| 1 |
1
관심대상의 목표변수 및 목표 값의 예측에 사용되는 설명변수 사이의 관계를 나타내는 예측모형을 설정하는 예측모형 설정부;상기 예측모형에 사용할 변수를 구간화하여 WOE(Weight Of Evidence) 및 IV(Information Value)를 산출하고, 산출된 상기 WOE 및 상기 IV에 기초하여 변수를 선택하는 변수 선택부; 및선택된 상기 변수에 기초하여 오분류표를 구하고, 이를 통해 오분류율, 민감도 및 특이도를 산출하여 상기 예측모형에 대한 예측력을 평가하는 예측력 평가부를 포함하고,상기 예측모형에서 상기 각 설명변수의 계수의 추정된 회귀계수를 이용하여 사후확률에 대한 추정식을 산출하는 추정식 산출부를 더 포함하는 것을 특징으로 하는 섬망 고위험군 예측모형 시스템
|
| 2 |
2
삭제
|
| 3 |
3
제 1항에 있어서,상기 목표변수가 연속형인 경우 선형회귀분석(Linear regression), 나무형회귀(Tree regression), 신경망(Neural network)을 포함하는 방법을 통해 예측이 이루어지며, 상기 목표변수가 범주형인 경우는 로지스틱회귀분석(logistic regression), 분류나무(Classification tree), 신경망을 포함하는 방법에 통해 예측이 이루어지는 것을 특징으로 하는 섬망 고위험군 예측모형 시스템
|
| 4 |
4
제 1항에 있어서,상기 예측모형은 다음과 같은 로지스틱 회귀모형으로 표현될 수 있는 것을 특징으로 하는 섬망 고위험군 예측모형 시스템:여기서, y는 종속변수이며, x1,x2,
|
| 5 |
5
제 1항에 있어서,산출된 상기 추정식을 통해 얻어진 각 개체에 대한 사후확률(예측확률, Posteria probability)을 이용하여 상기 각 개체를 분류하는 것을 특징으로 하는 섬망 고위험군 예측모형 시스템
|
| 6 |
6
제 1항에 있어서,상기 예측모형에 사용할 변수의 구간화는,범주형 변수의 경우 각 범주별로 WOE를 구하고 연속형 변수의 경우 전체 구간을 10분위 또는 20분위로 나누어 각 분위수 별로 WOE를 구하며, 상기 범주형 변수의 경우 설정된 간격 범위 내의 서로 유사한 WOE 값을 가지는 범주끼리 병합하고 상기 연속형 변수의 경우 WOE의 추세가 증가하거나 감소추세를 보이도록 병합하는 것을 특징으로 하는 섬망 고위험군 예측모형 시스템
|
| 7 |
7
제 1항에 있어서,상기 오분류율은 0 - 1까지의 예측확률에 대한 분류기준점에 기초하는 것을 특징으로 하는 섬망 고위험군 예측모형 시스템
|
| 8 |
8
제 7항에 있어서,상기 각 예측확률별로 민감도와 특이도를 구하고, 이를 바탕으로 다음과 같이 분류기준점(CO: Cut Off)이산출되는 것을 특징으로 하는 섬망 고위험군 예측모형 시스템:CO = (1 - 민감도)2 + (1-특이도)2여기서, 민감도는 기설정된 섬망 환자군 범위 내 섬망 환자중에 섬망을 정확하게 예측된 경우의 비를 나타내고, 1-특이도는 기설정된 비섬망 환자군 범위 내 비섬망 환자중에 섬망으로 잘못 예측된 경우의 비를 나타낸다
|
| 9 |
9
관심대상의 목표변수 및 목표 값의 예측에 사용되는 설명변수 사이의 관계를 나타내는 예측모형을 설정하는 단계;상기 예측모형에 사용할 변수를 구간화하여 WOE(Weight Of Evidence) 및 IV(Information Value)를 산출하고, 산출된 상기 WOE 및 상기 IV에 기초하여 변수를 선택하는 단계; 및선택된 상기 변수에 기초하여 오분류표를 구하고, 이를 통해 오분류율, 민감도 및 특이도를 산출하여 상기 예측모형에 대한 예측력을 평가하는 단계를 포함하고,상기 예측모형에서 상기 각 설명변수의 계수의 추정된 회귀계수를 이용하여 사후확률에 대한 추정식을 산출하는 단계를 더 포함하는 것을 특징으로 하는 섬망 고위험군 예측모형 방법
