KR20210009182A - Method for recommending diabetic medicine based on deep-learning - Google Patents

Abstract

Translated fromKorean

본 발명의 실시예에 따른 딥러닝 기반의 당뇨병 약제 추천방법은, 단말에서 딥러닝 기반으로 맞춤형 당뇨병 약제를 추천하는 방법으로서, 환자의 문진정보를 획득하는 단계; 상기 환자의 신체검사 결과에 대한 검사정보를 획득하는 단계; 상기 문진정보와 검사정보를 포함하는 환자정보를 딥러닝 뉴럴 네트워크에 입력하고 출력 데이터로 추천 당뇨병 약제정보를 획득하는 단계; 및 상기 획득된 추천 당뇨병 약제정보를 출력하는 단계를 포함한다.A deep learning-based diabetes drug recommendation method according to an embodiment of the present invention is a method for recommending a customized diabetes drug based on deep learning in a terminal, the method comprising: acquiring patient interview information; Acquiring examination information on the patient's physical examination result; Inputting patient information including the interview information and examination information to a deep learning neural network and obtaining recommended diabetes drug information as output data; And outputting the obtained recommended diabetes drug information.

Description

Translated fromKorean

딥러닝 기반의 당뇨병 약제를 추천하는 방법{METHOD FOR RECOMMENDING DIABETIC MEDICINE BASED ON DEEP-LEARNING}How to recommend a deep learning-based diabetes drug{METHOD FOR RECOMMENDING DIABETIC MEDICINE BASED ON DEEP-LEARNING}

본 발명은 딥러닝에 기초하여 당뇨병 약제를 추천하는 방법 및 장치에 관한 것이다. 보다 상세하게는, 환자와 관련된 정보를 기반으로 환자에게 최적화된 맞춤형 당뇨병 약제를 추천하는 방법 및 장치에 관한 것이다.The present invention relates to a method and apparatus for recommending a diabetes drug based on deep learning. More specifically, it relates to a method and apparatus for recommending customized diabetes medications optimized for patients based on patient-related information.

현대 사회에서 당뇨병은 고혈압과 더불어 가장 흔한 성인병이며, 오랜 유병기간과 함께 증가하는 심혈관계 질환 및 암으로 인해 현대인의 생명을 위협하는 대표적 질환이다.In modern society, diabetes is the most common adult disease along with high blood pressure, and is a representative disease that threatens the lives of modern people due to cardiovascular disease and cancer that increase with a long illness.

이러한 당뇨병을 치료하기 위한 당뇨병 치료제는, 1920년대 인슐린이 처음 개발된 이후 많은 발전을 거듭하여 여러 종류의 경구약과 인슐린 등의 주사제까지 선택의 폭이 많이 넓어졌다.Diabetes treatment for the treatment of such diabetes, since the first development of insulin in the 1920s has continued to develop a lot of options, including various types of oral drugs and injections such as insulin has widened.

또한, 최근의 당뇨병 치료는 '당뇨병 환자(이하, 환자) 개인에 따른 치료의 개별화'가 가장 중요한 개념으로 자리잡고 있다.In addition, in the recent diabetes treatment,'individualization of treatment according to individual diabetic patients (hereinafter, patients)' has become the most important concept.

그러나, 현재 개인에게 최적화된 맞춤형 당뇨병 약제의 선정은, 해당 환자에 대한 각종 관련정보(예컨대 문진정보, 랩 데이터 등)에 기초한 담당 의사의 주관적인 판단에 의해 결정되고 있다는 한계가 있다.However, there is a limitation in that the selection of a customized diabetes drug optimized for an individual is currently determined by the subjective judgment of the doctor in charge based on various related information (eg, interview information, lab data, etc.) for the patient.

자세히, 당뇨병 약제는 혈당강하효과에 따라 효험(efficacy)이 높은 순으로 'insulin, GLP-1R agonist'> 'SU, metformin, TZD, Glinide' > 'DPP4i, SGLT2i, A-glucosidase inhibitor (AGI)' 와 같이 분류되어 있어, 환자의 혈당 정도에 따라 적절한 약제가 선택되어야 한다.In detail, diabetes drugs have the highest efficacy in the order of hypoglycemic effect:'insulin, GLP-1R agonist'>'SU, metformin, TZD, Glinide'>'DPP4i, SGLT2i, A-glucosidase inhibitor (AGI)' As they are classified as follows, the appropriate drug should be selected according to the patient's blood sugar level.

또한, 식후 혈당이 높은 경우에는 DPP4 억제제, GLP-1R agonist, AGI, meglinide를 사용하고, 인슐린 분비능이 떨어져 있어도 사용 가능한 약제는 metformin, SGLT2i, AG이며, 저혈당 위험이 낮은 약제는 metformin, SGLT2i, DPP4i, GLP-1 receptor agonist, TZD, AGI이다.In addition, DPP4 inhibitors, GLP-1R agonist, AGI, and meglinide are used when postprandial blood sugar is high, and drugs that can be used even with poor insulin secretion are metformin, SGLT2i, and AG, and drugs with low risk of hypoglycemia are metformin, SGLT2i, DPP4i. , GLP-1 receptor agonist, TZD, AGI.

더하여, 체중감량 효과가 있는 약제는 'SGLT2i, GLP-1 receptor agonist' > 'metformin'이고, 심혈관질환이 동반되어 있거나 위험도가 높은 환자는 SGLT2i 또는 GLP-1 receptor agonist(그 중에서 중등도이상 신장애시 SGLT2 억제제는 사용 못함)를 이용해야 하며, 신장기능 보존 효과가 있는 약제로는 'SGLT2'i > 'GLP-1 receptor agonist(evidence는 SGLT2i가 더 좋으나 중등도이상 신장애시 SGLT2 억제제는 사용 못하므로 GLP-1 receptor agonist가 추천됨)'가 있고, 지방간을 호전시킬 수 있는 약제로는 TZD, SGLT2가 사용된다.In addition, drugs that have a weight loss effect are'SGLT2i, GLP-1 receptor agonist'>'metformin', and patients with cardiovascular disease or high risk are SGLT2i or GLP-1 receptor agonist (among them, SGLT2 Inhibitors cannot be used), and as drugs that have the effect of preserving renal function,'SGLT2'i>'GLP-1 receptor agonist (evidence is better for SGLT2i, but in case of moderate or severe renal impairment, SGLT2 inhibitors cannot be used). receptor agonist is recommended)', and TZD and SGLT2 are used as drugs that can improve fatty liver.

이와 같이 환자의 개별적인 상태에 따라 적합한 당뇨병 약제를 선택하는 것은 매우 중요한 일이나, 의사가 환자와 관련된 모든 정보를 일일이 확인하고, 환자에게 최적화된 당뇨병 약제를 정확히 파악하기에는 어려움이 있다.As described above, it is very important to select an appropriate diabetes drug according to a patient's individual condition, but it is difficult for a doctor to individually check all information related to a patient and accurately identify a diabetes drug optimized for a patient.

또한, 숙련의와 비숙련의에 따라서 환자에게 적합한 당뇨병 약제를 처방하는데 수준 차이가 발생할 수 있다.In addition, a level difference may occur in prescribing suitable diabetes drugs to patients according to the skilled and unskilled physician.

10-1600379 B10-1600379 B

본 발명은, 환자 개인에게 최적화된 맞춤형 당뇨병 약제를 선정하는데 있어서, 의사가 해당 환자와 관련된 정보를 세부적으로 확인하기 어려우며 의사의 주관적인 판단으로 당뇨병 약제를 처방하게되는 문제를 해결하기 위하여, 딥러닝에 기반하여 자동으로 당뇨병 약제를 추천하는 방법 및 장치를 제공하고자 한다.The present invention is to solve the problem that it is difficult for a doctor to check detailed information related to the patient in selecting a customized diabetes drug optimized for an individual patient, and to prescribe a diabetes drug based on the subjective judgment of a doctor, Based on this, it is intended to provide a method and apparatus for automatically recommending a diabetes drug.

자세히, 본 발명은, 환자와 관련된 정보를 기초로 딥러닝을 수행하여 해당 환자 맞춤형 당뇨병 약제를 추천함으로써, 환자 개인에 따른 치료의 개별화를 효과적으로 수행하는 방법 및 장치를 제공하는데 그 목적이 있다.In detail, an object of the present invention is to provide a method and apparatus for effectively individualizing treatment according to individual patients by performing deep learning based on patient-related information and recommending a corresponding patient-specific diabetes drug.

다만, 본 발명 및 본 발명의 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제들로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.However, the technical problems to be achieved by the present invention and the embodiments of the present invention are not limited to the technical problems as described above, and other technical problems may exist.

본 발명의 실시예에 따른 딥러닝 기반의 당뇨병 약제 추천방법은, 단말에서 딥러닝 기반으로 맞춤형 당뇨병 약제를 추천하는 방법으로서, 환자의 문진정보를 획득하는 단계(여기서, 문진정보는 나이, 성별, 키, 몸무게, 허리둘레, 과거력, 가족력등을 포함한다); 상기 환자의 신체검사 결과에 대한 검사정보를 획득하는 단계(여기서 검사정보는 가정에서 측정한 혈당, 혈압. 체중, 운동량, 식이 습관, 스트레스, 통증등 모든 홈데이터와 병원의 검사장비를 활용하여 측정한 혈압, 체중, 혈액검사, 영상검사, 기존의 진료기록, 처방기록등을 모두 포함한다); 상기 문진정보와 검사정보를 포함하는 환자정보를 딥러닝 뉴럴 네트워크에 입력하고 출력 데이터로 추천 당뇨병 약제정보를 획득하는 단계; 및 상기 획득된 추천 당뇨병 약제정보를 출력하는 단계를 포함한다.The method for recommending diabetes drugs based on deep learning according to an embodiment of the present invention is a method of recommending customized diabetes drugs based on deep learning in a terminal, the step of acquiring patient interview information (here, the interview information is age, gender, Height, weight, waist circumference, past history, family history, etc.); Acquiring test information on the patient's physical examination result (here, the test information is measured using all home data such as blood sugar, blood pressure, weight, exercise amount, dietary habits, stress, pain, etc. measured at home, and test equipment of the hospital. One blood pressure, weight, blood test, imaging test, existing medical records, prescription records, etc. are all included); Inputting patient information including the interview information and examination information to a deep learning neural network and obtaining recommended diabetes drug information as output data; And outputting the obtained recommended diabetes drug information.

이때, 상기 환자의 문진정보를 획득하는 단계는, 상기 환자를 문진한 정보를 체계적으로 입력할 수 있는 입력 페이지와 상담내용 입력 인터페이스를 제공하는 의료상담 보조 콘텐츠를 기반으로 의료상담 콘텐츠를 생성하는 단계와, 상기 생성된 의료상담 콘텐츠로부터 상기 문진정보를 추출하는 단계를 포함한다.In this case, the step of obtaining the patient's interview information includes generating medical consultation content based on an input page for systematically inputting the patient's interview information and a medical consultation auxiliary content providing a consultation content input interface. And, extracting the questionnaire information from the generated medical consultation content.

또한, 본 발명의 실시예에 따른 딥러닝 기반의 당뇨병 약제 추천방법은, 상기 환자정보를 기초로 상기 환자가 기 설정된 특정 상태인지 여부를 판별하는 단계와, 상기 판별된 환자의 상태가 기설정된 특정 상태인 경우, 상기 특정 상태에 매칭된 상기 특정 당뇨병 약제정보를 출력하는 단계를 더 포함한다.In addition, the method for recommending diabetes drugs based on deep learning according to an embodiment of the present invention includes the steps of determining whether the patient is in a predetermined specific state based on the patient information, and the determined state of the patient is a predetermined specific state. In the case of a state, the step of outputting the specific diabetes drug information matched to the specific state is further included.

또한, 상기 추천 당뇨병 약제정보를 획득하는 단계는, 상기 환자정보의 입력에 대한 상기 딥러닝 뉴럴 네트워크의 출력 데이터로 복수의 경구혈당강하제 및 주사제에 대한 환자 매칭율을 획득하고, 상기 환자 매칭율이 가장 높은 당뇨병 약제를 상기 추천 당뇨병 약제로 결정하는 단계를 포함한다.In addition, obtaining the recommended diabetes drug information may include obtaining patient matching rates for a plurality of oral hypoglycemic agents and injections as output data of the deep learning neural network for input of the patient information, and the patient matching rate is And determining the highest diabetes drug as the recommended diabetes drug.

또한, 상기 딥러닝 뉴럴 네트워크는, 전문 의료진에 의해 불특정 다수의 환자에게 기 처방되었던 상기 당뇨병 약제 데이터를 기초로 생성된 학습 데이터를 통하여 학습된다.In addition, the deep learning neural network is learned through learning data generated based on the diabetes drug data that has been previously prescribed to a plurality of unspecified patients by professional medical staff.

본 발명의 실시예에 따른 딥러닝 기반의 당뇨병 약제를 추천하는 방법 및 장치는, 환자와 관련된 정보를 기초로 딥러닝을 수행하여 해당 환자에게 최적화된 당뇨병 약제를 자동으로 추정해 제공함으로써, 환자 맞춤형 당뇨병 약제 선정을 위한 비용 및 시간을 절약할 수 있고, 환자에게 제공되는 당뇨병 약제의 정확도를 향상시킬 수 있다.The method and apparatus for recommending a diabetes drug based on deep learning according to an embodiment of the present invention automatically estimates and provides a diabetes drug optimized for the patient by performing deep learning based on information related to the patient, It is possible to save cost and time for selecting a diabetes drug, and improve the accuracy of the diabetes drug provided to the patient.

또한, 본 발명의 실시예에 따른 딥러닝 기반의 당뇨병 약제를 추천하는 방법 및 장치는, 객관적 데이터와 인공지능적 데이터 처리에 기반하여 환자 맞춤형 당뇨병 약제를 추천함으로써, 의사의 주관적인 추정치에 의하여 환자에게 제공되는 당뇨병 약제에 대한 신뢰성 문제를 극복할 수 있다는 장점이 있다.In addition, the method and apparatus for recommending diabetic drugs based on deep learning according to an embodiment of the present invention recommends patient-tailored diabetes drugs based on objective data and artificial intelligence data processing, thereby providing the patient with a subjective estimate of the doctor. There is an advantage of being able to overcome the reliability problem for diabetes drugs.

또한, 본 발명의 실시예에 따른 딥러닝 기반의 당뇨병 약제를 추천하는 방법 및 장치는, 환자와 관련된 방대한 양의 정보를 뉴럴 네트워크와 빅데이터를 결합한 딥러닝을 통해 처리해 맞춤형 당뇨병 약제를 추천함으로써, 의사가 환자와 관련된 모든 정보를 일일이 확인하기 어렵다는 문제를 해결할 수 있는 효과가 있다.In addition, the method and apparatus for recommending a deep learning-based diabetes drug according to an embodiment of the present invention processes a vast amount of patient-related information through deep learning that combines neural networks and big data to recommend customized diabetes drugs, It is effective in solving the problem that it is difficult for a doctor to check all the information related to the patient individually.

또한, 본 발명의 실시예에 따른 딥러닝 기반의 당뇨병 약제를 추천하는 방법 및 장치는, 환자가 특정 상태인 경우 반드시 처방해야할 당뇨병 약제를 딥러닝을 사용하지 않고도 자체적으로 파악함으로써, 불필요한 데이터 처리 동작을 최소화할 수 있다.In addition, the method and apparatus for recommending a diabetes drug based on deep learning according to an embodiment of the present invention automatically identifies a diabetes drug that must be prescribed when a patient is in a specific state without using deep learning, thereby processing unnecessary data. Can be minimized.

또한, 본 발명의 실시예에 따른 딥러닝 기반의 당뇨병 약제를 추천하는 방법 및 장치는, 의료상담 보조 콘텐츠, 의료상담 콘텐츠, 약제추천 엔진 및 다양한 인터페이스를 포함하는 의료상담 프로그램을 통해 딥러닝에 기반한 환자 맞춤형 당뇨병 약제 추천 서비스를 제공함으로써, 해당 서비스에 대한 사용성과 편리성을 증대시킬 수 있는 효과가 있다.In addition, a method and apparatus for recommending a diabetes drug based on deep learning according to an embodiment of the present invention is based on deep learning through a medical consultation program including medical consultation auxiliary contents, medical consultation contents, drug recommendation engine, and various interfaces. By providing a patient-tailored diabetes drug recommendation service, there is an effect of increasing the usability and convenience of the corresponding service.

