본 발명은 임상 의사결정 지원 앙상블 시스템 및 이를 이용한 임상 의사결정 지원 방법에 관한 것으로, 더욱 상세하게는 적어도 하나 이상의 의료기관에서 예측된 환자의 질환에 대한 임상예측 결과를 통합하고, 이를 기반으로 환자의 특성이 반영된 환자 맞춤형 분석을 수행하여 의료인에게 환자의 진단 및 치료에 대한 가이드라인을 제공함으로써, 의료인이 사용자에 대한 진단이나 치료방침을 결정할 때, 의료인의 판단을 상기 가이드라인과 크로스 체크하여 오진을 최소화하도록 하고, 환자의 질환에 대한 정확한 예측, 진단, 치료, 예방 및 향후관리 등에 대한 의료행위와 관련된 일련의 과정에서 빠르고 올바른 의사결정을 하도록 지원하는 시스템 및 그 방법에 관한 것이다.The present invention relates to a clinical decision support ensemble system and a clinical decision support method using the same, and more particularly, by integrating clinical prediction results for a patient's disease predicted by at least one medical institution, and based on this, performing a patient-specific analysis reflecting the characteristics of the patient to provide guidelines for diagnosis and treatment of the patient to medical personnel, thereby minimizing misdiagnosis by cross-checking the judgment of the medical personnel with the guidelines when determining a diagnosis or treatment policy for a user, and accurately predicting and diagnosing a patient's disease It is about a system and method that support rapid and correct decision-making in a series of medical practices related to treatment, prevention, and future management.
질병이나 질환을 앓고 있는 환자의 상태 파악 및 치료에 대한 종래의 방식은 환자를 진료하는 개별 의료인의 경험, 지식, 경력 또는 정보 등에 의존하여, 상기 환자에 대한 상태의 진단 및 치료를 수행하는 단순한 구조였다.A conventional method for identifying and treating a patient suffering from a disease or disease was a simple structure in which diagnosis and treatment of the patient's condition depended on the experience, knowledge, career, or information of individual medical personnel treating the patient.
이러한 구조는 각 의료인의 경험, 지식, 경력 또는 정보에 따른 진료격차로 인해, 특정 병원으로의 환자 쏠림 현상이 증대될 수 있으며, 이로 인해 병원 양극화 현상이 심해지는 문제점이 있다.Such a structure has a problem in that the concentration of patients to a specific hospital may increase due to the treatment gap according to each medical person's experience, knowledge, career, or information, thereby intensifying the polarization of hospitals.
또한 의료기술과 정보처리 기술의 급속한 발전으로 다양한 의료기기의 발전과 의무기록과 같은 의료분야에서 사용되는 데이터들은 디지털화되어 가고 있고, 체계화되고 축적된 의료 연구에 대한 정보의 양은 폭발적으로 증가하고 있다. 또한 스마트기기와 연동된 개인 건강정보 수집 기기의 보급 확산으로 개인 건강기록을 포함하는 임상정보들이 점차 빅데이터화 되어가는 추세에 있다.In addition, with the rapid development of medical technology and information processing technology, data used in the medical field, such as the development of various medical devices and medical records, are being digitized, and the amount of systematic and accumulated information on medical research is explosively increasing. In addition, with the spread of personal health information collection devices linked to smart devices, clinical information including personal health records is gradually becoming big data.
또한 최근에는 산업기술의 발달로 인한 지구 온난화, 사람의 인체에 대한 위해요소의 증가, 생활양식 및 생활습관의 변화 등으로 인해 새롭고 다양한 형태의 질병 및 질환들이 발생하고 있다.Recently, new and various types of diseases and disorders have occurred due to global warming due to the development of industrial technology, an increase in harmful factors to the human body, and a change in lifestyle and lifestyle.
이러한 의료 환경의 변화에 의해 의료진이 참고하여야 할 환자의 진료에 필요한 임상정보는 다양해지고 복잡해져 가고 있다. 이는 종래와 같이 개별 의료인에 의존하여, 환자를 진단하고 치료하는 경우, 오진으로 인한 의료사고가 발생할 수 있으며, 이로 인해 상기 환자는 신체상 또는 정신상의 치명적인 피해를 입게 되는 문제점이 있다.Due to these changes in the medical environment, clinical information necessary for patient care, which medical staff should refer to, is becoming more diverse and complex. In the case of diagnosing and treating a patient depending on an individual medical person as in the prior art, a medical accident may occur due to a misdiagnosis, and as a result, the patient suffers fatal physical or mental damage.
즉, 현대의 의료 환경은 더 이상 개별 의료인의 경험이나 정보에 의존하여 환자에 대한 정확한 진단이나 치료 전략을 구성하는 것이 불가능하며, 새로운 질병에 대한 진단 및 치료에 그 한계가 있다.That is, in the modern medical environment, it is no longer possible to construct an accurate diagnosis or treatment strategy for a patient depending on the experience or information of an individual medical person, and there are limitations in diagnosing and treating new diseases.
상기와 같은 문제점을 해결하기 위해 환자의 임상정보를 바탕으로 의료인이 환자의 질병을 진단하고 치료할 때 의사결정을 도와주는 임상 의사결정 지원시스템(Clinical Decision Support System, CDSS)이 개발되어 다양한 의료분야에 적용되고 있다.In order to solve the above problems, a Clinical Decision Support System (CDSS) has been developed and applied to various medical fields to help medical personnel make decisions when diagnosing and treating a patient's disease based on the patient's clinical information.
일반적으로 임상 의사결정 지원시스템은 의학적인 진료 가이드라인을 룰(정확히는, IF-THEN 룰) 기반으로 프로그램화하여 환자의 상태에 대한 가이드라인의 결과를 의사에게 알려주는 것으로써, 대표적으로 약을 처방할 때 복잡한 다수의 약물들에 대한 제약조건을 설정하여 서로 상호작용을 일으키지 않도록 하는 DUR(Drug Utilization Review) 의약품 안심 서비스가 있다.In general, clinical decision support systems program medical treatment guidelines based on rules (more precisely, IF-THEN rules) and inform doctors of the results of the guidelines for the patient's condition. Representatively, there is a DUR (Drug Utilization Review) drug safety service that sets constraints on a number of complex drugs so that they do not interact with each other when prescribing drugs.
임상 의사결정 지원시스템은 환자의 임상정보를 바탕으로, 환자에 대한 의료인의 진단, 치료 방법의 선택 또는 치료 약물 선택 등의 의사결정을 지원하여, 상기 의료인의 오진에 대한 위험을 최소화하고, 보다 객관적인 진료 행위를 수행할 수 있도록 함으로써, 의료인별 진료격차를 줄여 상기 환자에게 객관적인 의료서비스를 제공할 수 있도록 하는 장점이 있다.The clinical decision support system has the advantage of providing objective medical services to the patient by minimizing the risk of misdiagnosis by medical personnel and enabling more objective treatment activities by supporting medical personnel's diagnosis, treatment method selection, or treatment drug selection based on the patient's clinical information.
한편 최근에 들어서는 심혈관질환 또는 당뇨병과 같은 만성질환의 발병률이 크게 증가하고 있으며, 상기 만성질환은 급성악화로 인한 응급 사망의 위험성이 높아 응급상황의 예보나 예측 및 합병증에 대한 조기 진단과 환자의 향후 관리가 매우 중요하다.On the other hand, in recent years, the incidence of chronic diseases such as cardiovascular disease or diabetes has increased significantly, and the chronic diseases have a high risk of emergency death due to acute deterioration, so forecasting or predicting emergency situations, early diagnosis of complications, and future management of patients are very important.
그러나 기존의 임상 의사결정 지원시스템은 질환의 진행 상태에 대한 예측이나 조기 진단에 대한 가이드라인을 제공하는 것이 아니라, 약물처방 및 투약경보 등의 기능만을 제공하고, 정해진 룰 내에서만 결과를 얻기 때문에, 환자의 질환에 대한 예측, 진단, 치료 또는 예방 등과 같이 환자를 종합적으로 관리하여, 향후 질환의 진행에 따른 정확한 진단이나 치료 전략을 구성하는 데에는 그 한계가 있다.However, existing clinical decision support systems do not provide guidelines for prediction of disease progress or early diagnosis, but only provide functions such as drug prescription and medication warning, and obtain results only within set rules. Therefore, there is a limit to comprehensively managing patients such as prediction, diagnosis, treatment, or prevention of the patient's disease, and constructing accurate diagnosis or treatment strategies according to the progression of the disease in the future.
또한 기존의 임상 의사결정 지원시스템은 동일한 환자의 사례를 반복적으로 학습시킨 결과를 기반으로 하기 때문에, 동일한 질병을 앓고 있는 새로운 환자에 대한 신뢰할 수 있는 수준의 진단 및 치료방법을 제시하지 못하고 있다.In addition, since the existing clinical decision support system is based on the result of repeatedly learning the same patient's case, it cannot provide reliable diagnosis and treatment methods for new patients suffering from the same disease.
또한 환자의 진료나 치료에 필요한 임상정보는 병원이나 한의원 등과 같이 의료 서비스를 제공하는 기관들을 중심으로, 각 기관의 자체적인 데이터포맷으로 생성, 축척 및 관리되고 있으며, 이를 기반으로 상기 각각의 의료기관들은 차체적인 임상 의사결정 지원시스템을 구축하여 운용하고 있다. 이는 상기 각 의료기관들 간의 상호 연동에 대한 결여로 인하여, 특정 질병에 대하여 귀중하고 새롭게 발견된 정보들을 효과적으로 활용할 수 없는 문제점이 있다.In addition, clinical information necessary for patient care or treatment is created, accumulated, and managed in their own data format, centered on institutions that provide medical services, such as hospitals and oriental clinics. This has a problem in that valuable and newly discovered information about a specific disease cannot be effectively utilized due to the lack of mutual interworking between the respective medical institutions.
따라서 본 발명에서는 앙상블예측시스템을 이용하여, 복수의 의료기관과의 연동을 통해, 각 기관별로 생성, 축척 및 관리되는 임상정보를 기반으로, 각 기관별로 수행되는 특정 환자의 유사사례에 대한 임상예측 결과를 통합하고, 상기 통합한 임상예측 결과 및 상기 특정 환자의 특성이 반영된 환자 맞춤형 분석을 수행함으로써, 의료인에게 환자의 진단 및 치료에 대한 가이드라인을 제공하여, 해당 환자의 진료, 치료전략, 처방, 예방 및 향후관리 등의 전반적인 의료 행위와 관련된 일련의 의료과정에서 신속하고 정확한 의사결정을 하도록 지원하는 시스템 및 그 방법을 제공하고자 한다.Therefore, in the present invention, the ensemble prediction system is used to integrate clinical prediction results for similar cases of a specific patient performed by each institution based on clinical information generated, accumulated, and managed by each institution through linkage with a plurality of medical institutions, and by performing a patient-specific analysis reflecting the combined clinical prediction results and the characteristics of the specific patient, providing guidelines for diagnosis and treatment of the patient to medical personnel, and providing a series of overall medical practices related to the patient's treatment, treatment strategy, prescription, prevention, and future management It is intended to provide a system and method that support rapid and accurate decision making in the medical process.
또한 본 발명은 환자의 생체정보 데이터를 IoT 장치로 수집하여, 상기 환자의 질병에 대한 지속적인 모니터링 및 관리를 통해, 심혈관질환과 같은 고위험 환자군의 질환에 대한 위험상황을 조기에 예측하여, 응급상황의 발생을 예방할 수 있도록 하는 시스템 및 그 방법을 제공하고자 한다.In addition, the present invention collects biometric data of a patient with an IoT device, predicts the risk situation for a disease in a high-risk patient group such as cardiovascular disease at an early stage through continuous monitoring and management of the patient's disease, and provides a system and method that can prevent the occurrence of an emergency.
다음으로 본 발명의 기술 분야에 존재하는 선행기술에 대하여 간단하게 설명하고, 이어서 본 발명이 상기 선행기술에 비해서 차별적으로 이루고자 하는 기술적 사항에 대해서 기술하고자 한다.Next, the prior art existing in the technical field of the present invention will be briefly described, and then the technical details to be achieved by the present invention to be differentiated from the prior art will be described.
먼저 한국등록특허 제1558142호(2015.10.08.)는 의료진을 위한 의사 결정지원 시스템에 관한 것으로, 환자의 검사결과, 바이탈 사인, 환자의 호소 내용, 환자의 관찰 소견과 같은 다양한 데이터를 환자에 대한 처치 또는 치료에 관한 의사결정 룰 규칙에 적용하여, 적절한 환자의 처치 및 치료계획을 수립할 수 있도록 하는 시스템에 관한 것이다.First, Korean Patent Registration No. 1558142 (October 8, 2015) relates to a decision-making support system for medical staff, and various data such as patient test results, vital signs, patient complaints, and patient observations are applied to the treatment or treatment of the patient.
또한 한국공개특허 제2009-0000196호(2009.01.07.)는 홈스케어 데이터와 의료기관 진료정보를 이용한 임상 의사결정 지원 장치에 관한 것으로, 홈헬스 네트워크와 각종 센서를 통해 전송된 측정데이터와 기존의 의료기관에서 관리되고 있는 상기 환자의 진료데이터를 이용하여, 신속한 진료 및 응급조치를 가능하게 하는 자동화된 임상 의사결정 지원 장치에 관한 것이다.In addition, Korean Patent Publication No. 2009-0000196 (January 7, 2009) relates to a clinical decision support device using home care data and medical information from medical institutions, and relates to an automated clinical decision support device that enables rapid medical treatment and emergency measures using measurement data transmitted through a home health network and various sensors and the patient's medical treatment data managed by an existing medical institution.
상기 선행기술들은 병원별로 자체적으로 수집되는 환자정보만을 이용하여, 특정시점에서의 환자상태만을 파악하고, 이를 바탕으로 해당 환자의 진단 및 치료계획을 수립하는 것으로, 새로운 향후 환자의 진단 및 치료계획에 대한 신뢰성 있는 임상 의사결정을 위한 정보를 제공하지 못하고 있다.The prior art identifies only the patient's condition at a specific point in time using only patient information collected by each hospital, and establishes a diagnosis and treatment plan for the patient based on this.
반면에 본 발명은 공통의 앙상블예측시스템을 통해, 환자를 진단하고 치료하기 위해 임상 의사결정을 수행하는 특정 의료기관이 적어도 하나 이상의 외부 의료기관에게 상기 환자의 상태에 대한 임상예측 결과를 요청하고, 상기 요청에 따라 각각의 의료기관들은 자체적으로 생성, 누적 및 관리하는 임상정보를 기반으로 해당 환자의 상태를 독립적으로 예측한 임상예측 결과를 상기 특정 의료기관에 제공하며, 상기 특정 의료기관은 상기 복수의 의료기관들로부터 제공받은 임상예측 결과와 해당 환자의 임상정보를 기반으로 상기 환자 상태에 대한 예측, 진단, 치료, 예방 및 향후 관리 등에 대한 가이드라인을 제공함으로써, 상기 의료기관이 신속하고 정확한 의사결정을 하도록 지원하는 효과가 있다.On the other hand, in the present invention, through a common ensemble prediction system, a specific medical institution that performs clinical decision-making to diagnose and treat a patient requests clinical prediction results for the patient's condition from at least one external medical institution, and in response to the request, each medical institution independently predicts the patient's condition based on clinical information generated, accumulated, and managed by itself, and provides the clinical prediction result to the specific medical institution, and the specific medical institution provides the clinical prediction result provided by the plurality of medical institutions and the patient's clinical information. By providing guidelines for prediction, diagnosis, treatment, prevention and future management of the patient's condition based on, there is an effect of supporting the medical institution to make quick and accurate decisions.
본 발명은 상기와 같은 문제점을 해결하기 위해 창작 된 것으로서, 복수의 의료기관 간의 연동을 통해, 각 의료기관별로 수행되는 환자에 대한 임상예측 결과를 통합하고, 이를 기반으로 상기 환자의 특성이 반영된 환자의 상태에 대한 진단 및 향후 추세를 예측하여, 의료인의 의료행위에 관한 의사결정에 필요한 가이드라인을 제공함으로써, 의료인의 오진을 방지하고, 상기 환자의 상태에 대한 예측, 진단, 예방, 응급상황의 예보 및 향후 질환의 효과적인 관리 등에 대한 의료인의 정확하고 신속한 의사결정을 하도록 지원하는 시스템 및 그 방법을 제공하는 것을 그 목적으로 한다.The present invention was created to solve the above problems, by integrating the results of clinical prediction for patients performed by each medical institution through linkage between a plurality of medical institutions, diagnosing the patient's condition reflecting the characteristics of the patient and predicting future trends based on this, and providing guidelines necessary for medical personnel's decision-making, thereby preventing misdiagnosis of medical personnel, and preventing medical personnel from misdiagnosing, predicting, diagnosing, preventing, predicting emergency situations, and effectively managing future diseases. Its purpose is to provide a system and method for supporting decision-making.
또한 본 발명은 IoT 장치를 통해, 라이프로그와 같은 환자의 생체정보 데이터를 수집하여, 환자의 상태를 지속적으로 모니터링하고 관리함으로써, 고위험 환자군의 질병악화, 응급 상황 등의 발생을 예측하고 예방할 수 있도록 하는 시스템 및 그 방법을 제공하는 것을 그 목적으로 한다.In addition, the present invention collects biometric data of patients, such as lifelogs, through an IoT device, continuously monitors and manages the patient's condition, thereby predicting and preventing the occurrence of disease exacerbation and emergency situations in high-risk patients. It is an object of the present invention to provide a system and method.
