs, images such as still images or moving pictures, and audio, directly or by linkage addresses. ) may be provided in a form including.
  • the service data generation unit 650 sets the stroke recurrence prediction probability to a state where the probability of predicting stroke recurrence is very high, as shown in FIG.
  • service guide data such as “Please visit a medical institution and receive medical treatment” along with result data may be generated and provided to be output through the terminal 100 .
  • the service data generating unit 650 may provide information on nearby or registered medical institutions. In relation to such provision, various related information such as information on the nearest medical institution and map information about the medical institution may be provided together, if necessary.
  • the application server 150 when a medical service application is executed in the terminal 100 and input or output information as shown in FIGS. 7 to 9 is generated, not only the terminal 100 but also other registered terminals The same or similar information can be provided.
  • the other terminal may include a preset terminal such as a guardian, a probationer, or a terminal of a primary care physician of the user of the corresponding terminal 100 .
  • the application server 150 may process the configuration of information provided to the terminal 100 and information used for the other terminals differently.
  • the user (patient) of the terminal 100 is a child or the elderly, it is difficult to properly identify or understand the input or output information of the stroke recurrence variable, so only simplified information is provided, but relative to users of other terminals. can provide detailed result information.
  • the user of the other terminal is a medical institution, it is possible to provide input and prediction information including specific numerical values from previous history information.
  • the first to third thresholds are arbitrarily set to classify stroke recurrence prediction results, and can be set or changed by a medical institution.
  • the threshold may be defined differently according to various stroke recurrence variables described herein, changes in machine learning algorithms, and the like. In this specification, three sections are divided for convenience, but this may be defined and processed by dividing into more sections in detail according to settings, or vice versa.
  • FIG. 3 shows a method for selecting a machine learning algorithm with the best performance as, for example, a stroke recurrence prediction algorithm, but as shown in FIG. 5 described later, at least one stroke recurrence predictor variable is modified, added, or removed.
  • the process of FIG. 3 may be re-performed according to a change in a back or a change in a guideline related to stroke recurrence.
  • a machine learning algorithm different from the machine learning algorithm finally selected as the stroke recurrence prediction algorithm in the above-described execution may be selected.
  • the processor 220 may perform the following operations during or before performing some operations of FIG. 3 or 4 .
  • the processor 220 monitors the medical database to collect predefined stroke recurrence variable data.
  • the medical database may include a database of a national institution server, a medical professional institution server, and a medical thesis service providing server related to domestic and foreign medical fields.
  • the processor 220 determines whether the defined stroke recurrence parameters are changed based on the collected stroke recurrence parameter data.
  • the processor 220 automatically updates the stroke recurrence parameter if there is a change.
  • the processor 220 re-performs operations 12 to 15 of FIG. 3 when the stroke recurrence variable is automatically updated according to the change, that is, the updated stroke recurrence variable is converted into a support vector that is a stroke recurrence prediction algorithm.
  • Each performance evaluation value is recalculated using the input of machine, random forest, and logistic regression, and one algorithm with the highest receiver manipulation characteristic value is selected among the recalculated performance evaluation values of each algorithm.
  • the intelligent learning model can be recreated.
  • the collected stroke recurrence variable data may include medical thesis data and medical guideline data.
  • the processor 220 selects an example of a pre-set institution for publishing the corresponding medical guideline data. For example, if it is any one of domestic/overseas medical related national institutions, medical professional institutions, and medical thesis service institutions such as domestic or international stroke societies, the corresponding medical guideline data can be trusted and automatically updated.
  • the processor 200 calculates a reliability value of the medical thesis data, and only when the reliability value of the calculated medical thesis data is equal to or greater than the threshold value, the defined It can be controlled to refer to the determination of whether the stroke recurrence variable is changed.
  • the reliability value of the medical thesis data is information on the number of times the medical thesis was cited in other medical thesis after publication, information of the society where the corresponding medical thesis was published, information on whether or not the medical technology introduced in the corresponding medical thesis was adopted in the medical field It can be calculated by assigning preset weights to the evaluation information including the number of trials and results after adoption of the medical technology introduced in the relevant medical paper, and the medical field.
  • the processor 200 may also calculate the reliability value of the medical thesis data by selecting any one or both of the sum or the average value of the weights of each information assigned and comparing them with the threshold value. Depending on the embodiment, the processor 200 determines whether the change according to the weight of each piece of information is greater than or equal to a threshold value set for each piece of information, and if the number of pieces of piece of information changed by more than the threshold value is greater than or equal to a predefined number, the data of the medical thesis is determined. It can also be used to calculate the reliability value. In addition, the processor 220 may refer to the weight of individual information, ignore the change of information having a low weight and refer to only the change of information having a high weight in calculating reliability.
  • the processor 220 detects a significant change in the input stroke recurrence variable, and determines the detected stroke recurrence variable in a predetermined period unit, in a search or exposure rank or number of medical media or general media is a preset value or more. If at least one of the cases where there is no pre-generated artificial intelligence learning model related to significant change, when there is a request from the terminal, and when the number of newly published related medical papers increases by more than a certain number within the preset period, the above definition stroke recurrence variable data can be collected.
  • cohort data are collected and applied to artificial intelligence to be used for predicting factors related to stroke recurrence and recurrence rate, mortality rate and its factors in case of death, and predicting the possibility of death. may be
  • Steps of a method or algorithm described in connection with an embodiment of the present invention may be implemented directly in hardware, implemented in a software module executed by hardware, or implemented by a combination thereof.
  • a software module may include random access memory (RAM), read only memory (ROM), erasable programmable ROM (EPROM), electrically erasable programmable ROM (EEPROM), flash memory, hard disk, removable disk, CD-ROM, or It may reside in any form of computer readable recording medium well known in the art to which the present invention pertains.

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Data Mining & Analysis (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Epidemiology (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 변경 사항에 대하여 업데이트 유무를 신뢰성 판단 방법에 기초하여 결정하고 실시간으로 반영하여 정확성이 향상된 인공지능 기반의 뇌졸중 재발 예측 및 관리 서비스 제공 방법 및 장치에 관한 것이다. 본 발명에 따르면, 뇌졸중 재발 확률 예측 결과 및 관련 서비스 가이드 데이터를 직관적으로 식별할 수 있고, 신뢰성이 확보된 뇌졸중 재발 변수를 실시간으로 반영하여 더욱 정확한 뇌졸중 재발 가능성을 예측할 수 있다.