다만, 본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 명확하게 이해될 수 있다.However, the effects obtainable in the present invention are not limited to the above-mentioned effects, and other effects not mentioned may be clearly understood from the following description.

도 1은 본 발명의 실시예에 따른 단말 외형의 일례이다.
도 2는 본 발명의 실시예에 따른 의료상담 보조서비스 제공서버의 내부 블록도이다.
도 3은 본 발명의 실시예에 따른 딥러닝 기반의 당뇨병 약제 추천방법을 설명하기 위한 흐름도이다.
도 4는 본 발명의 실시예에 따른 의료상담 프로그램 상의 당뇨병 상담 어플리케이션 실행을 설명하기 위한 도면이다.
도 5는 본 발명의 실시예에 따른 의료상담 콘텐츠를 기반으로 문진정보와 검사정보를 획득하는 모습의 일례이다.
도 6은 본 발명의 실시예에 따른 당뇨병 약제 분류 모식도의 일례이다.
도 7 및 8은 본 발명의 실시예에 따른 경구혈당강하제 및 주사제를 설명하기 위한 도면이다.
도 9는 본 발명의 실시예에 따른 추천 당뇨병 약제정보를 단말을 통해 출력하는 모습의 일례이다.
도 10은 본 발명의 실시예에 따른 혈액검사 기반의 생활패턴 추정을 위한 의료상담 보조서비스 제공서버의 내부 블록도이다.
도 11은 본 발명의 실시예에 따른 생활패턴 정보와 생활패턴 정보의 각 항목과 연관된 혈액검사 랩 데이터를 의료상담 보조 콘텐츠를 통해 함께 표시하는 일례이다.1 is an example of the appearance of a terminal according to an embodiment of the present invention.
2 is an internal block diagram of a medical consultation auxiliary service providing server according to an embodiment of the present invention.
3 is a flow chart illustrating a method for recommending a diabetes drug based on deep learning according to an embodiment of the present invention.
4 is a diagram for explaining execution of a diabetes counseling application on a medical counseling program according to an embodiment of the present invention.
5 is an example of acquiring interview information and examination information based on medical consultation content according to an embodiment of the present invention.
6 is an example of a schematic diagram of classification of diabetes drugs according to an embodiment of the present invention.
7 and 8 are diagrams for explaining an oral hypoglycemic agent and an injection agent according to an embodiment of the present invention.
9 is an example of outputting recommended diabetes drug information through a terminal according to an embodiment of the present invention.
10 is an internal block diagram of a medical counseling auxiliary service providing server for estimating a life pattern based on a blood test according to an embodiment of the present invention.
11 is an example of displaying life pattern information and blood test lab data associated with each item of the life pattern information according to an embodiment of the present invention together through medical consultation auxiliary content.

본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 본 발명의 효과 및 특징, 그리고 그것들을 달성하는 방법은 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 다양한 형태로 구현될 수 있다. 이하의 실시예에서, 제1, 제2 등의 용어는 한정적인 의미가 아니라 하나의 구성 요소를 다른 구성 요소와 구별하는 목적으로 사용되었다. 또한, 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 또한, 포함하다 또는 가지다 등의 용어는 명세서상에 기재된 특징, 또는 구성요소가 존재함을 의미하는 것이고, 하나 이상의 다른 특징들 또는 구성요소가 부가될 가능성을 미리 배제하는 것은 아니다. 또한, 도면에서는 설명의 편의를 위하여 구성 요소들이 그 크기가 과장 또는 축소될 수 있으므로, 본 발명이 반드시 도시된 바에 한정되지 않는다.Since the present invention can apply various transformations and have various embodiments, specific embodiments are illustrated in the drawings and will be described in detail in the detailed description. Effects and features of the present invention, and a method of achieving them will be apparent with reference to the embodiments described later in detail together with the drawings. However, the present invention is not limited to the embodiments disclosed below and may be implemented in various forms. In the following embodiments, terms such as first and second are not used in a limiting meaning, but are used for the purpose of distinguishing one component from another component. In addition, expressions in the singular include plural expressions unless the context clearly indicates otherwise. In addition, terms such as include or have means that the features or elements described in the specification are present, and do not preclude the possibility of adding one or more other features or elements in advance. In addition, in the drawings, components may be exaggerated or reduced in size for convenience of description, so the present invention is not necessarily limited to the illustrated bar.

이하, 첨부된 도면을 참조하여 본 발명의 실시예들을 상세히 설명하기로 하며, 도면을 참조하여 설명할 때 동일하거나 대응하는 구성 요소는 동일한 도면부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.Hereinafter, embodiments of the present invention will be described in detail with reference to the accompanying drawings, and when describing with reference to the drawings, the same or corresponding constituent elements are assigned the same reference numerals, and redundant descriptions thereof will be omitted. .

본 발명의 실시예에 따른 딥러닝 기반의 당뇨병 약제 추천 시스템은, 환자와 관련된 각종 정보들을 획득하고, 획득된 정보들에 기초하여 해당 환자에게 최적화된 맞춤형 당뇨병 약제를 선정해 제공할 수 있다.The system for recommending diabetic drugs based on deep learning according to an embodiment of the present invention may acquire various types of patient-related information, and may select and provide customized diabetes drugs optimized for a corresponding patient based on the obtained information.

상세한 설명에 앞서, 설명에 필요한 용어에 대해 먼저 기술하고자 한다.Prior to detailed description, terms necessary for description will be described first.

<의료상담 보조 콘텐츠><Subsidiary content for medical consultation>

실시예에서 의료상담 보조 콘텐츠는, 의료관련 이미지, 동영상, 애니메이션 또는 텍스트들의 조합으로 형성되어, 단말을 통해 디스플레이되어 의료상담을 보조하는 자료이다.In an embodiment, the medical consultation auxiliary content is formed of a combination of medical-related images, videos, animations, or texts, and is displayed through a terminal to assist medical consultation.

자세히, 의료상담 보조 콘텐츠는, 의료상담을 보조하기 위한 시청각 자료들을 포함할 수 있다. 자세히, 시청각 자료는, 당뇨병 관리 콘텐츠, 질병진단 콘텐츠, 치료방법 콘텐츠, 약물상담 콘텐츠, 진료비용 콘텐츠, 보험 정보 콘텐츠, 서명 콘텐츠, 기타 콘텐츠 및 전술한 콘텐츠들을 통합한 의료상담 콘텐츠 등을 포함할 수 있다.In detail, the medical consultation auxiliary content may include audio-visual materials for supporting medical consultation. In detail, the audio-visual material may include diabetes management content, disease diagnosis content, treatment method content, drug consultation content, medical cost content, insurance information content, signature content, other content, and medical consultation content incorporating the aforementioned contents. have.

예를 들어, 의료상담 보조 콘텐츠에는, 신체기관 이미지, 질병 정보, 치료법 이미지, 치료법 정보, 약물 복약방법, 약물 정보 및 보험 정보 중 적어도 하나의 이미지나 정보들이 포함될 수 있으며, 상기 의료상담 콘텐츠을 작성하는데 사용되는 청각 정보도 보조로 포함될 수 있다.For example, the medical counseling auxiliary content may include at least one image or information of a body organ image, disease information, treatment image, treatment information, drug taking method, drug information, and insurance information. The auditory information used may also be included as an aid.

또한, 실시예에서 의료상담 보조 콘텐츠는, 적어도 하나 이상의 의료관련 데이터(Electric Health Record, EHR)들을 기초로 생성된 시각 콘텐츠일 수 있다.In addition, in an embodiment, the medical counseling auxiliary content may be visual content generated based on at least one electric health record (EHR).

또한, 실시예에서 의료상담 보조 콘텐츠는, 병원 서버나 병원 데이터베이스로부터 수신한 전자의무기록(Electronic　Medical　Record, EMR)을 포함할 수 있다.In addition, in the embodiment, the medical consultation auxiliary content may include an electronic medical record (Electronic 　 Medical 　 Record, EMR) received from a hospital server or a hospital database.

이와 같은 다양한 의료상담 보조 콘텐츠는, 단말에서 의사의 선택에 따라서 상담에 활용되도록 표시되며, 단말은 선택된 복수의 의료상담 보조 콘텐츠를 의사가 상담에 활용하기 쉽게 정렬하여 제공할수도 있다.Such various medical consultation auxiliary contents are displayed to be used for consultation in accordance with the doctor's selection in the terminal, and the terminal may arrange and provide a plurality of selected medical consultation auxiliary contents to facilitate the doctor's use for consultation.

<의료상담 콘텐츠><Medical Consultation Content>

한편, 의료상담 콘텐츠는, 전술한 의료상담 보조 콘텐츠 상에 사용자에 의해 입력된 상담내용이 추가되어 생성된 콘텐츠이다. 즉, 의료상담 콘텐츠는, 의료상담 보조 콘텐츠와 상담내용을 포함할 수 있다.Meanwhile, the medical consultation content is a content generated by adding the consultation content input by the user on the medical consultation auxiliary content described above. That is, the medical consultation contents may include medical consultation auxiliary contents and consultation contents.

이러한 의료상담 콘텐츠 생성을 위해, 단말에서는 의료상담 보조 콘텐츠들로 구성된 의료상담 콘텐츠 작성 화면이 상담 입력 인터페이스와 함께 제공되고, 상담 입력 인터페이스를 기초로 의료상담 보조 콘텐츠 상에 상담내용이 입력되어 의료상담 콘텐츠가 생성될 수 있다.In order to create such medical consultation content, the terminal provides a medical consultation content creation screen composed of medical consultation auxiliary contents together with a consultation input interface, and the consultation contents are input on the medical consultation auxiliary contents based on the consultation input interface to provide medical consultation. Content can be created.

자세히, 상담 입력 인터페이스는, 표시된 의료상담 보조 이미지 상에 상담자가 필기, 음성, 편집 또는 영상을 입력하도록 하는 그래픽 유저 인터페이스를 포함할 수 있다.In detail, the counseling input interface may include a graphic user interface that allows a counselor to input handwriting, audio, editing, or an image on the displayed medical counseling auxiliary image.

보다 상세히, 상담 입력 인터페이스는, 의료상담 보조 이미지 상에 사용자의 필기입력을 감지하는 필기 입력 인터페이스를 제공할 수 있다. 의료상담 보조 이미지를 표시하면서 사용자 입력을 수신하기 위하여, 단말은, 입력부와 디스플레이부가 합쳐진 터치 스크린을 이용하여 상담 입력 인터페이스를 제공할 수 있다.In more detail, the consultation input interface may provide a handwriting input interface that detects a user's handwriting input on a medical consultation auxiliary image. In order to receive a user input while displaying a medical consultation auxiliary image, the terminal may provide a consultation input interface using a touch screen in which an input unit and a display unit are combined.

또한, 상담 입력 인터페이스는, 사용자의 음성을 녹음하여 녹음된 상담음성을 의료상담 보조 콘텐츠와 매칭함으로써 상담내용을 입력하는 음성 입력 인터페이스를 제공할 수 있다.In addition, the consultation input interface may provide a voice input interface for inputting consultation contents by matching the recorded consultation voice by recording the user’s voice with medical consultation auxiliary contents.

이와 같이 다양한 방식의 상담 입력 인터페이스를 통해 상담내용과 의료상담 보조 콘텐츠와 매칭된 의료상담 콘텐츠가 생성될 수 있다.As described above, through the consultation input interface of various methods, medical consultation contents matching the consultation contents and medical consultation auxiliary contents may be generated.

<약제추천 엔진><Pharmaceutical Recommendation Engine>

또한, 본 발명의 실시예에서 약제추천 엔진은, 환자와 관련된 정보를 기반으로 딥러닝을 수행하여 해당 환자에게 적합한 맞춤형 당뇨병 약제를 검출해 제공할 수 있다.In addition, in an embodiment of the present invention, the drug recommendation engine may detect and provide a customized diabetes drug suitable for a corresponding patient by performing deep learning based on information related to a patient.

자세히, 약제추천 엔진은, 단말에 설치된 의료상담 보조 프로그램 내에서 의료상담 보조 컨텐츠를 검색하는 방식으로 검색하여 의료상담 보조 프로그램 내에 설치할 수 있다.In detail, the drug recommendation engine may be installed in the medical consultation auxiliary program by searching for medical consultation auxiliary contents in the medical consultation auxiliary program installed in the terminal.

그리고 사용자에 의해 선택된 약제추천 엔진은, 환자와 관련된 데이터를 딥러닝을 통해 분석하여 환자 맞춤형 당뇨병 약제를 추출하여 제공할 수 있다.In addition, the drug recommendation engine selected by the user may analyze patient-related data through deep learning to extract and provide patient-specific diabetes drugs.

또한, 약제 추천 엔진은, 추출된 환자 맞춤형 당뇨병 약제를 환자 관련 의료상담에 적합하게 시각화된 의료상담 보조 콘텐츠를 사용자에게 제공할 수 있다.In addition, the drug recommendation engine may provide a user with medical consultation auxiliary content visualized suitable for patient-related medical consultation with the extracted patient-specific diabetes medication.

또한, 이러한 약제추천 엔진은, 의료상담 보조 콘텐츠에 포함될 수 있다.In addition, such a drug recommendation engine may be included in medical consultation auxiliary content.

이하, 위와 같은 의료상담 보조 콘텐츠, 의료상담 콘텐츠 및 약제추천 엔진을 이용하여 딥러닝 기반의 당뇨병 약제 추천 서비스를 제공하는 시스템 구성에 대하여 상세히 설명한다.Hereinafter, a system configuration for providing a diabetic drug recommendation service based on deep learning using the above medical consultation auxiliary content, medical consultation content, and drug recommendation engine will be described in detail.

<네트워크><Network>

먼저, 본 발명의 실시예에 따른 딥러닝을 기반으로 당뇨병 약제를 추천하는 시스템의 각 구성요소는, 네트워크(Network)를 통해 연결될 수 있다.First, each component of a system for recommending a diabetes drug based on deep learning according to an embodiment of the present invention may be connected through a network.

자세히, 네트워크는 단말, 의료상담 보조서비스 제공서버와 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조를 의미하는 것으로, 이러한 네트워크의 일 예에는 3GPP(3rd Generation Partnership Project) 네트워크, LTE(Long Term Evolution) 네트워크, WIMAX(World Interoperability for Microwave Access) 네트워크, 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), 블루투스(Bluetooth) 네트워크, 위성 방송 네트워크, 아날로그 방송 네트워크, DMB(Digital Multimedia Broadcasting) 네트워크 등이 포함되나 이에 한정되지는 않는다.In detail, a network refers to a connection structure in which information can be exchanged between nodes such as a terminal and a medical consultation auxiliary service providing server, and examples of such networks include a 3GPP (3rd Generation Partnership Project) network, and LTE (Long Term Evolution). ) Network, WIMAX (World Interoperability for Microwave Access) network, Internet, LAN (Local Area Network), Wireless LAN (Wireless Local Area Network), WAN (Wide Area Network), PAN (Personal Area Network), Bluetooth ( Bluetooth) network, satellite broadcasting network, analog broadcasting network, Digital Multimedia Broadcasting (DMB) network, and the like, but are not limited thereto.

<단말><Terminal>

본 발명의 실시예에서 단말은, 딥러닝 기반의 당뇨병 약제 추천서비스를 수행하기 위한 프로그램이 설치된 휴대용 단말인 스마트 폰, 디지털방송용 단말기, 휴대폰, PDA(personal digital assistants), PMP(portable multimedia player), 네비게이션, 태블릿 PC(tablet PC), 웨어러블 디바이스(wearable device) 및 스마트 글라스(smart glass) 등을 포함할 수 있다.In an embodiment of the present invention, the terminal includes a smart phone, a digital broadcasting terminal, a mobile phone, a personal digital assistants (PDA), a portable multimedia player (PMP), and a portable terminal with a program for performing a deep learning-based diabetes drug recommendation service. It may include navigation, a tablet PC, a wearable device, and a smart glass.

또한, 단말은, 고정형 단말인 데스크 탑 PC, 노트북 컴퓨터(laptop computer), 울트라북(ultrabook)과 같은 퍼스널 컴퓨터 등과 같이 유/무선 통신을 기반으로 딥러닝 기반의 당뇨병 약제 추천서비스를 제공하기 위한 프로그램이 설치된 장치를 더 포함할 수 있다.In addition, the terminal is a program for providing a diabetic drug recommendation service based on deep learning based on wired/wireless communication, such as a desktop PC, a laptop computer, and a personal computer such as an ultrabook, which are fixed terminals. It may further include an installed device.