본 발명의 일 실시예에 따른 임상 의사결정 지원 앙상블 시스템은 복수의 의료기관, 의료정보제공기관 또는 이들의 조합을 포함한 기관으로부터 제공된 임상예측 결과를 통합하여 앙상블 예측을 수행함으로써, 임상 의사결정 정보를 제공하는 것을 특징으로 한다.The clinical decision support ensemble system according to an embodiment of the present invention provides clinical decision-making information by performing ensemble prediction by integrating clinical prediction results provided from institutions including a plurality of medical institutions, medical information providing institutions, or combinations thereof.
또한 복수의 의료기관으로부터 각각 자체 의료정보 학습용 빅데이터를 이용한 기계학습에 의한 임상예측 결과를 토대로 수행되는 것을 특징으로 한다.In addition, it is characterized in that it is performed based on clinical prediction results by machine learning using big data for self-medical information learning from a plurality of medical institutions.
또한 상기 앙상블 예측은, 특정 의료기관의 자체 의료정보 학습용 빅데이터에 대한 기계학습 기반의 임상예측 결과와, 적어도 하나 이상의 외부 의료기관으로부터 각 의료기관의 의료정보 학습용 빅데이터에 대한 기계학습 기반의 임상예측 결과를 통합하여 임상 의사결정을 지원하도록 하는 것을 특징으로 한다.In addition, the ensemble prediction is characterized by supporting clinical decision-making by integrating machine learning-based clinical prediction results for big data for learning medical information of a specific medical institution and machine learning-based clinical prediction results for big data for learning medical information of each medical institution from at least one or more external medical institutions.
또한 상기 임상 의사결정 정보는, 규칙기반 지식베이스에 의하거나, 개인별, 질환별 또는 이들의 조합에 따라 의사결정나무(decision tree), 신경망(neural network), 원시적(Naive) Bayes, 또는 이들의 조합에 의하거나 또는 이들의 조합에 의해서 제공되는 것을 특징으로 한다.In addition, the clinical decision-making information is characterized in that it is provided by a rule-based knowledge base, a decision tree, a neural network, a naive Bayes, or a combination thereof according to individuals, diseases, or a combination thereof.
또한 상기 기계학습은, 환자 중심의 맞춤의료를 위한 의료기록, 라이프로그 또는 이들의 조합을 포함한 빅데이터의 다차원 분석을 위해서 학습, 추론, 예측 또는 이들의 조합을 수행하는 인공지능 기법을 포함하는 것을 특징으로 한다.In addition, the machine learning includes an artificial intelligence technique that performs learning, inference, prediction, or a combination thereof for multidimensional analysis of big data including medical records, lifelogs, or combinations thereof for patient-centered personalized medicine.
또한 상기 기계학습은, 병렬 클러스터를 이용한 고속화와 의료정보 학습용 빅데이터에 대한 정량화를 통해서 추출 또는 통합되는 고신뢰성의 수치정보를 임상예측 결과로 출력하는 것을 특징으로 한다.In addition, the machine learning is characterized in that high-reliability numerical information extracted or integrated through high-speed using parallel clusters and quantification of big data for learning medical information is output as a clinical prediction result.
또한 상기 임상 의사결정 지원 앙상블 시스템은 사용자의 임상 의사결정 요청에 따라 임상 의사결정 정보를 제공하는 임상 의사결정 지원 시스템 및 상기 임상 의사결정 지원 시스템의 요청에 따라 임상예측 결과를 제공하는 앙상블예측시스템을 포함하며, 상기 앙상블예측시스템은 복수의 의료기관, 의료정보제공기관 또는 이들의 조합을 포함한 기관으로부터 제공받은 임상예측 결과를 통합하여 의사결정에 대한 앙상블 예측을 수행하는 것을 특징으로 한다.In addition, the clinical decision support ensemble system includes a clinical decision support system that provides clinical decision-making information according to a clinical decision-making request of a user and an ensemble prediction system that provides clinical prediction results according to a request of the clinical decision support system.
또한 상기 임상 의사결정 지원 앙상블 시스템은, 임상정보 데이터베이스로부터 빅데이터를 이용하여 학습을 수행하는 딥러닝을 포함하는 기계학습 엔진을 더 포함하는 것을 특징으로 한다.In addition, the clinical decision support ensemble system may further include a machine learning engine including deep learning that performs learning using big data from a clinical information database.
또한 상기 임상정보 데이터베이스에는 개별 병원의 병원임상정보와 외래환자의 라이프로그 정보를 포함하는 것을 특징으로 한다.In addition, the clinical information database may include hospital clinical information of individual hospitals and lifelog information of outpatients.
또한 상기 기계학습 엔진은, EMR, PHR, 의료영상, 라이프로그 정보 또는 이들의 조합을 포함하는 빅데이터로부터 의료정보의 특징을 추상화하고, 상기 빅데이터를 학습하여 임상예측 모델을 추출하고 질병의 위험상황을 조기에 예측함으로써, 임상예측 결과의 신뢰성을 향상시키는 것을 특징으로 한다.In addition, the machine learning engine abstracts the characteristics of medical information from big data including EMR, PHR, medical image, lifelog information, or a combination thereof, learns the big data to extract a clinical prediction model, and predicts the risk situation of a disease at an early stage, thereby improving the reliability of clinical prediction results.
또한 상기 앙상블예측시스템은, 복수의 외부 의료기관에 존재하는 앙상블예측시스템에 예측요청을 하고 외부 의료기관으로부터 예측결과를 제공받기 위한 인터페이스 및 상기 복수의 외부 의료기관과 협업을 위한 병원정보를 관리하는 협업병원 관리부를 포함하는 것을 특징으로 한다.In addition, the ensemble prediction system includes an interface for requesting prediction from the ensemble prediction system existing in a plurality of external medical institutions and receiving prediction results from the external medical institutions, and managing hospital information for collaboration with the plurality of external medical institutions. It is characterized by including a hospital management unit.
또한 상기 기관은, 상기 앙상블예측시스템, 기계학습 엔진 및 의료정보 학습용 빅데이터를 구비하는 것을 특징으로 한다.In addition, the institution is characterized by having the ensemble prediction system, machine learning engine, and big data for learning medical information.
또한 상기 임상 의사결정 지원 앙상블 시스템은, 환자의 라이프로그정보를 포함한 환자의 생체정보 데이터를 수집하여, 환자의 상태를 지속적으로 모니터링하고 관리하여 IoT 장치로 제공하는 것을 특징으로 한다.In addition, the clinical decision support ensemble system is characterized in that it collects the patient's biometric information data, including the patient's lifelog information, continuously monitors and manages the patient's condition, and provides it to the IoT device.
아울러 본 발명의 일 실시예에 따른 임상 의사결정 지원 방법은 복수의 임상예측 결과를 통합하여 앙상블 예측을 수행하는 단계, 상기 앙상블 예측을 통해 정확도가 향상된 임상 의사결정 정보를 제공하는 단계를 포함하는 것을 특징으로 한다.In addition, the clinical decision support method according to an embodiment of the present invention is characterized by including performing ensemble prediction by integrating a plurality of clinical prediction results, and providing clinical decision-making information with improved accuracy through the ensemble prediction.
또한 상기 앙상블 예측은, 복수의 의료기관으로부터 각각 자체 의료정보 학습용 빅데이터를 이용한 기계학습에 의한 임상예측 결과를 토대로 수행되는 것을 특징으로 한다.In addition, the ensemble prediction is characterized in that it is performed based on clinical prediction results by machine learning using big data for self-medical information learning from a plurality of medical institutions.
또한 상기 앙상블 예측은, 특정 의료기관의 자체 의료정보 학습용 빅데이터에 대한 기계학습 기반의 임상예측 결과와, 적어도 하나 이상의 외부 의료기관으로부터 각 의료기관의 의료정보 학습용 빅데이터에 대한 기계학습 기반의 임상예측 결과를 통합하여 임상 의사결정을 지원하도록 하는 것을 특징으로 한다.In addition, the ensemble prediction is characterized by supporting clinical decision-making by integrating machine learning-based clinical prediction results for big data for learning medical information of a specific medical institution and machine learning-based clinical prediction results for big data for learning medical information of each medical institution from at least one or more external medical institutions.
또한 상기 임상 의사결정 정보는, 규칙기반 지식베이스에 의하거나, 개인별, 질환별 또는 이들의 조합에 따라 의사결정나무(decision tree), 신경망(neural network), 원시적(Naive) Bays, 또는 이들의 조합에 의하거나 또는 이들의 조합에 의해서 제공되는 것을 특징으로 한다.In addition, the clinical decision-making information is characterized in that it is provided by a rule-based knowledge base, a decision tree, a neural network, a naive Bays, or a combination thereof according to individuals, diseases, or a combination thereof.
또한 상기 기계학습은, 환자 중심의 맞춤의료를 위한 의료기록, 라이프로그 정보 또는 이들의 조합을 포함한 빅데이터의 다차원 분석을 위해서 학습, 추론, 예측 또는 이들의 조합을 수행하는 인공지능 기법을 포함하는 것을 특징으로 한다.In addition, the machine learning includes an artificial intelligence technique that performs learning, inference, prediction, or a combination thereof for multidimensional analysis of big data including medical records, lifelog information, or a combination thereof for patient-centered personalized medicine.
또한 상기 기계학습은, 병렬클러스터를 이용한 고속화와 의료정보 학습용 빅데이터에 대한 정량화를 통해서 추출 또는 통합되는 고신뢰성 수치정보를 임상예측 결과로 출력하는 것을 특징으로 하다.In addition, the machine learning is characterized in that high-reliability numerical information extracted or integrated through high-speed using parallel clusters and quantification of big data for learning medical information is output as a clinical prediction result.
또한 임상 의사결정 지원시스템을 통해서 사용자의 임상 의사결정 요청에 따라 임상 의사결정 정보를 제공하는 단계 및 앙상블예측시스템을 통해서 상기 임상 의사결정 지원시스템의 요청에 따라 임상예측 결과를 제공하는 단계를 포함하며, 상기 앙상블예측시스템은 복수의 의료기관, 의료정보제공기관 또는 이들의 조합을 포함한 기관으로부터 제공받은 임상예측 결과를 통합하여 의사결정에 대한 앙상블 예측을 수행하는 것을 특징으로 한다.It also includes providing clinical decision-making information according to a user's clinical decision-making request through a clinical decision-making support system and providing clinical prediction results through an ensemble prediction system according to the request of the clinical decision-making support system.
또한 상기 임상 의사결정 지원 방법은, 기계학습 엔진을 통해서 임상정보 데이터베이스로부터 빅데이터를 이용하여 학습을 수행하는 단계를 더 포함하는 것을 특징으로 한다.In addition, the clinical decision support method may further include performing learning using big data from a clinical information database through a machine learning engine.
또한 상기 임상정보 데이터베이스에는 개별 병원의 병원임상정보와 외래환자의 라이프로그 정보를 포함하는 것을 특징으로 한다.In addition, the clinical information database may include hospital clinical information of individual hospitals and lifelog information of outpatients.
또한 상기 기계학습 엔진은, EMR, PHR, 의료영상, 라이프로그 또는 이들의 조합을 포함하는 빅데이터로부터 의료정보의 특징을 추상화하고, 상기 빅데이터를 학습하여 임상예측 모델을 추출하고 질병의 위험상황을 조기에 예측함으로써, 임상예측 결과의 신뢰성을 향상시키는 것을 특징으로 한다.In addition, the machine learning engine abstracts the characteristics of medical information from big data including EMR, PHR, medical images, lifelogs, or a combination thereof, learns the big data to extract a clinical prediction model, and predicts the risk of disease at an early stage, thereby improving the reliability of clinical prediction results.
또한 상기 앙상블예측시스템은, 복수의 외부 의료기관에 존재하는 앙상블예측시스템에 예측요청을 하고 외부 의료기관으로부터 예측결과를 제공받기 위한 인터페이스 및 상기 복수의 외부 의료기관과 협업을 위한 병원정보를 관리하는 협업병원 관리부를 포함하는 것을 특징으로 한다.In addition, the ensemble prediction system includes an interface for requesting prediction from the ensemble prediction system existing in a plurality of external medical institutions and receiving prediction results from the external medical institutions, and managing hospital information for collaboration with the plurality of external medical institutions. It is characterized by including a hospital management unit.
또한 상기 기관은, 상기 앙상블예측시스템, 기계학습 엔진 및 의료정보 학습용 빅데이터를 구비하는 것을 특징으로 한다.In addition, the institution is characterized by having the ensemble prediction system, machine learning engine, and big data for learning medical information.
또한 상기 임상 의사결정 지원 방법은, 환자의 라이프로그를 포함한 환자의 생체정보 데이터를 수집하여, 환자의 상태를 지속적으로 모니터링하고 관리하여 IoT 장치로 제공하는 것을 특징으로 한다.In addition, the clinical decision support method is characterized in that the patient's biometric information data, including the patient's lifelog, is collected, the patient's condition is continuously monitored and managed, and provided to the IoT device.
또한 본 발명의 또 다른 일 실시예에 따른 임상 의사결정 지원 방법은, 특정 의료기관이나 의료정보제공기관이 제공한 학습데이터를 입력으로 타 의료기관이나 의료정보제공기관에서 예측한 예측결과를 제공받아, 상기 특정 의료기관이나 의료정보제공기관이 자체적으로 예측한 예측결과와 통합하여, 앙상블 학습데이터를 추출하고, 상기 추출한 앙상블 학습데이터를 이용하여 앙상블 학습을 수행하는 것을 포함하는 것을 특징으로 한다.In addition, a method for supporting clinical decision making according to another embodiment of the present invention is characterized in that it includes receiving learning data provided by a specific medical institution or medical information providing institution as an input, receiving prediction results predicted by other medical institutions or medical information providing institutions, extracting ensemble learning data by integrating it with the predicted result predicted by the specific medical institution or medical information providing institution, and performing ensemble learning using the extracted ensemble learning data.
또한 상기 예측결과를 제공받는 것은, 특정 의료기관이나 의료정보제공기관에서 자체 학습데이터를 생성하여, 타 의료기관이나 의료정보제공기관으로 상기 학습데이터를 제공하면, 상기 타 의료기관이나 의료정보제공기관에서는 자체 보유한 예측모델을 활용하여 상기 학습데이터를 입력으로 한 예측결과를 상기 특정 의료기관이나 의료정보제공기관에 제공함으로써, 상기 특정 의료기관이나 의료정보제공기관이 상기 예측결과를 제공받는 것을 포함하는 것을 포함하는 것을 특징으로 한다.In addition, the receiving of the predicted result includes generating the learning data by a specific medical institution or medical information providing institution and providing the learning data to another medical institution or medical information providing institution, the other medical institution or medical information providing institution using its own predictive model and providing the prediction result using the learning data as an input to the specific medical institution or medical information providing institution, so that the specific medical institution or medical information providing institution receives the predicted result.
또한 상기 앙상블 학습은, 상기 타 의료기관이나 의료정보제공기관 별 예측결과를 이용하여 선행학습을 수행하고, 상기 예측결과에 질환정보를 더 이용하여 미세조정학습을 수행하는 것을 포함하는 것을 특징으로 한다.In addition, the ensemble learning is characterized in that it includes performing prior learning using prediction results of the other medical institutions or medical information providing institutions, and performing fine-tuned learning by further using disease information in the prediction results.
또한 특정 의료기관이나 의료정보제공기관이 특정 환자에 대한 임상데이터를 이용하여 예측한 자체 예측결과와 상기 타 의료기관이나 의료정보제공기관으로부터 제공받은 상기 특정 환자에 대한 임상데이터를 입력으로 하여 예측한 예측결과를 통합하여, 상기 통합된 예측결과를 이용하여 앙상블 예측을 수행하는 것을 포함하는 것을 특징으로 한다.In addition, it is characterized in that a specific medical institution or medical information providing institution performs ensemble prediction using the integrated prediction result by integrating the prediction result predicted using the clinical data for the specific patient and the prediction result predicted using the clinical data for the specific patient provided from the other medical institution or medical information providing institution as input.
아울러 본 발명의 또 다른 일 실시예에 따른 임상 의사결정 지원 앙상블 시스템은, 특정 의료기관이나 의료정보제공기관이 제공한 학습데이터를 입력으로 타 의료기관이나 의료정보제공기관에서 예측한 예측결과를 제공받아, 상기 특정 의료기관이나 의료정보제공기관이 자체적으로 예측한 예측결과와 통합하여, 앙상블 학습데이터를 추출하고, 상기 추출한 앙상블 학습데이터를 이용하여 앙상블 학습을 수행하는 것을 포함하는 것을 특징으로 한다.In addition, the clinical decision support ensemble system according to another embodiment of the present invention is characterized in that it receives learning data provided by a specific medical institution or medical information providing institution as an input, receives prediction results predicted by other medical institutions or medical information providing institutions, extracts ensemble learning data by integrating with the prediction result predicted by the specific medical institution or medical information providing institution, and performs ensemble learning using the extracted ensemble learning data.
