WO2024080764A1 - 유방암 발생 위험도 예측 장치 및 방법 - Google Patents

유방암 발생 위험도 예측 장치 및 방법 Download PDF

Info

Publication number
WO2024080764A1
WO2024080764A1 PCT/KR2023/015676 KR2023015676W WO2024080764A1 WO 2024080764 A1 WO2024080764 A1 WO 2024080764A1 KR 2023015676 W KR2023015676 W KR 2023015676W WO 2024080764 A1 WO2024080764 A1 WO 2024080764A1
Authority
WO
WIPO (PCT)
Prior art keywords
breast cancer
risk
factors
incidence rate
incidence
Prior art date
Application number
PCT/KR2023/015676
Other languages
English (en)
French (fr)
Inventor
강대희
신우경
최지엽
한원식
서봉원
Original Assignee
서울대학교산학협력단
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 서울대학교산학협력단 filed Critical 서울대학교산학협력단
Publication of WO2024080764A1 publication Critical patent/WO2024080764A1/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • 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
    • G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
    • 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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • 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

Definitions

  • the present invention relates to a breast cancer risk prediction device and method for predicting the risk of breast cancer development.
  • Breast cancer is the most common cancer in women worldwide, with approximately 2 million new breast cancer patients occurring every year. Prevention of breast cancer is classified into primary prevention through identification of high-risk groups and removal of risk factors, secondary prevention through early detection and early diagnosis, and tertiary prevention through preventing recurrence and improving the prognosis of breast cancer patients. In general, secondary prevention is possible through early diagnosis using mammography or breast ultrasound, but for high-risk groups with family history or risk factors, primary prevention through prediction of individual risk of occurrence is essential.
  • models that predict the risk of developing breast cancer include the Gail model developed by NCI in the United States, the BOADICEA model and the AJCC model developed by BCAC in the United Kingdom. All of these models were developed for Westerners and are somewhat less accurate when applied to Asians.
  • the present invention calculates the incidence of breast cancer using a non-patient cohort that does not have a predetermined disease and a calculation formula that expresses the relationship between multiple breast cancer occurrence factors and breast cancer occurrence.
  • the technical task is to provide a breast cancer risk prediction device and method that predicts the user's risk of breast cancer using an incidence calculation model.
  • an apparatus for predicting the risk of developing breast cancer includes: a memory storing a risk prediction program; and a processor that executes the risk prediction program, wherein the risk prediction program calculates the breast cancer incidence rate by applying questionnaire responses to a plurality of breast cancer occurrence factors to an incidence calculation model, and calculates the risk of breast cancer occurrence according to the breast cancer incidence rate.
  • Outputs, and the incidence calculation model uses the plurality of breast cancer occurrence factors for a non-patient cohort that does not have a predetermined disease, and represents the relationship between the plurality of breast cancer occurrence factors and breast cancer occurrence in a formula.
  • the incidence rate is calculated using a calculation formula.
  • a method for predicting the risk of developing breast cancer includes the steps of receiving questionnaire responses about a plurality of factors causing breast cancer; Calculating the breast cancer incidence rate by applying the survey responses to an incidence calculation model; And a step of outputting a risk of developing breast cancer according to the incidence rate, wherein the incidence calculation model uses the plurality of breast cancer occurrence factors for a non-patient cohort that does not have a predetermined disease to calculate the plurality of breast cancer occurrence factors.
  • the breast cancer incidence rate is calculated through a calculation formula that expresses the correlation between breast cancer occurrence factors and breast cancer occurrence.
  • the risk of developing breast cancer can be predicted for high-risk groups with potential risk factors such as family history, thereby reducing the occurrence of breast cancer patients through primary prevention.
  • FIG. 1 is a conceptual diagram of a breast cancer risk prediction device according to an embodiment of the present invention.
  • Figure 2 is a flowchart illustrating a method for predicting the risk of developing breast cancer according to an embodiment of the present invention.
  • first, second, etc. used in this specification are used only for the purpose of distinguishing one component from another component and do not limit the order or relationship of the components.
  • a first component of the present invention may be named a second component, and similarly, the second component may also be named a first component.
  • Figure 1 is a block diagram schematically showing a breast cancer risk prediction device according to an embodiment of the present invention.
  • the breast cancer incidence risk prediction device 100 calculates the breast cancer incidence rate using a plurality of breast cancer occurrence factors input from the user, and provides a degree of breast cancer occurrence risk according to the breast cancer incidence rate. To perform this, it includes a memory 110 and a processor 120.
  • the memory 110 stores a risk prediction program.
  • the memory 110 refers to a non-volatile storage device that continues to maintain stored information even when power is not supplied and a volatile storage device that requires power to maintain the stored information. It should be interpreted as The memory 110 may perform the function of temporarily or permanently storing data processed by the processor 120.
  • the memory 110 may include magnetic storage media or flash storage media in addition to volatile storage devices that require power to maintain stored information, but the scope of the present invention is not limited thereto. no.
  • the processor 120 executes the risk prediction program stored in the memory 110 to calculate the breast cancer incidence rate according to the user information and provides the degree of risk of breast cancer occurrence according to the breast cancer incidence rate.
  • the risk prediction program calculates the breast cancer incidence rate by applying questionnaire responses about multiple breast cancer occurrence factors to an incidence calculation model, and provides the degree of risk of breast cancer occurrence according to the breast cancer incidence rate.
  • the incidence calculation model used in the risk prediction program uses multiple breast cancer occurrence factors for a non-patient cohort that does not have a given disease and uses a calculation formula that expresses the relationship between multiple breast cancer occurrence factors and breast cancer occurrence.
  • the non-patient cohort is a cohort of non-patient people who do not have cancer or a certain disease
  • the factors causing multiple breast cancer are female history factors, lifestyle factors, disease history factors, family history factors, weight factors, and anthropometric indicators. Includes one or more of the factors and biomarker factors.
  • Feminine history factors include items such as menopause, breastfeeding period, age at menarche, hormone replacement therapy, etc.
  • lifestyle factors include items such as diet, exercise, drinking, smoking, etc.
  • disease history factors include diabetes. , including items such as whether or not a benign breast tumor has been diagnosed.