실시예에서 이러한 단말은, 단말에 설치된 의료상담 프로그램을 실행하여 당뇨병 상담 어플리케이션을 구동할 수 있고, 환자와 관련된 각종 데이터를 기반으로 해당 환자 맞춤형 당뇨병 약제를 검출하여 출력할 수 있다.In an embodiment, such a terminal may run a diabetes counseling application by executing a medical counseling program installed in the terminal, and may detect and output a diabetes drug tailored to the patient based on various data related to the patient.

자세히, 단말은, 환자와 관련된 각종 데이터를 획득할 수 있으며, 의료상담 보조서비스 제공서버와 연동하여 획득된 데이터에 기반한 환자 맞춤형 당뇨병 약제정보를 의료상담 보조 콘텐츠를 통해 제공할 수 있다.In detail, the terminal may acquire various data related to the patient, and may provide patient-tailored diabetes drug information based on the data obtained by interlocking with the medical consultation auxiliary service providing server through the medical consultation auxiliary content.

이하, 첨부된 도면을 참조하여 단말을 이루는 각 구성 요소에 대해 상세히 설명하고자 한다.Hereinafter, each component constituting a terminal will be described in detail with reference to the accompanying drawings.

도 1은 본 발명의 실시예에 따른 단말 외형의 일례이다.1 is an example of the appearance of a terminal according to an embodiment of the present invention.

도 1를 참조하면, 단말(100)은, 통신부(110), 입력부, 디스플레이부, 터치스크린(135: touch screen), 카메라(140), 저장부(150), 마이크(160), 스피커(170) 및 제어부(180)를 포함할 수 있다.Referring to FIG. 1, the terminal 100 includes acommunication unit 110, an input unit, a display unit, atouch screen 135, acamera 140, astorage unit 150, amicrophone 160, and a speaker 170. ) And thecontroller 180.

먼저, 통신부(110)는, 딥러닝 기반의 당뇨병 약제 추천서비스를 제공하기 위한 각종 데이터 및/또는 정보 등을 송수신할 수 있다.First, thecommunication unit 110 may transmit and receive various data and/or information for providing a diabetic drug recommendation service based on deep learning.

실시예에서, 통신부(110)는, 타유저의 단말(100) 및/또는 의료상담 보조서비스 제공서버와 통신하여 딥러닝 기반의 당뇨병 약제 추천서비스와 관련된 데이터를 송수신할 수 있다.In an embodiment, thecommunication unit 110 may transmit and receive data related to a deep learning-based diabetes drug recommendation service by communicating with theterminal 100 of another user and/or a medical consultation auxiliary service providing server.

또한, 통신부(110)는, 당뇨병 약제 추천서비스와 관련된 데이터를 외부 프린터로 전송하여 오프라인 출력물로 프린팅하도록 보조할 수 있다.In addition, thecommunication unit 110 may assist to transmit data related to the diabetes drug recommendation service to an external printer to print it as an offline output.

이러한 통신부(110)는, 이동통신을 위한 기술표준들 또는 통신방식(예를 들어, GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), LTE(Long Term Evolution), LTE-A(Long Term Evolution-Advanced) 등)에 따라 구축된 이동 통신망 상에서 기지국, 외부의 단말(100), 임의의 서버 중 적어도 하나와 무선 신호를 송수신할 수 있다.Thecommunication unit 110 includes technical standards or communication methods for mobile communication (for example, GSM (Global System for Mobile communication), CDMA (Code Division Multi Access), HSDPA (High Speed Downlink Packet Access)), HSUPA ( High Speed Uplink Packet Access), LTE (Long Term Evolution), LTE-A (Long Term Evolution-Advanced), etc.), at least one of a base station, anexternal terminal 100, and a random server and wireless Can send and receive signals.

다음으로, 입력부는, 딥러닝 기반의 당뇨병 약제 추천서비스와 관련된 사용자의 입력을 감지할 수 있다.Next, the input unit may detect a user's input related to a deep learning-based diabetes drug recommendation service.

실시예로, 입력부는, 의료상담 과정에서 제공되는 상담 입력 인터페이스를 통한 사용자의 입력을 감지할 수 있다.In an embodiment, the input unit may detect a user's input through a consultation input interface provided during a medical consultation process.

다음으로, 디스플레이부는, 딥러닝 기반의 당뇨병 약제 추천서비스와 관련된 다양한 정보를 그래픽 이미지를 출력할 수 있다.Next, the display unit may output a graphic image of various information related to a deep learning-based diabetes drug recommendation service.

이러한 디스플레이부는, 액정 디스플레이(liquid crystal display, LCD), 박막 트랜지스터 액정 디스플레이(thin film transistor-liquid crystal display, TFT LCD), 유기 발광 다이오드(organic light-emitting diode, OLED), 플렉서블 디스플레이(flexible display), 3차원 디스플레이(3D display), 전자잉크 디스플레이(e-ink display) 중에서 적어도 하나를 포함할 수 있다.Such display units include liquid crystal displays (LCD), thin film transistor-liquid crystal displays (TFT LCDs), organic light-emitting diodes (OLEDs), and flexible displays. , It may include at least one of a 3D display and an e-ink display.

또한, 상기 입력부 및 상기 디스플레이부가 결합되어 터치스크린(135)으로 구현될 수 있다.In addition, the input unit and the display unit may be combined to be implemented as atouch screen 135.

다음으로, 카메라(140)는, 진료 및 의료상담 과정을 촬영하여 의료상담 관련 영상을 획득할 수 있고, 영상을 획득한 단말(100)은, 획득된 영상을 의료상담 보조 콘텐츠를 통해 출력할 수 있다.Next, thecamera 140 may acquire a medical consultation-related image by photographing the treatment and medical consultation process, and the terminal 100 that has obtained the image may output the obtained image through medical consultation auxiliary content. have.

또한, 카메라(140)는, 단말(100)의 전면 또는/및 후면에 배치되어 배치된 방향측을 촬영하여 영상을 획득할 수 있으며, 단말(100)의 외부에 배치되어 외부 시점에서 진료 과정을 촬영할 수도 있다.In addition, thecamera 140 may acquire an image by photographing a direction side disposed in front of or/and behind the terminal 100, and is disposed outside the terminal 100 to perform a treatment process from an external viewpoint. You can also shoot.

단말(100)의 외부에 카메라(140)가 배치된 경우, 카메라(140)는, 통신부(110)를 통해 제어부(180)로 촬영한 진료 과정 영상을 송신할 수 있다.When thecamera 140 is disposed outside the terminal 100, thecamera 140 may transmit an image of a medical treatment process captured by thecontroller 180 through thecommunication unit 110.

그리고 이러한 카메라(140)는, 이미지 센서와 영상 처리 모듈을 포함할 수 있다.In addition, thecamera 140 may include an image sensor and an image processing module.

자세히, 카메라(140)는, 이미지 센서(예를 들면, CMOS 또는 CCD)에 의해 얻어지는 정지영상 또는 동영상을 처리할 수 있다.In detail, thecamera 140 may process a still image or moving image obtained by an image sensor (eg, CMOS or CCD).

또한, 카메라(140)는, 영상 처리 모듈을 이용하여 이미지 센서를 통해 획득된 정지영상 또는 동영상을 가공해 필요한 정보를 추출하고, 추출된 정보를 제어부(180)에 전달할 수 있다.In addition, thecamera 140 may extract necessary information by processing a still image or a moving image acquired through an image sensor using an image processing module, and transmit the extracted information to thecontroller 180.

다음으로, 저장부(150)는, 본 발명의 실시예에 따른 딥러닝 기반의 당뇨병 약제 추천서비스를 제공하는 각종 응용 프로그램, 데이터 및 명령어 중 어느 하나 이상을 저장할 수 있다.Next, thestorage unit 150 may store one or more of various application programs, data, and commands that provide a deep learning-based diabetes drug recommendation service according to an embodiment of the present invention.

실시예로 저장부(150)는, 복수의 랩 데이터, 환자관련 정보 및/또는 의료상담 보조 콘텐츠 등을 저장하고 관리할 수 있다.In an embodiment, thestorage unit 150 may store and manage a plurality of lab data, patient-related information, and/or medical consultation auxiliary content.

이러한 저장부(150)는, ROM, RAM, EPROM, 플래시 드라이브, 하드 드라이브 등과 같은 다양한 저장기기일 수 있고, 인터넷(internet)상에서 상기 저장부(150)의 저장 기능을 수행하는 웹 스토리지(web storage)일 수도 있다.Thestorage unit 150 may be various storage devices such as ROM, RAM, EPROM, flash drive, hard drive, etc., and a web storage unit that performs a storage function of thestorage unit 150 over the Internet. ).

다음으로, 마이크(160)는, 의료상담 과정에서의 환자 및/또는 의사의 음성 입력을 감지할 수 있고, 감지된 음성을 기반으로 상담내용 녹음정보를 획득할 수 있다.Next, themicrophone 160 may detect a voice input of a patient and/or a doctor during a medical consultation process, and obtain recorded information of consultation contents based on the detected voice.

이때, 상담내용 녹음정보를 획득한 단말(100)은, 획득된 녹음정보를 의료상담 보조 콘텐츠를 통해 출력할 수 있다.In this case, the terminal 100 that has obtained the recording information of the consultation contents may output the obtained recorded information through the medical consultation auxiliary contents.

다음으로, 스피커(170)는, 딥러닝 기반의 당뇨병 약제 추천서비스와 관련된 오디오 정보를 출력할 수 있다.Next, thespeaker 170 may output audio information related to a deep learning-based diabetes drug recommendation service.

실시예로, 스피커(170)는, 의료상담 보조 콘텐츠에 포함된 상담내용 녹음정보를 출력하여 제공할 수 있다.In an embodiment, thespeaker 170 may output and provide the recorded information of consultation contents included in the auxiliary medical consultation contents.

마지막으로, 제어부(180)는, 딥러닝 기반의 당뇨병 약제 추천서비스를 제공하기 위하여 전술한 각 구성요소의 전반적인 동작을 컨트롤할 수 있다.Finally, thecontroller 180 may control the overall operation of each of the aforementioned components in order to provide a diabetic drug recommendation service based on deep learning.

이러한 제어부(180)는, ASICs (application specific integrated circuits), DSPs(digital signal processors), DSPDs(digital signal processing devices), PLDs(programmable logic devices), FPGAs(field programmable gate arrays), 제어기(controllers), 마이크로 컨트롤러(micro-controllers), 마이크로 프로세스(microprocessors), 기타 기능 수행을 위한 전기적 유닛 중 적어도 하나를 이용하여 구현될 수 있다.Thesecontrollers 180 include application specific integrated circuits (ASICs), digital signal processors (DSPs), digital signal processing devices (DSPDs), programmable logic devices (PLDs), field programmable gate arrays (FPGAs), controllers, It may be implemented using at least one of micro-controllers, microprocessors, and electrical units for performing other functions.

다만, 도 1에 도시된 구성요소들은 단말(100)을 구현하는데 있어서 필수적인 것은 아니어서, 본 명세서 상에서 설명되는 단말(100)은 위에서 열거된 구성요소들 보다 많거나, 또는 적은 구성요소들을 가질 수 있다.However, the components shown in FIG. 1 are not essential in implementing the terminal 100, so the terminal 100 described in this specification may have more or fewer components than the components listed above. have.

<의료상담 보조서비스 제공서버><Server for providing medical consultation auxiliary service>

또한, 본 발명의 실시예에서 의료상담 보조서비스 제공서버(이하, 서비스 제공서버)는, 단말(100)에서 의료상담 프로그램이 원활하게 실행되도록 보조할 수 있고, 의료상담 프로그램을 통해 딥러닝 기반의 당뇨병 약제 추천서비스를 위한 의료상담 보조 콘텐츠, 의료상담 콘텐츠 및/또는 약제추천 엔진을 제공할 수 있다.In addition, in an embodiment of the present invention, the medical consultation auxiliary service providing server (hereinafter, the service providing server) can assist in smoothly executing the medical consultation program in the terminal 100, and through the medical consultation program, the deep learning-based It is possible to provide a medical consultation auxiliary content, medical consultation content and/or a drug recommendation engine for a diabetes drug recommendation service.

또한, 서비스 제공서버는, 딥러닝 뉴럴 네트워크와 연동하여 수신된 환자관련 정보를 기반으로 해당 환자에게 최적화된 당뇨병 약제를 검출해 제공할 수 있다.In addition, the service providing server may detect and provide a diabetes drug optimized for a corresponding patient based on patient-related information received in connection with a deep learning neural network.

또한, 서비스 제공서버는, 환자별 계정을 생성해 관리할 수 있고, 생성된 환자의 계정과 매칭하여 의료상담 콘텐츠, 의료상담 보조 콘텐츠 또는 전자의무기록 중 적어도 하나 이상의 정보를 데이터베이스화하여 저장할 수 있다.In addition, the service providing server may create and manage an account for each patient, and store at least one of medical consultation content, medical consultation auxiliary content, or electronic medical record in a database by matching with the created patient account. .

이후, 서비스 제공서버는, 단말(100)에서 환자의 계정에 매칭된 정보를 요구할 시 의료상담 보조 콘텐츠로 제공할 수 있다.Thereafter, when the terminal 100 requests information matched to the patient's account, the service providing server may provide the information as an auxiliary content for medical consultation.

즉, 서비스 제공서버는, 딥러닝 기반의 당뇨병 약제 추천서비스를 보조할 수 있는 의료상담 보조 콘텐츠, 의료상담 콘텐츠 및 약제추천 엔진 등을 환자와 매칭해 관리하고, 이를 시각화된 이미지로 제공함으로써, 해당 환자와 의사 간 의료상담의 질을 향상시킬 수 있다.In other words, the service providing server matches and manages medical consultation auxiliary contents, medical consultation contents, and drug recommendation engines that can assist the diabetic drug recommendation service based on deep learning, and provides them as a visualized image. It can improve the quality of medical consultation between patients and doctors.

또한, 실시예에 따른 서비스 제공서버는, 전술한 의료상담 보조 콘텐츠 상에 의사가 상담내용을 손쉽고 효과적으로 입력할 수 있는 입력 인터페이스를 제공하고, 입력 인터페이스를 통해 생성된 의료상담 콘텐츠를 환자에게 다양한 방식으로 공유하여, 의료상담의 질을 향상시킬 수도 있다.In addition, the service providing server according to the embodiment provides an input interface through which a doctor can easily and effectively input consultation contents on the above-described medical consultation auxiliary contents, and provides medical consultation contents generated through the input interface to patients in various ways. By sharing it, the quality of medical consultation can be improved.

도 2는 본 발명의 실시예에 따른 의료상담 보조서비스 제공서버의 내부 블록도이다.2 is an internal block diagram of a medical consultation auxiliary service providing server according to an embodiment of the present invention.

도 2를 참조하면, 이러한 서비스 제공서버(200)는, 데이터 송수신부(210), 데이터 처리부(220), 약제추천 엔진(225) 및 데이터베이스(230)를 포함할 수 있다.Referring to FIG. 2, such aservice providing server 200 may include a data transmission/reception unit 210, adata processing unit 220, adrug recommendation engine 225, and adatabase 230.

먼저, 데이터 송수신부(210)는, 단말(100) 및/또는 외부서버와 딥러닝 기반의 당뇨병 약제 추천서비스를 제공하기 위한 데이터를 네트워크를 통해 주고받을 수 있다.First, the data transmission/reception unit 210 may exchange data for providing a diabetic drug recommendation service based on deep learning with the terminal 100 and/or an external server through a network.

다음으로, 데이터 처리부(220)는, 딥러닝 기반의 당뇨병 약제 추천서비스를 제공하기 위한 일련의 데이터 처리를 수행할 수 있다.Next, thedata processing unit 220 may perform a series of data processing to provide a diabetic drug recommendation service based on deep learning.

자세히, 데이터 처리부(220)는, 의료상담 보조 콘텐츠, 의료상담 콘텐츠 및/또는 약제추천 엔진 등을 제어하여 당뇨병 약제 추천 서비스와 관련된 일련의 동작을 수행할 수 있다.In detail, thedata processing unit 220 may perform a series of operations related to a diabetes drug recommendation service by controlling medical consultation auxiliary content, medical consultation content, and/or a drug recommendation engine.