본 발명은 임상 의사결정 지원 앙상블 시스템 및 이를 이용한 의사결정 지원 방법에 관한 것으로, 공통의 앙상블예측시스템을 통해 복수의 의료기관과 연동하고, 각 의료기관별로 제공되는 특정 환자의 임상예측 결과를 통합하고, 상기 통합한 임상예측 결과와 상기 환자의 특성이 반영된 환자의 상태에 대한 진단 및 향후 추세를 예측하여, 상기 환자의 상태에 대한 예측, 진단, 예방, 치료전략, 응급상황에 대한 사전 경보, 처방 및 향후 효과적인 질환 관리 등에 대한 가이드라인을 의료인에게 제공함으로써, 상기 의료인이 수행하는 의료행위에 대한 의사결정을 신속하고 정확하게 수행하도록 지원하는 효과가 있다.The present invention relates to a clinical decision support ensemble system and a decision support method using the same, which is linked to a plurality of medical institutions through a common ensemble prediction system, integrates the clinical prediction results of a specific patient provided by each medical institution, diagnoses and predicts future trends for the patient's condition reflecting the combined clinical prediction results and the patient's characteristics, and provides medical personnel with guidelines for prediction, diagnosis, prevention, treatment strategy, emergency warning, prescription, and effective disease management in the future. By doing so, there is an effect of supporting the medical person to quickly and accurately make a decision on the medical practice performed.
도 1은 본 발명의 일 실시예에 따른 임상 의사결정 지원 앙상블 시스템의 개략적인 개념을 설명하기 위한 개념도이다.
도 2는 본 발명의 일 실시예에 따른 임상 의사결정 정보를 제공하는 과정을 설명하기 위한 블록도이다.
도 3은 본 발명의 일 실시예에 따른 임상 의사결정 지원 앙상블 시스템의 구성을 나타낸 블록도이다.
도 4는 본 발명의 일 실시예에 따른 기계학습 엔진을 통해 각 의료기관별로 기계학습을 수행하는 과정을 설명하기 위한 도면이다.
도 5는 본 발명의 또 다른 일 실시예에 따른 앙상블 예측시스템에서 앙상을 예측을 위한 앙상블 학습을 수행하는 과정을 설명하기 위한 도면이다.
도 6은 본 발명의 또 다른 일 실시예에 따른 앙상블 학습을 통한 특정환자의 앙상블 예측결과를 출력하여 사용자에게 임상의사결정정보를 제공하는 과정을 설명하기 위한 도면이다.
도 7은 본 발명의 또 다른 일 실시예에 따른 임상 의사결정 지원 앙상블 시스템의 구성을 나타낸 블록도이다.
도 8은 본 발명의 일 실시예에 따른 임상 의사결정 정보를 생성하여, 의료인의 단말기로 제공하는 절차를 나타낸 흐름도이다.1 is a conceptual diagram for explaining a schematic concept of a clinical decision support ensemble system according to an embodiment of the present invention.
2 is a block diagram illustrating a process of providing clinical decision-making information according to an embodiment of the present invention.
3 is a block diagram showing the configuration of a clinical decision support ensemble system according to an embodiment of the present invention.
4 is a diagram for explaining a process of performing machine learning for each medical institution through a machine learning engine according to an embodiment of the present invention.
5 is a diagram for explaining a process of performing ensemble learning for predicting an ensemble in an ensemble prediction system according to another embodiment of the present invention.
6 is a diagram for explaining a process of providing clinical decision-making information to a user by outputting an ensemble prediction result of a specific patient through ensemble learning according to another embodiment of the present invention.
7 is a block diagram showing the configuration of a clinical decision support ensemble system according to another embodiment of the present invention.
8 is a flowchart illustrating a procedure for generating and providing clinical decision-making information to a terminal of a medical practitioner according to an embodiment of the present invention.
이하, 본 발명의 바람직한 실시 예를 첨부된 도면을 참조하여 상세히 설명한다. 각 도면에 제시된 동일한 참조부호는 동일한 부재를 나타낸다.Hereinafter, preferred embodiments of the present invention will be described in detail with reference to the accompanying drawings. Like reference numerals in each figure indicate like elements.
도 1은 본 발명의 일 실시예에 따른 임상 의사결정 지원 앙상블 시스템의 개략적인 개념을 설명하기 위한 개념도이다.1 is a conceptual diagram for explaining a schematic concept of a clinical decision support ensemble system according to an embodiment of the present invention.
도 1은 본 발명의 일 실시예에 따른 임상 의사결정 지원 앙상블 시스템을 개략적으로 설명하기 위한 개념도이며, 도 2는 본 발명의 일 실시예에 따른 임상 의사결정 정보를 제공하는 과정을 설명하기 위한 블록도이다.1 is a conceptual diagram schematically illustrating a clinical decision support ensemble system according to an embodiment of the present invention, and FIG. 2 is a block diagram illustrating a process of providing clinical decision-making information according to an embodiment of the present invention.
도 1 및 도 2에 도시한 바와 같이, 상기 임상 의사결정 지원 앙상블 시스템(100)은 복수의 의료기관, 의료정보제공기관 또는 이들의 조합을 포함한 기관에 구축되며, 상기 각각의 기관들은 상기 구축한 임상 의사결정 지원 앙상블 시스템(100)을 통해 상호 연동이 가능하다.As shown in FIGS. 1 and 2, the clinical decision support ensemble system 100 is built in an institution including a plurality of medical institutions, medical information providing institutions, or a combination thereof, and each of the institutions can interoperate with each other through the constructed clinical decision support ensemble system 100.
또한 상기 임상 의사결정 지원 앙상블 시스템(100)은 기본적으로 상기 환자를 치료하는 사용자(즉, 의료인을 의미함)에게 임상 의사결정 정보를 제공하는 임상 의사결정 지원시스템(110), 임상정보 데이터베이스(130)에 저장된 의료정보 학습용 빅데이터를 기반으로 기계학습을 수행하여, 각 질환별 임상예측 모델을 생성하는 기계학습 엔진(140) 및 상기 생성한 임상예측 모델을 기반으로 상기 환자의 임상예측 결과를 출력하는 앙상블예측시스템(120)을 포함하여 구성된다.In addition, the clinical decision support ensemble system 100 basically includes a clinical decision support system 110 that provides clinical decision-making information to users (i.e. medical personnel) treating the patient, a machine learning engine 140 that performs machine learning based on big data for learning medical information stored in the clinical information database 130 and generates a clinical prediction model for each disease, and an ensemble prediction system that outputs the clinical prediction result of the patient based on the generated clinical prediction model. (120).
또한 환자의 질환을 진단하고, 치료방법의 선택 및 치료 약물 선정 등과 같이 일련의 의료 행위를 정확하게 판단하고 수행하기 위해 특정 환자를 진료하는 의료기관의 의료인은 상기 임상 의사결정 지원시스템(110)에 임상 의사결정 정보를 요청한다.In addition, in order to accurately determine and perform a series of medical actions, such as diagnosing a patient's disease, selecting a treatment method, and selecting a treatment drug, a medical person at a medical institution treating a specific patient requests clinical decision-making information from the clinical decision-making support system 110.
또한 상기 임상 의사결정 지원시스템(110)은 상기 의료인으로부터 임상 의사결정 정보에 대한 요청을 수신한 경우에는 상기 앙상블예측시스템(120)으로 상기 환자의 앙상블 예측 결과를 요청하며, 상기 앙상블예측시스템(120)은 통신 네트워크를 통해 복수의 외부 의료기관으로 상기 환자의 임상예측 결과를 각각 요청한다. 이때 상기 앙상블예측시스템(120)은 상기 환자의 임상정보를 상기 외부의 의료기관에게 제공하며, 상기 각각의 외부 의료기관은 상기 수신한 환자의 임상정보를 기반으로 하여, 해당 환자의 임상예측을 수행하게 된다.In addition, when the clinical decision support system 110 receives a request for clinical decision information from the medical person, it requests the ensemble prediction result of the patient to the ensemble prediction system 120, and the ensemble prediction system 120 requests clinical prediction results of the patient from a plurality of external medical institutions through a communication network. At this time, the ensemble prediction system 120 provides the clinical information of the patient to the external medical institutions, and each of the external medical institutions performs clinical prediction of the patient based on the received clinical information of the patient.
이하에서, 상기 의료기관은 병원 또는 한의원과 같은 의료기관 및 건보공단이나 심평원과 같은 의료정보제공기관을 포함하는 개념으로 사용한다.Hereinafter, the medical institution is used as a concept including medical institutions such as hospitals or oriental clinics and medical information providing institutions such as the Health Insurance Corporation or the HIRA.
한편 상기 복수의 외부 의료기관으로 제공되는 상기 환자의 임상정보는 환자의 성명, 주소 및 주민번호 등과 같은 개인정보가 생략된 것으로, 상기 환자의 나이, 질환의 종류, 기호(예: 흡연유무 또는 음주유무 등), 처방 또는 이들의 조합 등을 포함하는 전자의무기록(Electronic Medical Record, EMR), 의료영상, 라이프로그 또는 이들의 조합을 포함하며, 상기 임상정보는 상기 환자의 질환에 따라 달라질 수 있다.On the other hand, the patient's clinical information provided to the plurality of external medical institutions omits personal information such as the patient's name, address, and social security number, and includes the patient's age, type of disease, preference (e.g., smoking or drinking), electronic medical record (EMR) including prescription or a combination thereof, medical image, life log, or a combination thereof, and the clinical information may vary depending on the patient's disease.
또한 상기 임상예측은 해당 환자의 질환에 대한 현재 상태 및 향후 상기 질환의 진행에 대한 경과과정을 예측하는 것이다.In addition, the clinical prediction is to predict the current state of the patient's disease and the progress of the disease in the future.
또한 상기 임상 의사결정 지원 앙상블 시스템(100)은 타 의료기관으로부터 상기 임상예측 결과를 요청 받은 경우에는, 상기 기계학습 엔진(140)을 통해 생성한 임상예측 모델에 상기 수신한 환자의 임상정보를 입력하여, 해당 환자의 임상예측을 수행하고, 이에 대한 임상예측 결과를 출력한다.In addition, when the clinical prediction result is requested from another medical institution, the clinical decision support ensemble system 100 inputs the received clinical information of the patient into the clinical prediction model generated through the machine learning engine 140, performs clinical prediction of the patient, and outputs the clinical prediction result.
한편 상기 임상예측은 상기 임상예측 결과에 대한 요청을 수신한 각각의 의료기관별로 수행되며, 상기 각 의료기관은 자체적으로 생성, 축척, 저장 및 관리되는 임상정보를 기반으로 상기 임상예측을 수행하여, 그 결과를 상기 임상예측을 요청한 의료기관으로 전송한다. 또한 상기 각 의료기관별로 생성, 축척, 저장 및 관리되는 임상정보는 복수의 환자로부터 수집되는 PHR 및 병원임상정보를 포함하는 환자별 의료정보로써, 시계열 빅데이터이다.Meanwhile, the clinical prediction is performed for each medical institution that receives the request for the clinical prediction result, and each medical institution performs the clinical prediction based on the clinical information generated, accumulated, stored, and managed on its own, and transmits the result to the medical institution that requested the clinical prediction. In addition, the clinical information generated, accumulated, stored, and managed by each medical institution is time-series big data as medical information for each patient including PHR and hospital clinical information collected from a plurality of patients.
한편 상기 PHR 및 병원임상정보는 도 3을 참조하여 상세히 설명하도록 한다.Meanwhile, the PHR and hospital clinical information will be described in detail with reference to FIG. 3 .
또한 상기 기계학습 엔진(140)은 상기 각각의 의료기관에서 자체적인 임상정보를 기반으로 기계학습을 수행하여 상기 임상예측 모델을 추출한다. 또한 상기 기계학습 엔진(140)은 상기 각 의료기관에서 자체적인 임상정보 이외에 건보공단이나 심평원 등과 같은 의료정보제공기관에서 제공하는 공공임상정보에 대한 공공 코호트 빅데이터를 포함하여 기계학습을 수행할 수 있으며, 이는 더욱 정확하고 신뢰성 있는 임상예측 모델을 추출할 수 있다.In addition, the machine learning engine 140 extracts the clinical prediction model by performing machine learning based on its own clinical information in each medical institution. In addition, the machine learning engine 140 can perform machine learning by including public cohort big data on public clinical information provided by medical information providing institutions such as the Health Insurance Corporation or the HIRA, in addition to its own clinical information from each medical institution, which can extract a more accurate and reliable clinical prediction model.
또한 상기 기계학습 엔진(140)은 전문분야 또는 적용범위 등과 같이, 각 의료기관의 특성에 따라 상이한 기계학습(Machine Learning) 기법을 적용하여 구현될 수 있다.In addition, the machine learning engine 140 may be implemented by applying different machine learning techniques according to the characteristics of each medical institution, such as a specialized field or scope of application.
한편 상기 기계학습 엔진(140)에 하나의 기계학습 기법을 적용하는 경우, 모든 경우에 있어, 최적의 결과를 도출하지 않을 수 있으므로, 복수의 기계학습 기법들의 조합으로 향상된 정확도를 제공할 수 있는 임상예측 모델을 추출함으로써, 보다 정확하고 신뢰성 있는 임상예측 결과를 출력할 수 있도록 한다.On the other hand, when one machine learning technique is applied to the machine learning engine 140, in all cases, optimal results may not be derived, so a combination of a plurality of machine learning techniques can provide improved accuracy. By extracting a clinical prediction model, more accurate and reliable clinical prediction results can be output.
또한 상기 기계학습 엔진(140)에서 추출한 임상예측 모델은 상기 임상예측 결과를 요청한 의료기관의 앙상블예측시스템(120)으로부터 수신한 특정 환자의 임상정보를 입력으로 하여, 향후 상기 환자의 질환에 대한 진행경과를 예측한 임상예측 결과를 출력한다. 즉, 상기 임상예측 결과는 상기 환자의 임상정보를 이용하여, 상기 임상정보와 유사한 사례를 기반으로 출력되는 정보이며, 이는 상기 특정 환자의 질환에 대한 진행경과를 예측한 수치정보이다.In addition, the clinical prediction model extracted from the machine learning engine 140 takes as input the clinical information of a specific patient received from the ensemble prediction system 120 of a medical institution that has requested the clinical prediction result, and outputs a clinical prediction result predicting the progress of the patient's disease in the future. That is, the clinical prediction result is information output based on cases similar to the clinical information using the clinical information of the patient, which is numerical information that predicts the progress of the disease of the specific patient.
또한 상기 앙상블예측시스템(120)은 상기 출력한 임상예측 결과를 상기 요청한 의료기관의 앙상블예측시스템(120)으로 전송한다. 이때 상기 임상예측 결과에 따라 해당 의료기관에서 제안하는 치료 또는 처방 등의 가이드라인 또는 해당 질환에 대한 전문이의 의견 등을 상기 임상예측 결과와 함께 전송할 수 있다.In addition, the ensemble prediction system 120 transmits the outputted clinical prediction result to the ensemble prediction system 120 of the requested medical institution. At this time, according to the clinical prediction result, guidelines for treatment or prescription suggested by the corresponding medical institution or an expert's opinion on the corresponding disease may be transmitted together with the clinical prediction result.
또한 상기 복수의 외부 의료기관으로부터 상기 임상예측 결과를 수신 받은 앙상블예측시스템(120)은 상기 수신한 복수의 임상예측 결과를 통합하여, 의사결정 앙상블 예측을 수행하며, 상기 수행한 앙상블 예측 결과를 상기 임상 의사결정 지원시스템(110)에 제공한다.In addition, the ensemble prediction system 120 receiving the clinical prediction results from the plurality of external medical institutions integrates the plurality of received clinical prediction results, performs decision-making ensemble prediction, and provides the performed ensemble prediction results to the clinical decision support system 110.
상기 앙상블 예측은 상기 환자의 임상정보를 기반으로, 적어도 하나 이상의 외부 의료기관으로부터 수신한 적어도 하나 이상의 임상예측 결과와 상기 임상예측 결과를 요청한 특정 의료기관에서 자체적으로 출력한 임상예측 결과을 통합하여, 상기 의료인의 임상 의사결정을 위해 상기 환자의 특성이 반영된 환자의 현재 상태 및 향후 질환의 진행경과를 예측하는 것을 의미한다. 이러한 과정은 하나의 의료기관에서 특정 환자에 대한 임상예측 결과를 수행하는 것보다 복수의 의료기관 특히, 특정 환자의 질환에 전문적인 외부 의료기관들과의 연동을 통해 더욱 정확하고 향상된 신뢰성을 가지는 상기 환자의 현재 상태 및 향후 질환의 진행경과를 예측할 수 있다. 또한 상기 외부 의료기관에서 발견된 해당 질환에 대한 귀중하고 새로운 정보들을 활용할 수 있도록 함으로써, 신뢰성 높은 앙상블 예측 결과를 도출해 낼 수 있다.The ensemble prediction refers to integrating at least one clinical prediction result received from at least one or more external medical institutions and the clinical prediction result output by a specific medical institution that requested the clinical prediction result, based on the patient's clinical information, to predict the patient's current condition and future disease progression in which the characteristics of the patient are reflected for the medical personnel's clinical decision-making. In this process, rather than performing clinical prediction results for a specific patient at a single medical institution, multiple medical institutions, especially external medical institutions specializing in a specific patient's disease, are more accurate and more reliable through linkage with the patient's current condition and future disease progress can be predicted. In addition, it is possible to derive highly reliable ensemble prediction results by utilizing valuable and new information about the disease found in the external medical institution.