  • Weight factors include weight-related items such as current weight and past weight
  • anthropometric index factors include items such as height and weight
  • biomarker factors include items such as blood pressure.
  • the incidence calculation model matches coefficients corresponding to each of the survey responses to multiple breast cancer occurrence factors, assigns a set weight to each coefficient, and calculates the breast cancer incidence rate through calculations between the plurality of weighted coefficients.
  • the calculation formula is the same as Equation 1.
  • Equation 1 h(t) is the breast cancer incidence rate, h 0 (t) is a constant, ⁇ is the coefficient set in the survey response, and x is the weight set in the coefficient.
  • calculation formula may use Equation 2.
  • log h(t) log h 0 (t) + ( ⁇ 1 x 1 + ⁇ 2 x 2 +... + ⁇ n x n )
  • Equation 2 h(t) is the breast cancer incidence rate, h 0 (t) is a constant, ⁇ is the coefficient set in the survey response, and x represents the weight set in the coefficient.
  • the following shows an example of an operation that calculates the breast cancer incidence rate through survey responses and weights for the survey responses.
  • each of the multiple breast cancer occurrence factors includes detailed items, and among the detailed items, items that can be expressed numerically can be secondarily divided through a predetermined range. Weight-related items can be divided into ranges, and you can see that different weights are assigned to each range.
  • Survey responses regarding multiple breast cancer occurrence factors are indicated by item name, but a coefficient is set for each, and the weight can be set to a negative or positive number depending on the detailed item.
  • the risk of developing breast cancer provided by the risk prediction program is divided into a plurality of risk stages divided into a predetermined range, and the risk stage corresponding to the breast cancer incidence rate calculated from the incidence calculation model is output.
  • the risk prediction program may provide a solution that responds to the level of risk of developing breast cancer, or may provide a solution based on survey responses.
  • participants who surveyed say that they do not eat healthy can be provided with a solution to eat at least 2 servings of vegetables, 1 serving of fruit, 1 serving of soy products, and 2 servings of mixed grain rice per day, and they can also provide appropriate eating habits and regular exercise according to their weight. can provide a solution to control body weight.
  • the processor 120 is a microprocessor, a central processing unit (CPU), a processor core, a multiprocessor, an application-specific integrated circuit (ASIC), or an FPGA. (field programmable gate array), etc., but the scope of the present invention is not limited thereto.
  • the breast cancer risk prediction device 100 may further include a communication module 130 and a database 140.
  • the communication module 130 may include a device including hardware and software required to transmit and receive signals such as control signals or data signals through a wired or wireless connection with other network devices in order to perform data communication for signal data with an external device. You can.
  • the database 140 may store various data for operating a risk prediction program. For example, data required to operate a risk prediction program, such as coefficients and weights set for each of a plurality of breast cancer occurrence factors, may be stored.
  • the breast cancer risk prediction device 100 receives survey responses about a plurality of breast cancer occurrence factors from an external device, inputs them into an incidence calculation model to calculate the breast cancer incidence rate, and provides a risk stage and solution corresponding to the breast cancer incidence rate. It can also operate in the form of a provided server.
  • Figure 2 is a flowchart illustrating a method for predicting the risk of developing breast cancer according to an embodiment of the present invention.
  • the breast cancer risk prediction method (S100) receives questionnaire responses regarding a plurality of breast cancer risk factors (Ste S110), the breast cancer incidence rate is calculated by applying the survey responses to the incidence calculation model (step S120). In addition, the risk of developing breast cancer is provided according to the breast cancer incidence rate calculated from the incidence calculation model (step S130).
  • the incidence calculation model used in the process of calculating the breast cancer incidence rate uses multiple breast cancer occurrence factors for a non-patient cohort that does not have a predetermined disease to determine the relationship between the multiple breast cancer occurrence factors and the occurrence of breast cancer.
  • the breast cancer incidence rate is calculated using a formula that expresses the correlation as a formula.
  • the multiple breast cancer occurrence factors include one or more of female history factors, lifestyle factors, disease history factors, family history factors, weight factors, body measurement index factors, and biomarker factors.
  • Feminine history factors include items such as menopause, breastfeeding period, age at menarche, hormone replacement therapy, etc.
  • lifestyle factors include items such as diet, exercise, drinking, smoking, etc.
  • disease history factors include diabetes. , including items such as whether or not a benign breast tumor has been diagnosed.
  • Weight factors include weight-related items such as current weight and past weight, anthropometric index factors include items such as height and weight, and biomarker factors include items such as blood pressure.
  • the incidence calculation model explains the process of calculating the breast cancer incidence rate
  • the incidence calculation model matches the coefficients set for each survey response to multiple breast cancer occurrence factors and assigns a set weight to each coefficient to create a plurality of weighted coefficients. Calculate the breast cancer incidence rate through the calculation between.
  • the calculation formula is the same as Equation 1.
  • Equation 1 h(t) is the breast cancer incidence rate, h 0 (t) is a constant, ⁇ is the coefficient set in the survey response, and x is the weight set in the coefficient.
  • the risk level of breast cancer development is divided into a plurality of risk stages divided into a predetermined range, and the risk level corresponding to the breast cancer incidence rate is provided.
  • the method for predicting the risk of developing breast cancer may provide a solution for the degree of risk of developing breast cancer, or may provide a solution according to the questionnaire response (step S140).
  • participants who surveyed say that they do not eat healthy can be provided with a solution to eat at least 2 servings of vegetables, 1 serving of fruit, 1 serving of soy products, and 2 servings of mixed grain rice per day, and they can also provide appropriate eating habits and regular exercise according to their weight. can provide a solution to control body weight.
  • the present invention may also be implemented in the form of a recording medium containing instructions executable by a computer, such as program modules executed by a computer.
  • Computer-readable media can be any available media that can be accessed by a computer and includes both volatile and non-volatile media, removable and non-removable media. Additionally, computer-readable media may include computer storage media. Computer storage media includes both volatile and non-volatile, removable and non-removable media implemented in any method or technology for storage of information such as computer-readable instructions, data structures, program modules or other data.