Description

인공지능 기반의 뇌졸중 재발 예측 및 관리 서비스 제공 방법 및 장치
본 발명은 뇌졸중 재발 예측 및 관리 서비스에 관한 것으로, 보다 자세하게는 뇌졸중 재발 변수를 모니터링하여 변경 사항이 발견되면, 변경 사항에 대하여 업데이트 유무를 신뢰성 판단 방법에 기초하여 결정하고 실시간으로 반영하여 정확성이 향상된 인공지능 기반의 뇌졸중 재발 예측 및 관리 서비스 제공 방법 및 장치에 관한 것이다.
의료 기술이 발전함에 따라 인간의 수명이 늘어나 세계 각국은 빠르게 고령화 사회로 진입하고 있다.
그럼에도 불구하고, 인간은 여전히 모든 질병에 대한 치료제나 치료 방법을 개발한 것은 아닌데 특히, 중장년층에서 뇌졸중의 발병률이 증가하고 있다. 모든 질병이 한 번 발병한 후에 치료를 완료하였다고 하더라도 사후 관리가 매우 중요한데 특히나, 뇌졸중은 인간의 뇌에 관한 질병으로 상대적으로 재발 확률이 높은 바, 그 관리가 매우 중요하다.
이러한 점에서, 환자와 의료기관에 뇌졸중의 재발 예측 및 관리에 관한 서비스 제공에 관한 니즈가 있다.
본 발명이 해결하고자 하는 과제는, 뇌졸중 재발 변수의 신뢰성이 확보된 변경 사항을 빠르게 반영하여 뇌졸중 재발 확률 예측의 정확성을 높이고, 직관적인 서비스 가이드 데이터를 제공하는 방법 및 장치를 제공하는 것이다.
본 발명이 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
상술한 과제를 해결하기 위한 본 발명에 따른 전자 장치에서 뇌졸중 재발 예측 및 서비스 가이드 데이터를 제공하는 방법은, 상기 뇌졸중 재발 변수를 정의하고, 상기 뇌졸중 재발 변수에 기초하여 인공지능 학습 모델을 생성하는 단계; 상기 뇌졸중 재발 변수에 관한 데이터를 입력받아, 상기 생성된 인공지능 학습 모델을 이용하여 학습하는 단계; 상기 학습된 결과에 기초하여 뇌졸중 재발 예측 결과 데이터를 생성하는 단계; 상기 생성된 뇌졸중 재발 예측 결과 데이터에 대응하는 서비스 가이드 데이터를 생성하는 단계; 및 상기 생성된 뇌졸중 재발 예측 결과 데이터 및 상기 서비스 가이드 데이터를 단말에 제공하는 단계를 포함하되, 상기 인공지능 학습 모델은, 상기 정의된 뇌졸중 재발 변수를 뇌졸중 재발 예측 알고리즘인 서포트 벡터 머신(SVM), 랜덤 포레스트(Random Forest) 및 로지스틱 회귀(Logistic Regression)의 입력으로 하여 각 성능 평가값을 산출하고, 산출된 각 알고리즘의 성능 평가값 중 가장 수신자 조작 특성(AUROC) 값이 가장 높은 알고리즘에 기초하여 생성될 수 있다.
이때, 본 방법은 의료 데이터베이스를 모니터링하여 상기 정의된 뇌졸중 재발 변수 데이터를 수집하는 단계; 상기 수집된 뇌졸중 재발 변수 데이터에 기초하여 상기 정의된 뇌졸중 재발 변수의 변경 여부를 판단하는 단계; 및 상기 정의된 뇌졸중 재발 변수에 변경이 있으면, 자동 업데이트하는 단계를 더 포함할 수 있다.
또한, 본 방법은 상기 정의된 뇌졸중 재발 변수 변경에 따른 자동 업데이트가 있으면, 상기 업데이트된 뇌졸중 재발 변수를 상기 서포트 벡터 머신, 상기 랜덤 포레스트 및 상기 로지스틱 회귀의 입력으로 하여 각 성능 평가값을 재산출하는 단계; 및 재산출된 각 알고리즘의 성능 평가값 중 가장 수신자 조작 특성 값이 가장 높은 하나의 알고리즘을 선택하여, 선택된 알고리즘에 따라 인공지능 학습 모델을 재생성하는 단계를 더 포함할 수 있다.
이때, 상기 의료 데이터베이스에는, 국내외의 의료 분야와 관련된 국가 기관 서버, 의료 전문 기관 서버, 및 의료 논문 서비스 제공 서버의 데이터베이스가 포함되고, 상기 수집되는 뇌졸중 재발 변수 데이터에는, 의료 논문 데이터와 의료 가이드라인 데이터가 포함되고, 상기 수집되는 뇌졸중 재발 변수 데이터가 의료 논문 데이터이면, 상기 의료 논문 데이터의 신뢰도 값을 산출하고, 상기 산출된 의료 논문 데이터의 신뢰도 값이 임계값 이상인 경우에만, 상기 정의된 뇌졸중 재발 변수의 변경 여부를 판단하는데 참조될 수 있다.
또한, 상기 의료 논문 데이터의 신뢰도 값은, 해당 의료 논문의 공개 이후 타 의료 논문에 인용된 횟수 정보, 해당 의료 논문이 공개된 학회 정보, 해당 의료 논문에 소개된 의료 기술의 의료 현장 채택 여부 정보, 및 해당 의료 논문에 소개된 의료 기술의 의료 현장 채택 후 시행 회수 및 결과가 포함된 평가 정보에 대해 각각 미리 설정된 가중치를 부여하여 산출될 수 있다.
이때, 상기 정의된 뇌졸중 재발 변수 데이터는, 미리 설정된 기간 단위, 의료 매체나 일반 매체의 검색 또는 노출 순위나 횟수가 미리 설정된 값 이상, 상기 입력받은 뇌졸중 재발 변수에 유의미한 변화 감지, 상기 감지된 뇌졸중 재발 변수에 유의미한 변화와 관련된 기 생성된 인공지능 학습 모델이 없는 경우, 단말의 요청이 있는 경우, 및 상기 미리 설정된 기간 내에 새로 발행된 관련 의료 논문의 수가 일정 수 이상 증가한 경우 중 어느 하나에 해당하면 수집될 수 있다.
또한 본 방법은 상기 입력받은 뇌졸중 재발 변수와 기준 데이터를 라벨링하여 상기 인공지능 학습 모델에 입력하는 단계를 더 포함하고, 상기 뇌졸중 재발 변수는, 성별, 나이, 신장, 몸무게, 비만도(BMI), 흡연량, 음주량, 당뇨, 고혈압, 고지혈증, 치매 등의 질환 여부, 약물 복용 여부 및 복용 약물 데이터를 포함하여 정의될 수 있다.
또한, 상술한 과제를 해결하기 위한 본 발명에 따른 뇌졸중 재발 예측 및 서비스 가이드 데이터를 제공하는 전자 장치는, 메모리; 및 상기 뇌졸중 재발 변수를 정의하고, 상기 뇌졸중 재발 변수에 기초하여 인공지능 학습 모델을 생성하고, 상기 뇌졸중 재발 변수에 관한 데이터를 입력받아, 상기 생성된 인공지능 학습 모델을 이용하여 학습하고, 상기 학습된 결과에 기초하여 뇌졸중 재발 예측 결과 데이터를 생성하고, 상기 생성된 뇌졸증 재발 예측 결과 데이터에 대응하는 서비스 가이드 데이터를 생성하고, 상기 생성된 뇌졸증 재발 예측 결과 데이터 및 상기 서비스 가이드 데이터를 단말에 제공하는 프로세서를 포함하고, 상기 프로세서는, 상기 정의된 뇌졸중 재발 변수를 뇌졸중 재발 예측 알고리즘인 서포트 벡터 머신(SVM), 랜덤 포레스트(Random Forest) 및 로지스틱 회귀(Logistic Regression)의 입력으로 하여 각 성능 평가값을 산출하고, 산출된 각 알고리즘의 성능 평가값 중 가장 수신자 조작 특성(AUROC) 값이 가장 높은 하나의 알고리즘에 기초하여 상기 인공지능 학습 모델을 생성할 수 있다.
이때, 상기 프로세서는, 의료 데이터베이스를 모니터링하여 상기 정의된 뇌졸중 재발 변수 데이터를 수집하고, 상기 수집된 뇌졸중 재발 변수 데이터에 기초하여 상기 정의된 뇌졸중 재발 변수의 변경 여부를 판단하고, 상기 정의된 뇌졸중 재발 변수에 변경이 있으면, 자동 업데이트할 수 있다.