여기서, 약제추천 엔진(225)은, 딥러닝 뉴럴 네트워크와 연동하여 환자관련 정보에 기반한 딥러닝을 수행할 수 있다.Here, thedrug recommendation engine 225 may perform deep learning based on patient-related information in connection with the deep learning neural network.

이때, 약제추천 엔진(225)과 연동되는 딥러닝 뉴럴 네트워크는, 본 발명의 실시예에 따라 환자 맞춤형 당뇨병 약제를 추출하는데 최적화되도록 서비스 제공서버(200)에 의해 학습될 수 있다.In this case, the deep learning neural network linked with thedrug recommendation engine 225 may be learned by theservice providing server 200 to be optimized to extract a patient-specific diabetes drug according to an embodiment of the present invention.

또한, 이러한 딥러닝 뉴럴 네트워크는, 서비스 제공서버(200)에 직접 설치될 수도 있고, 서비스 제공서버(200)와는 별도의 장치 및/또는 서버일 수도 있다. 이하에서는, 환자 맞춤형 당뇨병 약제를 검출하기 위한 딥러닝 뉴럴 네트워크가 서비스 제공서버(200)에 직접 설치되어 동작하는 것으로 설명한다.In addition, such a deep learning neural network may be installed directly on theservice providing server 200 or may be a separate device and/or server from theservice providing server 200. Hereinafter, it will be described that a deep learning neural network for detecting a patient-specific diabetes drug is directly installed and operated in theservice providing server 200.

한편, 데이터 처리부(220)는, ASICs (application specific integrated circuits), DSPs(digital signal processors), DSPDs(digital signal processing devices), PLDs(programmable logic devices), FPGAs(field programmable gate arrays), 제어기(controllers), 마이크로 컨트롤러(micro-controllers), 마이크(130)로 프로세스(microprocessors), 기타 기능 수행을 위한 전기적 유닛 중 적어도 하나를 이용하여 구현될 수 있다.Meanwhile, thedata processing unit 220 includes application specific integrated circuits (ASICs), digital signal processors (DSPs), digital signal processing devices (DSPDs), programmable logic devices (PLDs), field programmable gate arrays (FPGAs), controllers. ), micro-controllers, microprocessors with the microphone 130, and electrical units for performing other functions may be used.

또한, 데이터베이스(230)는, 딥러닝 기반의 당뇨병 약제 추천서비스와 관련된 각종 데이터를 저장할 수 있다.In addition, thedatabase 230 may store various data related to a deep learning-based diabetes drug recommendation service.

실시예로, 데이터베이스(230)는, 의료상담 보조 콘텐츠들을 검색가능하게 저장할 수 있으며, 환자의 계정들과 계정에 매칭하여 의료관련 정보들을 저장할 수 있다.In an embodiment, thedatabase 230 may store medical consultation auxiliary contents in a searchable manner, and may store medical related information by matching patient accounts and accounts.

이러한 데이터베이스(230)는, ROM, RAM, EPROM, 플래시 드라이브, 하드 드라이브 등과 같은 다양한 저장기기 일 수 있다.Thedatabase 230 may be various storage devices such as ROM, RAM, EPROM, flash drive, hard drive, and the like.

-딥러닝 기반의 당뇨병 약제 추천방법-Diabetes drug recommendation method based on deep learning

이하, 첨부된 도면을 참조하여 딥러닝을 기반으로 당뇨병 약제를 추천하는 방법을 상세히 설명하고자 한다.Hereinafter, a method of recommending a diabetes drug based on deep learning will be described in detail with reference to the accompanying drawings.

도 3은 본 발명의 실시예에 따른 딥러닝 기반의 당뇨병 약제 추천방법을 설명하기 위한 흐름도이다.3 is a flow chart illustrating a method for recommending a diabetes drug based on deep learning according to an embodiment of the present invention.

도 3을 참조하면, 먼저 단말(100)은, 의료상담 프로그램을 실행할 수 있다. (S101)Referring to FIG. 3, first, the terminal 100 may execute a medical consultation program. (S101)

자세히, 단말(100)은, 서비스 제공서버(200)와 연동하여 단말(100) 상에 설치된 의료상담 프로그램을 사용자의 입력에 따라 동작시킬 수 있다.In detail, the terminal 100 may operate a medical counseling program installed on the terminal 100 in connection with theservice providing server 200 according to a user's input.

여기서, 사용자는, 환자(당뇨병 환자)의 진료와 관련된 관계자 중 어느 하나가 될 수 있으며, 이하에서는 환자의 진료를 담당하는 의사에 한정하여 설명하기로 한다.Here, the user may be one of the persons concerned with the treatment of the patient (diabetic patient), and hereinafter, the description will be limited to the doctor in charge of the treatment of the patient.

또한, 단말(100)은, 실행된 의료상담 프로그램을 통해 제공되는 당뇨병 상담 어플리케이션에 대한 선택입력을 받을 수 있고, 해당 어플리케이션을 실행할 수 있다. (S103)In addition, the terminal 100 may receive a selection input for a diabetes counseling application provided through the executed medical counseling program, and may execute the corresponding application. (S103)

여기서, 당뇨병 상담 어플리케이션은, 환자의 당뇨병 의료상담을 보조하기 위한 의료상담 보조 콘텐츠와, 환자 맞춤형 당뇨병 약제를 딥러닝을 통해 추천해주는 약제추천 엔진을 포함할 수 있다.Here, the diabetes counseling application may include medical counseling supplementary content for assisting a patient's diabetes medical counseling, and a drug recommendation engine that recommends patient-specific diabetes drugs through deep learning.

도 4를 참조하면, 실시예에서 단말(100)은, 의료상담 프로그램에서 의사의 검색에 따라 검색된 의료상담 보조 콘텐츠와 약제추천 엔진들을 선택버튼과 함께 나열할 수 있다.Referring to FIG. 4, in an embodiment, the terminal 100 may list supplemental medical contents and drug recommendation engines searched according to a doctor's search in a medical consultation program together with a selection button.

그리고 단말(100)은, 나열된 의료상담 보조 콘텐츠와 약제추천 엔진들 중 의사가 선택한 적어도 하나 이상의 의료상담 보조 콘텐츠 및/또는 약제추천 엔진을 묶어 디스플레이로 표시할 수 있고, 환자와의 의료상담을 위한 자료로 활용하게 할 수 있다.In addition, the terminal 100 may bundle and display at least one medical consultation auxiliary content and/or a drug recommendation engine selected by a doctor among the listed medical consultation auxiliary contents and drug recommendation engines, and for medical consultation with a patient. It can be used as data.

다음으로, 당뇨병 상담 어플리케이션을 실행한 단말(100)은, 해당 어플리케이션의 의료상담 콘텐츠를 통하여 문진정보를 획득할 수 있다. (S105)Next, the terminal 100 executing the diabetes counseling application may acquire the questionnaire information through the medical counseling content of the application. (S105)

자세히, 여기서 문진정보란, 의사와 환자 간의 의료상담을 통해 획득되는 환자관련 정보로서, 환자의 키, 체중, 나이, 성별, 저혈당 위험도, 심뇌혈관동반질환 보유여부(심혈관질환, 심부전, 뇌혈관 질환 등), 기타 동반질환 보유여부(고혈압, 지방간, 망막병증, 소화불량 및 설사 등 만성 위장질환, 신기능장애, 만성 방광염 등의 비뇨기계 감염, 골다공증, 췌장염 또는 췌장암 등), 가족력, 흡연 여부, 음주 정도, 임신, 식습관 등의 정보를 포함할 수 있다.In detail, the questionnaire information here is patient-related information obtained through medical consultation between the doctor and the patient, and the patient's height, weight, age, sex, risk of hypoglycemia, and cardiovascular comorbidity (cardiovascular disease, heart failure, cerebrovascular disease) Etc.), other concomitant diseases (high blood pressure, fatty liver, retinopathy, chronic gastrointestinal diseases such as indigestion and diarrhea, kidney dysfunction, urinary system infections such as chronic cystitis, osteoporosis, pancreatitis or pancreatic cancer, etc.), family history, smoking status, alcohol consumption It may include information such as degree, pregnancy, and eating habits.

보다 상세히, 도 5를 참조하면, 단말(100)은, 먼저 해당 어플리케이션을 통해 당뇨병 관련 의료상담 보조 콘텐츠를 출력할 수 있고, 출력되는 의료상담 보조 콘텐츠 상에 의료상담 관련 내용(즉, 문진정보)을 입력할 수 있는 상담내용 입력 인터페이스를 제공할 수 있다.In more detail, referring to FIG. 5, the terminal 100 may first output diabetes-related medical consultation auxiliary content through a corresponding application, and medical consultation related content (ie, interview information) on the output medical consultation auxiliary content. It is possible to provide a consultation content input interface for inputting.

이때, 당뇨병 관련 의료상담 보조 콘텐츠는, 의사가 환자의 상태를 문진한 정보를 체계적으로 입력할 수 있는 입력 페이지를 포함할 수 있다.In this case, the diabetes-related medical consultation auxiliary content may include an input page through which a doctor may systematically input information about a patient's condition.

실시예로, 당뇨병 관련 의료상담 보조 콘텐츠는, 환자의 키, 체중, 나이, 성별, 저혈당 위험도, 심뇌혈관동반질환 보유여부, 기타 동반질환 보유여부, 가족력, 흡연 여부, 음주 정도, 임신 여부에 대한 정보를 입력할 수 있는 입력 페이지를 제공할 수 있다.As an example, the supplementary content for medical consultation related to diabetes includes the patient's height, weight, age, sex, hypoglycemia risk, cardio-cerebrovascular disease, other concomitant diseases, family history, smoking, alcohol consumption, and pregnancy. You can provide an input page where you can enter information.

그리고 단말(100)은, 이러한 입력 페이지와 상담내용 입력 인터페이스를 통해 입력된 환자 문진정보를 포함하는 의료상담 보조 콘텐츠에 기초하여, 의료상담 콘텐츠를 획득할 수 있다.In addition, the terminal 100 may obtain the medical consultation content based on the medical consultation auxiliary content including the patient interview information input through the input page and the consultation content input interface.

즉, 단말(100)은, 당뇨병 관련 의료상담 보조 콘텐츠에 기반한 의료상담 콘텐츠를 통하여 환자 문진정보를 획득할 수 있다.That is, the terminal 100 may obtain patient interview information through medical consultation content based on the diabetes-related medical consultation auxiliary content.

또한, 단말(100)은, 당뇨병 관련 의료상담 보조 콘텐츠 상에 환자의 문진정보가 보다 효율적으로 입력되게 하기 위하여, 해당 환자의 계정과 매칭되어 의료상담 프로그램 또는 서버에 기저장되어 있는 개인정보를 입력 페이지에 자동으로 삽입하거나, 문진정보로 획득할 수 있다.In addition, the terminal 100 inputs personal information that is matched with the patient's account and previously stored in the medical consultation program or server in order to more efficiently input the patient's interview information on the diabetes-related medical consultation auxiliary content. It can be automatically inserted into the page or obtained as paperweight information.

또한, 단말(100)은, 병원 서버나 서비스 제공서버(200)로부터 환자의 정보(예컨대, EHR, EMR 등)를 수신하여 문진정보에 포함시킬 수 있다.In addition, the terminal 100 may receive patient information (eg, EHR, EMR, etc.) from the hospital server or theservice providing server 200 and include it in the interview information.

이와 같이, 단말(100)은, 의료상담 보조 콘텐츠와 의료상담 콘텐츠를 이용하여 환자의 문진정보를 손쉽게 체계적으로 획득할 수 있고, 별도의 추가 입력절차 없이 환자의 진료를 수행하는 과정에서 획득된 문진정보를 시스템에 자동으로 입력할 수 있다.In this way, the terminal 100 can easily and systematically obtain patient interview information by using the medical consultation auxiliary content and the medical consultation content, and the questionnaire obtained in the process of performing the patient's treatment without a separate additional input procedure. Information can be automatically entered into the system.

다음으로, 환자의 문진정보를 획득한 단말(100)은, 환자의 신체검사 결과에 기초한 검사정보(예컨대, 랩 데이터)를 획득할 수 있다. (S107)Next, the terminal 100 that has obtained the patient's interview information may acquire test information (eg, lab data) based on the patient's physical examination result. (S107)

여기서, 검사정보란, 간기능 검사(AST, ALT, total bilirubin) 및/또는 신기능 검사(serum creatinine) 등을 포함할 수 있는 혈액검사 및/또는 요 검사 등을 포함할 수 있는 신체검사를 통해 획득되는 환자관련 정보로서, 환자의 혈당 수치(공복혈당, 식후 혈당, 당화혈 색소, 혈당 변동성(glucose variability)), 인슐린 분비능, 인슐린 저항성, 간기능, 신기능 또는 단백뇨 여부 등의 정보를 포함할 수 있다.Here, the test information is obtained through a physical examination that may include a blood test and/or a urine test that may include a liver function test (AST, ALT, total bilirubin) and/or a renal function test (serum creatinine). As patient-related information, the patient's blood sugar level (fasting blood sugar, postprandial blood sugar, glycated blood pigment, glucose variability), insulin secretion ability, insulin resistance, liver function, renal function, or proteinuria may include information. .

자세히, 단말(100)은, 이러한 환자의 검사정보를 획득하기 위하여 해당 환자의 신체검사를 진행한 병원의 서버, 해당 환자와 의료상담을 수행하고 있는 병원의 서버 또는 해당 환자의 계정과 매칭된 검사정보가 저장되어 있을 수 있는 서비스 제공서버(200)(의료상담 프로그램) 중 적어도 어느 하나와 데이터를 송수신하여 환자의 검사정보를 획득할 수 있다.In detail, the terminal 100 is a server of a hospital that has performed a physical examination of the patient in order to obtain such patient's examination information, a server of a hospital performing medical consultation with the patient, or an examination matched with the account of the patient. The patient's examination information may be obtained by transmitting and receiving data with at least one of the service providing server 200 (medical counseling program) in which the information may be stored.

또한, 단말(100)은, 획득된 검사정보를 취합해 서비스 제공서버(200)로 송신하여 환자 맞춤형 당뇨병 약제를 검출하기 위한 딥러닝의 기초 데이터로 사용할 수 있다.In addition, the terminal 100 may collect the acquired test information and transmit it to theservice providing server 200 to use it as basic data for deep learning for detecting patient-specific diabetes drugs.

더하여, 단말(100)은, 획득된 검사정보를 자체적으로 또는 외부의 서버와 연동해 딥러닝하여 환자의 생활패턴 정보를 추출할 수 있다.In addition, the terminal 100 may extract the patient's life pattern information by deep learning the acquired examination information by itself or in connection with an external server.

여기서, 생활패턴 정보란, 환자의 약물 복용 지도를 준수한 정도를 나타내는 지표인 약물 컴플라이언스(Compliance), 음주습관, 식습관 및 운동량, 체중변화 및/또는 스트레스 항목 중 적어도 하나 이상의 항목에 대한 생활습관 정보를 의미한다.Here, the lifestyle pattern information includes lifestyle information on at least one of the items of drug compliance, drinking habits, eating habits and exercise, weight change and/or stress, which are indicators indicating the degree of compliance with the patient's drug administration guidance. it means.

또한, 단말(100)은, 추출된 생활패턴 정보를 해당 환자의 문진정보에 더 포함하여 제공할 수 있다. 보다 자세한 내용은 이하에서 후술하기로 한다.In addition, the terminal 100 may further include and provide the extracted life pattern information in the patient's interview information. More details will be described later.

이와 같이, 단말(100)은, 환자의 문진정보에 더하여 해당 환자의 신체검사 결과에 기초한 검사정보까지 활용하는 환자 맞춤형 당뇨병 약제 추천서비스를 제공함으로써, 의료상담을 통한 환자관련 정보와, 신체검사를 통한 환자관련 정보를 고려하여 객관적 데이터 기반의 신뢰성 높은 당뇨병 약제 추천서비스를 구현할 수 있다.In this way, the terminal 100 provides a patient-tailored diabetes drug recommendation service that utilizes test information based on the patient's physical examination result in addition to the patient's interview information, thereby providing patient-related information and physical examination through medical consultation. Considering patient-related information through objective data, a highly reliable diabetes drug recommendation service can be implemented.