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Pathology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Surgery (AREA)
  • Biophysics (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Gynecology & Obstetrics (AREA)
  • Reproductive Health (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

본 발명에 따른 유방암 발생 위험도 예측 장치는, 위험도 예측 프로그램이 저장된 메모리; 및 상기 위험도 예측 프로그램을 실행하는 프로세서를 포함하고, 상기 위험도 예측 프로그램은, 복수의 유방암 발생 요인에 대한 설문 응답을 발생률 계산 모델에 적용하여 유방암 발생률을 계산하고, 상기 유방암 발생률에 따라 유방암 발생 위험 정도를 출력하며, 상기 발생률 계산 모델은, 소정의 질병을 가지고 있지 않은 비환자 코호트(cohort)에 대한 상기 복수의 유방암 발생 요인을 이용하여 상기 복수의 유방암 발생 요인과 유방암 발생 사이의 연관성을 수식으로 나타낸 계산식을 통해 상기 유방암 발생률을 계산하는 것이다.

Description

유방암 발생 위험도 예측 장치 및 방법
본 발명은 유방암 발생 위험도를 예측하는 유방암 발생 위험도 예측 장치 및 방법에 관한 것이다.
유방암은 전 세계 여성에서 가장 흔한 암으로 매년 약 2백만 명의 새로운 유방암 환자가 발생한다. 유방암의 예방은 고위험군 발굴과 위험 요인 제거를 통한 1차 예방, 조기 발견과 조기 진단을 통한 2차 예방, 그리고 유방암 환자의 재발을 방지하고 예후를 개선하는 3차 예방으로 분류된다. 일반적으로 유방 촬영술이나 유방 초음파를 이용한 조기 진단을 통해 2차 예방이 가능하지만, 가족력이 있거나 위험요인이 있는 고위험군인 경우에는 개인별 발생 위험도의 예측을 통한 1차 예방이 필수적이다.
현재 유방암 발생에 대한 위험도를 예측하는 모델은 미국 NCI에서 개발한 Gail모델, 영국 BCAC에서 개발한 BOADICEA모델, AJCC모델 등이 있는데, 이는 모두 서양인을 대상으로 개발되어 동양인에게 적용하기에는 다소 정확도가 떨어진다.
우리나라에서도 매년 2만 5천명이 넘는 새로운 유방암 환자가 발생하고 있어 환자대조군 연구를 활용한 유방암 발생 위험도 예측모델이 개발된 바 있으나, 환자대조군 연구는 요인과 질병과의 시간적 선후관계가 불분명하며 위험요인에 대한 과거 노출여부에 대해 회상 바이어스(recall bias)가 발생할 가능성이 있다.
이러한 기존 모델 기술의 문제점을 보완하기 위해 요인 노출과 질병 발생의 시간적 선후관계가 명확하고 실제 질병 발생률을 예측할 수 있는 예측 모델이 요구된다.
본 발명은 전술한 문제점을 해결하기 위하여, 소정의 질병을 가지고 있지 않은 비환자 코호트(cohort)를 이용하여 복수의 유방암 발생 요인과 유방암 발생 사이의 연관성을 수식으로 나타낸 계산식을 통해 유방암 발생률을 계산하는 발생률 계산 모델을 이용하여 사용자의 유방암 발생 위험 정도를 예측하는 유방암 발생 위험도 예측 장치 및 방법을 제공하는 것을 기술적 과제로 한다.
다만, 본 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제들로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.
상술한 기술적 과제를 해결하기 위한 기술적 수단으로서, 본 발명의 일 실시예에 따른 유방암 발생 위험도 예측 장치는, 위험도 예측 프로그램이 저장된 메모리; 및 상기 위험도 예측 프로그램을 실행하는 프로세서를 포함하고, 상기 위험도 예측 프로그램은, 복수의 유방암 발생 요인에 대한 설문 응답을 발생률 계산 모델에 적용하여 유방암 발생률을 계산하고, 상기 유방암 발생률에 따라 유방암 발생 위험 정도를 출력하며, 상기 발생률 계산 모델은, 소정의 질병을 가지고 있지 않은 비환자 코호트(cohort)에 대한 상기 복수의 유방암 발생 요인을 이용하여 상기 복수의 유방암 발생 요인과 유방암 발생 사이의 연관성을 수식으로 나타낸 계산식을 통해 상기 발생률을 계산하는 것이다.
또한, 본 발명의 다른 실시예에 따른 유방암 발생 위험도 예측 방법은, 복수의 유방암 발생 요인에 대한 설문 응답을 입력 받는 단계; 상기 설문 응답을 발생률 계산 모델에 적용하여 유방암 발생률을 계산하는 단계; 및 상기 발생률에 따라 유방암 발생 위험 정도를 출력하는 단계를 포함하되, 상기 발생률 계산 모델은, 소정의 질병을 가지고 있지 않은 비환자 코호트(cohort)에 대한 상기 복수의 유방암 발생 요인을 이용하여 상기 복수의 유방암 발생 요인과 유방암 발생 사이의 연관성을 수식으로 나타낸 계산식을 통해 상기 유방암 발생률을 계산하는 것이다.