또한, 상기 프로세서는, 상기 정의된 뇌졸중 재발 변수 변경에 따른 자동 업데이트가 있으면, 상기 업데이트된 뇌졸중 재발 변수를 상기 서포트 벡터 머신, 상기 랜덤 포레스트 및 상기 로지스틱 회귀의 입력으로 하여 각 성능 평가값을 재산출하고, 재산출된 각 알고리즘의 성능 평가값 중 가장 수신자 조작 특성 값이 가장 높은 하나의 알고리즘을 선택하여, 선택된 알고리즘에 따라 인공지능 학습 모델이 재생성되도록 제어할 수 있다.
상기 의료 데이터베이스에는, 국내외의 의료 분야와 관련된 국가 기관 서버, 의료 전문 기관 서버, 및 의료 논문 서비스 제공 서버의 데이터베이스가 포함되고, 상기 수집되는 뇌졸중 재발 변수 데이터에는, 의료 논문 데이터와 의료 가이드라인 데이터가 포함되고, 상기 프로세서는, 상기 수집되는 뇌졸중 재발 변수 데이터가 의료 논문 데이터이면, 상기 의료 논문 데이터의 신뢰도 값을 산출하고, 상기 산출된 의료 논문 데이터의 신뢰도 값이 임계값 이상인 경우에만, 상기 정의된 뇌졸중 재발 변수의 변경 여부를 판단하는데 참조하도록 제어할 수 있다.
이때, 상기 의료 논문 데이터의 신뢰도 값은, 해당 의료 논문의 공개 이후 타 의료 논문에 인용된 횟수 정보, 해당 의료 논문이 공개된 학회 정보, 해당 의료 논문에 소개된 의료 기술의 의료 현장 채택 여부 정보, 및 해당 의료 논문에 소개된 의료 기술의 의료 현장 채택 후 시행 회수 및 결과가 포함된 평가 정보에 대해 각각 미리 설정된 가중치를 부여하여 산출될 수 있다.
또한, 상기 정의된 뇌졸중 재발 변수 데이터는, 미리 설정된 기간 단위, 의료 매체나 일반 매체의 검색 또는 노출 순위나 횟수가 미리 설정된 값 이상, 상기 입력받은 뇌졸중 재발 변수에 유의미한 변화 감지, 상기 감지된 뇌졸중 재발 변수에 유의미한 변화와 관련된 기 생성된 인공지능 학습 모델이 없는 경우, 단말의 요청이 있는 경우, 및 상기 미리 설정된 기간 내에 새로 발행된 관련 의료 논문의 수가 일정 수 이상 증가한 경우 중 어느 하나에 해당하면 수집될 수 있다.
또한, 상기 프로세서는, 상기 입력받은 뇌졸중 재발 변수와 기준 데이터를 라벨링하여 상기 인공지능 학습 모델에 입력하고, 상기 뇌졸중 재발 변수는, 성별, 나이, 신장, 몸무게, 비만도(BMI), 흡연량, 음주량, 당뇨, 고혈압, 고지혈증, 치매 등의 질환 여부, 약물 복용 여부 및 복용 약물 데이터를 포함하여 정의될 수 있다.
본 발명에 따르면, 뇌졸중 재발 확률 예측 결과 및 관련 서비스 가이드 데이터를 직관적으로 식별할 수 있다.
또한, 본 발명에 따르면, 신뢰성이 확보된 뇌졸중 재발 변수를 실시간으로 반영하여 더욱 정확한 뇌졸중 재발 가능성을 예측할 수 있다.
본 발명의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 일 실시 예에 따른 뇌졸중 재발 예측 및 관리 서비스 제공 시스템을 도시한 블록도이다.
도 2는 본 발명의 일 실시 예에 따른 어플리케이션 서버의 구성 블록도이다.
도 3은 본 발명의 일 실시 예에 따른 뇌졸중 재발 확률 예측을 위한 방법을 설명하기 위한 흐름도이다.
도 4는 본 발명의 일 실시 예에 따른 뇌졸중 재발 확률 예측 및 관리 서비스 제공 방법을 설명하기 위해 도시한 도면이다.
도 5는 본 발명의 일 실시 예에 따른 뇌졸중 재발 예측 및 관리 서비스 업데이트 방법을 설명하기 위해 도시한 흐름도이다.
도 6은 도 3 내지 5의 동작 수행을 위한 프로세서의 구성을 설명하기 위해 도시한 도면이다.
도 7 내지 9는 본 발명의 일 실시 예에 따라 어플리케이션 서비스를 위해 구성한 유저 인터페이스를 설명하기 위해 도시한 도면이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 제한되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술 분야의 통상의 기술자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다. 명세서 전체에 걸쳐 동일한 도면 부호는 동일한 구성 요소를 지칭하며, "및/또는"은 언급된 구성요소들의 각각 및 하나 이상의 모든 조합을 포함한다. 비록 "제1", "제2" 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 구성요소는 본 발명의 기술적 사상 내에서 제2 구성요소일 수도 있음은 물론이다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야의 통상의 기술자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.
공간적으로 상대적인 용어인 "아래(below)", "아래(beneath)", "하부(lower)", "위(above)", "상부(upper)" 등은 도면에 도시되어 있는 바와 같이 하나의 구성요소와 다른 구성요소들과의 상관관계를 용이하게 기술하기 위해 사용될 수 있다. 공간적으로 상대적인 용어는 도면에 도시되어 있는 방향에 더하여 사용시 또는 동작시 구성요소들의 서로 다른 방향을 포함하는 용어로 이해되어야 한다. 예를 들어, 도면에 도시되어 있는 구성요소를 뒤집을 경우, 다른 구성요소의 "아래(below)"또는 "아래(beneath)"로 기술된 구성요소는 다른 구성요소의 "위(above)"에 놓여질 수 있다. 따라서, 예시적인 용어인 "아래"는 아래와 위의 방향을 모두 포함할 수 있다. 구성요소는 다른 방향으로도 배향될 수 있으며, 이에 따라 공간적으로 상대적인 용어들은 배향에 따라 해석될 수 있다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예를 상세하게 설명한다.
도 1 은 본 발명의 일 실시 예에 따른 뇌졸중 재발 예측 및 관리 서비스 제공 시스템(100)을 도시한 블록도이고, 도 2는 본 발명의 일 실시 예에 따른 어플리케이션 서버(150)의 구성 블록도이다.
도 1을 참조하면, 본 발명의 일 실시 예에 따른 뇌졸중 재발 예측 및 관리 서비스를 제공하는 시스템은, 단말(100)과 어플리케이션 서버(Application server)(150)을 포함하여 구성될 수 있다. 이 때, 실시 예에 따라서, 뇌졸중 재발 예측 및 관리 서비스 제공 시스템에는 도 1에 도시된 단말(100)과 어플리케이션 서버(150) 외에 본 발명에 따른 동작 수행과 관련하여, 하나 또는 그 이상의 구성요소가 추가되어 구성될 수도 있다. 상기에서, 관리 서비스라 함은 도 9와 같은 서비스 가이드 데이터를 구성하여 제공하는 것을 포함한다.
단말(100)은 환자로부터 뇌졸중 재발 변수에 관한 데이터를 입력받고, 입력된 뇌졸중 재발 변수 데이터에 대응하는 뇌졸중 재발 확률 예측 및 관리 서비스에 관한 데이터를 출력할 수 있다.