다음으로, 문진정보 및 검사정보를 포함하는 환자정보를 획득한 단말(100)은, 획득된 환자정보에 기초하여 특정 당뇨병 약제정보를 제공할 수 있다. (S109)Next, the terminal 100 that has obtained patient information including interview information and examination information may provide specific diabetes drug information based on the obtained patient information. (S109)

여기서, 특정 당뇨병 약제란, 환자가 특정 상태인 경우 반드시 처방해야할 당뇨병 약제를 의미한다.Here, the specific diabetes drug refers to a diabetes drug that must be prescribed when a patient is in a specific state.

예를 들어, 소정의 혈당 수치 이상, 간기능 장애, 신기능 장애 및/또는 임신 등과 같은 특정 상태의 경우에는, 반드시 '인슐린(Insulin)'을 사용해야한다.For example, in the case of certain conditions such as abnormal blood sugar levels, liver dysfunction, renal dysfunction and/or pregnancy,'insulin' must be used.

즉, 단말(100)은, 환자정보에서 특정 상태가 검출되면, 이후 적합한 약제를 추천하기 위한 딥러닝 뉴럴 네트워크를 활용하지 않고, 특정 상태에 따라 매칭된 당뇨병 약제정보를 특정 상태와 함께 출력하여, 의사의 당뇨병 약제 처방을 보조할 수 있다.That is, when a specific condition is detected in the patient information, the terminal 100 outputs diabetes drug information matched according to the specific state along with the specific state, without using a deep learning neural network for recommending suitable drugs thereafter, You can help your doctor prescribe diabetes medication.

이를 위해, 단말(100)은, 먼저 획득된 환자정보에서 기 설정된 특정 상태에 해당되는지 여부를 검출할 수 있다.To this end, the terminal 100 may detect whether it corresponds to a predetermined specific state from the patient information obtained first.

그리고 단말(100)은, 도출된 환자 상태가 기설정된 특정 상태(예컨대, 소정의 혈당 수치 이상, 간기능 장애, 신기능 장애 및/또는 임신 등)라고 판단된 경우, 해당 특정 상태에 매칭되어 있는 특정 당뇨병 약제를 검출할 수 있다.And the terminal 100, when it is determined that the derived patient state is a predetermined specific state (eg, abnormal blood glucose level, liver dysfunction, renal dysfunction and/or pregnancy, etc.), the specific state matching the specific state Diabetes drugs can be detected.

계속해서, 단말(100)은, 검출된 특정 당뇨병 약제정보를 의료상담 보조 콘텐츠 등을 통해 디스플레이로 출력하여 제공할 수 있다.Subsequently, the terminal 100 may output and provide the detected specific diabetes drug information on a display through medical consultation auxiliary content or the like.

이를 통해, 단말(100)은, 확률을 기반으로 환자에게 적합한 당뇨병 약제를 추천하는 딥러닝 시스템이 환자가 특정 상태임에도 불구하고 특정 상태에 매칭된 당뇨병 약제 이외의 타 약제를 추천할 수 있는 문제점을 보완할 수 있다. 즉, 단말(100)은, 사전에 환자의 특정 상태가 있는지를 먼저 판별하고 특정 상태가 없는 경우에만 딥러닝 시스템을 통해 당뇨병 약제를 추천할 수 있다.Through this, the terminal 100 solves the problem that the deep learning system recommending suitable diabetes drugs to the patient based on probability can recommend other drugs other than the diabetes drugs matched to the specific state even though the patient is in a specific state. Can be supplemented. That is, the terminal 100 may first determine whether there is a specific condition of the patient in advance, and recommend a diabetes drug through the deep learning system only when there is no specific condition.

여기서, 특정 당뇨병 약제정보는, 환자가 특정 상태인 경우 환자에게 반드시 처방해야할 약제로 판단된 당뇨병 약제에 대한 정보로서, 해당 당뇨병 약제의 명칭, 작용기전과 용법, 체중증가 정보, 저혈당(단독) 정보, A1C감소(단독요법) 정보, 정 당 가격정보, 부작용 정보, 주의점 정보 등을 포함할 수 있다.Here, the specific diabetes drug information is information on the diabetes drug that is determined to be a drug that must be prescribed to the patient when the patient is in a specific state, and the name of the diabetes drug, mechanism of action and usage, weight gain information, hypoglycemia (alone) information , A1C reduction (alone therapy) information, price information per party, side effect information, information on precautions, etc. may be included.

이와 같이, 단말(100)은, 특정 당뇨병 약제가 매칭되어 있는 특정 상태를 먼저 판별하여, 불필요한 딥러닝 및 데이터 처리 동작을 최소화할 수 있고 처방 오류 발생을 최소화할 수 있다.In this way, the terminal 100 may first determine a specific state in which a specific diabetes drug is matched, thereby minimizing unnecessary deep learning and data processing operations, and minimizing the occurrence of prescription errors.

다음으로, 단말(100)은, 해당 환자가 특정 상태가 아닐 경우, 환자정보를 기초로 추천 당뇨병 약제정보를 획득할 수 있다. (S111)Next, when the patient is not in a specific state, the terminal 100 may obtain recommended diabetes drug information based on patient information. (S111)

여기서, 추천 당뇨병 약제정보는, 딥러닝을 통해 환자에게 추천하는 당뇨병 약제에 대한 정보로서, 해당 당뇨병 약제의 명칭, 작용기전과 용법, 체중증가 정보, 저혈당(단독) 정보, A1C감소(단독요법) 정보, 정 당 가격정보, 부작용 정보 또는 주의점 정보 등을 포함할 수 있다.Here, the recommended diabetes drug information is information on the diabetes drug recommended to the patient through deep learning, and the name of the diabetes drug, mechanism of action and usage, weight gain information, hypoglycemia (alone) information, A1C reduction (alone therapy) It may include information, fair price information, side effect information, or cautionary information.

자세히, 단말(100)은, 약제추천 엔진을 통하여 환자정보를 입력 데이터, 추천 당뇨병 약제정보를 출력 데이터로 하는 딥러닝 뉴럴 네트워크를 이용해 추천 당뇨병 약제정보를 획득할 수 있다.In detail, the terminal 100 may obtain recommended diabetes drug information using a deep learning neural network in which patient information is input data and recommended diabetes drug information is output data through a drug recommendation engine.

여기서, 딥러닝 뉴럴 네트워크란, 여러 비선형 변환기법의 조합을 통해 높은 수준의 추상화(abstractions, 다량의 데이터나 복잡한 자료들 속에서 핵심적인 내용 또는 기능을 요약하는 작업)를 시도하는　머신 러닝 알고리즘의 집합으로 정의되며, 컴퓨터가 인간을 대체해 방대한 양의 입력 데이터를 분석하고, 사물이나 데이터를 군집화하거나 분류할 수 있도록 한다.Here, a deep learning neural network is a set of machine learning algorithms that attempts high-level abstractions (summarizing key contents or functions in a large amount of data or complex data) through a combination of several nonlinear transducers. It is defined as, and allows computers to replace humans to analyze vast amounts of input data and to cluster or classify objects or data.

즉, 본 발명의 실시예에서 단말(100)은, 약제추천 엔진과 연동하여 이러한 딥러닝 뉴럴 네트워크에 입력 데이터로 환자정보를 입력할 수 있고, 입력된 환자정보를 기반으로 머신 러닝 알고리즘을 통해 수행된 딥러닝의 출력 데이터인 환자 맞춤형 당뇨병 약제정보를 획득할 수 있다.That is, in the embodiment of the present invention, the terminal 100 may input patient information as input data into this deep learning neural network in connection with a drug recommendation engine, and perform through a machine learning algorithm based on the input patient information. It is possible to obtain patient-specific diabetes drug information, which is the output data of the deep learning.

이때, 딥러닝 뉴럴 네트워크는, 입력 데이터를 기반으로 환자 상태를 도출할 수 있으며, 해당 환자 상태에 적합한 당뇨병 약제를 출력 데이터로 출력할 수 있다.In this case, the deep learning neural network may derive a patient state based on input data, and may output a diabetes drug suitable for the patient state as output data.

또한, 딥러닝 뉴럴 네트워크는, 출력 데이터인 환자 맞춤형 당뇨병 약제로서 경구혈당강하제 및/또는 주사제에 포함되는 다수의 당뇨병 약제 중 적어도 하나 이상을 검출하여 출력할 수 있다.In addition, the deep learning neural network may detect and output at least one or more of a plurality of diabetes drugs included in an oral hypoglycemic agent and/or an injection as a patient-specific diabetes drug as output data.

자세히, 본 발명의 실시예에 따른 당뇨병 약제 분류 모식도의 일례를 나타내는 도 6을 참조하면, 당뇨병 약제는, 경구혈당강하제 8종류와 주사제 2종류로 분류되어 있을 수 있다.In detail, referring to FIG. 6 showing an example of a schematic diagram for classifying diabetes drugs according to an embodiment of the present invention, diabetes drugs may be classified into 8 types of oral hypoglycemic agents and 2 types of injections.

이때, 도 6 상에서는 SU/GLN과 같이 sulphonylurea/meglinide를 하나의 카테고리로 분류하였으나, 이는 각각으로 분리될 수도 있다.In this case, in FIG. 6, sulphonylurea/meglinide is classified into one category as in SU/GLN, but these may be separated into each of them.

보다 상세히, 도 7 및 8을 참조하면, 먼저 경구혈당강하제는 그 작용기전에 따라 다음과 같이 분류될 수 있다.In more detail, referring to FIGS. 7 and 8, first, oral hypoglycemic agents can be classified as follows according to their mechanism of action.

첫째는 베타세포로부터 인슐린 분비를 직접 자극하는 sulfonylurea계, 둘째는 간에서 포도당 합성을 억제하는 biguanide계, 셋째는 장에서 포도당 흡수를 억제하는 알파 글루코시다제 억제제(a-glucosidase Inhibitor)계, 넷째로 말초 인슐린 저항성을 개선시키는 thiazolidinedione (TZD)계, megkutubude계, 인크레틴 효과를 증강시키는 DPP-4 억제(inhibitor)제, 신세뇨관에서 포도당 재흡수를 억제시켜 혈당을 떨어뜨리는 Sodium GLucose coTransporter2 Inhibitor (SGLT2 억제제)가 있다.The first is the sulfonylurea system that directly stimulates insulin secretion from beta cells, the second is the biguanide system that inhibits glucose synthesis in the liver, and the third is the alpha glucosidase inhibitor (a-glucosidase Inhibitor) system that inhibits glucose absorption in the intestine, and the fourth Thiazolidinedione (TZD) system that improves peripheral insulin resistance, megkutubude system, DPP-4 inhibitor that enhances incretin effect, Sodium GLucose coTransporter2 Inhibitor (SGLT2 inhibitor) that lowers blood sugar by inhibiting glucose reuptake in renal tubules ).

한편, 주사제는, GLP-1 receptor agonist, 인슐린(지속형, 속효성, 믹스형)을 포함할 수 있다.On the other hand, the injection may include GLP-1 receptor agonist, insulin (persistent, fast-acting, mixed type).

다시 말해서, 단말(100)은, 딥러닝 뉴럴 네트워크를 통하여 위와 같은 경구혈당강하제들과 주사제들 중 환자에게 적합한 적어도 하나 이상의 당뇨병 약제를 추출할 수 있고, 추출된 당뇨병 약제를 환자에게 제공할 추천 당뇨병 약제로 결정할 수 있다.In other words, the terminal 100 may extract at least one diabetes drug suitable for a patient from among the above oral hypoglycemic drugs and injections through the deep learning neural network, and provide the extracted diabetes drug to the patient. It can be decided by the drug.

이와 같이, 단말(100)은, 환자와의 의료상담을 통해 획득된 문진정보와 환자의 신체검사 결과를 기초로 획득된 검사정보를 기반으로 딥러닝을 수행하여, 환자정보에 기반한 맞춤형 당뇨병 약제 추천서비스를 제공함으로써, 환자 맞춤형 당뇨병 약제 선정에 소요되는 비용 및 시간을 절약할 수 있고, 제공되는 추천 당뇨병 약제에 대한 신뢰도 및 정확도를 향상시킬 수 있다.In this way, the terminal 100 performs deep learning based on the examination information obtained based on the patient's physical examination result and the interview information obtained through medical consultation with the patient, and recommends customized diabetes drugs based on the patient information. By providing a service, it is possible to save the cost and time required for selecting a patient-tailored diabetes drug, and improve the reliability and accuracy of the provided recommended diabetes drug.

또한, 단말(100)은, 딥러닝을 통한 인공지능적 데이터 처리를 통하여 좀더 정확하게 환자에게 적합한 당뇨병 약제를 처방하도록 보조할 수 있다.In addition, the terminal 100 may assist in prescribing a diabetes drug suitable for a patient more accurately through artificial intelligence data processing through deep learning.

한편, 본 발명의 실시예에서 딥러닝 뉴럴 네트워크는, 지도 학습(Supervised Learning)을 통해 환자 맞춤형 당뇨병 약제를 추천하는데 최적화되도록 학습될 수 있다.Meanwhile, in an embodiment of the present invention, the deep learning neural network may be learned to be optimized to recommend patient-specific diabetes drugs through supervised learning.

자세히, 딥러닝 뉴럴 네트워크는, 전문 의료진에 의해 불특정 다수의 환자에게 기 처방되었던 당뇨병 약제 데이터를 기초로 생성된 학습 데이터를 통하여 학습될 수 있다. 즉, 환자의 환자정보에 기반한 환자 상태에 따라 기 처방되었던 당뇨병 약제정보를 이용하여 딥러닝 뉴럴 네트워크 학습이 이루어질 수 있다.In detail, the deep learning neural network may be learned through learning data generated based on diabetes drug data that has been previously prescribed to a plurality of unspecified patients by a professional medical staff. That is, deep learning neural network learning may be performed using diabetes drug information previously prescribed according to the patient's condition based on the patient information of the patient.

예를 들어, 딥러닝 뉴럴 네트워크는, 심혈관 질환이 있고 복부 비만이 심한 40대 남성 환자에게는 GLP-1 RA or SGLT2 inhibitor를 제공하는 기 처방정보, 70대 고령, 탄수화물 섭취가 많아 식후 혈당이 높고, 저혈당 위험이 높은 사람에게는 DPP4 억제제, A-glucosidase inhibitor를 추천하고, A-glucosidase inhibitor는 중등도 이상 신기능 장애 및 만성 장질환 동반 시에는 사용하지 않는 기 처방정보, 심혈관질환이 있으나 중증의 신기능, 간기능 장애 동반되어 있는 60대 여자 환자에게는 인슐린(그 외 약제 사용불가)을 제공하는 기 처방정보 등의 학습 데이터를 통해 트레이닝 될 수 있다.For example, the deep learning neural network provides prescribing information that provides GLP-1 RA or SGLT2 inhibitor to male patients in their 40s with cardiovascular disease and severe abdominal obesity, seniors in their 70s, and high postprandial blood sugar due to high carbohydrate intake. DPP4 inhibitors and A-glucosidase inhibitors are recommended for people with high risk of hypoglycemia, and A-glucosidase inhibitors are not used when accompanied by moderate or severe renal dysfunction and chronic bowel disease, cardiovascular disease, but severe renal function and liver function. For female patients in their 60s with disabilities, they can be trained through learning data such as prescribing information that provides insulin (other drugs cannot be used).

또한, 딥러닝 뉴럴 네트워크는, GLP-1 receptor agonist는 주사제이나 인슐린을 사용하기 전에 자주 사용되므로 경구혈당강하제와 거의 대등한 관계로 이용한다는 기 처방정보 즉, 경구혈당강하제와 GLP-1 receptor agonist는 환자의 특성에 따라 대등하게 당뇨병 약제로 추천되는 기 처방정보와, 간기능 장애, 신기능장애, 임신, 혈당이 너무 높은 경우는 인슐린을 제공하는 기 처방정보 등을 학습 데이터로 이용할 수 있다.In addition, in the deep learning neural network, since GLP-1 receptor agonist is frequently used before injection or insulin is used, prescribing information that it is used in almost the same relationship with oral hypoglycemic drugs, namely oral hypoglycemic drugs and GLP-1 receptor agonist Depending on the characteristics of the patient, prescribing information recommended for diabetes drugs and prescribing information for providing insulin in case of liver dysfunction, renal dysfunction, pregnancy, and blood sugar is too high can be used as learning data.

즉, 딥러닝 뉴럴 네트워크는, 위와 같은 학습 데이터를 이용하여 환자 맞춤형 당뇨병 약제 추천에 최적화되도록 딥러닝 학습될 수 있다.That is, the deep learning neural network may be deep-learned to be optimized for patient-specific diabetes drug recommendation using the above learning data.