전술한 본 발명의 과제 해결 수단에 따르면, 가족력과 같은 잠재적 위험 요인이 있는 고위험군에 대하여 유방암 발생 위험도를 예측하여 1차 예방을 통해 유방암 환자의 발생을 줄일 수 있다.
도 1은 본 발명의 일 실시예에 따른 유방암 발생 위험도 예측 장치의 개념도이다.
도 2는 본 발명의 일 실시예에 따른 유방암 발생 위험도 예측 방법을 설명하기 위한 흐름도이다.
이하에서는 첨부한 도면을 참조하여 본 발명을 상세히 설명하기로 한다. 다만, 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며, 여기에서 설명하는 실시예들로 한정되는 것은 아니다. 또한, 첨부된 도면은 본 명세서에 개시된 실시예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않는다. 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 도면에 나타난 각 구성요소의 크기, 형태, 형상은 다양하게 변형될 수 있다. 명세서 전체에 대하여 동일/유사한 부분에 대해서는 동일/유사한 도면 부호를 붙였다.
이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부" 등은 명세서 작성의 용이함만이 고려되어 부여 되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략하였다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결(접속, 접촉 또는 결합)"되어 있다고 할 때, 이는 "직접적으로 연결(접속, 접촉 또는 결합)"되어 있는 경우뿐만 아니라, 그 중간에 다른 부재를 사이에 두고 "간접적으로 연결 (접속, 접촉 또는 결합)"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함(구비 또는 마련)"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 "포함(구비 또는 마련)"할 수 있다는 것을 의미한다.
본 명세서에서 사용되는 제1, 제2 등과 같이 서수를 나타내는 용어들은 하나의 구성 요소를 다른 구성요소로부터 구별하는 목적으로만 사용되며, 구성요소들의 순서나 관계를 제한하지 않는다. 예를 들어, 본 발명의 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다.
도 1은 본 발명의 일 실시예에 따른 유방암 발생 위험도 예측 장치를 개략적으로 나타낸 블록도이다.
도 1을 참조하여 본 발명의 일 실시예에 따른 유방암 발생 위험도 예측 장치(100)에 대해 설명한다. 유방암 발생 위험도 예측 장치(100)는 사용자로부터 입력받은 복수의 유방암 발생 요인을 이용하여 유방암 발생률을 계산하고, 유방암 발생율에 따른 유방암 발생 위험 정도를 제공한다. 이를 수행하기 위해 메모리(110) 및 프로세서(120)를 포함한다.
메모리(110)는 위험도 예측 프로그램이 저장되는데, 메모리(110)는 전원이 공급되지 않아도 저장된 정보를 계속 유지하는 비휘발성 저장장치 및 저장된 정보를 유지하기 위하여 전력을 필요로 하는 휘발성 저장장치를 통칭하는 것으로 해석되어야 한다. 메모리(110)는 프로세서(120)가 처리하는 데이터를 일시적 또는 영구적으로 저장하는 기능을 수행할 수 있다. 메모리(110)는 저장된 정보를 유지하기 위하여 전력이 필요한 휘발성 저장장치 외에 자기 저장 매체(magnetic storage media) 또는 플래시 저장 매체(flash storage media)를 포함할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.
그리고, 프로세서(120)는 메모리(110)에 저장된 위험도 예측 프로그램을 실행하여 사용자 정보에 따른 유방암 발생률을 계산하고, 유방암 발생률에 따른 유방암 발생 위험 정도를 제공한다. 위험도 예측 프로그램의 동작에 대해 설명하면, 위험도 예측 프로그램은 복수의 유방암 발생 요인에 대한 설문 응답을 발생률 계산 모델에 적용하여 유방암 발생률을 계산하고, 유방암 발생률에 따라 유방암 발생 위험 정도를 제공한다.