또한 상기 각각의 외료 기관의 임상 의사결정 지원 앙상블 시스템(100)에 구성된 기계학습 엔진(140)의 정확도는 상기 기계학습 엔진(140)에 기계학습 되는 빅데이터가 많으면 많을수록 향상된다.In addition, the accuracy of the machine learning engine 140 configured in the clinical decision support ensemble system 100 of each of the outpatient institutions improves as the machine learning engine 140 has more big data to be machine-learned.
또한 상기 임상 의사결정 지원시스템(110)은 상기 앙상블예측시스템(120)으로부터 수신한 예측결과를 이용하여, 상기 의료인에게 임상 의사결정 정보를 제공한다.In addition, the clinical decision support system 110 provides clinical decision-making information to the medical personnel using the prediction result received from the ensemble prediction system 120 .
또한 상기 임상 의사결정 정보는 상기 환자의 현재 상태와 향후 환자상태의 진행경과에 대한 진단, 수술 또는 약물처방과 같은 최적의 치료방법에 대한 구성, 처방, 처방에 대한 경고 또는 이들의 조합을 포함한다. 이는 상기 의료진이 환자로부터 수집된 임상정보를 바탕으로 질환을 진단하고, 치료하는 행위와 같은 의료행위를 수행할 때 상기 환자의 현재 상태 및 향후 상태에 대한 가이드라인을 제공하여, 해당 환자에 적합하고 정확한 의료행위에 대한 의사결정을 지원함으로써, 상기 의료인의 오진을 최소화하고, 상기 환자는 객관적인 의료행위를 받을 수 있도록 한다.In addition, the clinical decision-making information includes a diagnosis of the patient's current condition and progress of the patient's condition in the future, configuration of an optimal treatment method such as surgery or drug prescription, prescription, warning for prescription, or a combination thereof. This provides guidelines for the current and future conditions of the patient when the medical staff performs medical activities such as diagnosing and treating diseases based on clinical information collected from the patient. By supporting decision-making on appropriate and accurate medical practice for the patient, misdiagnosis of the medical personnel is minimized and the patient can receive objective medical treatment.
또한 상기 임상 의사결정 지원 앙상블 시스템(100)은 외래환자에 구비된 IoT 장치로부터 상기 외래환자의 생체정보를 수신 받아, 상기 외래환자의 상태를 모니터링하고, 상기 생체정보에 따른 상기 외래환자의 상태에 대한 앙상블 예측 결과를 기반으로 상기 외래환자의 상태변화에 대한 감지 및 예측 진단하여 응급상황의 조기발견 및 이에 대한 신속한 대응이 가능할 수 있도록 하며, 상기 임상예측 결과를 상기 IoT 장치로 제공한다.In addition, the clinical decision support ensemble system 100 receives biometric information of the outpatient from an IoT device equipped in the outpatient, monitors the outpatient condition, and detects and predicts a change in the outpatient condition based on the result of ensemble prediction of the outpatient condition according to the biometric information, thereby enabling early detection of an emergency and rapid response thereto, and providing the clinical prediction result to the IoT device.
또한 상기 IoT 장치는 바이오센서 및 무선통신단말을 포함하여 구성되며, 상기 바이오센서는 상기 외래환자의 신체에 부착되는 웨어러블 장치(wearable device)로써, 상기 외래환자의 혈압, 혈당, 호르몬, 심전도, 운동량정보 또는 콜레스테롤 수치 등의 상기 외래환자의 다양한 생체정보를 포함하는 라이프로그 정보를 수집한다.In addition, the IoT device includes a biosensor and a wireless communication terminal, and the biosensor is a wearable device attached to the outpatient's body, and collects lifelog information including various biometric information of the outpatient, such as the outpatient's blood pressure, blood sugar, hormones, electrocardiogram, exercise information, or cholesterol level.
또한 상기 바이오센서는 모바일 서비스와 연동하여, 상기 측정한 외래환자의 다양한 생체정보를 상기 임상 의사결정 지원 앙상블 시스템(100)으로 실시간 또는 주기적으로 전송한다. 이를 통해 상기 임상 의사결정 지원 앙상블 시스템(100)은 상기 환자의 상태를 주기적 또는 실시간으로 모니터링하고, 관리할 수 있으며, 상기 생체정보를 포함하는 라이프로그 정보를 기반으로 앙상블 예측을 수행하여, 심혈관질환 등과 같은 고위험 환자군의 질병악화 및 응급상황 등의 발생을 예측하고 예방할 수 있으며, 상기 무선통신단말로 상기 예측한 앙상블 예측 결과를 제공할 수 있다.In addition, the biosensor interworks with the mobile service and transmits the measured biometric information of the outpatient to the clinical decision support ensemble system 100 in real time or periodically. Through this, the clinical decision support ensemble system 100 can monitor and manage the condition of the patient periodically or in real time, perform ensemble prediction based on the lifelog information including the biometric information, predict and prevent aggravation of a disease in a high-risk patient group such as a cardiovascular disease, occurrence of an emergency, etc., and provide the predicted ensemble prediction result to the wireless communication terminal.
도 3은 본 발명의 일 실시예에 따른 임상 의사결정 지원 앙상블 시스템(100)의 구성을 나타낸 블록도이다.3 is a block diagram showing the configuration of a clinical decision support ensemble system 100 according to an embodiment of the present invention.
도 3에 도시한 바와 같이 상기 임상 의사결정 지원 앙상블 시스템(100)은 외래환자의 라이프로그 정보와 입원환자 또는 내원환자의 임상정보를 수집하는 임상정보시스템(150), 상기 수집한 라이프로그 정보 및 상기 임상정보를 저장 및 관리하는 임상정보 DB 시스템(130), 상기 저장한 라이프로그 및 임상정보를 딥 레이어 학습을 수행하는 기계학습 엔진(140), 의사결정 앙상블 예측을 수행하는 앙상블예측시스템(120) 및 상기 수행한 앙상블 예측을 기반으로 환자에 대한 의료행위의 임상 의사결정 정보를 생성하여, 의료인 제공하는 임상 의사결정 지원시스템(110)을 포함하여 구성된다.As shown in FIG. 3, the clinical decision support ensemble system 100 includes a clinical information system 150 that collects outpatient lifelog information and clinical information of inpatients or visiting patients, a clinical information DB system 130 that stores and manages the collected lifelog information and clinical information, a machine learning engine 140 that performs deep layer learning on the stored lifelog and clinical information, and an ensemble prediction system 120 that performs decision-making ensemble prediction; It is configured to include a clinical decision support system 110 that generates clinical decision-making information on medical treatment for a patient based on the ensemble prediction performed and provides it to a medical person.
또한 상기 외래환자는 웨어러블 형태의 바이오센서를 구비하여, 본인의 생체정보 및 활동정보를 포함하는 라이프로그 정보를 실시간 또는 주기적으로 측정, 수집 및 저장하고, 상기 수집한 라이프로그 정보를 상기 임상정보시스템(150)으로 실시간 또는 주기적으로 전송하며, 상기 전송은 상기 바이오센서와 연동되는 모바일 서비스를 통해 수행된다.In addition, the outpatient is provided with a wearable biosensor to measure, collect, and store lifelog information including biometric information and activity information of the patient in real time or periodically, and transmits the collected lifelog information to the clinical information system 150 in real time or periodically, and the transmission is performed through a mobile service linked with the biosensor.
한편 상기 모바일 서비스는 상기 환자에게 힐링 플랫폼(200)을 제공하며, 상기 외래환자는 상기 힐링 플랫폼(200)을 통해 상기 라이프로그를 상기 임상정보시스템(150)으로 전송할 수 있다.Meanwhile, the mobile service provides a healing platform 200 to the patient, and the outpatient can transmit the lifelog to the clinical information system 150 through the healing platform 200 .
또한 상기 힐링 플랫폼(200)은 상기 환자 개인의 개인건강기록(Personal Health Record, PHR)을 개인 저장소에 저장하여 상기 환자 개인이 주도적으로 관리할 수 있도록 한다. 한편 상기 개인 저장소는 로컬 리포지토리 또는 개인 클라우드 리포지토리일 수 있다.In addition, the healing platform 200 stores the patient's personal health record (PHR) in a personal storage so that the patient can proactively manage it. Meanwhile, the personal storage may be a local repository or a personal cloud repository.
또한 상기 개인건강기록은 상기 라이프로그 정보 및 의료기관에서 전산화되어 저장되는 전자의무기록을 포함하는 개념이며, 상기 외래환자는 상기 힐링 플랫폼(200)을 통해 자신이 진료 받은 의료기관으로부터 자신의 전자의무기록을 제공받을 수 있다. 이를 통해 상기 외래환자는 상기 자신의 개인건강기록을 주도적으로 관리하여, 복수의 의료기관에서 제공하는 의료 서비스를 중복 없이 지속적이고 연속적으로 제공받을 수 있다.In addition, the personal health record is a concept including the lifelog information and an electronic medical record that is computerized and stored at a medical institution, and the outpatient is provided with his/her electronic medical record from the medical institution where he/she was treated through the healing platform 200. Through this, the outpatient can proactively manage his/her personal health record and continuously and continuously receive medical services provided by a plurality of medical institutions without duplication.
한편 상기 라이프로그 정보는 외래환자뿐만 아니라 내원환자 또는 입원환자로부터도 수집됨은 물론이다.Meanwhile, the lifelog information is collected not only from outpatients but also from inpatients or inpatients.
또한 상기 입상정보시스템(150)은 상기 수집한 임상정보와 라이프로그 정보가 동일한 환자로부터 수집된 경우에는, 상기 수집한 임상정보와 라이프로그 정보를 상기 환자별로 매핑하여 저장할 수 있도록 한다.In addition, when the collected clinical information and lifelog information are collected from the same patient, the granular information system 150 maps and stores the collected clinical information and lifelog information for each patient.
또한 상기 임상정보시스템(150)은 처방전달시스템(Order Communication System, OCS, 이하 OCS로 칭함)(미도시), 의학영상 병원정보 시스템(Picture Archive and Communication System, PACS, 이하 PACS로 칭함)(미도시), 전자의무기록기스템(Electronic Medical Record, EMR, 이하 EMR로 칭함)(미도시) 및 검사정보 시스템(Laboratory Information System, LIS, 이하 LIS라 칭함)(미도시)을 포함하여 구성된다.In addition, the clinical information system 150 includes an order communication system (OCS, hereinafter referred to as OCS) (not shown), a medical image hospital information system (Picture Archive and Communication System, PACS, hereinafter referred to as PACS) (not shown), an electronic medical record (EMR, hereinafter referred to as EMR) (not shown) and a laboratory information system (LIS, hereinafter referred to as LIS) (not shown) composed of
상기 OCS는 의료인이 환자를 진단한 후, 발급한 처방전을 근거리 통신망을 통해 해당 진료부서로 전달하여, 환자에 대한 의료인의 처방이나 간호사가 환자를 간호하는 행위를 각 부서와 유기적으로 연결시켜주는 시스템으로써, 의사와 간호사 및 기타 관련 부서간의 잘못된 의사소통을 줄여 처방전달 과정에서의 오류를 줄일 수 있도록 한다. 이에 따라 상기 임상정보시스템(150)은 상기 의료인의 처방에 대한 정보(OCS 정보)를 환자별로 매핑하여, 병원임상정보 데이터베이스(132)에 저장한다.The OCS is a system that organically connects a medical person's prescription for a patient or a nurse's care for a patient with each department by delivering a prescription issued by a medical person to a corresponding department through a local area network after diagnosing a patient. As a system, miscommunication between doctors, nurses, and other related departments can be reduced to reduce errors in the prescription delivery process. Accordingly, the clinical information system 150 maps the medical personnel's prescription information (OCS information) for each patient and stores it in the hospital clinical information database 132 .
또한 상기 PACS는 의료 촬영기기로부터 환자의 의료영상정보(PACS 정보)를 획득한 후, 고속 네트워크를 통하여 저장, 관리 및 전송을 수행하는 의료영상 종합관리시스템으로 기존의 필름 관리방식의 병원 업무환경을 디지털화하여, 상기 의료영상정보를 효율적으로 관리할 수 있도록 한다. 이에 따라 상기 임상정보시스템(150)은 상기 환자의 의료영상정보를 환자별로 매핑하여, 병원임상정보 데이터베이스(132)에 저장한다.In addition, the PACS is a comprehensive medical image management system that acquires patient's medical image information (PACS information) from a medical imaging device and then stores, manages, and transmits it through a high-speed network. Accordingly, the clinical information system 150 maps the medical image information of the patient for each patient and stores the information in the hospital clinical information database 132 .
또한 상기 EMR은 환자의 질환과 관련 있는 모든 사항을 전산화한 전자의무기록에 기재하는 시스템으로, 상기 전자의무기록은 상기 환자의 질환과 관계있는 모든 사항과 의료기관이 환자에게 제공한 검사, 치료 및 결과에 관한 사항이 정확하게 기재되며, 상기 전자의무기록은 상기 환자에게 지속적이고 일관성 있는 의료 서비스를 제공할 수 있는 근거자료가 된다. 즉, 상기 전자의무기록을 전산화하여 환자가 내원하여 진료 받는 경우, 의료인의 단말기를 통해 즉시 사용할 수 있으므로 대기 시간으로 인한 문제를 해결할 수 있으며, 상기 환자에게 편리함과 상기 의료기관의 신뢰감을 증가시켜 환자 중심의 의료 서비스를 제공할 수 있다. 이에 따라 상기 임상정보 시스템(150)은 상기 전자의무기록을 환자별로 매핑하여, 병원임상정보 데이터베이스(132)에 저장한다.In addition, the EMR is a system that records all matters related to the patient's disease in a computerized electronic medical record. The electronic medical record accurately records all matters related to the patient's disease and the examination, treatment, and results provided to the patient by the medical institution, and the electronic medical record serves as the basis for providing continuous and consistent medical services to the patient. That is, when the electronic medical record is computerized and a patient visits the hospital for treatment, it can be immediately used through a medical person's terminal, so the problem caused by waiting time can be solved, and the patient-centered medical service can be provided by increasing the convenience of the patient and the reliability of the medical institution. Accordingly, the clinical information system 150 maps the electronic medical records for each patient and stores them in the hospital clinical information database 132 .
또한 상기 LIS는 의료기관에 구비된 검사 장비들을 자동화하여, 상기 검사 장비들을 통해 검사한 결과정보를 환자 및 의료인에게 신속하고 정확하게 제공하는 시스템이다. 이러한 검사결과정보는 상기 전자의무기록에 기재되거나 독립적으로 저장될 수 있다. 이에 따라 상기 임상정보시스템(150)은 상기 검사결과정보를 환자별로 매핑하여, 병원임상정보 데이터베이스(132)에 저장한다.In addition, the LIS is a system that automates inspection equipment provided in a medical institution and quickly and accurately provides information on results obtained through the inspection equipment to patients and medical personnel. Such inspection result information may be described in the electronic medical record or stored independently. Accordingly, the clinical information system 150 maps the test result information for each patient and stores the information in the hospital clinical information database 132 .
또한 상기 임상정보 DB 시스템(130)은 임상정보 데이터베이스(미도시)를 포함하며, 상기 임상정보 데이터베이스는 상기 외래환자, 내원환자 또는 입원환자로부터 수집되는 라이프로그 정보를 저장 및 관리하기 위한 환자 라이프로그 데이터베이스(131), 상기 임상정보시스템(150)으로부터 수집되는 병원임상정보를 저장 및 관리하기 위한 병원임상정보 데이터베이스(132) 및 상기 수집한 환자 라이프로그와 병원임상정보를 상기 기계학습 엔진(140)이 용이하게 학습할 수 있도록 공통포맷으로 변환한 의료정보 학습용 빅데이터를 저장 및 관리하기 위한 의료정보 학습용 빅데이터 데이터베이스(133)를 포함하여 구성된다.In addition, the clinical information DB system 130 includes a clinical information database (not shown), wherein the clinical information database includes a patient lifelog database 131 for storing and managing lifelog information collected from the outpatients, visiting patients, or inpatients, a hospital clinical information database 132 for storing and managing hospital clinical information collected from the clinical information system 150, and the machine learning engine 140 to easily learn the collected patient lifelog and hospital clinical information. It is configured to include a big data database 133 for learning medical information for storing and managing big data for learning medical information converted into a common format.
한편 상기 의료정보 학습용 빅데이터는 상기 EMR, PACS, OCS, LIS를 포함하는 병원임상정보 및 상기 라이프로그 정보 또는 이들의 조합을 포함하는 의료정보로써, 상기 기계학습 엔진(140)을 통해 학습되는 빅데이터이다. 또한 상기 기계학습 엔진(140)은 상기 각 의료정보에 나타나 있는 수치(연령대, 생체측정 데이터, 당뇨, 심전도), 치료과정, 처방, 기호(흡연유무, 음주유무), 치료과정, 환자의 상태변화 등과 같은 상기 의료정보의 특징을 자동으로 추출 및 추상화하여, 학습을 수행한다.On the other hand, the big data for learning medical information is medical information including hospital clinical information including the EMR, PACS, OCS, and LIS and the lifelog information or a combination thereof, and is big data learned through the machine learning engine 140. In addition, the machine learning engine 140 automatically extracts and abstracts characteristics of the medical information, such as numerical values (age group, biometric data, diabetes, electrocardiogram), treatment process, prescription, preference (smoking, drinking), treatment process, and patient's condition change, etc., and performs learning.