또한, 딥러닝 뉴럴 네트워크는, 환자정보에 기초하여 검출된 적어도 하나 이상의 추천 당뇨병 약제를 해당 환자 상태와 매칭율이 높은 약제 순으로 나열하여 추천 당뇨병 약제정보로 출력할 수 있다.In addition, the deep learning neural network may output the recommended diabetes drug information by listing at least one recommended diabetes drug detected based on patient information in the order of a corresponding patient state and a drug having a high matching rate.

즉, 단말(100)은, 환자정보를 기초로 해당 환자 상태와 매칭율이 높은 약제 순으로 나열된 추천 당뇨병 약제정보를 획득할 수 있다.That is, the terminal 100 may obtain recommended diabetes drug information listed in the order of a corresponding patient state and drugs having a high matching rate based on the patient information.

다음으로, 추천 당뇨병 약제정보를 획득한 단말(100)은, 획득된 추천 당뇨병 약제정보를 디스플레이로 출력할 수 있다. (S113)Next, the terminal 100 that has obtained the recommended diabetes drug information may output the obtained recommended diabetes drug information on a display. (S113)

자세히, 도 9를 참조하면, 단말(100)은, 의료상담 보조 콘텐츠를 통하여 추천 당뇨병 약제정보를 환자 상태와 매칭율이 높은 약제 순으로 나열하여 표시할 수 있다.In detail, referring to FIG. 9, the terminal 100 may display recommended diabetes drug information in the order of patient status and drugs having a high matching rate through medical consultation auxiliary content.

예를 들어, 단말(100)은, 추천 당뇨병 약제정보를 추천 당뇨병 약제정보 표시창(B)을 통해 출력할 수 있고, 환자 상태와 추천 당뇨병 약제 간의 매칭율 정보를 매칭율(%) 표시창(C)을 통해 출력할 수 있다.For example, the terminal 100 may output the recommended diabetes drug information through the recommended diabetes drug information display window (B), and display the matching rate information between the patient status and the recommended diabetes drug in a matching rate (%) display window (C) You can print it through

예시로, 단말(100)은, 추천 당뇨병 약제정보로 '약제명: Sulfonylurea', '작용기전과 용법: 베타세포에서 인슐린 분비 증가, 식전 복용', '체중 증가: 있음', '저혈당(단독): 있음', 'A1C감소(단독요법): 1.0-2.0%', '가격/정: 115-276원', 부작용: 관절통, 관절염, 요통, 기관지염', '주의점: 중증 간, 신장애, 이차실패'를 표시할 수 있다.For example, the terminal 100, as recommended diabetes drug information,'drug name: Sulfonylurea','action mechanism and usage: increased insulin secretion from beta cells, taking before meals','weight gain: yes','low blood sugar (alone) : Yes','A1C reduction (alone therapy): 1.0-2.0%','Price/Price: 115-276 won', Side effects: Joint pain, arthritis, back pain, bronchitis','Notes: Severe liver, renal impairment, secondary failure 'Can be displayed.

또한, 단말(100)은, 추천 당뇨병 약제정보 및/또는 매칭율 정보와 함께 해당 환자정보를 표시할 수 있다.In addition, the terminal 100 may display corresponding patient information together with recommended diabetes drug information and/or matching rate information.

즉, 단말(100)은, 추천 당뇨병 약제정보와 매칭율 정보를 환자정보와 연계하여 확인할 수 있도록 환자정보 표시창(A)을 통해 환자정보를 제공함으로써, 정보 이용자(즉, 의사)가 보다 능률적으로 정보를 습득하게 할 수 있다.That is, the terminal 100 provides patient information through the patient information display window (A) so that recommended diabetes drug information and matching rate information can be checked in connection with patient information, so that information users (ie, doctors) can more efficiently It can be made to acquire information.

또한, 단말(100)은, 환자 상태와 매칭율이 높은 순서대로 추천 당뇨병 약제정보를 표시함으로써, 의사가 추천 당뇨병 약제의 우선순위를 직관적으로 인지하게 할 수 있다.In addition, the terminal 100 may intuitively recognize the priority of the recommended diabetes drug by displaying the recommended diabetes drug information in the order of the patient state and the matching rate of high.

한편, 본 발명의 실시예에서 단말(100)은, 환자의 신체검사 결과를 기반으로 획득된 검사정보에 기초하여 해당 환자의 생활패턴 정보를 추출할 수 있다.Meanwhile, in an embodiment of the present invention, the terminal 100 may extract life pattern information of a corresponding patient based on examination information obtained based on the patient's physical examination result.

즉, 단말(100)은, 환자 문진시 밝혀내지 못한 환자정보를 보충하기 위하여, 검사정보로부터 생활패턴 정보를 추출하고, 이를 환자정보에 포함시켜 좀더 풍부한 정보를 기초로 환자에게 적합한 당뇨병 약제를 추천할 수 있다.That is, the terminal 100 extracts life pattern information from the test information and includes it in the patient information to supplement patient information that was not revealed during the patient interview, and recommends a diabetes drug suitable for the patient based on more abundant information. can do.

자세히, 단말(100)은, 환자의 신체검사 중 혈액검사에 따른 랩 데이터를 획득하여 저장할 수 있고, 획득된 랩 데이터를 기반으로 해당 환자의 생활패턴 정보를 획득하여 출력할 수 있다.In detail, the terminal 100 may acquire and store lap data according to a blood test during a patient's physical examination, and may obtain and output life pattern information of a corresponding patient based on the obtained lap data.

보다 상세히, 단말(100)은, 환자의 혈액검사에 따른 복수의 랩 데이터를 획득할 수 있고, 획득된 복수의 랩 데이터를 서비스 제공서버(200)로 송신할 수 있다.In more detail, the terminal 100 may acquire a plurality of lap data according to a patient's blood test, and may transmit the obtained plurality of lap data to theservice providing server 200.

그리고 혈액검사 기반의 랩 데이터를 수신한 서비스 제공서버(200)는, 수신된 랩 데이터를 기반으로 생활패턴 정보를 획득할 수 있으며, 획득된 생활패턴 정보를 의료상담 보조 콘텐츠를 통해 단말(100)로 제공할 수 있다.In addition, theservice providing server 200 receiving the blood test-based lab data may obtain life pattern information based on the received lab data, and the obtained life pattern information is transferred to the terminal 100 through medical consultation auxiliary content. Can be provided as

또한, 단말(100)은, 서비스 제공서버(200)로부터 수신된 생활패턴 정보를 해당 환자의 문진정보에 더 포함할 수 있다.In addition, the terminal 100 may further include the life pattern information received from theservice providing server 200 in the patient's interview information.

도 10은 본 발명의 실시예에 따른 혈액검사 기반의 생활패턴 추정을 위한 의료상담 보조서비스 제공서버(200)의 내부 블록도이다.10 is an internal block diagram of a medical consultation auxiliaryservice providing server 200 for estimating a life pattern based on a blood test according to an embodiment of the present invention.

도 10을 참조하면, 서비스 제공서버(200)는, 네트워크를 통해 생활패턴 항목별 딥러닝 뉴럴 네트워크와 연동할 수 있다.Referring to FIG. 10, theservice providing server 200 may interwork with a deep learning neural network for each life pattern item through a network.

그리고 서비스 제공서버(200)는, 생활패턴 항목별 딥러닝 뉴럴 네트워크를 이용하여 단말(100)로부터 수신된 혈액검사 랩 데이터에 기반한 환자의 생활패턴 정보 및/또는 변화인자를 출력할 수 있다.In addition, theservice providing server 200 may output life pattern information and/or a change factor of a patient based on the blood test lab data received from the terminal 100 using a deep learning neural network for each life pattern item.

여기서, 혈액검사 기반의 랩 데이터에는, 혈액 요소인 Fasting glucose(공복혈당), HbA1c(당화혈색소), BUN(Blood Urea Nitrogen, 혈액요소질소), Creatinine(크레아티닌), Total Bilirubin(총 빌리루빈), AST(GOT), ALT(GPT), ALP (Alkaline Phosphatase), γ-GTP(감마지티피), Total Cholesterol(총 콜레스테롤), Triglyceride(중성지방), HDL-Cholesterol(고밀도지단백 콜레스테롤), LDL-Cholesterol(저밀도지단백 콜레스테롤) 및 CPK 중 적어도 하나 이상의 수치 또는 퍼센트 정보를 포함할 수 있다.Here, the blood test-based lab data includes blood elements such as Fasting glucose (fasting glucose), HbA1c (glycosylated hemoglobin), BUN (Blood Urea Nitrogen, blood urea nitrogen), Creatinine (creatinine), Total Bilirubin (total bilirubin), and AST. (GOT), ALT (GPT), ALP (Alkaline Phosphatase), γ-GTP (Gamma GTP), Total Cholesterol (total cholesterol), Triglyceride (triglyceride), HDL-Cholesterol (high-density lipoprotein cholesterol), LDL-Cholesterol ( Low-density lipoprotein cholesterol) and CPK.

그리고 생활패턴 정보란, 환자의 약물 복용 지도를 준수한 정도를 나타내는 지표인 약물 컴플라이언스(Compliance), 음주습관, 식습관 및 운동량 중 적어도 하나 이상의 항목에 대한 생활습관 정보를 의미한다. 또한, 생활패턴 정보는, 환자의 체중 변화 정보 및/또는 스트레스 정보를 더 포함할 수 있다.In addition, the lifestyle pattern information refers to lifestyle information on at least one item among drug compliance, drinking habits, eating habits, and exercise amount, which are indicators indicating the degree of compliance with the patient's drug intake guidance. In addition, the life pattern information may further include information on a change in weight of the patient and/or information on stress.

또한, 변화인자는, 이전 혈액검사 대비 소정의 퍼센트 이상 변화하여 검토해야할 만한 혈액요소와 매칭되는 변화인자를 의미한다. 좀더 자세히, 변화인자는, 상기 혈액요소 별로 소정의 값 이상 증가/감소하거나 소정의 퍼센트 이상 증가/감소한 혈액요소들이 있을 때, 해당 혈액요소가 변화시킬만한 인자를 의미한다.In addition, the change factor means a change factor that changes by more than a predetermined percentage compared to the previous blood test and matches the blood factor that should be reviewed. In more detail, the change factor refers to a factor capable of changing the blood element when there are blood elements that increase/decrease by a predetermined value or more or increase/decrease by a predetermined percentage or more for each blood element.

예를 들어, 혈당이 급격하게 상승한 경우, 급성 질환 발생 또는 췌장암과 같은 암 발생, 스테로이드 복용, 한약 복용, 뇌하수체 기능저하 또는 간기능 저하 등을 변화인자로 추정 가능할 것이다. 반대로, 혈당이 급격하게 하강한 경우, 뇌하수체 기능저하 또는 간기능 저하 등을 변화인자로 추정 가능할 것이다.For example, when blood sugar rises rapidly, the occurrence of acute disease or cancer such as pancreatic cancer, taking steroids, taking herbal medicines, pituitary gland function decline, or liver function decline may be estimated as changing factors. On the contrary, when blood sugar drops sharply, it may be possible to estimate a decrease in pituitary function or liver function as a change factor.

즉, 서비스 제공서버(200)는, 위와 같은 랩 데이터를 입력 데이터로 하는 생활패턴 항목별 딥러닝 뉴럴 네트워크를 통하여 생활패턴 정보 및 변화인자 정보를 획득할 수 있다.That is, theservice providing server 200 may obtain life pattern information and change factor information through a deep learning neural network for each life pattern item using the above lab data as input data.

이때, 생활패턴 항목별 딥러닝 뉴럴 네트워크는, 약물 컴플라이언스 딥러닝 뉴럴 네트워크, 음주습관 추정 딥러닝 뉴럴 네트워크, 식습관 추정 딥러닝 뉴럴 네트워크, 운동량 추정 딥러닝 뉴럴 네트워크 및 변화인자 추정 뉴럴 네트워크를 포함할 수 있다.At this time, the deep learning neural network for each life pattern item may include a drug compliance deep learning neural network, a drinking habit estimation deep learning neural network, an eating habit estimation deep learning neural network, a momentum estimation deep learning neural network, and a change factor estimation neural network. have.

먼저, 약물 컴플라이언스 딥러닝 뉴럴 네트워크는, 수신된 랩 데이터를 기반으로 피검사자가 지도받은 약물 복용 지침에 따라 약물복용을 잘 준수하였는지 판단하고, 판단의 결과를 평가지수로 출력할 수 있다.First, based on the received lab data, the drug compliance deep learning neural network may determine whether or not the test subject has well adhered to the drug administration according to the guided drug administration guidelines, and output the result of the determination as an evaluation index.

또한, 음주습관 추정 딥러닝 뉴럴 네트워크는, 수신된 랩 데이터를 기반으로 특정 기간 동안의 피검사자의 음주량 정보, 음주 횟수 등을 추정할 수 있고, 추정한 음주관련 평가지수를 출력할 수 있다.In addition, the drinking habit estimation deep learning neural network may estimate information on a subject's drinking amount and the number of drinks during a specific period based on the received rap data, and may output an estimated drinking-related evaluation index.

또한, 식습관 추정 딥러닝 뉴럴 네트워크는, 수신된 랩 데이터를 기반으로 피검사자의 혈당 수치, 각종 영양소 수치 등의 정보를 추정하여, 피검사자가 특정 기간 동안에 소정의 영양밸런스를 유지할 수 있는 적절한 식습관을 수행하였는지 추정할 수 있다.In addition, the deep learning neural network for eating habit estimation estimates information such as blood glucose level and various nutrient levels of the test subject based on the received lab data, and whether the test subject has performed appropriate eating habits to maintain a predetermined nutritional balance for a specific period. Can be estimated.

또한, 운동량 추정 딥러닝 뉴럴 네트워크는, 수신된 랩 데이터를 기반으로 랩 데이터 사이의 기간 동안의 피검사자의 운동량을 추정할 수 있고, 추정된 운동량에 비례하는 지표인 운동량 평가지수를 출력할 수 있다.In addition, the exercise amount estimation deep learning neural network may estimate the amount of exercise of a subject during a period between lap data based on the received lap data, and may output an exercise amount evaluation index, which is an index proportional to the estimated amount of exercise.

마지막으로, 변화인자 추정 딥러닝 뉴럴 네트워크는, 수신된 랩 데이터를 기반으로, 랩 데이터 사이의 주 변화인자를 추정하여, 소정의 수치 이상으로 변화된 변화인자를 출력할 수 있다.Finally, the change factor estimation deep learning neural network may estimate a main change factor between lap data based on the received lap data, and output a change factor that has been changed by a predetermined value or more.

이하, 단말(100)에서 환자의 혈액검사 결과에 기반하여 생활패턴을 추정하는 방법에 대해 보다 상세히 설명하고자 한다.Hereinafter, a method of estimating a life pattern based on a patient's blood test result in the terminal 100 will be described in more detail.

먼저, 단말(100)은, 환자의 제 1 혈액검사에 따른 제 1 랩 데이터를 획득하여 저장할 수 있다.First, the terminal 100 may acquire and store first lab data according to the patient's first blood test.

자세히, 단말(100)은, 제 1 혈액검사를 통해 환자의 혈액으로부터 도출된 각종 혈액관련정보인 제 1 랩 데이터를 획득해 저장할 수 있다.In detail, the terminal 100 may acquire and store first lab data, which is various blood related information derived from the patient's blood through the first blood test.

이때, 랩 데이터는, 피검사 혈액명칭, 검사 결과, 결과 판정, 측정 단위 및 참고치 정보 중 적어도 하나 이상을 포함하는 정보일 수 있다.In this case, the lab data may be information including at least one of a name of a blood test subject, a test result, a result determination, a measurement unit, and reference value information.

다음으로, 단말(100)은, 제 1 기간이 경과한 이후, 환자의 제 2 혈액검사에 따른 제 2 랩 데이터를 획득하여 저장할 수 있다.Next, after the first period has elapsed, the terminal 100 may acquire and store second lab data according to the second blood test of the patient.

즉, 단말(100)은, 임의의 기간인 제 1 기간을 사이에 두고 측정된 제 1 랩 데이터와 제 2 랩 데이터를 획득하여 저장할 수 있다.That is, the terminal 100 may acquire and store the first lap data and the second lap data measured over a first period, which is an arbitrary period.