이러한 단말(100)은 TV, 모니터, 사이니지(Signage), PC, 노트북, 태블릿 pc, 스마트폰, 웨어러블 디바이스(wearable device) 등 중 어느 하나일 수 있다. 한편, 단말(100)은 그 자체로 전술한 뇌졸중 재발 변수 데이터 입력 및 대응 서비스 데이터 출력을 모두 수행할 수도 있으나, 실시 예에 따라서 상기 입력과 출력은 각각 다른 단말을 통해 이루어질 수도 있다.
본 발명과 관련하여, 단말(100)은 상기 뇌졸중 재발 변수 데이터 입력을 위한 인터페이스(interface) 예를 들어, 키보드, 마우스, 스타일러스펜, 마이크로폰 등 중 적어도 하나를 구비하거나 그와 연결될 수 있다. 실시 예에 따라서, 단말(100)은 이미지 촬상 센서를 통하여 환자의 모션(motion)을 인식하거나 촬영된 환자의 이미지로부터 적어도 일부의 데이터를 획득할 수도 있다.
본 발명과 관련하여, 단말(100)은 상기 뇌졸중 재발 확률 예측 및 관리 서비스 데이터의 출력을 위하여 디스플레이와 스피커 중 적어도 하나를 구비하거나 그와 연결될 수 있다.
어플리케이션 서버(150)는 상기 단말(100)로부터 획득되는 뇌졸중 재발 변수 데이터에 기초하여 인공지능 기반으로 뇌졸중 재발 확률을 예측하고 예측된 결과에 기초한 관리 서비스 데이터를 출력하도록 상기 단말(100)을 제어할 수 있다.
도 2를 참조하면, 어플리케이션 서버(150)는 메모리(memory)(210)와 프로세서(processor)(220)를 포함하여 구성될 수 있으며, 이 때 상기 메모리(210)는 뇌졸중 재발 예측 서비스 제공을 위한 훈련 데이터셋(training data set), 상기 훈련 데이터를 이용하여 생성된 학습 모델(learning model)을 저장할 수 있고, 상기 프로세서(220)는 단말(100)로부터 뇌졸중 재발 변수 데이터를 입력받으면, 입력받은 뇌졸중 재발 변수 데이터 각각과 뇌졸중 재발 여부에 관한 데이터를 라벨링(labeling)하여 인공지능 학습 모델을 통해 학습 결과 환자의 뇌졸중 재발 예측 확률에 관한 데이터를 산출하고, 산출된 환자의 뇌졸중 재발 예측 확률에 기반하여 해당 상태에 따른 생활 및 식습관 관리 서비스 가이드, 의료기관 방문 서비스 가이드 등 제공을 제어할 수 있다.
어플리케이션 서버(150)는 본 발명에 따른 뇌졸중 재발 예측 및 관리 서비스 제공을 어플리케이션(application) 또는 웹 서비스(web service) 형태로 제공할 수 있으나, 이하에서는 편의상 어플리케이션을 이용하는 것을 예로 하여 설명한다. 따라서, 단말(100)은 상기 어플리케이션을 다운로드 받아 설치하고 단말 상에서 구동하여 본 발명에 따른 뇌졸중 재발 예측 및 관리 서비스에 관한 입력 및 출력 서비스를 제공하기 위한 구성을 포함할 수 있으며, 어플리케이션 서버(150) 역시 상기 어플리케이션을 단말(100)로 제공하여 입력된 데이터에 기반하여 상기 단말(100)에 뇌졸중 재발 예측 확률 및 가이드 서비스 데이터의 출력 제어를 위한 구성을 포함할 수 있다. 상기에서, 구성이라 함은 해당 기능의 수행을 위한 프로그램 등 소프트웨어와 상기 소프트웨어를 구동하는 하드웨어 구성을 포함하는 의미일 수 있다.
도 1에 도시되진 않았으나, 어플리케이션 서버(150)는 뇌졸중 재발 확률 예측 및/또는 그에 관한 가이드라인 데이터를 수집하기 위하여, 미리 설정된 하나 또는 그 이상의 외부 데이터베이스와 연결될 수 있다. 이러한 외부 데이터베이스에는 예를 들어, 국내외의 의료 분야와 관련된 국가 기관 서버, 의료 전문 기관의 서버, 의료 논문 서비스 제공 서버의 데이터베이스 등이 포함될 수 있다.
도 3은 본 발명의 일 실시 예에 따른 뇌졸중 재발 확률 예측을 위한 방법을 설명하기 위한 흐름도이다. 도 4는 본 발명의 일 실시 예에 따른 뇌졸중 재발 확률 예측 및 관리 서비스 제공 방법을 설명하기 위해 도시한 도면이다. 도 5는 본 발명의 일 실시 예에 따른 뇌졸중 재발 예측 및 관리 서비스 업데이트 방법을 설명하기 위해 도시한 흐름도이다. 도 6은 도 3 내지 5의 동작 수행을 위한 프로세서(220)의 구성을 설명하기 위해 도시한 도면이다. 도 7 내지 9는 본 발명의 일 실시 예에 따라 어플리케이션 서비스를 위해 구성한 유저 인터페이스(UI: User Interface)를 설명하기 위해 도시한 도면이다.
도 3 내지 도 5의 동작들은 도 1의 어플리케이션 서버(150) 특히, 도 6의 프로세서(220)를 통해 수행될 수 있다.
먼저, 도 3은 뇌졸중 재발 예측 알고리즘을 도시한 것으로, 도 6을 참조하면 프로세서(220)는 전처리 모듈(610), 산출 모듈(620), 및 선택 모듈(630)을 포함하여 구성된다.
프로세서(220)는 인공지능 특히, 머신러닝(machine learning)을 통해 학습된 예측 모델을 이용하여 사용자의 뇌졸중 재발 여부를 판단 즉, 예측할 수 있다. 이 때, 뇌졸중 재발 예측 알고리즘으로 서포트 벡터 머신(SVM: Support Vector Machine), 랜덤 포레스트(Random Forest) 및 로지스틱 회귀(Logistic Regression) 등이 이용될 수 있다.
동작 11에서, 프로세서(220)는 뇌졸중 재발 변수를 정의할 수 있다.
동작 12에서, 프로세서(220)의 일 구성요소로서 전처리 모듈(620)은, 상기 정의한 뇌졸중 재발 변수를 전처리한다.
여기서, 뇌졸중 재발 변수로, 성별, 나이, 신장, 몸무게, 비만도(BMI), 흡연량, 음주량, 당뇨, 고혈압, 고지혈증, 치매 등의 질환 여부, 약물 복용 여부 및 복용 약물 데이터 등이 포함될 수 있다. 그 밖에, 기타 뇌졸중 재발에 영향을 줄 수 있는 팩터가 상기 변수에 더 포함될 수 있다.
동작 13에서, 산출 모듈(630)은 상기 전처리 모듈(620)에서 전처리된 뇌졸중 재발 변수를 입력으로 하여 각 머신러닝 방법 즉, 전술한 뇌졸중 재발 예측 알고리즘인 서포트 벡터 머신(SVM), 랜덤 포레스트(Random Forest) 및 로지스틱 회귀(Logistic Regression)을 통하여 성능 평가 결과값을 산출한다.
동작 14와 동작 15에서, 선택 모듈(640)은 상기 산출 모듈(630)에서 산출된 각 머신러닝 알고리즘에 따른 성능 평가 결과값으로부터 하나의 머신러닝 알고리즘을 선택하고, 선택된 머신러닝 알고리즘에 기반한 뇌졸중 재발 예측 의료 소프트웨어 및 하드웨어를 구성한다.
상기 동작 14에서, 선택 모듈(640)은 각 머신러닝 알고리즘에 따른 평가 결과값으로부터 해당 알고리즘의 성능을 평가하는데 이 때, 상기 평가는 수신자 조작 특성(AUROC: Area Under Receiver Operating Characteristic) 값이 가장 높은 알고리즘 즉, 뇌졸중 재발 예측 성능이 가장 우수한 머신러닝 모델을 뇌졸중 재발 예측 알고리즘으로 채택할 수 있다.