또한 상기 라이프로그 데이터베이스(131)는 상기 임상정보시스템(150)에 의해 실시간 또는 주기적으로 수집되는 외래환자의 라이프로그 정보를 저장한다.In addition, the lifelog database 131 stores outpatient lifelog information collected by the clinical information system 150 in real time or periodically.
또한 상기 병원임상정보 데이터베이스(132)는 상기 임상정보시스템(150)으로부터 상기 환자별 OCS정보(처방정보), 상기 환자별 PACS정보(의료영상정보), 전자의무기록 및 LIS정보(검사결과정보)를 포함하는 병원임상정보를 수신 받아 저장하며, 상기 LIS정보는 상기 전자의무기록에 기재될 수 있다.In addition, the hospital clinical information database 132 receives and stores hospital clinical information including OCS information (prescription information) for each patient, PACS information (medical image information) for each patient, electronic medical record, and LIS information (examination result information) from the clinical information system 150, and the LIS information can be described in the electronic medical record.
또한 상기 저장되는 라이프로그 정보와 상기 병원임상정보는 환자별로 매핑되어 저장된다.In addition, the stored lifelog information and the hospital clinical information are mapped and stored for each patient.
또한 상기 임상정보 DB 시스템(130)은 상기 기계학습 엔진(140)이 상기 저장한 라이프로그 정보 및 병원임상정보를 통합하여 학습할 수 있도록, 상기 라이프로그 및 병원임상정보를 공통포맷으로 변환된 의료정보 학습용 빅데이터를 생성하고 이를 상기 의료정보 학습용 빅데이터 데이터베이스(133)에 저장한다.In addition, the clinical information DB system 130 converts the lifelog and hospital clinical information into a common format so that the machine learning engine 140 can integrate and learn the stored lifelog information and hospital clinical information. Big data for learning medical information is generated and stored in the big data database 133 for learning medical information.
한편 상기 공통포맷은 HL7 표준으로 VMR(virtual Medical Record), eVMR(extendible VMR) 또는 아르덴 신택스(arden syntax)형식이며, 이를 통해 타 의료기관도 공동으로 사용할 수 있도록 한다. 물론 상기 공통포맷은 상술한 VMR, eVMR 또는 arden syntax뿐만 아니라 상기 복수의 의료 기간이 공동으로 사용할 수 있는 표준형식의 데이터 포맷이면 어떠한 형태의 포맷이든지 가능하다.Meanwhile, the common format is a virtual medical record (VMR), extendible VMR (eVMR), or arden syntax format as the HL7 standard, and through this, other medical institutions can also use it jointly. Of course, the common format can be any format as long as it is a standard data format commonly used by the plurality of medical institutions as well as the above-described VMR, eVMR, or arden syntax.
또한 상기 의료정보 학습용 빅데이터는 상기 의료기관의 자체적인 포맷으로 변환 및 관리 될 수 있으며, 상기 복수의 외부 의료기관으로부터 수신되는 임상예측 결과를 해당 의료기관의 포맷으로 변환하여 사용할 수 있다.In addition, the big data for learning medical information can be converted and managed in the format of the medical institution itself, and the clinical prediction results received from the plurality of external medical institutions can be converted into the format of the corresponding medical institution and used.
또한 상기 기계학습 엔진(140)은 딥러닝을 통해 상기 저장한 의료정보 학습용 빅데이터를 기계학습하고, 이를 기반으로 높은 신뢰도의 다중 레이어 인지 네트워크인 임상예측 모델을 추출하며, 상기 네트워크를 구성하는 각각의 레이어는 상기 입력되는 의료정보 학습용 빅데이터를 기반으로, 질환에 따른 각각의 의료 특징(예: 연령대, 생체측정 데이터의 수치, 당뇨 수치, 심전도 수치, 치료과정, 처방, 기호(흡연유무, 음주유무), 치료과정, 환자의 상태변화 등)들을 자동으로 추출 및 추상화하여, 반복적으로 기계학습한다. 이를 통해 상기 임상예측 모델은 상기 질환의 향후 진행 상태에 대한 임상예측을 수행하여, 임상예측 결과를 출력한다. 즉 상기 기계학습 엔진(140)은 상기 전자의무기록(EMR), 라이프로그 정보를 포함하는 PHR, 의료영상 또는 이들의 조합을 포함하는 의료정보인 임상정보의 특징을 추상화하여, 상기 의료정보 학습용 빅데이터를 정교화하고, 임상예측 모델을 추출하여, 특정 환자의 질환 또는 질병의 향후 진행상태 및 위험상황을 조기에 예측함으로써, 임상예측 결과의 신뢰성을 향상시킨다.In addition, the machine learning engine 140 performs machine learning on the stored medical information learning big data through deep learning, and based on this, extracts a clinical prediction model, which is a highly reliable multi-layer cognitive network, and each layer constituting the network is based on the input medical information learning big data, and each medical characteristic according to the disease (eg age group, biometric data value, diabetes value, electrocardiogram value, treatment process, prescription, preference (smoking or drinking), treatment process, patient's condition change, etc. ) are automatically extracted and abstracted, and machine learning is performed repeatedly. Through this, the clinical prediction model performs clinical prediction on the future progression of the disease and outputs a clinical prediction result. That is, the machine learning engine 140 abstracts the characteristics of clinical information, which is medical information including the electronic medical record (EMR), PHR including lifelog information, medical images, or a combination thereof, refines the big data for learning the medical information, extracts a clinical prediction model, and predicts the future progress and risk of a specific patient's disease or disease at an early stage, thereby improving the reliability of clinical prediction results.
또한 상기 기계학습은 환자 중심의 맞춤의료를 위한 의료기록, 라이프로그 정보 또는 이들의 조합을 포함한 빅데이터의 다차원 분석을 위해 학습, 추론, 예측 또는 이들의 조합을 수행하는 인공지능 기법을 포함하여 신뢰성 있는 임상예측 결과를 출력할 수 있도록 한다.In addition, the machine learning includes artificial intelligence techniques that perform learning, inference, prediction, or a combination thereof for multi-dimensional analysis of big data including medical records, lifelog information, or a combination thereof for patient-centered personalized medicine, so that reliable clinical prediction results can be output.
또한 상기 기계학습 엔진(140)은 상기 의료정보 학습용 빅데이터의 양이 많으면 많을수록 더욱 정확하고 신뢰성 있는 임상예측 모델을 생성할 수 있으며, 상기 의료정보 학습용 빅데이터가 추가되는 경우에는 상기 기계학습 엔진(140)은 의료정보 학습용 빅데이터가 추가될 때마다 반복적으로 기계학습하여, 더욱 정확한 임상예측 결과를 출력할 수 있도록 상기 임상예측 모델을 자동으로 업데이트할 수 있다.In addition, the machine learning engine 140 can generate a more accurate and reliable clinical prediction model as the amount of big data for learning medical information increases. When the big data for learning medical information is added, the machine learning engine 140 repeatedly performs machine learning whenever big data for learning medical information is added, and automatically updates the clinical prediction model to output more accurate clinical prediction results.
또한 상기 기계학습 엔진(140)에서 수행되는 기계학습은 병렬클러스터를 이용하여 고속으로 임상예측 결과를 출력할 수 있도록 하며, 상기 의료정보 학습용 빅데이터에 대한 정량화를 통해 추출 또는 통합되는 고신뢰성 수치정보를 임상예측 결과로 출력한다.In addition, the machine learning performed by the machine learning engine 140 enables high-speed output of clinical prediction results using a parallel cluster, and high-reliability numerical information extracted or integrated through quantification of the big data for learning medical information is output as a clinical prediction result.
또한 상기 의료정보 학습용 빅데이터는 시계열 특성을 가지는 임료정보 빅데이터이며, 성명, 주민번호 또는 주소 등과 같은 환자의 개인정보가 삭제된 데이터이다.In addition, the medical information learning big data is clinical information big data having time-series characteristics, and is data from which personal information of patients such as name, resident registration number, or address has been deleted.
또한 상기 기계학습 엔진(140)은 각각의 질환별(예: 당뇨병, 심혈관질환)로 학습하거나, 복수의 질환(당뇨와 당뇨의 합병증, 심혈관질환과 다른 만성질환 등)을 조합하여 동시에 학습할 수 있다. 이는 환자가 하나의 질환을 앓고 있는 경우뿐만 아니라 동시에 복수의 질환을 앓고 있는 경우도 있기 때문이다. 예를 들어 당뇨병의 환자는 당뇨에 의한 합병증을 동시에 앓고 있는 경우가 대부분이다.In addition, the machine learning engine 140 can learn for each disease (eg, diabetes, cardiovascular disease) or simultaneously learn by combining multiple diseases (diabetes and diabetes complications, cardiovascular disease and other chronic diseases, etc.). This is because the patient not only suffers from one disease, but also suffers from multiple diseases at the same time. For example, diabetic patients often suffer from complications caused by diabetes.
이에 따라 상기 임상예측 모델은 상기 기계학습 엔진(140)을 통해 적어도 하나 이상으로 생성되며, 각 의료기관의 전문성 및 특성에 따라 다양하게 생성될 수 있다. 예를 들어, 특정 의료기관이 암 전문 병원인 경우에는 암의 종류에 따른 임상예측 모델을 생성할 수 있다.Accordingly, at least one clinical prediction model is generated through the machine learning engine 140, and may be generated in various ways according to the expertise and characteristics of each medical institution. For example, if a specific medical institution is a cancer-specialized hospital, a clinical prediction model according to the type of cancer may be created.
또한 상기 생성한 임상예측 모델의 입력은 진료하기 위한 특정 환자의 개인정보가 삭제된 임상정보가 되며, 상기 임상예측 모델의 출력은 상기 특정 환자의 향후 질환의 진행 상태를 예측한 임상예측 결과이다.In addition, the input of the generated clinical prediction model becomes clinical information from which personal information of a specific patient for treatment is deleted, and the output of the clinical prediction model is a clinical prediction result predicting the future disease progress of the specific patient.
또한 상기 앙상블예측시스템(120)은 의사결정을 위한 앙상블 예측을 수행하는 의사결정 앙상블 예측부(121), 복수의 외부 의료기관과 협업을 위한 병원정보를 관리하는 협업병원 관리부(122), 상기 복수의 외부 외료 기관에 구축되는 앙상블예측시스템(120)에 상기 환자의 임상예측 결과를 요청하고, 이를 제공받기 위한 타기관 인터페이스부 및 상기 임상 의사결정 지원시스템(110)과의 통신을 위한 CDSS 인터페이스부를 포함하여 구성된다.In addition, the ensemble prediction system 120 includes a decision-making ensemble prediction unit 121 that performs ensemble prediction for decision-making, a collaborative hospital management unit 122 that manages hospital information for collaboration with a plurality of external medical institutions, a CDSS for communication with the clinical decision support system 110 and other institution interface units for requesting and receiving clinical prediction results of the patient from the ensemble prediction system 120 built in the plurality of external medical institutions. It is configured to include an interface unit.
또한 상기 의사결정 앙상블 예측부(121)는 복수의 외부 의료기관으로부터 특정 환자의 임상예측 요청을 수신한 경우에, 상기 기계학습 엔진(140)을 통해 생성한 임상예측 모델을 이용하여 해당 환자의 임상예측 결과를 출력한다.In addition, when the decision-making ensemble prediction unit 121 receives a request for clinical prediction of a specific patient from a plurality of external medical institutions, it outputs a clinical prediction result of the corresponding patient using the clinical prediction model generated through the machine learning engine 140.
또한 상기 의사결정 앙상블 예측부(121)는 상기 출력한 임상예측 결과를 상기 임상예측 요청한 의료기관으로 전송하며, 상기 임상예측 결과는 자체적으로 생성, 축척 및 관리하는 병원임상정보 및 라이프로그를 공통포맷으로 변환한 의료정보 학습용 빅데이터를 기반으로 출력된다.In addition, the decision-making ensemble prediction unit 121 transmits the output clinical prediction results to the medical institution that requested the clinical prediction, and the clinical prediction results are output based on big data for learning medical information obtained by converting hospital clinical information and lifelogs generated, scaled, and managed by itself into a common format.
또한 상기 의사결정 앙상블 예측부(121)는 복수의 외부 의료기관으로 특정 환자에 대한 임상예측 요청을 수행할 수 있으며, 이 때 상기 환자의 개인정보가 삭제된 임상정보를 제공하여, 상기 임상예측 요청을 수행한다.In addition, the decision-making ensemble prediction unit 121 may request clinical prediction for a specific patient to a plurality of external medical institutions, and at this time, the clinical prediction request is performed by providing clinical information from which personal information of the patient has been deleted.
또한 상기 의사결정 앙상블 예측부(121)는 상기 요청한 임상예측 결과가 상기 복수의 외부 의료기관으로부터 수신되는 경우에는 상기 수신한 복수의 임상예측 결과와 자체적으로 출력한 임상예측 결과를 통합하여, 상기 환자의 임상정보를 기반으로 의사결정에 대한 앙상블 예측을 수행한다.In addition, when the requested clinical prediction results are received from the plurality of external medical institutions, the decision-making ensemble prediction unit 121 integrates the received plurality of clinical prediction results and the clinical prediction results output by itself, and performs ensemble prediction for decision-making based on the patient's clinical information.
상기 앙상블 예측은 상기 특정 환자의 질환에 대한 향후 진행 상태를 예측한 것이며, 자체적으로 출력한 임상예측 결과와 상기 복수의 의료기관으로부터 수신한 임상예측 결과를 통합하여 더욱 정확하고 신뢰성 있는 앙상블 예측 결과를 출력할 수 있도록 한다. 이는 상기 복수의 외부 의료기관에서 발견된 해당 질환에 대한 새로운 정보를 획득할 수 있으며, 복수의 예측결과를 통합하여, 향상된 정확도와 신뢰성 있는 앙상블 예측 결과를 출력할 수 있도록 한다. 즉, 상기 의사결정 앙상블 예측부(121)는 특정 의료기관의 자체 의료정보 학습용 빅데이터를 이용한 기계학습에 의한 임상예측 결과와, 적어도 하나 이상의 외부 의료기관으로부터 각 의료기관의 의료정보 학습용 빅데이터에 대한 기계학습 기반의 임상예측 결과를 통합하여, 앙상블 예측을 수행하고, 해당 앙상블 예측결과를 상기 임상 의사결정 시스템(110)에 제공함으로써, 향상된 정확도와 신뢰성을 갖는 의료인의 의사결정을 지원하도록 한다.The ensemble prediction is a prediction of the future progress of the disease of the specific patient, and a more accurate and reliable ensemble prediction result can be output by integrating the clinical prediction results output by itself and the clinical prediction results received from the plurality of medical institutions. This makes it possible to obtain new information on the corresponding disease found in the plurality of external medical institutions, integrate a plurality of prediction results, and output an ensemble prediction result with improved accuracy and reliability. That is, the decision-making ensemble predictor 121 integrates clinical prediction results based on machine learning using big data for learning medical information of a specific medical institution and clinical prediction results based on machine learning on big data for learning medical information of each medical institution from at least one external medical institution, performs ensemble prediction, and provides the ensemble prediction result to the clinical decision-making system 110, thereby supporting medical personnel's decision-making with improved accuracy and reliability.
또한 상기 복수의 외부 의료기관들은 상기 임상예측 요청을 한 의료기관으로, 자체적으로 출력한 임상예측 결과를 전송하는 경우에는 해당 의료기관의 전문 의료인의 의견과 함께 전송할 수 있으며, 상기 임상예측 요청을 한 상기 의료기관의 의료인은 상기 전문 의료인의 의견을 종합하여 정확한 의료 서비스를 환자에게 제공할 수 있도록 한다.In addition, when the plurality of external medical institutions transmit their own clinical prediction results to the medical institution that has requested the clinical prediction, they can transmit them together with the opinions of professional medical personnel of the relevant medical institution.
또한 상기 의사결정 앙상블 예측부(121)는 상기 출력한 의사결정 앙상블 예측을 상기 임상 의사결정 지원시스템(110)로 전송하여, 상기 임상 의사결정 지원시스템(110)이 상기 의료인이 정확한 의사결정을 수행할 수 있도록 임상 의사결정 정보를 생성할 수 있도록 한다.In addition, the decision ensemble predictor 121 transmits the output decision ensemble prediction to the clinical decision support system 110 so that the clinical decision support system 110 can generate clinical decision information so that the medical personnel can make an accurate decision.
또한 상기 협업병원 관리부(122)는 상기 의료기관과 복수의 외부 의료기관과의 협업을 위한 병원정보를 저장, 업데이트, 삭제 또는 이들의 조합을 관리하며, 상기 병원정보는 각 의료기관별 전문분야, 각 의료기관별 네트워크 주소, 위치, 규모 또는 이들의 조합을 포함하여 다양한 정보로 구성된다.In addition, the collaborative hospital management unit 122 stores, updates, deletes, or manages a combination of hospital information for collaboration between the medical institution and a plurality of external medical institutions.