|
| 10 |
10
삭제
|
| 11 |
11
제 9항에 있어서,상기 목표변수가 연속형인 경우 선형회귀분석(Linear regression), 나무형회귀(Tree regression), 신경망(Neural network)을 포함하는 방법을 통해 예측이 이루어지며, 상기 목표변수가 범주형인 경우는 로지스틱회귀분석(logistic regression), 분류나무(Classification tree), 신경망을 포함하는 방법에 통해 예측이 이루어지는 것을 특징으로 하는 섬망 고위험군 예측모형 방법
|
| 12 |
12
제 9항에 있어서,상기 예측모형은 다음과 같은 로지스틱 회귀모형으로 표현될 수 있는 것을 특징으로 하는 섬망 고위험군 예측모형 방법:여기서, y는 종속변수이며, x1,x2,
|
| 13 |
13
제 9항에 있어서,산출된 상기 추정식을 통해 얻어진 각 개체에 대한 사후확률(예측확률, Posteria probability)을 이용하여 상기 각 개체를 분류하는 것을 특징으로 하는 섬망 고위험군 예측모형 방법
|
| 14 |
14
제 9항에 있어서,상기 예측모형에 사용할 변수의 구간화는,범주형 변수의 경우 각 범주별로 WOE를 구하고 연속형 변수의 경우 전체 구간을 10분위 또는 20분위로 나누어 각 분위수 별로 WOE를 구하며, 상기 범주형 변수의 경우 설정된 간격 범위 내의 서로 유사한 WOE 값을 가지는 범주끼리 병합하고 상기 연속형 변수의 경우 WOE의 추세가 증가하거나 감소추세를 보이도록 병합하는 것을 특징으로 하는 섬망 고위험군 예측모형 방법
|
| 15 |
15
제 9항에 있어서,상기 오분류율은 0 - 1까지의 예측확률에 대한 분류기준점에 기초하는 것을 특징으로 하는 섬망 고위험군 예측모형 방법
|
| 16 |
16
제 15항에 있어서,상기 각 예측확률별로 민감도와 특이도를 구하고, 이를 바탕으로 다음과 같이 분류기준점(CO: Cut Off)이산출되는 것을 특징으로 하는 섬망 고위험군 예측모형 방법:CO = (1 - 민감도)2 + (1-특이도)2여기서, 민감도는 기설정된 섬망 환자군 범위 내 섬망 환자중에 섬망을 정확하게 예측된 경우의 비를 나타내고, 1-특이도는 기설정된 비섬망 환자군 범위 내 비섬망 환자중에 섬망으로 잘못 예측된 경우의 비를 나타낸다
|
| 17 |
17
컴퓨터에 의해 구동될 수 있으며, 제 9항, 제 11항 내지 제 16항 중의 어느 한 항에 의한 섬망 고위험군 에측모형 방법을 실행하는 프로그램을 저장하는 기록매체
|
| 18 |
18
병원의 EMR(Electronic Medical Record) 시스템과 연동하는 EMR 연동부;섬망 고위험군 예측모형의 설정에 이용되는 관심대상의 목표변수 및 목표 값의 예측에 사용되는 설명변수에 기초하여 환자에 대한 환자변수 및 가중치를 구하고, 상기 환자변수 및 상기 가중치에 기초하여 상기 환자에 대한 섬망 확률값을 계산하는 확률 계산부; 및상기 확률 계산부에 의해 계산된 섬망 확률값이 설정된 값 이상인 경우에 상기 EMR 연동부를 통해 상기 EMR 시스템에 섬망 고위험군 판정신호를 전송하는 신호 전송부를 포함하고,상기 확률 계산부는,사후확률에 대한 추정식(Estimated equation)에 기초하여 상기 환자에 대한 섬망 확률값을 계산하는 것을 특징으로 하는 섬망 고위험군 예측 시스템
|
| 19 |
19
삭제
|