그리고 단말(100)은, 획득된 제 1 랩 데이터와 제 2 랩 데이터를 생활패턴 항목별 딥러닝 뉴럴 네트워크에 입력하여 제 1 기간의 생활패턴 정보를 획득할 수 있다.In addition, the terminal 100 may input the acquired first lap data and the second lap data into a deep learning neural network for each life pattern item to obtain life pattern information for the first period.

자세히, 단말(100)은, 획득된 제 1 및 2 랩 데이터를 서비스 제공서버(200)로 송신하여, 상기 제 1 랩 데이터와 제 2 랩 데이터를 생활패턴 항목별 딥러닝 뉴럴 네트워크에 입력시킬 수 있다.In detail, the terminal 100 may transmit the acquired first and second wrap data to theservice providing server 200 to input the first and second wrap data into the deep learning neural network for each life pattern item. have.

그리고 단말(100)은, 제 1 내지 2 랩 데이터를 입력받은 생활패턴 항목별 딥러닝 뉴럴 네트워크로부터 출력된 제 1 기간에 대한 생활패턴 정보를 서비스 제공서버(200)로부터 수신할 수 있다.In addition, the terminal 100 may receive, from theservice providing server 200, life pattern information for the first period output from the deep learning neural network for each life pattern item receiving the first to second lap data.

예를 들어, 단말(100)은, 약물 컴플라이언스 딥러닝 뉴럴 네트워크로부터 제 1 내지 2 랩 데이터의 입력에 대한 출력인 제 1 기간의 약물복용 컴플라이언스 평가지수를 생활패턴 정보로 수신할 수 있다.For example, the terminal 100 may receive, as life pattern information, a drug-taking compliance evaluation index for a first period, which is an output for input of the first to second lab data from the drug compliance deep learning neural network.

또한, 단말(100)은, 음주습관 추정 딥러닝 뉴럴 네트워크로부터 제 1 내지 2 랩 데이터의 입력에 대한 출력인 제 1 기간의 음주관련 평가지수를 생활패턴 정보로 수신할 수 있고, 식습관 추정 딥러닝 뉴럴 네트워크로부터 제 1 내지 2 랩 데이터를 입력하여 출력된 제 1 기간의 식습관 평가지수를 생활패턴 정보로 수신할 수 있으며, 운동량 추정 딥러닝 뉴럴 네트워크로부터 제 1 내지 2 랩 데이터를 입력하여 출력된 제 1 기간의 운동량 평가지수를 생활패턴 정보로 수신할 수 있다.In addition, the terminal 100 may receive a drinking-related evaluation index of the first period, which is an output of the input of the first to second lap data from the drinking habit estimation deep learning neural network, as life pattern information, and the eating habit estimation deep learning The first to second lap data is input from the neural network and the outputted first period eating habit evaluation index can be received as life pattern information, and the first to second lap data is input and output from the momentum estimation deep learning neural network. You can receive the momentum evaluation index of one period as life pattern information

즉, 단말(100)은, 생활패턴 항목별 딥러닝 뉴럴 네트워크 각각에서 출력된 각 생활패턴 항목별 평가지수를 포함하는 생활패턴 정보를 서비스 제공서버(200)로부터 수신할 수 있다.That is, the terminal 100 may receive life pattern information including an evaluation index for each life pattern item output from each of the deep learning neural networks for each life pattern item from theservice providing server 200.

또한, 단말(100)은, 약물 컴플라이언스, 음주습관, 식습관 및 운동량 중 적어도 하나 이상의 항목에서 출력된 생활습관 정보와 랩 데이터를 기반으로 획득될 수 있는 환자의 체중 및/또는 스트레스 점수 정보를 생활패턴 정보에 더 포함하여 수신할 수 있다.In addition, the terminal 100 may obtain information about the patient's weight and/or stress score that can be obtained based on lifestyle information and lap data output from at least one of drug compliance, drinking habits, eating habits, and exercise The information may be further included and received.

즉, 단말(100)은, 환자의 체중 및/또는 스트레스 점수 정보가 더 포함된 생활패턴 정보를 수신하여, 환자의 약물 컴플라이언스, 음주습관, 식습관 및/또는 운동량과 공복혈당, 당화혈색소 수치 및/또는 수면의 질 상태 등에 대한 보다 포괄적인 추정이 포함된 정보를 획득할 수 있다.That is, the terminal 100 receives life pattern information further including the patient's weight and/or stress score information, and the patient's drug compliance, drinking habits, eating habits and/or exercise amount, fasting blood sugar, glycated hemoglobin level and/or Or, it is possible to obtain information including a more comprehensive estimate of the state of sleep quality.

정리하면, 단말(100)은, 혈액검사를 통해 획득한 랩 데이터를 딥러닝 뉴럴 네트워크에 입력하여 사용자의 다양한 생활습관 변화를 추정한 생활패턴 정보를 획득할 수 있고, 이를 환자의 문진정보에 포함하여 환자관련 정보의 질을 향상시킬 수 있다.In summary, the terminal 100 can obtain life pattern information that estimates various lifestyle changes of the user by inputting lab data acquired through a blood test into the deep learning neural network, and includes this in the patient's interview information. Thus, the quality of patient-related information can be improved.

또한, 단말(100)은, 변화인자 추정 뉴럴 네트워크에 랩 데이터를 입력하여, 제 1 기간 동안의 환자에게 발생된 변화인자를 획득할 수 있다.In addition, the terminal 100 may acquire the change factor generated in the patient during the first period by inputting the lab data to the change factor estimation neural network.

자세히, 단말(100)은, 변화인자 추정 뉴럴 네트워크를 통해 랩 데이터에서 검사된 혈액요소들 중 소정의 값 이상 증가/감소하거나, 복수의 혈액요소를 대비하여 소정의 수치 이상 차이가 발생한 경우, 상기 혈액요소들을 검토 혈액요소로 출력할 수 있다.In detail, the terminal 100 increases/decreases a predetermined value or more among blood elements tested in lab data through a neural network for estimating a change factor, or when a difference by a predetermined value or more occurs in comparison with a plurality of blood elements, the Blood elements can be output as review blood elements.

즉, 변화인자 추정 뉴럴 네트워크에 랩 데이터를 입력하면, 제 1 기간 동안에 혈액요소 변화를 기반으로 학습되어 검토 혈액요소를 출력할 수 있다.That is, if lap data is input to the change factor estimation neural network, it is learned based on the change in blood element during the first period, and the reviewed blood element can be output.

예를 들어, 변화인자 추정 뉴럴 네트워크는, 공복혈당에 비해 HbA1c가 상대적으로 소정의 수치 이상 높은 경우, 공복혈당에 비해 HbA1c가 상대적으로 소정의 수치 이하로 낮은 경우, 당화혈색소가 상대적으로 기설정된 수치 이상 크게 증가하는 경우 등에 검토 혈액요소로 출력할 수 있다.For example, in the neural network for estimating a change factor, when HbA1c is relatively higher than a predetermined level compared to fasting blood sugar, HbA1c is relatively low compared to fasting blood glucose, a glycated hemoglobin is a relatively preset level. If the abnormality increases significantly, it can be output as a review blood element.

그리고 단말(100)은, 상기 검토 혈액요소에 매칭된 적어도 하나 이상의 변화인자를 추출하여, 사용자에게 제공할 수 있다.In addition, the terminal 100 may extract at least one change factor matched with the review blood element and provide it to the user.

여기서 변화인자는, 식습관 패턴, 수면 장애, 운동량, 급성 질환 발생, 암 발생, 위장 질환, 음주 과다, 체중 변화, 지방간, 급성 감염 또는 담도계 질환 등을 포함할 수 있다.Here, the change factors may include eating habit patterns, sleep disorders, exercise volume, acute disease occurrence, cancer occurrence, gastrointestinal disease, excessive alcohol consumption, weight change, fatty liver, acute infection, or biliary tract disease.

즉, 단말(100)은, 제 1 혈액검사와 제 2 혈액검사에 대한 랩 데이터를 변화인자 추정 뉴럴 네트워크에 입력하여 검토 혈액요소를 추출하고, 검토 혈액요소에 매칭된 변화인자를 검색하여, 제 1 기간동안 환자에게 문진해야할 만한 변화인자를 추정하여 알려줄 수 있다.That is, the terminal 100 extracts the review blood element by inputting the lab data for the first blood test and the second blood test into the change factor estimation neural network, searches for a change factor matched with the review blood factor, During one period, the patient can be estimated and informed of the change factors that should be questioned.

계속해서, 제 1 기간의 생활패턴 정보를 획득한 단말(100)은, 획득된 제 1 기간의 생활패턴 정보, 변화인자 및/또는 검토 혈액요소를 디스플레이할 수 있다.Subsequently, the terminal 100 that has obtained the life pattern information of the first period may display the obtained life pattern information of the first period, a change factor, and/or a review blood element.

자세히, 단말(100)은, 제 1 기간의 생활패턴 정보를 의료상담 보조 콘텐츠를 통하여 그래픽 이미지로 출력할 수 있다.In detail, the terminal 100 may output life pattern information of the first period as a graphic image through medical consultation auxiliary content.

보다 상세히, 서비스 제공서버(200)는, 제 1 기간의 생활패턴 정보를 기반으로 상기 제 1 생활패턴 정보를 각종 이미지, 텍스트 및/또는 그래프 등의 다양한 형식으로 표시하는 의료상담 보조 콘텐츠를 생성할 수 있다.In more detail, theservice providing server 200 may generate medical counseling auxiliary content that displays the first life pattern information in various formats such as various images, texts and/or graphs based on the life pattern information of the first period. I can.

그리고 단말(100)은, 서비스 제공서버(200)로부터 생활패턴 정보를 나타내는 의료상담 보조 콘텐츠와, 랩 데이터를 시각화한 의료상담 보조 콘텐츠를 수신하여 출력할 수 있다.In addition, the terminal 100 may receive and output medical consultation auxiliary content representing life pattern information and medical consultation auxiliary content visualizing lab data from theservice providing server 200.

이와 같이, 단말(100)은, 제 1 기간 생활패턴 정보를 의료상담 보조 콘텐츠를 통해 그래픽 이미지로 제공함으로써, 쉽고 직관적으로 환자의 생활패턴 정보를 확인하게 할 수 있다.In this way, the terminal 100 can easily and intuitively check the life pattern information of the patient by providing the first period life pattern information as a graphic image through the medical consultation auxiliary content.

또한, 도 11을 참조하면, 단말(100)은, 제 1 기간 생활패턴 정보를 제 1 기간의 생활패턴 항목별로 연관된 피검사 혈액 정보와 결합하여 표시할 수 있다.In addition, referring to FIG. 11, the terminal 100 may display the first period life pattern information in combination with blood test information related to each life pattern item of the first period.

자세히, 단말(100)은, 제 1 기간의 약물 컴플라이언스, 음주습관, 식습관 및/또는 운동량 항목 각각에 대해 연관된 피검사 혈액을 각 항목에 매칭하여 랩 데이터를 나타내는 의료상담 보조 콘텐츠와 생활패턴 정보를 나타내는 의료상담 보조 콘텐츠를 결합해 표시할 수 있다.In detail, the terminal 100 matches the blood test associated with each item for drug compliance, drinking habits, eating habits, and/or exercise quantity items of the first period to provide medical consultation auxiliary content and life pattern information indicating lab data. It is possible to combine and display medical consultation supplementary contents.

보다 상세히, 일반적으로 혈액검사를 통해 검출된 피검사 혈액 성분은 생활패턴 정보의 각 항목과 연관될 수 있다.In more detail, in general, a blood component for a blood test detected through a blood test may be associated with each item of life pattern information.

예를 들어, 혈액요소질소(BUN, Blood Urea Nitrogen)는, 단백질의 대사 산물을 반영하는 정보를 내포하고 있으며, 혈액요소질소 수치가 높을 경우에 신장기능 장애, 위장관 출혈 등을 의심할 수 있다. 즉, 혈액요소질소는, 생활패턴 정보의 항목 중 식습관 항목과 연관된 혈액검사 랩 데이터가 될 수 있다.For example, blood urea nitrogen (BUN) contains information that reflects protein metabolites, and when blood urea nitrogen levels are high, kidney dysfunction and gastrointestinal bleeding can be suspected. That is, blood urea nitrogen may be blood test lab data related to a diet item among the items of life pattern information.

따라서, 단말(100)은, 제 1 및 제 2 랩 데이터의 혈액요소질소 수치변화와 상기 생활패턴 정보 중 식습관 평가지수를 결합한 의료상담 보조 콘텐츠를 생성하여 제공할 수 있으며, 이와 같이 결합된 의료상담 보조 콘텐츠는 추정된 생활패턴 정보의 신뢰성을 향상시킬 수 있다.Accordingly, the terminal 100 may generate and provide medical consultation supplementary content that combines the change in blood urea nitrogen levels of the first and second lab data and the eating habit evaluation index among the life pattern information, and the combined medical consultation The auxiliary content can improve the reliability of the estimated life pattern information.

즉, 단말(100)은, 혈액검사 랩 데이터가 제공하는 피검사 혈액 성분과 생활패턴 정보들 간의 연관성을 고려하여, 제 1 생활패턴 정보의 각 항목별로 매칭되는 피검사 혈액 성분변화에 대한 정보를 함께 표시해 제공할 수 있다.That is, the terminal 100 considers the association between the blood component and the life pattern information provided by the blood test lab data, and stores information on the change of the blood component to be tested matched for each item of the first life pattern information. They can be marked together and provided.

이때, 제 1 생활패턴 정보의 각 항목별로 매칭되어 표시되는 피검사 혈액들은, 의료상담 보조 콘텐츠를 통해 그래프 형식으로 표시되어 제공될 수 있다.In this case, the blood to be tested matched and displayed for each item of the first life pattern information may be displayed and provided in a graph format through medical consultation auxiliary content.

이와 같이, 단말(100)은, 제 1 기간 생활패턴 정보의 각 항목에 대하여 연관된 피검사 혈액성분 변화에 대한 정보를 함께 표시함으로써, 제 1 기간의 생활패턴 정보와 제 1 기간의 생활패턴 정보가 도출된 원인이 될 수 있는 피검사 혈액에 대한 정보를 함께 출력할 수 있고, 이를 통해 보다 상세한 혈액검사 결과 기반의 생활패턴 정보를 제공할 수 있다.In this way, the terminal 100 displays information on the change in the blood component to be tested associated with each item of the first period life pattern information, so that the life pattern information of the first period and the life pattern information of the first period are Information on the blood test, which may be the cause of the derived, can be output together, and life pattern information based on more detailed blood test results can be provided through this.

한편, 단말(100)은, 제 2 기간이 경과한 이후, 제 3 혈액검사에 따른 제 3 랩 데이터를 획득하여 저장할 수 있다.Meanwhile, after the second period has elapsed, the terminal 100 may acquire and store third lab data according to the third blood test.

즉, 단말(100)은, 제 1 랩 데이터 또는 제 2 랩 데이터와 임의의 기간을 사이에 두고 측정된 제 3 랩 데이터를 획득해 저장할 수 있다.That is, the terminal 100 may acquire and store the first lap data or the second lap data and the third lap data measured over a predetermined period.

이와 같이, 단말(100)은, 임의의 기간을 두고 측정된 환자의 제 1 랩 데이터, 제 2 랩 데이터, 제 3 랩 데이터, …, 제 n 랩 데이터를 기반으로, 다양한 경우의 수를 가지는 기간에 대한 생활패턴 정보를 획득하여 제공할 수 있다.In this way, the terminal 100 is the patient's 1st lap data, 2nd lap data, 3rd lap data, etc. measured over an arbitrary period. , Based on the nth lap data, life pattern information for a period having a number of various cases may be obtained and provided.

계속해서, 단말(100)은, 획득된 제 3 랩 데이터와 제 2 랩 데이터를 생활패턴 항목별 딥러닝 뉴럴 네트워크에 입력하여 제 2 기간의 생활패턴 정보를 획득해 저장할 수 있다.Subsequently, the terminal 100 may acquire and store life pattern information of the second period by inputting the acquired third lap data and the second lap data into the deep learning neural network for each life pattern item.

자세히, 단말(100)은, 획득된 제 2 내지 3 랩 데이터를 서비스 제공서버(200)로 송신하여 생활패턴 항목별 딥러닝 뉴럴 네트워크에 입력되도록 할 수 있다.In detail, the terminal 100 may transmit the acquired second to third lap data to theservice providing server 200 to be inputted to the deep learning neural network for each life pattern item.