또한 상기 앙상블예측시스템(120)은 상기 타기관 인터페이스를 통해 특정 환자에 대한 임상예측 결과를 요청 하거나 상기 임상예측 결과를 수신한다.In addition, the ensemble prediction system 120 requests a clinical prediction result for a specific patient or receives the clinical prediction result through the other institution interface.
또한 상기 타기관 인터페이스는 상기 각각의 외부 의료기관과 통신을 직접적으로 수행하기 위해 복수의 가상인터페이스로 구성되거나 하나의 통신 인터페이스로 구성되어 상기 복수의 의료기관과 통신을 수행할 수 있도록 한다.In addition, the external institution interface is composed of a plurality of virtual interfaces or a single communication interface in order to directly communicate with each of the external medical institutions, enabling communication with the plurality of medical institutions.
또한 상기 CDSS 인터페이스는 상기 앙상블예측시스템(120)과 상기 임상 의사결정 지원시스템(110)간의 데이터를 전송 및 수신하기 위한 인터페이스이다.Also, the CDSS interface is an interface for transmitting and receiving data between the ensemble prediction system 120 and the clinical decision support system 110 .
또한 상기 임상 의사결정 지원시스템(110)은 상기 앙상블예측시스템(120)으로부터 수신한 앙상블 예측 결과를 기반으로, 상기 환자의 진료, 치료전략, 처방, 예방 및 상기 환자의 질환에 대한 향후 진행상태의 관리방법에 관한 전반적인 가이드라인인 임상 의사결정 정보를 생성하여, 제공한다.In addition, the clinical decision support system 110 generates and provides clinical decision-making information, which is an overall guideline for the patient's treatment, treatment strategy, prescription, prevention, and management method for the future progress of the patient's disease, based on the ensemble prediction result received from the ensemble prediction system 120.
또한 상기 임상 의사결정 정보는 규칙기반 지식베이스(knowledge based)에 의해 생성되는 것이 바람직하지만 비규칙기반 지식베이스(non-knowledge based)로도 생성될 수 있다.In addition, the clinical decision-making information is preferably generated by a rule-based knowledge base, but may also be generated by a non-knowledge based method.
또한 상기 임상 의사결정 정보는 상기 규칙기반 지식베이스에 의하거나, 개인별, 질환별 또는 이들의 조합에 따라 의사결정나무(decision tree), 신경망(neutral network), 원시적(Naive) Bays, 또는 이들의 조합에 의하거나, 또는 이들의 조합에 의해서 제공될 수 있다.In addition, the clinical decision-making information may be provided by the rule-based knowledge base, a decision tree, a neural network, a naive Bays, or a combination thereof according to individuals, diseases, or a combination thereof, or a combination thereof.
한편 상기 규칙 지식베이스는 상기 임상 의사결정 지원 앙상블 시스템(100)을 운영하는 운영자가 설정한 특정 룰을 기반으로 상기 의사결정정보를 생성하며, 상기 규칙은 상기 운영자에 따라 달리 설정될 수 있다.Meanwhile, the rule knowledge base generates the decision-making information based on a specific rule set by an operator of the clinical decision support ensemble system 100, and the rule may be set differently according to the operator.
도 4는 본 발명의 일 실시예에 따른 기계학습 엔진을 통해 각 의료기관별로 기계학습을 수행하는 과정을 설명하기 위한 도면이다.4 is a diagram for explaining a process of performing machine learning for each medical institution through a machine learning engine according to an embodiment of the present invention.
도 4에 도시한 바와 같이, 각 의료기관별 기계학습은, 각각의 의료기관마다 구비되는 기계학습 엔진(140)을 통해 수행된다.As shown in FIG. 4 , machine learning for each medical institution is performed through a machine learning engine 140 provided for each medical institution.
또한 기계학습을 수행하기 위한 과정은 우선, 해당 의료기관의 임상정보 DB(132)로부터 개인별 임상정보 데이터를 추출하여, 기계학습을 위한 학습데이터를 생성한다.In addition, in the process for performing machine learning, first, individual clinical information data is extracted from the clinical information DB 132 of the corresponding medical institution, and learning data for machine learning is generated.
상기 생성한 학습데이터는, 각 병원별 의료정보 학습용 빅데이터 DB(133)에 저장되며, 기계학습을 위한 입력데이터가 된다.The generated learning data is stored in the big data DB 133 for learning medical information for each hospital, and becomes input data for machine learning.
또한 상기 학습데이터는, 개인별 건강특징별 수치(예: 혈당, 혈색소 수치(hemoglobin, HMG), 간기능 수치(ALanine Transaminase, ALT) 및 질환정보(예: 질환의 유무)를 포함하여 구성될 수 있다.In addition, the learning data may include values for each individual health characteristic (eg, blood sugar, hemoglobin (HMG), liver function level (ALanine Transaminase, ALT)), and disease information (eg, presence or absence of a disease).
또한 상기 학습데이터는, 각 의료기관별로 축적되어 저장된 환자의 임상데이터를 기반으로 하여 생성되는 것이므로, 각 환자의 개인정보(예: 주소, 주민번호, 전화번호 등)가 삭제되어 생성되는 것이 당연하다.In addition, since the learning data is generated based on clinical data of patients accumulated and stored for each medical institution, it is natural that each patient's personal information (eg, address, resident registration number, phone number, etc.) is deleted and generated.
한편 상기 학습데이터는, 각 의료기관별로 축적되는 환자의 임상데이터뿐만 아니라, 건보공단이나 심평원 등에서 제공되는 공공 코호트 임상데이터를 기반으로 생성될 수 있으며, 타 의료기관이나 의료정보제공기관에서 제공된 학습데이터일 수도 있다.On the other hand, the learning data may be generated based on public cohort clinical data provided by the Health Insurance Corporation or the HIRA, as well as patient clinical data accumulated by each medical institution, or other medical institutions or medical information providers. It may be provided learning data.
다음으로 해당 병원의 질환 예측을 위한 딥러닝 네트워크 구조를 설계한다. 상기 딥러닝 네트워크의 구조는 각 병원의 전문분야(예: 암전문 병원, 내과, 소아과 등), 주된 환자의 유형 등과 같이 각 병원의 특성에 따라 다르게 설계될 수 있다.Next, a deep learning network structure is designed to predict the disease of the hospital. The structure of the deep learning network may be designed differently according to the characteristics of each hospital, such as the specialty of each hospital (eg, cancer hospital, internal medicine, pediatrics, etc.) and the type of main patient.
다음으로 상기 설계한 딥러닝 네트워크에 상기 학습데이터를 입력하여, 상기 딥러닝 네트워크가 상기 학습데이터를 학습할 수 있도록 한다.Next, the learning data is input to the designed deep learning network so that the deep learning network can learn the learning data.
또한 딥러닝 네트워크의 최종 출력은, 특정 질환(예: 고혈압, 당뇨, 심혈관등)에 대한 향후 질환의 진행 상태를 예측한 임상 예측결과이다.In addition, the final output of the deep learning network is a clinical prediction result that predicts the progress of a specific disease (e.g., hypertension, diabetes, cardiovascular disease, etc.) in the future.
이하에서는 본 발명의 또 다른 일 실시예에 따른 앙상블 예측을 위한 앙상블 학습을 수행하는 과정과 이를 이용하여 특정환자에 대한 앙상블 임상예측결과를 출력하고, 이를 포함한 임상의사결정정보를 제공하는 과정을 도 5 및 도 6을 참조하여 상세히 설명하도록 한다.Hereinafter, a process of performing ensemble learning for ensemble prediction according to another embodiment of the present invention, outputting an ensemble clinical prediction result for a specific patient by using the ensemble learning, and providing clinical decision-making information including this will be described in detail with reference to FIGS. 5 and 6.
도 5는 본 발명의 또 다른 일 실시예에 따른 임상 의사결정 지원 앙상블 시스템에서 앙상을 예측을 위한 앙상블 학습을 수행하는 과정을 설명하기 위한 도면이다.5 is a diagram for explaining a process of performing ensemble learning for predicting an ensemble in a clinical decision support ensemble system according to another embodiment of the present invention.
또한 임상 의사결정 지원 앙상블 시스템(1001)은, 각각의 병원에서 수행하는 것과 같이 기계학습을 통한 앙상블 임상 예측결과를 생성할 수 있다.In addition, the clinical decision support ensemble system 1001 may generate an ensemble clinical prediction result through machine learning, as is performed in each hospital.
도 5에 도시한 바와 같이, 특정 환자에 대한 앙상블 임상 예측결과를 생성하기 위해 앙상블 학습을 수행하는 임상 의사결정 지원 앙상블 시스템(1001)은 우선, 병원 임상정보 DB(1321)로부터 복수의 환자에 대한 임상정보 데이터를 추출하여, 각 환자별 학습데이터를 생성한다.As shown in FIG. 5, the clinical decision support ensemble system 1001 that performs ensemble learning to generate an ensemble clinical prediction result for a specific patient first extracts clinical information data for a plurality of patients from the hospital clinical information DB 1321 and generates learning data for each patient.
상기 생성한 각 환자별 학습데이터는, 앙상블 학습데이터 DB(1331)에 저장된다.The generated learning data for each patient is stored in the ensemble learning data DB 1331.
또한 상기 학습데이터는, 도 5에 나타낸 것과 같이 매트릭스로 구성되거나, 또는 숫자형 벡터로 구성될 수 있으며, 건강특징별 수치값과 질환정보(클래스 또는 라벨로 표시될 수 있음)를 포함한다.In addition, the learning data may be composed of a matrix as shown in FIG. 5 or a numeric vector, and include numerical values for each health feature and disease information (which may be displayed as a class or label).
다음으로 임상 의사결정 지원 앙상블 시스템(1001)은, 상기 생성한 각 환자별 학습데이터를 복수의 다른 의료기관이나 의료정보제공기관으로 전송하여 해당 학습데이터에 대한 예측결과를 요청한다.Next, the clinical decision support ensemble system 1001 transmits the generated learning data for each patient to a plurality of other medical institutions or medical information providing institutions and requests prediction results for the corresponding learning data.
이때 전송되는 학습데이터(벡터 또는 매트릭스 형태)는, 질환정보를 제외한 건강특징별 수치값이며, 환자의 개인정보는 삭제되어 다른 식별자(예: ID)로 대체되어 전송된다.At this time, the transmitted learning data (vector or matrix form) is a numerical value for each health characteristic excluding disease information, and the patient's personal information is deleted and replaced with another identifier (eg ID) and transmitted.
다음으로 상기 임상 의사결정 지원 앙상블 시스템(1001)으로부터 상기 학습데이터를 수신한 각각의 의료기관 또는 의료정보기관은, 각 의료기관별 또는 의료정보기관별로 딥러닝 기계학습 과정을 통해 각 병원의 학습용 데이터로 학습된 딥러닝 네트워크(즉, 예측모델)에 상기 수신한 학습데이터를 입력하여 예측결과 데이터를 출력한다.Next, each medical institution or medical information institution receiving the learning data from the clinical decision support ensemble system 1001 outputs prediction result data by inputting the received learning data to a deep learning network (i.e., a prediction model) learned as learning data of each hospital through a deep learning machine learning process for each medical institution or medical information institution.
이후, 상기 각각의 의료기관 또는 의료정보기관은 상기 출력한 예측결과 데이터를 상기 예측결과를 요청한 임상 의사결정 지원 앙상블 시스템(1001)으로 전송한다.Thereafter, each medical institution or medical information institution transmits the output prediction result data to the clinical decision support ensemble system 1001 that requested the prediction result.
한편 각 의료기관 또는 의료정보제공기관별로 전송되는 예측결과 데이터는, 각 의료기관 또는 의료정보제공기관별 예측모델의 출력 값으로, 숫자형 벡터형태로 구성될 수 있다. 또한 상기 숫자형 벡터가 질병 별 위험도(확률 벡터)로 표시될 수 있으며, 딥러닝(기계학습)의 특성상 특정 질병과 1:1로 매핑되지 않는 추상화된 숫자벡터일 수도 있다.Meanwhile, prediction result data transmitted for each medical institution or medical information providing institution is an output value of a predictive model for each medical institution or medical information providing institution, and may be configured in the form of a numeric vector. In addition, the numeric vector may be displayed as a risk (probability vector) for each disease, and may be an abstracted numeric vector that is not mapped 1:1 to a specific disease due to the nature of deep learning (machine learning).
다음으로 상기 각 의료기관이나 의료정보제공기관으로부터 예측결과를 전송받은 임상 의사결정 지원 앙상블 시스템(1001)은, 자체적으로 예측한 예측결과와 상기 각각의 의료기관이나 의료정보제공기관으로부터 전송받은 예측결과를 통합하고, 이를 기반으로 최종적인 앙상블 학습데이터를 추출하여 앙상블 학습데이터 DB(1331)에 저장한다.Next, the clinical decision support ensemble system 1001 receiving the prediction results from each of the medical institutions or medical information providing institutions integrates the predicted results transmitted by itself and the prediction results transmitted from each of the medical institutions or medical information providing institutions, Based on this, the final ensemble learning data is extracted and stored in the ensemble learning data DB 1331.
상기 생성한 앙상블 학습데이터는, 각 환자의 건강특징별 수치값 및 질환정보, 및 각 병원별 예측결과를 포함하여 구성된다.The generated ensemble learning data includes numerical values and disease information for each health characteristic of each patient and prediction results for each hospital.
다음으로 임상 의사결정 지원 앙상블 시스템(1001)은, 앙상블 학습을 위한 앙상블 딥러닝 네트워크 구조를 설계한다.Next, the clinical decision support ensemble system 1001 designs an ensemble deep learning network structure for ensemble learning.
한편 앙상블 딥러닝 네트워크 구조의 설계는, 입력 데이터의 차원, 출력 데이터의 차원, 딥러닝 네트워크의 계층(layer) 개수, 각 딥러닝 네트워크 계층 내 노드(node)개수, 딥러닝 학습 파라미터(Learning rate, Min-batch 크기, Actication function 종류 등 일반적인 신경망 또는 딥러닝의 파라미터를 의미함)의 설정을 포함한다.On the other hand, the design of the ensemble deep learning network structure includes the setting of the dimensions of the input data, the dimensions of the output data, the number of layers of the deep learning network, the number of nodes in each deep learning network layer, and the setting of deep learning parameters (refers to general neural network or deep learning parameters such as learning rate, Min-batch size, and type of activation function).
다음으로 앙상블 예측시스템(1201)은, 앙상블 학습데이터를 이용하여 상기 앙상블 딥러닝 네트워크에 대한 선행학습(pre-traning)을 수행한다.Next, the ensemble prediction system 1201 performs pre-training on the ensemble deep learning network using the ensemble learning data.
선행학습을 위해 앙상블 딥러닝 네트워크에 입력되는 데이터는, 상기 앙상블 학습데이터에 포함되어 있는 각 환자에 따른 의료기관 또는 의료정보제공기관별 예측결과이다.Data input to the ensemble deep learning network for prior learning is a prediction result for each medical institution or medical information providing institution for each patient included in the ensemble learning data.
상기 선행학습은 질환정보가 없는 데이터를 이용해 상기 앙상블 딥러닝 네트워크 내 가중치를 데이터의 특성에 맞게 미리 학습하는 것으로, 상기 앙상블 딥러닝 네트워크가 학습데이터로 인해 오버피팅(overfitting)되는 것을 방지하기 위해서 수행된다.The prior learning is to pre-learn the weights in the ensemble deep learning network according to the characteristics of the data using data without disease information, and is performed to prevent the ensemble deep learning network from being overfitted due to training data.
한편 상기 선행학습은, 기계학습 방법 중 하나인 RBM(Restricted Bolzmann Machine, RBM)을 기반으로 상기 앙상블 딥러닝 네트워크의 각 계층별로 CD(Contrative Divergence)기법을 이용하여 수행될 수 있다. 다만 본 발명은 RBM과 CD에 한정되는 것은 아니다.Meanwhile, the prior learning may be performed using a CD (Contrative Divergence) technique for each layer of the ensemble deep learning network based on RBM (Restricted Bolzmann Machine, RBM), which is one of the machine learning methods. However, the present invention is not limited to RBM and CD.
다음으로 임상 의사결정 지원 앙상블 시스템(1001)은, 앙상블 학습데이터를 이용하여 앙상블 딥러닝 네트워크에 대한 미세조정학습(fine-tuning)을 수행한다.Next, the clinical decision support ensemble system 1001 performs fine-tuning on the ensemble deep learning network using the ensemble learning data.
미세조정학습을 위해 입력되는 데이터는, 각 환자에 따른 의료기관이나 의료정보제공기관별 분석결과와 상기 각 환자에 따른 질환정보이다.Data input for fine-tuned learning are analysis results of each medical institution or medical information providing institution according to each patient and disease information according to each patient.
상기 미세조정학습은, 질환에 대한 예측을 수행할 수 있도록 입력되는 데이터의 특성에 맞게 상기 선행학습한 앙상블 딥러닝 네트워크의 가중치를 다시 조정하기 위해 수행된다.The fine-tuned learning is performed to readjust the weights of the previously trained ensemble deep learning network according to the characteristics of the input data so as to predict the disease.