도 3을 통해 가장 성능이 우수한 머신러닝 모델 기반으로 뇌졸중 재발 예측을 위한 의료 소프트웨어 및 하드웨어가 구성되면, 도 4와 같이 뇌졸중 재발 예측 및 관리 서비스를 수행할 수 있다. 관련하여, 도 6의 프로세서(220)는 입력부(610), 서비스 데이터 생성부(650), 제어부(660) 등을 더 포함하여 구성될 수 있다.
동작 21에서, 입력부(610)는 단말(100)로부터 뇌졸중 재발 변수로 정의된 데이터에 해당하는 정보를 입력받는다. 이 때, 단말(100)은 전술한 바와 같이, 미리 어플리케이션 서버(150)로부터 다운로드 받아 설치된 의료 서비스 어플리케이션을 실행하고, 도 7 내지 도 8에 도시된 바와 같은 의료 서비스 어플리케이션의 실행 화면 내 유저 인터페이스를 통해 상기 뇌졸중 재발 변수로 정의된 데이터에 해당하는 정보를 입력할 수 있다. 예를 들어, 도 7의 (a)는 본 발명에 따른 뇌졸중 재발 변수의 하나인 혈압 측정 가이드에 대한 유저 인터페이스 구성 화면이고, 도 7의 (b)는 도 7의 (a)의 가이드에 따라 측정한 혈압 및 상기 뇌졸증 재발 변수와 관련된 증상 등에 대한 입력 유저 인터페이스 구성 화면을 도시한 것이다. 또한, 도 8의 (a)는 뇌졸중 재발 변수 예를 들어, 혈당 측정 횟수, 혈당 측정치, 혈압 측정치, 복약 정보, 체중 정보 등에 대한 입력 유저 인터페이스 화면 구성을 도시한 것이다. 반면, 도 8의 (b)는 예를 들어, 주치의의 단말 화면 유저 인터페이스 구성으로 볼 수 있는데, 이는 후술하는 바와 같이, 의료기관에서 환자의 동의나 컨펌을 득한 후에 열람할 수 있는 정보로서, 기본 정보와 함께 각종 환자가 입력한 뇌졸중 재발 변수에 관한 데이터와 이력 등을 모니터링하고 대처할 수 있도록 다양한 형태(그래프, 테이블 등)로 구성한 유저 인터페이스 화면을 도시한 것이다. 이는 일종의 디지털 치료제로서 기능할 수도 있음을 나타낸다.
이렇게 단말(100)상에서 입력된 데이터는 어플리케이션 서버(150)로 자동 전송될 수도 있다. 실시 예에 따라서, 어플리케이션 서버(150)는 미리 학습된 모델의 결과, 타 단말 사용자에 대하여 수행한 뇌졸중 재발 예측 결과 및 서비스 제공 데이터를 저장하고, 이를 소정 주기로 단말(100)로 전송함으로써, 상기 데이터 입력 시점에 단말(100)과 어플리케이션 서버(150)가 오프라인 상태라고 하더라도, 뇌졸중 재발 예측 및 서비스 데이터가 단말(100)상에서 제공되도록 할 수 있다. 즉, 어플리케이션 서버(150)는 뇌졸중 재발 변수 예측과 관련된 데이터를 일, 주, 월, 분기, 년과 같이 기간 단위나 해당 단말(100)에서 상기 어플리케이션의 실행 빈도나 횟수에 기초, 또는 미리 정의된 뇌졸중 재발 변수의 유의미한 변화가 있다고 판단되고 그에 따른 뇌졸중 재발 예측에 사용된 머신러닝 알고리즘의 변경 등이 있는 경우에, 관련 데이터를 상기 단말(100)로 제공할 수도 있다.
동작 22와 동작 23에서, 프로세서(220)는 상기 동작 21에서 단말(100)로부터 입력받은 뇌졸중 재발 변수 데이터와 기준 데이터를 라벨링(labeling)하고, 인공지능 모델을 통해 학습하여 뇌졸중 재발 예측 결과 데이터를 산출한다. 상기 인공지능 모델은 전술한 도 3에 의해 선택된 인공지능 모델이다.
동작 24에서, 서비스 데이터 생성부(650)는 동작 23의 결과 산출된 뇌졸중 재발 예측 결과 데이터에 대응하는 서비스 가이드 데이터를 생성한다.
동작 25에서, 제어부(660)는 상기 동작 24에서 서비스 데이터 생성부(650)에 의해 생성된 서비스 가이드 데이터를 단말(100)로 전송하고, 상기 단말(100)상에서 출력되도록 제어할 수 있다.
동작 24에서, 서비스 데이터 생성부(650)는 예를 들어, 도 9의 (a) 내지 (c) 중 적어도 하나의 서비스 가이드 데이터를 생성할 수 있다.
이 때, 서비스 데이터 생성부(650)는, 동작 23의 수행 결과 산출된 뇌졸중 재발 예측 결과가 보통 즉, 제1 임계치 미만이면, 도 9의 (a)에 도시된 바와 같이 해당 뇌졸중 재발 예측 결과 데이터와 함께 “현재 생활 습관을 유지하시기 바랍니다.”라는 서비스 가이드 데이터를 생성하여 단말(100)을 통해 출력되도록 제공할 수 있다.
반면, 서비스 데이터 생성부(650)는, 동작 23의 수행 결과 산출된 뇌졸중 재발 예측 결과가 제1 임계치 이상 제2 임계치 미만이면, 도 9의 (b)에 도시된 바와 같이 해당 뇌졸중 재발 예측 확률(또는 가능성)이 약간 높은 상태로 결과 데이터와 함께 “현재 생활 습관을 아래와 같이 변경하시기 바랍니다.”라는 권고의 서비스 가이드 데이터를 생성하여 단말(100)을 통해 출력되도록 제공할 수 있다. 이 경우, 변경 요청 항목을 구체적으로 제공할 수 있으며, 그것은 정의된 또는 업데이트된 뇌졸중 재발 예측 변수와 단말(100)을 통해 입력된 상기 변수 관련 데이터를 참고하여 결정될 수 있다. 이 경우, 서비스 데이터 생성부(650)는 구체적인 수치나 그래프 형태, 정지영상이나 동영상과 같은 이미지, 오디오 등 다양한 형태의 추천 음식, 추천 운동, 추천 생활 습관 등의 정보가 직접 또는 링크 주소(linkage address)를 포함한 형태로 제공될 수 있다.
마지막으로, 서비스 데이터 생성부(650)는, 동작 23의 수행 결과 산출된 뇌졸중 재발 예측 결과가 제2 임계치 이상이면, 도 9의 (c)에 도시된 바와 같이 뇌졸중 재발 예측 확률이 매우 높은 상태로 판단하여 결과 데이터와 함께 “의료 기관에 방문하셔서 진료를 받으시길 바랍니다.”와 같은 서비스 가이드 데이터를 생성하여 단말(100)을 통해 출력되도록 제공할 수 있다. 이 때, 서비스 데이터 생성부(650)는 주변 또는 등록된 의료기관 정보를 제공할 수 있다. 이러한 제공과 관련하여, 필요한 경우 가장 가까운 의료기관에 대한 정보, 의료기관에 대한 지도맵 정보 등 다양한 관련 정보를 함께 제공할 수 있다.
한편, 어플리케이션 서버(150)는, 단말(100)에서 의료 서비스 어플리케이션이 실행되고, 도 7 내지 도 9에 도시된 바와 같은 입력 또는 출력 정보가 생성되면, 단말(100)뿐만 아니라 등록된 타 단말에도 해당 정보를 동일 또는 유사한 정보를 제공할 수 있다. 이 때, 상기 타 단말은 보호자나 보호 관찰자 등이나 해당 단말(100) 사용자의 주치의의 단말 등 미리 설정된 단말을 포함할 수 있다. 한편, 어플리케이션 서버(150)는 단말(100)에 제공하는 정보와 상기 타 단말에 사용하는 정보의 구성을 다르게 처리할 수 있다. 예를 들어, 단말(100) 사용자(환자)가 어린이거나 노약자인 경우에는 뇌졸중 재발 변수의 입력이나 출력된 정보를 제대로 식별하거나 이해하기 어려우므로, 간략화 된 정보만을 제공하되, 타 단말의 사용자에게는 상대적으로 상세 결과 정보를 제공할 수 있다. 특히, 타 단말의 사용자가 의료 기관인 경우에는, 이전 히스토리 정보부터 구체적인 수치가 포함된 입력 및 예측 정보를 제공할 수 있다.