그리고 단말(100)은, 제 2 내지 3 랩 데이터를 입력받은 생활패턴 항목별 딥러닝 뉴럴 네트워크로부터 출력된 제 2 기간에 대한 생활패턴 정보를 서비스 제공서버(200)로부터 수신해 저장할 수 있다.In addition, the terminal 100 may receive and store life pattern information for the second period output from the deep learning neural network for each life pattern item in which the second to third lap data is input, from theservice providing server 200.

또한, 단말(100)은, 동일한 방식으로, 획득된 제 3 랩 데이터와 제 1 랩 데이터를 생활패턴 항목별 딥러닝 뉴럴 네트워크에 입력하여 제 3 기간의 생활패턴 정보를 획득해 저장할 수 있다.In addition, the terminal 100 may acquire and store life pattern information for the third period by inputting the acquired third lap data and the first lap data into the deep learning neural network for each life pattern item in the same manner.

이와 같이, 제 1 내지 3 랩 데이터를 기반으로 하여 제 1 내지 3 기간의 생활패턴 정보를 획득한 단말(100)은, 획득된 제 1 내지 3 기간의 생활패턴 정보를 다양한 방식으로 디스플레이할 수 있다.In this way, the terminal 100 that has obtained life pattern information for the first to third periods based on the first to third lap data can display the obtained life pattern information for the first to third periods in various ways. .

또한, 단말(100)은, 제 1 내지 3 혈액검사에 따른 생활패턴 정보를 1) 제 3 기간(T3)의 생활패턴 정보를 디스플레이하는 방법, 2) 제 1 기간(T1), 제 2 기간(T2) 및 제 3 기간(T3)의 생활패턴 정보를 각각 디스플레이하는 방법 및 3) 제 1 기간(T1)의 생활패턴 정보와 제 2 기간(T2)의 생활패턴 정보를 각각 도출해 결합한 후, 제 3 기간(T3)의 생활패턴 정보로 보정을 수행하여 디스플레이하는 방법 중 어느 하나 이상의 방법으로 출력하여 제공할 수 있다.In addition, the terminal 100 includes 1) a method of displaying the life pattern information of the third period T3, 2) the first period T1, the second period ( T2) and the method of displaying the life pattern information of the third period (T3), respectively, and 3) After deriving and combining the life pattern information of the first period (T1) and the life pattern information of the second period (T2), It may be output and provided by one or more of methods of performing correction and displaying the life pattern information of the period T3.

예를 들어, 단말(100)은, 제 1 기간의 운동량 평가지수가 80, 제 2 기간의 운동량 평가지수가 90이고, 제 3 기간의 운동량 평가지수가 75일 경우, 먼저 제 1 기간의 운동량 평가지수와 제 2 기간의 운동량 평가지수를 기설정된 방식(예컨대, 평균치)으로 결합할 수 있다.For example, the terminal 100, when the momentum evaluation index of the first period is 80, the momentum evaluation index of the second period is 90, and the momentum evaluation index of the third period is 75, first evaluate the momentum of the first period The index and the momentum evaluation index of the second period may be combined in a preset manner (eg, an average value).

계속해서, 기설정된 방식으로 결합된 제 1 내지 2 기간의 운동량 평가지수(예컨대, 85)가, 기설정된 조건(예컨대, 제 3 기간의 운동량 평가지수와 소정의 값(예컨대, 5) 이상 차이가 날 경우 등)을 만족할 경우, 결합된 제 1 내지 2 기간의 운동량 평가지수를 제 3 기간의 운동량 평가지수로 기설정된 방식(예컨대, 평균치)에 따라 보정하여 최종 운동량 평가지수(예컨대, 80)를 산출할 수 있다.Subsequently, the momentum evaluation index (e.g., 85) of the first to second period combined in a preset manner is a difference between a predetermined condition (e.g., the momentum evaluation index of the third period and a predetermined value (e.g., 5) or more). In the case of flying, etc.), the combined exercise quantity evaluation index of the first to second period is corrected to the exercise quantity evaluation index of the third period according to a preset method (e.g., average value) to obtain the final exercise quantity evaluation index (e.g., 80). Can be calculated.

이와 같이, 단말(100)은, 추정된 생활패턴 정보를 다양한 방식으로 재가공하고 디스플레이하여 제공함으로써, 사용자가 다양한 관점에서 쉽고 직관적으로 혈액검사 결과에 기반한 생활패턴 정보를 확인하게 할 수 있다.In this way, the terminal 100 may reprocess and display the estimated life pattern information in various ways, so that the user can easily and intuitively check life pattern information based on the blood test result from various viewpoints.

또한, 단말(100)은, 다양한 방식으로 재가공되어 산출된 생활패턴 정보를 환자의 문진정보에 포함시켜 환자 맞춤형 당뇨병 약제를 추천하기 위한 딥러닝에 활용되게 할 수 있다.In addition, the terminal 100 may include life pattern information calculated by reprocessing in various ways in the patient's interview information to be used for deep learning to recommend patient-specific diabetes drugs.

즉, 단말(100)은, 환자의 신체검사 중 혈액검사 결과에 기반하여 해당 환자의 생활패턴 정보를 다양한 방식으로 획득하고, 획득된 생활패턴 정보를 문진정보에 포함함으로써, 문진정보의 질을 향상시키고 보다 상세한 환자정보를 기반으로한 딥러닝 기반의 당뇨병 약제 추천서비스를 제공할 수 있다.That is, the terminal 100 acquires the patient's life pattern information in various ways based on the blood test result during the patient's physical examination, and includes the obtained life pattern information in the interview information, thereby improving the quality of the interview information. And it can provide a deep learning-based diabetes drug recommendation service based on more detailed patient information.

이상, 본 발명의 실시예에 따른 딥러닝 기반의 당뇨병 약제를 추천하는 방법 및 장치는, 환자와 관련된 정보를 기초로 딥러닝을 수행하여 해당 환자에게 최적화된 당뇨병 약제를 자동으로 추정해 제공함으로써, 환자 맞춤형 당뇨병 약제 선정을 위한 비용 및 시간을 절약할 수 있고, 환자에게 제공되는 당뇨병 약제의 정확도를 향상시킬 수 있다.As described above, the method and apparatus for recommending a diabetes drug based on deep learning according to an embodiment of the present invention automatically estimates and provides a diabetes drug optimized for the patient by performing deep learning based on information related to the patient, It is possible to save cost and time for selecting a patient-specific diabetes drug, and improve the accuracy of the diabetes drug provided to the patient.

또한, 본 발명의 실시예에 따른 딥러닝 기반의 당뇨병 약제를 추천하는 방법 및 장치는, 객관적 데이터와 인공지능적 데이터 처리에 기반하여 환자 맞춤형 당뇨병 약제를 추천함으로써, 의사의 주관적인 추정치에 의하여 환자에게 제공되는 당뇨병 약제에 대한 신뢰성 문제를 극복할 수 있다는 장점이 있다.In addition, the method and apparatus for recommending diabetic drugs based on deep learning according to an embodiment of the present invention recommends patient-tailored diabetes drugs based on objective data and artificial intelligence data processing, thereby providing the patient with a subjective estimate of the doctor. There is an advantage of being able to overcome the reliability problem for diabetes drugs.

또한, 본 발명의 실시예에 따른 딥러닝 기반의 당뇨병 약제를 추천하는 방법 및 장치는, 환자와 관련된 방대한 양의 정보를 뉴럴 네트워크와 빅데이터를 결합한 딥러닝을 통해 처리해 맞춤형 당뇨병 약제를 추천함으로써, 의사가 환자와 관련된 모든 정보를 일일이 확인하기 어렵다는 문제를 해결할 수 있는 효과가 있다.In addition, the method and apparatus for recommending a deep learning-based diabetes drug according to an embodiment of the present invention processes a vast amount of patient-related information through deep learning that combines neural networks and big data to recommend customized diabetes drugs, It is effective in solving the problem that it is difficult for a doctor to check all the information related to the patient individually.

또한, 본 발명의 실시예에 따른 딥러닝 기반의 당뇨병 약제를 추천하는 방법 및 장치는, 환자가 특정 상태인 경우 반드시 처방해야할 당뇨병 약제를 딥러닝을 사용하지 않고도 자체적으로 파악함으로써, 불필요한 데이터 처리 동작을 최소화할 수 있다.In addition, the method and apparatus for recommending a diabetes drug based on deep learning according to an embodiment of the present invention automatically identifies a diabetes drug that must be prescribed when a patient is in a specific state without using deep learning, thereby processing unnecessary data. Can be minimized.

또한, 본 발명의 실시예에 따른 딥러닝 기반의 당뇨병 약제를 추천하는 방법 및 장치는, 의료상담 보조 콘텐츠, 의료상담 콘텐츠, 약제추천 엔진 및 다양한 인터페이스를 포함하는 의료상담 프로그램을 통해 딥러닝에 기반한 환자 맞춤형 당뇨병 약제 추천 서비스를 제공함으로써, 해당 서비스에 대한 사용성과 편리성을 증대시킬 수 있는 효과가 있다.In addition, a method and apparatus for recommending a diabetes drug based on deep learning according to an embodiment of the present invention is based on deep learning through a medical consultation program including medical consultation auxiliary contents, medical consultation contents, drug recommendation engine, and various interfaces. By providing a patient-tailored diabetes drug recommendation service, there is an effect of increasing the usability and convenience of the corresponding service.

또한, 이상 설명된 본 발명에 따른 실시예는 다양한 컴퓨터 구성요소를 통하여 실행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등과 같은, 프로그램 명령어를 저장하고 실행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령어의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위하여 하나 이상의 소프트웨어 모듈로 변경될 수 있으며, 그 역도 마찬가지이다.Further, the embodiments according to the present invention described above may be implemented in the form of program instructions that can be executed through various computer components and recorded in a computer-readable recording medium. The computer-readable recording medium may include program instructions, data files, data structures, etc. alone or in combination. The program instructions recorded in the computer-readable recording medium may be specially designed and constructed for the present invention or may be known and usable to those skilled in the computer software field. Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks, and magnetic tapes, optical recording media such as CD-ROMs and DVDs, and magnetic-optical media such as floptical disks. medium), and a hardware device specially configured to store and execute program instructions, such as ROM, RAM, flash memory, and the like. Examples of the program instructions include not only machine language codes such as those produced by a compiler but also high-level language codes that can be executed by a computer using an interpreter or the like. The hardware device can be changed to one or more software modules to perform the processing according to the present invention, and vice versa.

본 발명에서 설명하는 특정 실행들은 일 실시 예들로서, 어떠한 방법으로도 본 발명의 범위를 한정하는 것은 아니다. 명세서의 간결함을 위하여, 종래 전자적인 구성들, 제어 시스템들, 소프트웨어, 상기 시스템들의 다른 기능적인 측면들의 기재는 생략될 수 있다. 또한, 도면에 도시된 구성 요소들 간의 선들의 연결 또는 연결 부재들은 기능적인 연결 및/또는 물리적 또는 회로적 연결들을 예시적으로 나타낸 것으로서, 실제 장치에서는 대체 가능하거나 추가의 다양한 기능적인 연결, 물리적인 연결, 또는 회로 연결들로서 나타내어질 수 있다. 또한, “필수적인”, “중요하게” 등과 같이 구체적인 언급이 없다면 본 발명의 적용을 위하여 반드시 필요한 구성 요소가 아닐 수 있다.The specific implementations described in the present invention are examples and do not limit the scope of the present invention in any way. For brevity of the specification, descriptions of conventional electronic configurations, control systems, software, and other functional aspects of the systems may be omitted. In addition, the connection or connection members of the lines between the components shown in the drawings exemplarily represent functional connections and/or physical or circuit connections, and in an actual device, various functional connections that can be replaced or added Connections, or circuit connections. In addition, if there is no specific mention such as “essential” or “importantly”, it may not be an essential component for the application of the present invention.

또한 설명한 본 발명의 상세한 설명에서는 본 발명의 바람직한 실시 예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자 또는 해당 기술분야에 통상의 지식을 갖는 자라면 후술할 특허청구범위에 기재된 본 발명의 사상 및 기술 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다. 따라서, 본 발명의 기술적 범위는 명세서의 상세한 설명에 기재된 내용으로 한정되는 것이 아니라 특허청구범위에 의해 정하여져야만 할 것이다.In addition, in the detailed description of the present invention, it has been described with reference to preferred embodiments of the present invention, but those skilled in the art or those of ordinary skill in the relevant technical field will have And it will be understood that various modifications and changes can be made to the present invention within a range not departing from the technical field. Accordingly, the technical scope of the present invention should not be limited to the contents described in the detailed description of the specification, but should be determined by the claims.

Claims (5)

Translated fromKorean

단말에서 딥러닝 기반으로 맞춤형 당뇨병 약제를 추천하는 방법으로서,
환자의 문진정보를 획득하는 단계;
상기 환자의 신체검사 결과에 대한 검사정보를 획득하는 단계;
상기 문진정보와 검사정보를 포함하는 환자정보를 딥러닝 뉴럴 네트워크에 입력하고 출력 데이터로 추천 당뇨병 약제정보를 획득하는 단계; 및
상기 획득된 추천 당뇨병 약제정보를 출력하는 단계를 포함하는
딥러닝 기반의 당뇨병 약제 추천방법.As a method of recommending customized diabetes drugs based on deep learning in the terminal,
Obtaining patient interview information;
Acquiring examination information on the patient's physical examination result;
Inputting patient information including the interview information and examination information into a deep learning neural network and obtaining recommended diabetes drug information as output data; And
Comprising the step of outputting the obtained recommended diabetes drug information
Diabetes drug recommendation method based on deep learning.제 1 항에 있어서,
상기 환자의 문진정보를 획득하는 단계는,
상기 환자를 문진한 정보를 체계적으로 입력할 수 있는 입력 페이지와 상담내용 입력 인터페이스를 제공하는 의료상담 보조 콘텐츠를 기반으로 의료상담 콘텐츠를 생성하는 단계와,
상기 생성된 의료상담 콘텐츠로부터 상기 문진정보를 추출하는 단계를 포함하는
딥러닝 기반의 당뇨병 약제 추천방법.The method of claim 1,
The step of obtaining the patient's interview information,
Generating medical consultation content based on medical consultation supplementary content providing an input page for systematically inputting information about the patient and a consultation content input interface; and
Including the step of extracting the interview information from the generated medical consultation content
Diabetes drug recommendation method based on deep learning.제 1 항에 있어서,
상기 환자정보를 기초로 상기 환자가 기 설정된 특정 상태인지 여부를 판별하는 단계와,
상기 판별된 환자의 상태가 기설정된 특정 상태인 경우, 상기 특정 상태에 매칭된 상기 특정 당뇨병 약제정보를 출력하는 단계를 더 포함하는
딥러닝 기반의 당뇨병 약제 추천방법.The method of claim 1,
Determining whether the patient is in a predetermined specific state based on the patient information,
When the state of the determined patient is a predetermined specific state, further comprising the step of outputting the specific diabetes drug information matched to the specific state
Diabetes drug recommendation method based on deep learning.제 1 항에 있어서,
상기 추천 당뇨병 약제정보를 획득하는 단계는,
상기 환자정보의 입력에 대한 상기 딥러닝 뉴럴 네트워크의 출력 데이터로 복수의 경구혈당강하제 및 주사제에 대한 환자 매칭율을 획득하고, 상기 환자 매칭율이 가장 높은 당뇨병 약제를 상기 추천 당뇨병 약제로 결정하는 단계를 포함하는
딥러닝 기반의 당뇨병 약제 추천방법.The method of claim 1,
Obtaining the recommended diabetes drug information,
Acquiring patient matching rates for a plurality of oral hypoglycemic agents and injections using output data of the deep learning neural network for the input of the patient information, and determining a diabetes drug having the highest patient matching rate as the recommended diabetes drug Including
Diabetes drug recommendation method based on deep learning.제 4 항에 있어서,
상기 딥러닝 뉴럴 네트워크는,
전문 의료진에 의해 불특정 다수의 환자에게 기 처방되었던 상기 당뇨병 약제 데이터를 기초로 생성된 학습 데이터를 통하여 학습되는
딥러닝 기반의 당뇨병 약제 추천방법.The method of claim 4,
The deep learning neural network,
Learned through learning data generated based on the diabetes drug data previously prescribed to a number of unspecified patients by professional medical staff
Diabetes drug recommendation method based on deep learning.

Images