한편 상기에서는 도 5를 참조하여, 앙상블 학습과정을 병원A 및 병원B와 별개로 구분하여 설명하고 있으나, 이는 병원A 또는 병원B에서 수행될 수 있으며, 또 다른 병원(예: 병원C)에서 수행될 수 있다.Meanwhile, with reference to FIG. 5, the ensemble learning process is described separately from hospital A and hospital B, but it can be performed at hospital A or hospital B, or at another hospital (eg, hospital C).
또한 도 5는, 2개의 병원(병원A와 병원B)에 대한 예측결과를 토대로 앙상블학습을 수행하는 형태로 도시되어 있으나 병원(즉, 의료기관 또는 의료정보제공기관)의 개수에 제한이 없음은 당연하다.In addition, although FIG. 5 is shown in the form of performing ensemble learning based on the prediction results for two hospitals (hospital A and hospital B), it is natural that the number of hospitals (ie, medical institutions or medical information providing institutions) is not limited.
도 6은 본 발명의 또 다른 일 실시예에 따른 앙상블 학습을 통한 특정환자의 앙상블 예측결과를 출력하여 사용자에게 임상의사결정정보를 제공하는 과정을 설명하기 위한 도면이다.6 is a diagram for explaining a process of providing clinical decision-making information to a user by outputting an ensemble prediction result of a specific patient through ensemble learning according to another embodiment of the present invention.
도 6에 도시한바와 같이, 앙상블 학습을 통한 특정환자의 앙상블 예측결과를 출력하여 사용자에게 임상의사결정정보를 제공하는 과정은 우선, 특정환자에 대한 임상데이터를 타 의료기관이나 의료정보제공기관에 전송하여 예측결과를 요청한다.As shown in FIG. 6, in the process of outputting the ensemble prediction result of a specific patient through ensemble learning and providing clinical decision-making information to the user, first, the clinical data for the specific patient is transmitted to other medical institutions or medical information providers to request prediction results.
상기 타 의료기관이나 의료정보제공기관으로 전송되는 특정환자에 대한 임상데이터는, 질환정보와 해당 환자의 개인정보가 삭제된 데이터이다.The clinical data for a specific patient transmitted to other medical institutions or medical information providing institutions is data from which disease information and personal information of the corresponding patient have been deleted.
또한 상기 특정환자에 대한 임상데이터를 수신한 각 의료기관 또는 의료정보제공기관들은, 상기 수신한 특정환자의 임상데이터를 각 의료기관 또는 의료정보제공기관별로 자체적으로 구축한 임상예측모델(즉, 딥러닝 네트워크)에 입력하여 해당 환자에 대한 예측결과를 출력하고, 상기 예측결과를 요청한 임상 의사결정 지원 앙상블 시스템(1001)으로 전송한다.In addition, each medical institution or medical information providing institution that has received the clinical data on the specific patient inputs the received clinical data of the specific patient into a clinical prediction model (i.e., a deep learning network) built by each medical institution or medical information providing institution, outputs a prediction result for the patient, and transmits the prediction result to the clinical decision support ensemble system 1001 that requested it.
한편 각 의료기관이나 의료정보제공기관별 예측결과는, 질병의 종류별 위험도(확률)값일 수 있다.Meanwhile, the predicted result for each medical institution or medical information providing institution may be a risk (probability) value for each type of disease.
다음으로 임상 의사결정 지원 앙상블 시스템(1001)은, 복수의 의료기관들로부터 수신한 예측결과와 상기 특정환자에 대한 임상데이터를 이용하여 예측한 자체 예측결과를 통합하여, 이를 상기 앙상블 딥러닝 네트워크에 입력하여, 앙상블 예측결과를 출력한다.Next, the clinical decision support ensemble system 1001 integrates the prediction results received from a plurality of medical institutions and its own prediction results predicted using the clinical data for the specific patient, inputs them to the ensemble deep learning network, and outputs the ensemble prediction result.
또한 상기 임상 의사결정 지원 앙상블 시스템(1001)은, 복수의 의료기관이나 의료정보제공기관들로부터 수신되는 예측결과와 상기 자체 예측결과를 연결하여 하나의 벡터형태로 만든 다음에 상기 앙상블 딥러닝 네트워크에 입력하여, 앙상블 예측결과를 출력할 수 있도록 한다.In addition, the clinical decision support ensemble system 1001 connects the prediction results received from a plurality of medical institutions or medical information providing institutions and the self prediction results to form a vector, and then inputs the result to the ensemble deep learning network to output the ensemble prediction result.
또한 앙상블 딥러닝 네트워크의 최종결과는, 질병별 위험도(확률벡터)로 구성될 수 있다. 이는, 딥러닝 네트워크를 어떻게 구성되는지에 따라 달라질 수 있다. 예를 들어, 질병별로 딥러닝 네트워크 및 앙상블 딥러닝 네트워크를 구축하였다면, 최종 임상의사결정정보는 해당 질병에 대한 위험도(확률값)만 제공된다.In addition, the final result of the ensemble deep learning network may be configured as a risk (probability vector) for each disease. This may vary depending on how the deep learning network is configured. For example, if a deep learning network and an ensemble deep learning network are built for each disease, only the risk (probability value) for the disease is provided as the final clinical decision-making information.
다음으로 상기 임상 의사결정 지원 앙상블 시스템(1001)은, 상기 최종결과를 포함하는 임상의사결정정보를 사용자(의료인)의 단말기로 전송하여, 해당 사용자가 이를 이용할 수 있도록 한다.Next, the clinical decision support ensemble system 1001 transmits the clinical decision-making information including the final result to the terminal of the user (medical person) so that the user can use it.
도 7은 본 발명의 또 다른 일 실시예에 따른 임상 의사결정 지원 앙상블 시스템의 구성을 나타낸 블록도이다.7 is a block diagram showing the configuration of a clinical decision support ensemble system according to another embodiment of the present invention.
도 7에 도시한 바와 같이, 도 1 내지 도 3을 참조하여 본 발명인 임상 의사결정 지원 앙상블 시스템(100)을 상세히 설명한 것과 달리, 상기 임상 의사결정 지원 앙상블 시스템(100)을 구성하는 임상 의사결정 지원시스템(110)은 의료기관(예: 병원)의 병원정보시스템에 대한 구성부분으로 구성되고, 상기 앙상블예측시스템(120)은 인터넷상의 플랫폼 또는 서버와 같은 형태로 구성될 수 있다.As shown in FIG. 7, unlike the detailed description of the clinical decision support ensemble system 100 of the present invention with reference to FIGS. 1 to 3, the clinical decision support system 110 constituting the clinical decision support ensemble system 100 is composed of a component of a hospital information system of a medical institution (e.g., a hospital), and the ensemble prediction system 120 may be configured in the form of a platform or server on the Internet.
한편 상기 병원정보시스템은 상기 임상정보시스템(150)을 포함하여 해당 의료기관의 재무 또는 회계와 같은 전반적인 병원의 정보를 관리하는 시스템을 의미한다.Meanwhile, the hospital information system includes the clinical information system 150 and refers to a system that manages overall hospital information such as finance or accounting of a corresponding medical institution.
또한 상기 의료기관의 기계학습 엔진(1401)은 상기 병원정보시스템에서 관리하는 병원 빅데이터를 이용하여 학습하게 되며, 상기 병원 빅데이터는 환자의 PHR, 라이프로그 정보, EMR, 의료영상 또는 이들의 조합을 포함한다. 즉, 상기 기계학습 엔진(1401)은 복수의 환자에 대한 PHR, 라이프로그 정보, EMR, 의료영상 등을 통합하여 학습함으로써, 적어도 하나 이상의 임상예측 모델을 생성하며, 상기 임상예측 모델을 통해 특정 환자에 대한 임상예측 결과를 출력한다.In addition, the machine learning engine 1401 of the medical institution learns using hospital big data managed by the hospital information system, and the hospital big data includes the patient's PHR, lifelog information, EMR, medical images, or a combination thereof. That is, the machine learning engine 1401 generates at least one clinical prediction model by integrating and learning PHR, lifelog information, EMR, medical images, etc. of a plurality of patients, and outputs a clinical prediction result for a specific patient through the clinical prediction model.
또한 상기 의료인이 특정 환자에 대한 임상 의사결정 정보를 상기 임상 의사결정 지원시스템(110)에 요청하게 되면, 상기 병원정보시스템은 통신 인터페이스를 통해 인터넷상의 앙상블예측시스템(120)으로 상기 특정 환자의 개인정보가 삭제된 임상정보를 제공하여 임상예측 결과를 요청한다.In addition, when the medical personnel requests clinical decision-making information on a specific patient from the clinical decision-making support system 110, the hospital information system provides clinical information from which the personal information of the specific patient has been deleted to the ensemble prediction system 120 on the Internet through a communication interface to request a clinical prediction result.
이후 상기 앙상블예측시스템(120)으로부터 상기 요청한 임상예측 결과가 수신되면, 데이터변환부(160)를 통해 해당 의료기관에서 사용하는 데이터의 공통포맷으로 변환하여 상기 기계학습 엔진(1401)제공하며, 상기 기계학습 엔진(1401)은 상기 데이터변환부(160)로부터 수신한 상기 앙상블예측시스템(120)의 임상예측 결과와 자체적으로 출력한 임상예측 결과를 상기 임상 의사결정 지원시스템(110)으로 제공한다.Then, when the requested clinical prediction result is received from the ensemble prediction system 120, the data conversion unit 160 converts the data into a common format used by the medical institution and provides it to the machine learning engine 1401. ) is provided.
또한 상기 임상 의사결정 지원시스템(110)은 상기 제공 받은 임상예측 결과들을 기반으로 임상 의사결정 정보를 상기 의료인에게 제공하게 된다.In addition, the clinical decision support system 110 provides clinical decision-making information to the medical personnel based on the clinical prediction results provided.
또한 상기 인터넷상의 앙상블예측시스템(120)은 표준기반 데이터 변환부(170), 의사결정 앙상블 예측부(121) 및 기계학습 엔진(1402)을 포함하여 구성될 수 있다.In addition, the ensemble prediction system 120 on the Internet may include a standard-based data conversion unit 170, a decision-making ensemble prediction unit 121, and a machine learning engine 1402.
또한 상기 앙상블예측시스템(120)은 병원정보시스템으로부터 임상예측 결과에 대한 요청과 상기 환자의 임상정보를 수신 받는 경우, 상기 수신 받은 임상정보를 상기 표준기반 데이터 변환부(170)를 통해 표준포맷으로 변환한다. 상기 표준포맷은 HL7 표준의 VMR, eVMR 또는 아르덴 신택스이다.In addition, when the ensemble prediction system 120 receives a request for clinical prediction results and clinical information of the patient from the hospital information system, the received clinical information is converted into a standard format through the standards-based data conversion unit 170. The standard format is VMR, eVMR or Arden syntax of the HL7 standard.
또한 상기 의사결정 앙상블 예측부(121)는 상기 변환한 환자의 임상정보를 상기 기계학습 엔진(1402)으로 제공하며, 상기 기계학습 엔진(1402)은 기 추출한 임상예측 모델에 상기 환자의 임상정보를 입력하여 해당 환자에 대한 임상예측 결과를 출력하고, 이를 상기 의사결정 앙상블 예측부(121)로 제공한다.In addition, the decision-making ensemble predictor 121 provides the converted clinical information of the patient to the machine learning engine 1402, and the machine-learning engine 1402 inputs the patient's clinical information to the pre-extracted clinical prediction model, outputs a clinical prediction result for the patient, and provides it to the decision-making ensemble predictor 121.
한편 상기 기계학습 엔진(1402)은 공공 코호트 빅데이터를 기반으로 학습하여, 임상예측 모델을 추출하며, 상기 공공 코호트 빅데이터는 공공 의료기관으로부터 주기적으로 제공받는 공공임상정보를 의미한다. 이를 통해 상기 기계학습 엔진(1402) 수많은 공공임상정보를 학습할 수 있으며, 더욱 정확하고 신뢰성 있는 임상예측 결과를 출력할 수 있다. 상기 학습에 관한 설명은 도 3을 참조하여 상술하였으므로 상세한 설명은 생략한다.Meanwhile, the machine learning engine 1402 learns based on public cohort big data and extracts a clinical prediction model, and the public cohort big data refers to public clinical information periodically provided from public medical institutions. Through this, the machine learning engine 1402 can learn a lot of public clinical information and output more accurate and reliable clinical prediction results. Since the description of the learning has been described above with reference to FIG. 3, a detailed description thereof will be omitted.
또한 상기 의사결정 앙상블 예측부(121)는 상기 의료기관으로부터 수신한 상기 환자의 임상정보와 상기 임상예측 결과를 기반으로 앙상블 예측을 수행하며, 상기 수행한 앙상블 예측 결과를 상기 예측결과를 요청한 의료기관으로 제공한다.In addition, the decision-making ensemble prediction unit 121 performs ensemble prediction based on the patient's clinical information and the clinical prediction result received from the medical institution, and provides the ensemble prediction result to the medical institution that requested the prediction result.
한편 상기 앙상블예측시스템(120)은 특정 의료기관으로부터 임상예측 결과에 대한 요청을 수신한 경우에는, 상기 특정 의료기관을 제외한 복수의 외부 의료기관에게 해당 환자의 임상예측 결과를 요청할 수 있으며, 상기 복수의 외부 의료기관으로부터 수신한 각각의 임상예측 결과와 상기 공공 코호트 빅데이터를 기반으로 출력한 임상예측 결과를 통합하여 의사결정 앙상블 예측을 수행할 수 있다.Meanwhile, when the ensemble prediction system 120 receives a request for clinical prediction results from a specific medical institution, it may request clinical prediction results for the patient from a plurality of external medical institutions excluding the specific medical institution, and may perform decision-making ensemble prediction by integrating the clinical prediction results received from the plurality of external medical institutions and the clinical prediction results output based on the public cohort big data.
도 7을 참조하여 설명하였듯이 본 발명인 임상 의사결정 지원 앙상블 시스템(100)은 다양한 형태로 구현될 수 있으며, 의료를 위한 의사결정뿐만 아니라 의사결정이 필요한 다양한 분야에서 적용가능하다.As described with reference to FIG. 7 , the clinical decision support ensemble system 100 according to the present invention can be implemented in various forms, and can be applied not only to medical decision-making but also to various fields requiring decision-making.
도 8은 본 발명의 일 실시예에 따른 임상 의사결정 정보를 생성하여, 의료인의 단말기로 제공하는 절차를 나타낸 흐름도이다.8 is a flowchart illustrating a procedure for generating and providing clinical decision-making information to a terminal of a medical practitioner according to an embodiment of the present invention.
도 8에 도시한 바와 같이, 특정 환자에 대한 임상 의사결정 정보를 생성하여, 상기 의료인에게 임상 의사결정 정보를 제공하는 절차는 우선, 상기 의료인으로부터 특정 환자에 대한 의사결정정보 요청이 있는 경우(S110), 임상 의사결정 지원시스템(110)을 통해 앙상블예측시스템(120)으로 앙상블 예측 결과를 요청한다(S120).As shown in FIG. 8 , in the procedure of generating clinical decision-making information for a specific patient and providing the clinical decision-making information to the medical personnel, first, when there is a request for decision-making information on the specific patient from the medical personnel (S110), the clinical decision support system 110 requests the ensemble prediction system 120 for an ensemble prediction result (S120).
상기 임상 의사결정 지원시스템(110)은 특정 환자에 대한 진단, 처방 또는 치료방법의 구성 등과 같이 일련의 의료 행위에 대한 가이드라인인 임상 의사결정 정보를 상기 의료인에게 제공하며, 상기 임상 의사결정 지원 앙상블 시스템(100)을 운영하는 운영자에 따라 규칙 지식베이스 기반 또는 비규칙 지식베이스 기반 등과 같이 다양한 방식으로 구축될 수 있다.The clinical decision support system 110 provides the medical personnel with clinical decision-making information that is a guideline for a series of medical actions, such as diagnosis, prescription, or configuration of treatment methods for a specific patient, and may be constructed in various ways, such as a rule knowledge base or an irregular knowledge base, depending on the operator operating the clinical decision support ensemble system 100.
다음으로 앙상블예측시스템(120)을 통해 복수의 외부 의료기관으로 상기 환자의 임상예측 결과를 요청하여 수신한다(S130).Next, the clinical prediction result of the patient is requested and received from a plurality of external medical institutions through the ensemble prediction system 120 (S130).
한편 상기 복수의 외부 의료기관으로, 상기 임상예측 결과를 요청할 때에는 상기 환자의 개인정보가 삭제된 임상정보를 제공하며, 상기 각각의 외부 의료기관은 자체적으로 해당 환자에 대한 임상예측 결과를 생성하여, 상기 임상예측 결과를 요청한 의료기관으로 전송한다.On the other hand, when the plurality of external medical institutions request the clinical prediction results, they provide clinical information with the personal information of the patient deleted, and each of the external medical institutions independently generates clinical prediction results for the corresponding patient, and transmits the clinical prediction results to the requesting medical institution.
또한 상기 임상예측 결과는 상기 각각의 의료기관에 구축되어 있는 임상 의사결정 앙상블 지원 시스템(100)의 기계학습 엔진(140)에서 의료정보 학습용 빅데이터를 학습하여 추출한 임상예측 모델을 통해 출력된다.In addition, the clinical prediction result is output through a clinical prediction model extracted by learning big data for learning medical information in the machine learning engine 140 of the clinical decision-making ensemble support system 100 built in each medical institution.