상기에서, 제1 임계치 내지 제3 임계치는, 뇌졸중 재발 예측 결과를 구분하기 위하여 임의로 설정한 것으로, 이는 의료 기관에 의해 설정 또는 변경 가능하다. 또한, 상기 임계치는 본 명세서에서 기술되는 다양한 뇌졸중 재발 변수, 머신러닝 알고리즘의 변경 등에 따라 다르게 정의될 수 있다. 본 명세서에서는 편의상 3개의 구간을 구분하였으나, 이는 설정에 따라 더 많은 구간으로 상세 구분하여 정의 및 처리하거나 반대일 수도 있다.
전술한 도 3은 예컨대, 뇌졸중 재발 예측 알고리즘으로서 가장 성능이 우수한 머신러닝 알고리즘을 선택하기 위한 방법을 나타내는 것이나, 이는 후술하는 도 5에서와 같이, 적어도 하나의 뇌졸중 재발 예측 변수의 수정, 추가, 제거 등 변경이나 뇌졸중 재발과 관련된 가이드라인의 변화 등에 따라 도 3의 과정은 재수행될 수 있다. 이렇게 도 3의 과정을 재수행 결과, 전술한 수행에서 뇌졸중 재발 예측 알고리즘으로 최종 선택된 머신러닝 알고리즘과 다른 머신러닝 알고리즘이 선택될 수도 있다.
도 5를 참조하면, 프로세서(220)는 예를 들어, 도 3 또는 도 4의 일부 동작 수행 과정 또는 수행 전에, 다음과 같은 동작들을 수행할 수 있다.
동작 31에서, 프로세서(220)는 의료 데이터베이스를 모니터링하여 미리 정의된 뇌졸중 재발 변수 데이터를 수집한다. 이 때, 상기 의료 데이터베이스에는 국내외의 의료 분야와 관련된 국가 기관 서버, 의료 전문 기관 서버, 및 의료 논문 서비스 제공 서버의 데이터베이스가 포함될 수 있다.
동작 32에서, 프로세서(220)는 상기 수집된 뇌졸중 재발 변수 데이터에 기초하여 상기 정의된 뇌졸중 재발 변수의 변경 여부를 판단한다.
동작 33에서, 프로세서(220)는 상기 뇌졸중 재발 변수에 변경이 있으면, 자동 업데이트한다.
동작 34에서, 프로세서(220)는 상기 뇌졸중 재발 변수에 변경에 따라 자동 업데이트 시에는, 전술한 도 3의 동작 12 내지 15를 재수행 즉, 상기 업데이트된 뇌졸중 재발 변수를 뇌졸중 재발 예측 알고리즘인 서포트 벡터 머신, 랜덤 포레스트 및 로지스틱 회귀의 입력으로 하여 각 성능 평가값을 재산출하고, 재산출된 각 알고리즘의 성능 평가값 중 가장 수신자 조작 특성 값이 가장 높은 하나의 알고리즘을 선택하여, 선택된 알고리즘에 따라 인공지능 학습 모델을 재생성할 수 있다.
상기에서, 수집되는 뇌졸중 재발 변수 데이터에는, 의료 논문 데이터와 의료 가이드라인 데이터가 포함될 수 있는데, 프로세서(220)는, 의료 가이드라인 데이터이면, 해당 의료 가이드라인 데이터의 공개 기관이 미리 설정된 기관 예를 들어, 국내/외 의료 분야와 관련된 국가 기관, 의료 전문 기관, 및 국내 또는 국제 뇌졸중 학회와 같은 의료 논문 서비스 기관 중 어느 하나이면, 해당 의료 가이드라인 데이터를 신뢰하여 자동 업데이트할 수 있다.
반면, 프로세서(200)는, 상기 수집되는 뇌졸중 재발 변수 데이터가 의료 논문 데이터이면, 상기 의료 논문 데이터의 신뢰도 값을 산출하고, 산출된 의료 논문 데이터의 신뢰도 값이 임계값 이상인 경우에만, 상기 정의된 뇌졸중 재발 변수의 변경 여부를 판단에 참조하도록 제어할 수 있다. 이 때, 상기 의료 논문 데이터의 신뢰도 값은, 해당 의료 논문의 공개 이후 타 의료 논문에 인용된 횟수 정보, 해당 의료 논문이 공개된 학회 정보, 해당 의료 논문에 소개된 의료 기술의 의료 현장 채택 여부 정보, 및 해당 의료 논문에 소개된 의료 기술의 의료 현장 채택 후 시행 회수 및 결과가 포함된 평가 정보에 대해 각각 미리 설정된 가중치를 부여하여 산출할 수 있다. 프로세서(200)는 또한, 상기 부여된 각 정보의 가중치의 합 또는 평균값 중 어느 하나 또는 모두를 채택하여 상기 임계값과 비교하여 상기 의료 논문 데이터의 신뢰도 값을 산출할 수도 있다. 실시 예에 따라, 프로세서(200)는 각 정보의 가중치에 따른 변화가 개별 정보에 설정된 임계값 이상 여부를 판단하고, 임계값 이상 변경된 개별 정보의 개수가 미리 정의된 개수 이상이면, 의료 논문의 데이터 신뢰값 산출에 이용할 수도 있다. 그 밖에, 프로세서(220)는 개별 정보의 가중치를 참고하여, 가중치가 낮은 정보의 변경은 무시하고 가중치가 높은 정보의 변경만을 신뢰도 산출에 참고할 수도 있다.
한편, 상기 프로세서(220)는, 미리 설정된 기간 단위, 의료 매체나 일반 매체의 검색 또는 노출 순위나 횟수가 미리 설정된 값 이상, 상기 입력받은 뇌졸중 재발 변수에 유의미한 변화 감지, 상기 감지된 뇌졸중 재발 변수에 유의미한 변화와 관련된 기생성된 인공지능 학습 모델이 없는 경우, 단말의 요청이 있는 경우, 및 상기 미리 설정된 기간 내에 새로 발행된 관련 의료 논문의 수가 일정 수 이상 증가한 경우 중 적어도 하나 이상에 해당하면 상기 정의된 뇌졸중 재발 변수 데이터를 수집할 수 있다.
그 밖에, 도시되진 않았으나, 도 7 내지 도 8과 유사한 유저 인터페이스를 통하여, 코호트 자료로 모아 인공지능에 적용하여 뇌졸중 재발과 관련된 요인 및 재발률 예측, 사망할 경우 사망률과 그 요인, 사망 가능성 예측 등에 사용할 수도 있다.
상술한 본 발명은 특히, 뇌졸중의 재발 예측 및 관리 서비스에 관하여 기술하였으나, 본 발명의 기술 사상은 반드시 이에 한정되지 않고 관련 변수, 훈련 데이터, 학습 모델 등을 통해 인간의 다른 질병에 대한 예측 및 관리 서비스에도 적용할 수 있다.
본 발명의 실시예와 관련하여 설명된 방법 또는 알고리즘의 단계들은 하드웨어로 직접 구현되거나, 하드웨어에 의해 실행되는 소프트웨어 모듈로 구현되거나, 또는 이들의 결합에 의해 구현될 수 있다. 소프트웨어 모듈은 RAM(Random Access Memory), ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리(Flash Memory), 하드 디스크, 착탈형 디스크, CD-ROM, 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터 판독가능 기록매체에 상주할 수도 있다.
이상, 첨부된 도면을 참조로 하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야의 통상의 기술자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며, 제한적이 아닌 것으로 이해해야만 한다.