위험도 예측 프로그램에서 사용되는 발생률 계산 모델은 소정의 질병을 가지고 있지 않은 비환자 코호트(cohort)에 대한 복수의 유방암 발생 요인을 이용하여 복수의 유방암 발생 요인과 유방암 발생 사이의 연관성을 수식으로 나타낸 계산식을 통해 유방암 발생률을 계산하는 것이다. 여기서, 비환자 코호트는 암 또는 소정의 질병을 가지고 있지 않은 비환자인 사람들에 대한 코호트이며, 복수의 유방암 발생 요인은 여성력 요인, 생활 습관 요인, 질병력 요인, 가족력 요인, 체중 요인, 신체 계측지표 요인 및 생체지표 요인 중 어느 하나이상을 포함한다. 여성력 요인은 폐경 여부, 모유수유 기간, 초경 나이, 호르몬 대체요법 여부 등과 같은 항목을 포함하고, 생활 습관 요인은 식단, 운동, 음주 여부, 흡연 여부 등과 같은 항목을 포함하며, 질병력 요인은 당뇨 여부, 유방 양성 종양 진단 여부와 같은 항목을 포함한다. 체중 요인은 현재 체중과 과거 체중 등과 같은 체중 관련 항목을 포함하고, 신체 계측지표 요인은 키, 몸무게와 같은 항목을 포함하며, 생체지표 요인은 혈압과 같은 항목을 포함한다.
그리고, 발생률 계산 모델은 복수의 유방암 발생 요인에 대한 설문 응답 각각에 대응되는 계수를 매칭하고, 각각의 계수에 설정된 가중치를 부여해 가중치가 부여된 복수의 계수 사이의 연산을 통해 유방암 발생률을 계산한다. 여기서, 계산식은 수학식 1과 같다.
[수학식 1]
h(t) = h0(t)*eβ1x1 + β2x2 +… + βnxn
수학식 1에서 h(t)는 유방암 발생률이고, h0(t)는 상수이며, β는 설문 응답에 설정된 계수이고, x는 계수에 설정된 가중치이다.
또한, 계산식은 수학식 2를 이용할 수도 있다.
[수학식 2]
log h(t)= log h0(t) + (β1x1 + β2x2 +… + βnxn)
마찬가지로, 수학식 2에서 h(t)는 유방암 발생률이고, h0(t)는 상수이며, β는 설문 응답에 설정된 계수이고, x는 계수에 설정된 가중치를 나타낸다.
다음은 설문 응답과 설문 응답에 대한 가중치를 통해 유방암 발생률을 계산하는 연산의 예시를 나타낸다.
0.02189*하루 2회 이상 야채 섭취 - 0.10294*하루 1회 이상 과일 섭취 + 0.00495*하루 1회 이상 콩 제품 섭취 + 0.00208*하루 1회 미만 육류 섭취-0.06381*하루 2회 이상 잡곡밥 섭취 + 0.00858*현재 음주 + (1*현재 체중 52.6 kg 미만 + 0.00526*현재 체중52.6-62.3 kg + 0.10515*현재 체중62.3 kg 이상) + (1*20세 때 체중45 kg 미만 + 0.14016*20세 때 체중 45-58 kg + 0.15544*20세 때 체중58 kg 이상) - 0.22446*당뇨 과거력 - 0.08178*유방암 가족력 - 0.00444*규칙적인 운동 여부 - 0.28216*모유수유 24개월 이상 + 0.19469* 모유수유 하지 않음 + 0.47975*유방 양성 종양 진단 여부 + 0.02408*과거 호르몬 주사나 약 사용 여부 + 0.44202*현재 호르몬 주사나 약 사용 여부 - 0.42416*폐경 여부 + (-0.30104*초경나이 15세 - 0.26778*초경 나이 16세 이상) + (-0.14281*현재 키154-159.9cm + 0.1173*현재 키160cm 이상) + 0.23099* 이완기 혈압 85mmHg 이상
위와 같이 복수의 유방암 발생 요인 각각은 세부 항목을 포함하고, 세부 항목 중 수치상으로 표시할 수 있는 항목은 소정의 범위를 통해 2차적으로 나뉠 수 있다. 체중 관련 항목의 경우 범위를 통해 나뉠 수 있고, 각 범위에 따라 다른 가중치가 부여되는 것을 확인할 수 있다.
복수의 유방암 발생 요인에 대한 설문 응답은 항목명으로 표시하였지만 각각에 대하여 계수가 설정되어 있고, 가중치는 세부 항목에 따라 음수 또는 양수로 설정될 수 있다.
그리고, 위험도 예측 프로그램에서 제공하는 유방암 발생 위험 정도는 소정의 범위로 나뉜 복수의 위험 단계로 구분되는데, 발생률 계산 모델에서 계산된 유방암 발생률에 대응되는 위험 단계를 출력한다.
추가적으로, 위험도 예측 프로그램은 유방암 발생 위험 정도에 대응하는 솔루션을 제공할 수도 있고, 설문 응답에 따른 솔루션을 제공할 수도 있다.
예를들어, 건강한 식습관을 하지 않다고 설문한 참여자에게 하루에 야채 2회, 과일 1회, 콩제품 1회, 잡곡밥 2회 이상 섭취하라는 솔루션을 제공할 수 있고, 체중에 따라 적절한 식습관과 규칙적인 운동으로 체중을 조절을 하는 솔루션을 제공할 수 있다.
본 실시예에서, 프로세서(120)는 마이크로프로세서(microprocessor), 중앙처리장치(central processing unit: CPU), 프로세서 코어(processor core), 멀티프로세서(multiprocessor), ASIC(application-specific integrated circuit), FPGA(field programmable gate array) 등의 형태로 구현될 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.
유방암 발생 위험도 예측 장치(100)는 통신 모듈(130) 및 데이터베이스(140)를 더 포함할 수 있다. 통신 모듈(130)은 외부 장치와 신호 데이터 대한 데이터 통신을 수행하기 위해, 다른 네트워크 장치와 유무선 연결을 통해 제어 신호 또는 데이터 신호와 같은 신호를 송수신하는데 요구되는 하드웨어 및 소프트웨어를 포함하는 장치를 포함할 수 있다.