다음으로 상기 기계학습 엔진(140)을 통해 생성한 임상예측 모델을 이용하여, 상기 환자의 임상예측 결과를 출력한다(S140).Next, a clinical prediction result of the patient is output using the clinical prediction model generated through the machine learning engine 140 (S140).
한편 상기 S130단계의 임상예측 결과는 상기 복수의 외부 의료기관에서 생성한 임상예측 결과를 의미하며, 상기 S140단계의 임상예측 결과는 상기 외부 의료기관으로 임상예측 결과를 요청한 해당 의료기관에서 생성한 임상예측 결과를 의미한다.Meanwhile, the clinical prediction result of step S130 refers to the clinical prediction result generated by the plurality of external medical institutions, and the clinical prediction result of step S140 refers to the clinical prediction result generated by the corresponding medical institution that requested the clinical prediction result to the external medical institution.
다음으로 상기 앙상블예측시스템(120)을 통해, 상기 환자의 임상정보를 기반으로 상기 수신한 복수의 임상예측 결과와 상기 자체적으로 생성한 임상예측 결과를 통합하여 앙상블 예측을 수행한다(S150).Next, through the ensemble prediction system 120, ensemble prediction is performed by integrating the received plurality of clinical prediction results and the self-generated clinical prediction results based on the patient's clinical information (S150).
상기 앙상블 예측은 복수의 의료기관들 간의 연동을 통해, 상기 복수의 의료기관에서 생성한 환자의 임상예측 결과와 해당 의료기관에서 생성한 임상예측 결과를 통합하고, 이를 기반으로 상기 환자의 현재 상태 및 향후 질환의 진행 과정을 정확하게 예측하여, 상기 의료인이 상기 환자에 대한 의료행위를 정확하고 신속하게 수행할 수 있도록 하기 위해 수행된다.The ensemble prediction is performed to integrate the patient's clinical prediction results generated by the plurality of medical institutions and the clinical prediction results generated by the corresponding medical institution through linkage between a plurality of medical institutions, and based on this, accurately predict the patient's current condition and future disease progression, so that the medical personnel can accurately and quickly perform medical treatment for the patient.
다음으로 상기 앙상블예측시스템(120)을 통해 상기 수행한 앙상블 예측 결과를 상기 임상 의사결정 지원시스템(110)으로 전송하며(S160), 상기 임상 의사결정 지원시스템(110)은 상기 수신한 앙상블 예측 결과를 기반으로 상기 환자에 대한 임상 의사결정 정보를 생성하여, 상기 의료인의 단말기로 전송한다(S170).Next, the result of the ensemble prediction performed by the ensemble prediction system 120 is transmitted to the clinical decision support system 110 (S160), and the clinical decision support system 110 generates clinical decision-making information for the patient based on the received ensemble prediction result and transmits the result to the medical practitioner's terminal (S170).
상기 임상 의사결정 정보는 상기 환자의 현재 상태 및 향후 질환의 진행 과정에 대한 진단, 예측, 처방, 치료전략, 향후 관리방법 또는 이들의 조합에 대한 정보를 포함하는 가이드라인이다.The clinical decision-making information is a guideline including information on diagnosis, prediction, prescription, treatment strategy, future management method, or a combination thereof for the patient's current condition and future disease progression.
이상에서 설명하였듯이, 본 발명인 임상 의사결정 지원 앙상블 시스템은 복수의 의료기관과 연동하여, 특정 환자에 대한 임상예측을 수행함으로써, 향상된 정확도와 신뢰도를 바탕으로 상기 특정 환자의 현재 상태 및 향후 질환의 진행 상태를 예측하고, 상기 예측한 특정 환자의 현재 상태 및 향후 질환의 진행 상태에 대한 진단, 처방, 치료전략 또는 향후 관리방법에 대한 임상 의사결정을 지원하여, 상기 의료인의 신속하고 정확한 의료행위를 수행할 수 있도록 하는 효과가 있다.As described above, the clinical decision support ensemble system of the present invention performs clinical prediction for a specific patient in conjunction with a plurality of medical institutions, thereby predicting the current state of the specific patient and future disease progress based on improved accuracy and reliability, and supporting clinical decision-making on diagnosis, prescription, treatment strategy, or future management method for the predicted current state and future disease progress of the specific patient, so that the medical personnel can perform prompt and accurate medical practice.
상기에서는 본 발명에 따른 바람직한 실시예를 위주로 상술하였으나, 본 발명의 기술적 사상은 이에 한정되는 것은 아니며 본 발명의 각 구성요소는 동일한 목적 및 효과의 달성을 위하여 본 발명의 기술적 범위 내에서 변경 또는 수정될 수 있을 것이다.In the above, the preferred embodiments according to the present invention have been described, but the technical idea of the present invention is not limited thereto, and each component of the present invention is changed or modified within the technical scope of the present invention to achieve the same purpose and effect.
또한, 이상에서는 본 발명의 바람직한 실시 예에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정의 실시 예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변형 실시가 가능한 것은 물론이고, 이러한 변형 실시들은 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해되어서는 안 될 것이다.In addition, although preferred embodiments of the present invention have been shown and described above, the present invention is not limited to the specific embodiments described above, and various modifications can be made by those skilled in the art without departing from the gist of the present invention claimed in the claims, and these modifications should not be individually understood from the technical spirit or prospect of the present invention.
100, 1001 : 임상 의사결정 지원 앙상블 시스템
110 : 임상 의사결정 지원 시스템
120 : 앙상블예측시스템 121 : 의사결정 앙상블 예측부
122 : 협업병원 관리부 130 : 임상정보 DB 시스템
131 : 환자 라이프로그 DB 132, 1321 : 병원임상정보 DB
133 : 의료정보 학습용 빅데이터 DB 1331 : 앙상블 학습데이터 DB
140, 1401, 1402 : 기계학습 엔진
150 : 임상정보시스템 160 : 데이터변환부
170 : 표준기반 데이터 변화부100, 1001: Clinical decision support ensemble system
110: clinical decision support system
120: ensemble prediction system 121: decision-making ensemble prediction unit
122: Collaborative hospital management department 130: Clinical information DB system
131: patient life log DB 132, 1321: hospital clinical information DB
133: Big data DB for medical information learning 1331: Ensemble learning data DB
140, 1401, 1402: machine learning engine
150: clinical information system 160: data conversion unit
170: standards-based data change unit
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| EP16200822.1AEP3255573A1 (en) | 2016-06-10 | 2016-11-25 | Clinical decision supporting ensemble system and clinical decison supporting method using the same |
| CN201611087498.5ACN107491630A (en) | 2016-06-10 | 2016-11-30 | Clinical decision support integrated system and use its clinical decision support method |
| US15/365,834US20170357760A1 (en) | 2016-06-10 | 2016-11-30 | Clinical decision supporting ensemble system and clinical decision supporting method using the same |
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020160072645 | 2016-06-10 | ||
| KR20160072645 | 2016-06-10 |
| Publication Number | Publication Date |
|---|---|
| KR20170140757A KR20170140757A (en) | 2017-12-21 |
| KR102558021B1true KR102558021B1 (en) | 2023-07-24 |
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020160142185AActiveKR102558021B1 (en) | 2016-06-10 | 2016-10-28 | A clinical decision support ensemble system and the clinical decision support method by using the same |
| Country | Link |
|---|---|
| KR (1) | KR102558021B1 (en) |
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102093789B1 (en)* | 2017-11-28 | 2020-03-27 | 동국대학교 산학협력단 | Explainable deep learning method and system |
| KR102774323B1 (en)* | 2018-01-30 | 2025-03-04 | 한국전자통신연구원 | Device for ensembling data and operating method thereof |
| KR102327062B1 (en)* | 2018-03-20 | 2021-11-17 | 딜로이트컨설팅유한회사 | Apparatus and method for predicting result of clinical trial |
| KR102234048B1 (en)* | 2018-11-01 | 2021-03-31 | 고려대학교 산학협력단 | System and method for supporting clinical test of Rare Disease |
| KR102226899B1 (en)* | 2018-11-16 | 2021-03-11 | 주식회사 딥바이오 | Method and system for consensus diagnosis system based on supervised learning |
| KR102049829B1 (en)* | 2018-12-05 | 2019-11-28 | 주식회사 뷰노 | Method for classifying subject according to criticality thereof by assessing the criticality and apparatus using the same |
| KR102557001B1 (en)* | 2018-12-06 | 2023-07-19 | 한국전자통신연구원 | Device for ensembling data received from prediction devices and operating method thereof |
| US11941513B2 (en) | 2018-12-06 | 2024-03-26 | Electronics And Telecommunications Research Institute | Device for ensembling data received from prediction devices and operating method thereof |
| KR102226898B1 (en)* | 2019-01-25 | 2021-03-11 | 주식회사 딥바이오 | Method and system for providing customized diagnosis system |
| WO2020179950A1 (en)* | 2019-03-06 | 2020-09-10 | 주식회사 인포메디텍 | Deep learning-based method and device for prediction of progression of brain disease |
| EP3736816A1 (en)* | 2019-05-07 | 2020-11-11 | Bayer AG | Drug candidate safety predictions |
| KR102100698B1 (en)* | 2019-05-29 | 2020-05-18 | (주)제이엘케이 | System for diagnosis auxiliary based on artificial intelligence using ensemble learning algorithm |
| KR102100699B1 (en)* | 2019-07-01 | 2020-04-16 | (주)제이엘케이인스펙션 | Apparatus and method for constructing unified lesion learning model and apparatus and method for diagnosing lesion using the unified lesion learning model |
| KR102267487B1 (en) | 2019-07-03 | 2021-06-22 | 아주대학교산학협력단 | Method and apparatus for operating independent classification model using metadata |
| KR102355123B1 (en)* | 2019-10-21 | 2022-01-24 | 주식회사 엘지유플러스 | Methdo and apparatus for building bio data hub |
| KR102482374B1 (en)* | 2019-12-10 | 2022-12-29 | 한국전자통신연구원 | Device for ensembling data received from prediction devices and operating method thereof |
| WO2021177799A1 (en)* | 2020-03-05 | 2021-09-10 | (주)제이엘케이 | Image-based coronavirus infection quantitative classification method and system |
| JP7413147B2 (en)* | 2020-05-21 | 2024-01-15 | キヤノン株式会社 | Image processing device, image processing method, and program |
| KR102501195B1 (en)* | 2020-07-21 | 2023-02-21 | 주식회사 카카오헬스케어 | Apparatus, method, computer-readable storage medium and computer program for decision making by hospital |
| WO2022019354A1 (en)* | 2020-07-23 | 2022-01-27 | 주식회사 딥바이오 | Method and system for providing customized diagnosis system |
| CN112652369A (en)* | 2020-09-21 | 2021-04-13 | 彭丽丽 | Clinical patient condition real-time diagnosis analysis recording system |
| CN113517046B (en)* | 2021-04-15 | 2023-11-07 | 中南大学 | Heterogeneous data feature fusion method in electronic medical record, fusion feature-based prediction method, fusion feature-based prediction system and readable storage medium |
| KR102829085B1 (en) | 2021-05-04 | 2025-07-04 | 한국전자통신연구원 | Health state prediction system including ensemble prediction model and operation method thereof |
| KR102681887B1 (en) | 2021-12-23 | 2024-07-04 | 가톨릭대학교 산학협력단 | Apparatus and method for supporting clinical decision |
| KR20240051409A (en) | 2022-10-13 | 2024-04-22 | 주식회사 스누아이랩 | Apparatus for Disease Test Prediction and Driving Method Thereof |
| KR102770932B1 (en)* | 2023-08-23 | 2025-02-21 | 주식회사 에비드넷 | System of managing patient of utilizing periodic conversion database and artificial intelligence |
| KR20250073845A (en)* | 2023-11-20 | 2025-05-27 | 연세대학교 산학협력단 | Method for providing clinical decision supporting system and server performing the same |
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080201280A1 (en) | 2007-02-16 | 2008-08-21 | Huber Martin | Medical ontologies for machine learning and decision support |
| US20110119212A1 (en) | 2008-02-20 | 2011-05-19 | Hubert De Bruin | Expert system for determining patient treatment response |
| US20120283574A1 (en) | 2011-05-06 | 2012-11-08 | Park Sun Young | Diagnosis Support System Providing Guidance to a User by Automated Retrieval of Similar Cancer Images with User Feedback |
| KR101261177B1 (en)* | 2011-11-29 | 2013-05-09 | 삼성에스디에스 주식회사 | Clinical decision support system and method |
| US20140088989A1 (en)* | 2012-09-27 | 2014-03-27 | Balaji Krishnapuram | Rapid Learning Community for Predictive Models of Medical Knowledge |
| US20140343955A1 (en) | 2013-05-16 | 2014-11-20 | Verizon Patent And Licensing Inc. | Method and apparatus for providing a predictive healthcare service |
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080201280A1 (en) | 2007-02-16 | 2008-08-21 | Huber Martin | Medical ontologies for machine learning and decision support |
| US20110119212A1 (en) | 2008-02-20 | 2011-05-19 | Hubert De Bruin | Expert system for determining patient treatment response |
| US20120283574A1 (en) | 2011-05-06 | 2012-11-08 | Park Sun Young | Diagnosis Support System Providing Guidance to a User by Automated Retrieval of Similar Cancer Images with User Feedback |
| KR101261177B1 (en)* | 2011-11-29 | 2013-05-09 | 삼성에스디에스 주식회사 | Clinical decision support system and method |
| US20140088989A1 (en)* | 2012-09-27 | 2014-03-27 | Balaji Krishnapuram | Rapid Learning Community for Predictive Models of Medical Knowledge |
| US20140343955A1 (en) | 2013-05-16 | 2014-11-20 | Verizon Patent And Licensing Inc. | Method and apparatus for providing a predictive healthcare service |
| Title |
|---|
| Saba Bashir 외, Journal of Biomedical Informatics, 2015.12.15., Vol.59, pp.185-200.* |
| Publication number | Publication date |
|---|---|
| KR20170140757A (en) | 2017-12-21 |
| Publication | Publication Date | Title |
|---|---|---|
| KR102558021B1 (en) | A clinical decision support ensemble system and the clinical decision support method by using the same | |
| US20170357760A1 (en) | Clinical decision supporting ensemble system and clinical decision supporting method using the same | |
| Abdel-Basset et al. | RETRACTED: A novel and powerful framework based on neutrosophic sets to aid patients with cancer | |
| Qureshi et al. | Deep learning-based ambient assisted living for self-management of cardiovascular conditions | |
| US20180137247A1 (en) | Preventive and predictive health platform | |
| US9955869B2 (en) | System and method for supporting health management services | |
| US9946840B1 (en) | Systems and methods for assessing staffing levels and predicting patient outcomes | |
| CN110709938A (en) | Method and system for generating a digital twin of patients | |
| US11322250B1 (en) | Intelligent medical care path systems and methods | |
| Bhavnani et al. | Virtual care 2.0—a vision for the future of data-driven technology-enabled healthcare | |
| US20230238140A1 (en) | Addiction treatment and management | |
| US12283379B2 (en) | Automatic early prediction of neurodegenerative diseases | |
| Al-Adwani et al. | A systematic review of IoT integration on health monitoring system | |
| Yogeshappa | AI-Driven Innovations in Patient Safety: A Comprehensive Review of Quality Care | |
| CN119580976A (en) | A hospital support platform | |
| JP7393518B2 (en) | Teacher data collection device, teacher data collection method and recording medium | |
| US20090070145A1 (en) | Method and system for coronary artery disease care | |
| Iyer et al. | Design and analysis of TwinCardio framework to detect and monitor cardiovascular diseases using digital twin and deep neural network | |
| CN119053281A (en) | Remote health monitoring system | |
| Upadrista et al. | Ai-driven federated and transfer learning platform for health predictions | |
| Parry | Health informatics | |
| Singh et al. | Performance of IoT-Enabled Devices in Remote Health Monitoring Applications | |
| Krishnasamy et al. | An innovative outcome of internet of things and artificial intelligence in remote centered healthcare application schemes | |
| Avcı et al. | The Impact of Industry 5.0: The Artificial Intelligence, IoT and Blockchain Revolution in Home Healthcare | |
| Shojaei et al. | Investigating the components of virtual emergency department |
| Date | Code | Title | Description |
|---|---|---|---|
| PA0109 | Patent application | Patent event code:PA01091R01D Comment text:Patent Application Patent event date:20161028 | |
| PG1501 | Laying open of application | ||
| PA0201 | Request for examination | Patent event code:PA02012R01D Patent event date:20201008 Comment text:Request for Examination of Application Patent event code:PA02011R01I Patent event date:20161028 Comment text:Patent Application | |
| E902 | Notification of reason for refusal | ||
| PE0902 | Notice of grounds for rejection | Comment text:Notification of reason for refusal Patent event date:20221123 Patent event code:PE09021S01D | |
| E701 | Decision to grant or registration of patent right | ||
| PE0701 | Decision of registration | Patent event code:PE07011S01D Comment text:Decision to Grant Registration Patent event date:20230530 | |
| GRNT | Written decision to grant | ||
| PR0701 | Registration of establishment | Comment text:Registration of Establishment Patent event date:20230717 Patent event code:PR07011E01D | |
| PR1002 | Payment of registration fee | Payment date:20230718 End annual number:3 Start annual number:1 | |
| PG1601 | Publication of registration |