Claims (15)

  1. 전자 장치에서 뇌졸중 재발 예측 및 서비스 가이드 데이터를 제공하는 방법에 있어서,
    상기 뇌졸중 재발 변수를 정의하고, 상기 뇌졸중 재발 변수에 기초하여 인공지능 학습 모델을 생성하는 단계;
    상기 뇌졸중 재발 변수에 관한 데이터를 입력받아, 상기 생성된 인공지능 학습 모델을 이용하여 학습하는 단계;
    상기 학습된 결과에 기초하여 뇌졸중 재발 예측 결과 데이터를 생성하는 단계;
    상기 생성된 뇌졸중 재발 예측 결과 데이터에 대응하는 서비스 가이드 데이터를 생성하는 단계; 및
    상기 생성된 뇌졸중 재발 예측 결과 데이터 및 상기 서비스 가이드 데이터를 단말에 제공하는 단계를 포함하되,
    상기 인공지능 학습 모델은,
    상기 정의된 뇌졸중 재발 변수를 뇌졸중 재발 예측 알고리즘인 서포트 벡터 머신(SVM), 랜덤 포레스트(Random Forest) 및 로지스틱 회귀(Logistic Regression)의 입력으로 하여 각 성능 평가값을 산출하고, 산출된 각 알고리즘의 성능 평가값 중 가장 수신자 조작 특성(AUROC) 값이 가장 높은 알고리즘에 기초하여 생성되는,
    전자 장치에서 뇌졸중 재발 예측 및 서비스 가이드 데이터 제공 방법.
  2. 제1항에 있어서,
    의료 데이터베이스를 모니터링하여 상기 정의된 뇌졸중 재발 변수 데이터를 수집하는 단계;
    상기 수집된 뇌졸중 재발 변수 데이터에 기초하여 상기 정의된 뇌졸중 재발 변수의 변경 여부를 판단하는 단계; 및
    상기 정의된 뇌졸중 재발 변수에 변경이 있으면, 자동 업데이트하는 단계를 더 포함하는,
    전자 장치에서 뇌졸중 재발 예측 및 서비스 가이드 데이터 제공 방법.
  3. 제1항에 있어서,
    상기 정의된 뇌졸중 재발 변수 변경에 따른 자동 업데이트가 있으면, 상기 업데이트된 뇌졸중 재발 변수를 상기 서포트 벡터 머신, 상기 랜덤 포레스트 및 상기 로지스틱 회귀의 입력으로 하여 각 성능 평가값을 재산출하는 단계; 및
    재산출된 각 알고리즘의 성능 평가값 중 가장 수신자 조작 특성 값이 가장 높은 하나의 알고리즘을 선택하여, 선택된 알고리즘에 따라 인공지능 학습 모델을 재생성하는 단계를 더 포함하는,
    전자 장치에서 뇌졸중 재발 예측 및 서비스 가이드 데이터 제공 방법.
  4. 제3항에 있어서,
    상기 의료 데이터베이스에는, 국내외의 의료 분야와 관련된 국가 기관 서버, 의료 전문 기관 서버, 및 의료 논문 서비스 제공 서버의 데이터베이스가 포함되고,
    상기 수집되는 뇌졸중 재발 변수 데이터에는, 의료 논문 데이터와 의료 가이드라인 데이터가 포함되고,
    상기 수집되는 뇌졸중 재발 변수 데이터가 의료 논문 데이터이면, 상기 의료 논문 데이터의 신뢰도 값을 산출하고, 상기 산출된 의료 논문 데이터의 신뢰도 값이 임계값 이상인 경우에만, 상기 정의된 뇌졸중 재발 변수의 변경 여부를 판단하는데 참조되는,
    전자 장치에서 뇌졸중 재발 예측 및 서비스 가이드 데이터 제공 방법.
  5. 제4항에 있어서,
    상기 의료 논문 데이터의 신뢰도 값은,
    해당 의료 논문의 공개 이후 타 의료 논문에 인용된 횟수 정보, 해당 의료 논문이 공개된 학회 정보, 해당 의료 논문에 소개된 의료 기술의 의료 현장 채택 여부 정보, 및 해당 의료 논문에 소개된 의료 기술의 의료 현장 채택 후 시행 회수 및 결과가 포함된 평가 정보에 대해 각각 미리 설정된 가중치를 부여하여 산출되는,
    전자 장치에서 뇌졸중 재발 예측 및 서비스 가이드 데이터 제공 방법.
  6. 제1항에 있어서,
    상기 정의된 뇌졸중 재발 변수 데이터는, 미리 설정된 기간 단위, 의료 매체나 일반 매체의 검색 또는 노출 순위나 횟수가 미리 설정된 값 이상, 상기 입력받은 뇌졸중 재발 변수에 유의미한 변화 감지, 상기 감지된 뇌졸중 재발 변수에 유의미한 변화와 관련된 기 생성된 인공지능 학습 모델이 없는 경우, 단말의 요청이 있는 경우, 및 상기 미리 설정된 기간 내에 새로 발행된 관련 의료 논문의 수가 일정 수 이상 증가한 경우 중 어느 하나에 해당하면 수집되는,
    전자 장치에서 뇌졸중 재발 예측 및 서비스 가이드 데이터 제공 방법.
  7. 제1항에 있어서,
    상기 입력받은 뇌졸중 재발 변수와 기준 데이터를 라벨링하여 상기 인공지능 학습 모델에 입력하는 단계를 더 포함하고,
    상기 뇌졸중 재발 변수는, 성별, 나이, 신장, 몸무게, 비만도(BMI), 흡연량, 음주량, 당뇨, 고혈압, 고지혈증, 치매 등의 질환 여부, 약물 복용 여부 및 복용 약물 데이터를 포함하여 정의되는,
    전자 장치에서 뇌졸중 재발 예측 및 서비스 가이드 데이터 제공 방법.
  8. 제1항의 뇌졸중 재발 예측 및 관리 서비스 제공 방법을 실행시키기 위한 프로그램이 저장된 컴퓨터 판독 가능한 기록매체.
  9. 뇌졸중 재발 예측 및 서비스 가이드 데이터를 제공하는 전자 장치에 있어서,
    메모리; 및
    상기 뇌졸중 재발 변수를 정의하고, 상기 뇌졸중 재발 변수에 기초하여 인공지능 학습 모델을 생성하고, 상기 뇌졸중 재발 변수에 관한 데이터를 입력받아, 상기 생성된 인공지능 학습 모델을 이용하여 학습하고, 상기 학습된 결과에 기초하여 뇌졸중 재발 예측 결과 데이터를 생성하고, 상기 생성된 뇌졸증 재발 예측 결과 데이터에 대응하는 서비스 가이드 데이터를 생성하고, 상기 생성된 뇌졸증 재발 예측 결과 데이터 및 상기 서비스 가이드 데이터를 단말에 제공하는 프로세서를 포함하고,
    상기 프로세서는,
    상기 정의된 뇌졸중 재발 변수를 뇌졸중 재발 예측 알고리즘인 서포트 벡터 머신(SVM), 랜덤 포레스트(Random Forest) 및 로지스틱 회귀(Logistic Regression)의 입력으로 하여 각 성능 평가값을 산출하고, 산출된 각 알고리즘의 성능 평가값 중 가장 수신자 조작 특성(AUROC) 값이 가장 높은 하나의 알고리즘에 기초하여 상기 인공지능 학습 모델을 생성하는,
    뇌졸중 재발 예측 및 서비스 가이드 데이터를 제공하는 전자 장치.
  10. 제9항에 있어서,
    상기 프로세서는,
    의료 데이터베이스를 모니터링하여 상기 정의된 뇌졸중 재발 변수 데이터를 수집하고,
    상기 수집된 뇌졸중 재발 변수 데이터에 기초하여 상기 정의된 뇌졸중 재발 변수의 변경 여부를 판단하고,
    상기 정의된 뇌졸중 재발 변수에 변경이 있으면, 자동 업데이트하는,
    뇌졸중 재발 예측 및 서비스 가이드 데이터를 제공하는 전자 장치.
  11. 제9항에 있어서,
    상기 프로세서는,
    상기 정의된 뇌졸중 재발 변수 변경에 따른 자동 업데이트가 있으면, 상기 업데이트된 뇌졸중 재발 변수를 상기 서포트 벡터 머신, 상기 랜덤 포레스트 및 상기 로지스틱 회귀의 입력으로 하여 각 성능 평가값을 재산출하고,
    재산출된 각 알고리즘의 성능 평가값 중 가장 수신자 조작 특성 값이 가장 높은 하나의 알고리즘을 선택하여, 선택된 알고리즘에 따라 인공지능 학습 모델이 재생성되도록 제어하는,
    뇌졸중 재발 예측 및 서비스 가이드 데이터를 제공하는 전자 장치.
  12. 제11항에 있어서,
    상기 의료 데이터베이스에는, 국내외의 의료 분야와 관련된 국가 기관 서버, 의료 전문 기관 서버, 및 의료 논문 서비스 제공 서버의 데이터베이스가 포함되고,
    상기 수집되는 뇌졸중 재발 변수 데이터에는, 의료 논문 데이터와 의료 가이드라인 데이터가 포함되고,
    상기 프로세서는,
    상기 수집되는 뇌졸중 재발 변수 데이터가 의료 논문 데이터이면, 상기 의료 논문 데이터의 신뢰도 값을 산출하고,
    상기 산출된 의료 논문 데이터의 신뢰도 값이 임계값 이상인 경우에만, 상기 정의된 뇌졸중 재발 변수의 변경 여부를 판단하는데 참조하도록 제어하는,
    뇌졸중 재발 예측 및 서비스 가이드 데이터를 제공하는 전자 장치.
  13. 제12항에 있어서,
    상기 의료 논문 데이터의 신뢰도 값은,
    해당 의료 논문의 공개 이후 타 의료 논문에 인용된 횟수 정보, 해당 의료 논문이 공개된 학회 정보, 해당 의료 논문에 소개된 의료 기술의 의료 현장 채택 여부 정보, 및 해당 의료 논문에 소개된 의료 기술의 의료 현장 채택 후 시행 회수 및 결과가 포함된 평가 정보에 대해 각각 미리 설정된 가중치를 부여하여 산출되는,
    뇌졸중 재발 예측 및 서비스 가이드 데이터를 제공하는 전자 장치.
  14. 제9항에 있어서,
    상기 정의된 뇌졸중 재발 변수 데이터는, 미리 설정된 기간 단위, 의료 매체나 일반 매체의 검색 또는 노출 순위나 횟수가 미리 설정된 값 이상, 상기 입력받은 뇌졸중 재발 변수에 유의미한 변화 감지, 상기 감지된 뇌졸중 재발 변수에 유의미한 변화와 관련된 기 생성된 인공지능 학습 모델이 없는 경우, 단말의 요청이 있는 경우, 및 상기 미리 설정된 기간 내에 새로 발행된 관련 의료 논문의 수가 일정 수 이상 증가한 경우 중 어느 하나에 해당하면 수집되는,
    뇌졸중 재발 예측 및 서비스 가이드 데이터를 제공하는 전자 장치.
  15. 제9항에 있어서,
    상기 프로세서는,
    상기 입력받은 뇌졸중 재발 변수와 기준 데이터를 라벨링하여 상기 인공지능 학습 모델에 입력하고,
    상기 뇌졸중 재발 변수는, 성별, 나이, 신장, 몸무게, 비만도(BMI), 흡연량, 음주량, 당뇨, 고혈압, 고지혈증, 치매 등의 질환 여부, 약물 복용 여부 및 복용 약물 데이터를 포함하여 정의되는,
    뇌졸중 재발 예측 및 서비스 가이드 데이터를 제공하는 전자 장치.
PCT/KR2022/014323 2021-11-15 2022-09-26 인공지능 기반의 뇌졸중 재발 예측 및 관리 서비스 제공 방법 및 장치 WO2023085594A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2021-0156721 2021-11-15
KR1020210156721A KR20230070781A (ko) 2021-11-15 2021-11-15 뇌졸중 재발 예측 및 관리 서비스 제공 방법, 장치 및 시스템