데이터베이스(140)는 위험도 예측 프로그램이 동작하기 위한 다양한 데이터가 저장될 수 있다. 예를 들면, 복수의 유방암 발생 요인 각각에 설정된 계수 및 가중치와 같이 위험도 예측 프로그램이 동작하는데 요구되는 데이터가 저장될 수 있다.
한편, 유방암 발생 위험도 예측 장치(100)는 외부 장치로부터 복수의 유방암 발생 요인에 대한 설문 응답을 수신하고, 이를 발생률 계산 모델에 입력하여 유방암 발생률을 계산하고, 유방암 발생률에 대응되는 위험 단계와 솔루션을 제공하는 서버의 형태로도 동작할 수 있다.
도 2는 본 발명의 일 실시예에 따른 유방암 발생 위험도 예측 방법을 설명하기 위한 흐름도이다.
도 1 및 도 2를 참조하여 본 발명의 일실시예에 따른 유방암 발생 위험도 예측 방법(S100)을 설명하면, 유방암 발생 위험도 예측 방법(S100)은 복수의 유방암 발생 요인에 대한 설문 응답을 입력 받고(단계 S110), 설문 응답을 발생률 계산 모델에 적용하여 유방암 발생률을 계산한다(단계 S120). 그리고, 발생률 계산 모델에서 계산된 유방암 발생률에 따라 유방암 발생 위험 정도를 제공한다(단계 S130).
유방암 발생률을 계산하는 과정(단계 S120)에서 사용되는 발생률 계산 모델은 소정의 질병을 가지고 있지 않은 비환자 코호트(cohort)에 대한 복수의 유방암 발생 요인을 이용하여 복수의 유방암 발생 요인과 유방암 발병 사이의 연관성을 수식으로 나타낸 계산식을 통해 유방암 발생률을 계산하는 것이다. 여기서, 복수의 유방암 발생 요인은 여성력 요인, 생활 습관 요인, 질병력 요인, 가족력 요인, 체중 요인, 신체 계측지표 요인 및 생체지표 요인 중 어느 하나이상을 포함한다.
여성력 요인은 폐경 여부, 모유 수유 기간, 초경 나이, 호르몬 대체요법 여부 등과 같은 항목을 포함하고, 생활 습관 요인은 식단, 운동, 음주 여부, 흡연 여부 등과 같은 항목을 포함하며, 질병력 요인은 당뇨 여부, 유방 양성 종양 진단 여부와 같은 항목을 포함한다. 체중 요인은 현재 체중과 과거 체중 등과 같은 체중 관련 항목을 포함하고, 신체 계측지표 요인은 키, 몸무게와 같은 항목을 포함하며, 생체지표 요인은 혈압과 같은 항목을 포함한다.
발생률 계산 모델이 유방암 발생률을 계산하는 과정을 설명하면, 발생률 계산 모델은 복수의 유방암 발생 요인에 대한 설문 응답 각각에 설정된 계수를 매칭하고, 각각의 계수에 설정된 가중치를 부여해 가중치가 부여된 복수의 계수 사이의 연산을 통해 유방암 발생률을 계산한다. 여기서, 계산식은 수학식 1과같다.
[수학식 1]
h(t) = h0(t)*eβ1x1 + β2x2 +… + βnxn
수학식 1에서 h(t)는 유방암 발생률이고, h0(t)는 상수이며, β는 설문 응답에 설정된 계수이고, x는 계수에 설정된 가중치이다.
그리고, 유방암 발생 위험 정도를 출력하는 과정(단계 S130)에서 유방암 발생 위험 정도는 소정의 범위로 나뉜 복수의 위험 단계로 구분되고, 유방암 발생률에 대응되는 위험 단계를 제공한다.
추가적으로, 유방암 발생 위험도 예측 방법(S100)은 유방암 발생 위험 정도에 대한 솔루션을 제공할 수도 있고, 설문 응답에 따른 솔루션을 제공할 수도 있다(단계 S140).
예를들어, 건강한 식습관을 하지 않다고 설문한 참여자에게 하루에 야채 2회, 과일 1회, 콩제품 1회, 잡곡밥 2회 이상 섭취하라는 솔루션을 제공할 수 있고, 체중에 따라 적절한 식습관과 규칙적인 운동으로 체중을 조절을 하는 솔루션을 제공할 수 있다.
본 발명은 컴퓨터에 의해 실행되는 프로그램 모듈과 같은 컴퓨터에 의해 실행가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체를 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다.
또한, 본 발명의 방법 및 시스템은 특정 실시예와 관련하여 설명되었지만, 그것들의 구성 요소 또는 동작의 일부 또는 전부는 범용 하드웨어 아키텍쳐를 갖는 컴퓨터 시스템을 사용하여 구현될 수 있다.
본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 상술한 설명을 기초로 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해되어야만 한다. 본 발명의 범위는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다
본원의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본원의 범위에 포함되는 것으로 해석되어야 한다.

Claims (12)

  1. 유방암 발생 위험도를 예측하는 장치에 있어서,
    위험도 예측 프로그램이 저장된 메모리; 및
    상기 위험도 예측 프로그램을 실행하는 프로세서를 포함하고,
    상기 위험도 예측 프로그램은,
    복수의 유방암 발생 요인에 대한 설문 응답을 발생률 계산 모델에 적용하여 유방암 발생률을 계산하고, 상기 유방암 발생률에 따라 유방암 발생 위험 정도를 출력하며,
    상기 발생률 계산 모델은,
    소정의 질병을 가지고 있지 않은 비환자 코호트(cohort)에 대한 상기 복수의 유방암 발생 요인을 이용하여 상기 복수의 유방암 발생 요인과 유방암 발생 사이의 연관성을 수식으로 나타낸 계산식을 통해 상기 유방암 발생률을 계산하는 것인, 유방암 발생 위험도 예측 장치.
  2. 제1항에 있어서,
    상기 복수의 유방암 발생 요인은,
    여성력 요인, 생활 습관 요인, 질병력 요인, 가족력 요인, 체중 요인, 신체 계측지표 요인 및 생체지표 요인 중 어느 하나이상을 포함하는 것인, 유방암 발생 위험도 예측 장치.
  3. 제1항에 있어서,
    상기 발생률 계산 모델은,
    상기 복수의 유방암 발생 요인에 대한 설문 응답 각각에 대응되는 계수를 매칭하고, 각각의 상기 계수에 설정된 가중치를 부여해 상기 가중치가 부여된 상기 계수 사이의 연산을 통해 상기 유방암 발생률을 계산하는, 유방암 발생 위험도 예측 장치.
  4. 제1항에 있어서,
    상기 계산식은 수학식 1과 같고,
    [수학식 1]
    h(t) = h0(t)*eβ1x1 + β2x2 +… + βnxn
    상기 h(t)는 상기 유방암 발생률이고, 상기 h0(t)는 상수이며, 상기 β는 상기 설문 응답에 설정된 계수이고, 상기 x는 상기 계수에 설정된 가중치인 것인, 유방암 발생 위험도 예측 장치.
  5. 제1항에 있어서,
    상기 유방암 발생 위험 정도는,
    소정의 범위로 나뉜 복수의 위험 단계로 구분되고,
    상기 위험도 예측 프로그램은,
    상기 유방암 발생률에 대응되는 상기 위험 단계를 출력하는, 유방암 발생 위험도 예측 장치.
  6. 제1항에 있어서,
    상기 위험도 예측 프로그램은,
    상기 유방암 발생 위험 정도에 대응하는 솔루션을 제공하는, 유방암 발생 위험도 예측 장치.
  7. 유방암 발생 위험도를 예측하는 방법에 있어서,
    복수의 유방암 발생 요인에 대한 설문 응답을 입력 받는 단계;
    상기 설문 응답을 발생률 계산 모델에 적용하여 유방암 발생률을 계산하는 단계; 및
    상기 유방암 발생률에 따라 유방암 발생 위험 정도를 제공하는 단계를 포함하되,
    상기 발생률 계산 모델은,
    소정의 질병을 가지고 있지 않은 비환자 코호트(cohort)에 대한 상기 복수의 유방암 발생 요인을 이용하여 상기 복수의 유방암 발생 요인과 유방암 발생 사이의 연관성을 수식으로 나타낸 계산식을 통해 상기 유방암 발생률을 계산하는 것인, 유방암 발생 위험도 예측 방법.
  8. 제7항에 있어서,
    상기 유방암 발생 요인은,
    여성력 요인, 생활 습관 요인, 질병력 요인, 가족력 요인, 체중 요인, 신체 계측지표 요인 및 생체지표 요인 중 어느 하나이상을 포함하는 것인, 유방암 발생 위험도 예측 방법.
  9. 제7항에 있어서,
    상기 발생률 계산 모델은,
    상기 복수의 유방암 발생 요인에 대한 설문 응답 각각에 설정된 계수를 매칭하고, 각각의 상기 계수에 설정된 가중치를 부여해 상기 가중치가 부여된 상기 계수 사이의 연산을 통해 상기 유방암 발생률을 계산하는, 유방암 발생 위험도 예측 방법.
  10. 제7항에 있어서,
    상기 계산식은 수학식 1과 같고,
    [수학식 1]
    h(t) = h0(t)*eβ1x1 + β2x2 +… + βnxn
    상기 h(t)는 상기 유방암 발생률이고, 상기 h0(t)는 상수이며, 상기 β는 상기 설문 응답에 설정된 계수이고, 상기 x는 상기 계수에 설정된 가중치인 것인, 유방암 발생 위험도 예측 방법.
  11. 제7항에 있어서,
    상기 유방암 발생 위험 정도는,
    소정의 범위로 나뉜 복수의 위험 단계로 구분되고,
    상기 유방암 발생 위험 정도를 출력하는 단계는,
    상기 유방암 발생률에 대응되는 상기 위험 단계를 출력하는, 유방암 발생 위험도 예측 방법.
  12. 제7항에 있어서,
    상기 유방암 발생 위험 정도에 대한 솔루션을 제공하는 단계를 더 포함하는, 유방암 발생 위험도 예측 방법.
PCT/KR2023/015676 2022-10-13 2023-10-12 유방암 발생 위험도 예측 장치 및 방법 WO2024080764A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020220131390A KR102553562B1 (ko) 2022-10-13 2022-10-13 유방암 발생 위험도 예측 장치 및 방법
KR10-2022-0131390 2022-10-13

Publications (1)

Publication Number Publication Date
WO2024080764A1 true WO2024080764A1 (ko) 2024-04-18