Publications (1)

Publication Number Publication Date
WO2023085594A1 true WO2023085594A1 (ko) 2023-05-19

Family

ID=86336310

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2022/014323 WO2023085594A1 (ko) 2021-11-15 2022-09-26 인공지능 기반의 뇌졸중 재발 예측 및 관리 서비스 제공 방법 및 장치

Country Status (2)

Country Link
KR (1) KR20230070781A (ko)
WO (1) WO2023085594A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118430819A (zh) * 2024-07-04 2024-08-02 南昌大学第二附属医院 一种脑卒中预测复发方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101737279B1 (ko) * 2016-12-15 2017-05-18 신성대학 산학협력단 뇌졸중 발병 예측 시스템
US20180322406A1 (en) * 2017-05-04 2018-11-08 Zestfinance, Inc. Systems and methods for providing machine learning model explainability information
KR20190132710A (ko) * 2018-05-21 2019-11-29 한국표준과학연구원 NIHSS(National Institutes of Health Stroke Scale)를 이용한 뇌졸중 중증도의 예측 및 분석 방법과 시스템
KR102289648B1 (ko) * 2021-02-03 2021-08-18 주식회사 휴런 의료 영상 기반 허혈성 뇌졸중 검출 및 형태 분류 방법, 장치 및 시스템

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3196836A4 (en) 2014-09-19 2018-04-25 Shinano Kenshi Co., Ltd. System for predicting risk of onset of cerebrovascular disease
KR20200032428A (ko) 2018-09-18 2020-03-26 (주)아이티네이드 맥파 센서를 이용하여 신체 이상 징후를 모니터링하는 방법 및 장치

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101737279B1 (ko) * 2016-12-15 2017-05-18 신성대학 산학협력단 뇌졸중 발병 예측 시스템
US20180322406A1 (en) * 2017-05-04 2018-11-08 Zestfinance, Inc. Systems and methods for providing machine learning model explainability information
KR20190132710A (ko) * 2018-05-21 2019-11-29 한국표준과학연구원 NIHSS(National Institutes of Health Stroke Scale)를 이용한 뇌졸중 중증도의 예측 및 분석 방법과 시스템
KR102289648B1 (ko) * 2021-02-03 2021-08-18 주식회사 휴런 의료 영상 기반 허혈성 뇌졸중 검출 및 형태 분류 방법, 장치 및 시스템

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
ABEDI VIDA, AVULA VENKATESH, CHAUDHARY DURGESH, SHAHJOUEI SHIMA, KHAN AYESHA, GRIESSENAUER CHRISTOPH J, LI JIANG, ZAND RAMIN: "Prediction of Long-Term Stroke Recurrence Using Machine Learning Models", JOURNAL OF CLINICAL MEDICINE, vol. 10, no. 6, pages 1286, XP093064954, DOI: 10.3390/jcm10061286 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118430819A (zh) * 2024-07-04 2024-08-02 南昌大学第二附属医院 一种脑卒中预测复发方法及系统

Also Published As

Publication number Publication date
KR20230070781A (ko) 2023-05-23

Similar Documents

Publication Publication Date Title
US11158423B2 (en) Adapted digital therapeutic plans based on biomarkers
JP6127160B2 (ja) 個人化ヘルスケアシステム及び方法
Chen Assessing factors critical to smart technology applications to mobile health care− the fgm-fahp approach
CN108778097A (zh) 用于评估心力衰竭的装置和方法
WO2015199258A1 (ko) 진단모델 생성 시스템 및 방법
WO2022211385A1 (ko) 질병 예측치의 분포를 이용한 건강관리 상담 시스템
WO2023085594A1 (ko) 인공지능 기반의 뇌졸중 재발 예측 및 관리 서비스 제공 방법 및 장치
CA2648510A1 (en) System and method for providing integrated wellness assessment
US11514334B2 (en) Maintaining a knowledge database based on user interactions with a user interface
WO2021127566A1 (en) Devices and methods for measuring physiological parameters
WO2022179645A2 (zh) 心电图分析方法、装置、电子设备和存储介质
Saad et al. Situation-aware recommendation system for personalized healthcare applications
WO2022151943A1 (zh) 健康管理方法、装置和系统
WO2017146512A1 (en) Apparatus and method for detection of chronotropic incompetence
US20130282396A1 (en) System and method for deploying multiple clinical decision support models
Sreehari et al. Machine Learning based IoT framework for Early Detection of Covid-19 like Pandemics
US20200253548A1 (en) Classifying a disease or disability of a subject
Deng et al. A machine Learning-Based monitoring system for attention and stress detection for children with autism spectrum disorders
US20190198174A1 (en) Patient assistant for chronic diseases and co-morbidities
WO2013055184A1 (ko) 엑스엠엘 기반 웰빙 지수 프레임워크 및 웰빙 지수 산출 방법
NICOLAU et al. An IoT, Virtual Machines and Cloud Computing-based Framework for an Optimal Management of Healthcare Data Collected from a Smart Environment. A Case Study: RO-Smart Ageing Project.
EP4113535A1 (en) Remote monitoring methods and systems for monitoring patients suffering from chronical inflammatory diseases
WO2022245019A1 (ko) 건강 위험 사전 예측 방법 및 시스템
KR102441662B1 (ko) 메타버스를 이용한 케어 플랫폼 서비스 시스템 및 그 제어 방법
WO2024049234A1 (ko) 타액 기반 인공지능 딥러닝 기법을 활용한 혈당 예측 시스템 및 방법

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22893017

Country of ref document: EP

Kind code of ref document: A1