Family

ID=87155941

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2023/015676 WO2024080764A1 (ko) 2022-10-13 2023-10-12 유방암 발생 위험도 예측 장치 및 방법

Country Status (2)

Country Link
KR (1) KR102553562B1 (ko)
WO (1) WO2024080764A1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102553562B1 (ko) * 2022-10-13 2023-07-10 서울대학교산학협력단 유방암 발생 위험도 예측 장치 및 방법

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140098695A (ko) * 2013-01-31 2014-08-08 서울대학교산학협력단 유방암 발병 위험도 및 확률 예측 방법
KR20210022413A (ko) * 2019-08-20 2021-03-03 서울대학교산학협력단 전립선암 위험도의 변화 정도 예측 시스템
KR20210151584A (ko) * 2020-06-05 2021-12-14 서울대학교산학협력단 국민건강보험 검진 데이터를 이용한 심혈관질환 발병 예측 방법 및 그 장치
KR20220046415A (ko) * 2020-10-07 2022-04-14 중앙일보 주식회사 빅데이터를 이용한 비만 위험도 정보 제공 방법 및 그 장치
KR20220136226A (ko) * 2021-03-31 2022-10-07 주식회사 루닛 인공지능 모델을 이용한 의학적 예측 제공 방법 및 장치
KR102553562B1 (ko) * 2022-10-13 2023-07-10 서울대학교산학협력단 유방암 발생 위험도 예측 장치 및 방법

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018124831A1 (ko) 2016-12-30 2018-07-05 서울대학교 산학협력단 대사이상 질환의 질병 위험도를 예측하는 장치 및 방법

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140098695A (ko) * 2013-01-31 2014-08-08 서울대학교산학협력단 유방암 발병 위험도 및 확률 예측 방법
KR20210022413A (ko) * 2019-08-20 2021-03-03 서울대학교산학협력단 전립선암 위험도의 변화 정도 예측 시스템
KR20210151584A (ko) * 2020-06-05 2021-12-14 서울대학교산학협력단 국민건강보험 검진 데이터를 이용한 심혈관질환 발병 예측 방법 및 그 장치
KR20220046415A (ko) * 2020-10-07 2022-04-14 중앙일보 주식회사 빅데이터를 이용한 비만 위험도 정보 제공 방법 및 그 장치
KR20220136226A (ko) * 2021-03-31 2022-10-07 주식회사 루닛 인공지능 모델을 이용한 의학적 예측 제공 방법 및 장치
KR102553562B1 (ko) * 2022-10-13 2023-07-10 서울대학교산학협력단 유방암 발생 위험도 예측 장치 및 방법

Also Published As

Publication number Publication date
KR102553562B1 (ko) 2023-07-10

Similar Documents

Publication Publication Date Title
Grimaldi-Bensouda et al. Immune thrombocytopenia in adults: a prospective cohort study of clinical features and predictors of outcome
Vassos et al. The Maudsley environmental risk score for psychosis
WO2024080764A1 (ko) 유방암 발생 위험도 예측 장치 및 방법
Madi et al. Organization of the autoantibody repertoire in healthy newborns and adults revealed by system level informatics of antigen microarray data
Pfeiffer et al. Absolute risk: methods and applications in clinical management and public health
US20240282407A1 (en) Electronic variant classification
US11276495B2 (en) Systems and methods for predicting multiple health care outcomes
Meyer et al. Pregnancy in women with inflammatory bowel disease: a French nationwide study 2010‐2018
Gerdes et al. Immune signatures of prodromal multiple sclerosis in monozygotic twins
WO1997027560A1 (en) Methods for identifying human hereditary disease patterns
Lu et al. Racial/ethnic disparities in emergency department wait times in the United States, 2013–2017
US20070248986A1 (en) Systems and methods for predicting an individual's risk of developing rheumatoid arthritis
WO2019054553A1 (ko) 웨어러블 장치를 이용한 갑상선기능항진증의 예측 시스템 및 예측 컴퓨터프로그램
Rubin et al. Predicting readmission risk of patients with diabetes hospitalized for cardiovascular disease: a retrospective cohort study
Sriranganathan et al. Prevalence of pouchitis in both ulcerative colitis and familial adenomatous polyposis: a systematic review and meta‐analysis
Ganapathy et al. The Singapore paediatric triage scale validation study
Amoda et al. Trends in demographics, hospitalization outcomes, comorbidities, and mortality risk among systemic sclerosis patients
JP2006302222A (ja) 癌発症リスク予測システム及び方法、並びに癌デリバティブ方法
Tuzovic et al. National outcomes in hospitalized patients with cancer and comorbid heart failure
Karapolat Can RIPASA Scoring System Predict the Pathological Stage of Acute Appendicitis?
Sato et al. Associations between low body mass index and mortality in patients with sepsis: A retrospective analysis of a cohort study in Japan
Albrandt-Salmeron et al. Correlation between Chest X‐Ray Severity in COVID‐19 and Age in Mexican‐Mestizo Patients: An Observational Cross‐Sectional Study
Rodrigues et al. Predicting the outcome for COVID-19 patients by applying time series classification to electronic health records
Mahendra et al. Predicting NICU admissions in near-term and term infants with low illness acuity
Sugawara et al. Maternity Log study: a longitudinal lifelog monitoring and multiomics analysis for the early prediction of complicated pregnancy

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: 23877687

Country of ref document: EP

Kind code of ref document: A1