1 |
1
대사이상 질환의 질병 위험도를 예측하는 장치에 있어서, 상기 대사이상 질환의 질환자의 생활상태 변수 및 건강상태 변수를 포함하는 복수의 상태 변수, 유전자 정보 및 대사이상 질환의 질병 위험도를 입력으로 하여, 상기 복수의 상태 변수 및 유전자 정보 중 적어도 하나 이상과 상기 대사이상 질환의 질병 위험도 사이의 관계의 정도를 학습하는 기계학습 모델을 생성하는 기계학습 모델 생성부;상기 대사이상 질환의 질환자의 상기 복수의 상태 변수, 상기 유전자 정보 및 대사이상 질환의 질병 위험도를 입력으로 하여, 상기 복수의 상태 변수 및 유전자 정보 중 적어도 하나 이상의 존재 유무 또는 값에 따라 상기 대사이상 질환의 질병 위험도를 확률적으로 나타내는 통계확률 모델을 생성하는 통계확률 모델 생성부;대상자의 대상자 상태 변수 및 대상자 유전자 정보를 입력받는 정보 입력부; 및상기 기계학습 모델 및 상기 통계확률 모델에 상기 대상자의 대상자 상태 변수 및 대상자 유전자 정보를 적용하여 상기 대상자의 고혈압, 당뇨병, 비만 및 대사성증후군을 포함하는 대사이상 질환의 질병 위험도를 예측하는 질병 위험도 예측부를 포함하되, 상기 기계학습 모델 생성부는,반복 측정된 복수의 상태 변수를 제1인공신경망에 순차적으로 입력하고, 생활습관 변화와 관련된 유전 정보를 통합 입력하기 위해 상기 제1인공신경망의 마지막 층에 제2인공신경망을 연결하여 상기 대사이상 질환의 질병 위험도 사이의 관계의 정도를 학습하는 것인, 대사이상 질환 질병 위험도 예측 장치
|
2 |
2
삭제
|
3 |
3
제 1 항에 있어서, 상기 통계확률 모델 생성부는, 상기 대사이상 질환의 질환자의 상기 복수의 상태 변수, 상기 유전자 정보 및 대사이상 질환의 질병 위험도를 입력으로 하고, 상기 복수의 상태 변수 중 상기 대사이상 질환과 연관된 적어도 하나 이상의 상태 변수를 선택하고, 상기 적어도 하나 이상의 상태 변수의 존재 여부 또는 값에 대한 상기 대사이상 질환의 질병 위험도를 확률적으로 나타내는 기본 통계확률 모델을 생성하는 기본 통계확률 모델 생성부; 및상기 대사이상 질환과 연관된 유전자 정보의 존재 여부에 따라 상기 대사이상 질환의 질병 위험도에 가중치를 적용함으로써, 기본 통계확률 모델로부터 상기 통계확률 모델을 생성하는 가중치 통계확률 모델 생성부를 포함하는 대사이상 질환 질병 위험도 예측 장치
|
4 |
4
제1항에 있어서,상기 기계학습 모델은 상기 복수의 상태 변수 중 제 1 상태 변수를 입력층으로 하고 상기 복수의 상태 변수 중 제 2 상태 변수를 은닉층으로 할 때, 상기 입력층과 은닉층 사이의 관계의 정도를 학습하는 제 1 학습을 하고, 상기 은닉층 및 상기 유전자 정보를 입력층으로 하고 상기 질병 위험도를 출력층으로 할 때, 상기 은닉층과 출력층 사이의 관계의 정도를 학습하는 제 2 학습을 함으로써, 상기 복수의 상태 변수 및 유전자 정보 중 적어도 하나 이상과 상기 대사이상 질환의 질병 위험도 사이의 관계의 정도를 학습하는 것인, 대사이상 질환 질병 위험도 예측 장치
|
5 |
5
제 1 항에 있어서, 상기 기계학습 모델은 상기 복수의 상태 변수의 이전 시점 상태 변수를 입력층으로 하고 상기 복수의 상태 변수의 현재 시점 상태 변수를 은닉층으로 할 때, 상기 입력층과 은닉층 사이의 관계의 정도를 학습하는 제 1 학습을 하고, 상기 은닉층 및 상기 유전자 정보를 입력층으로 하고 상기 질병 위험도를 출력층으로 할 때, 상기 은닉층과 출력층 사이의 관계의 정도를 학습하는 제 2 학습을 함으로써, 상기 복수의 상태 변수 및 유전자 정보 중 적어도 하나 이상과 상기 대사이상 질환의 질병 위험도 사이의 관계의 정도를 학습하는 것인, 대사이상 질환 질병 위험도 예측 장치
|
6 |
6
제 1 항에 있어서,상기 기계학습 모델은 상기 복수의 상태 변수 중 제 1 상태 변수 및 이전 시점 은닉층을 입력층으로 하고 상기 복수의 상태 변수 중 제 2 상태 변수 또는 현재 시점 상태 변수를 은닉층으로 할 때, 상기 입력층과 은닉층 사이의 관계의 정도를 학습하는 제 1 학습을 하고,상기 은닉층 및 상기 유전자 정보를 입력층으로 하고 상기 질병 위험도를 출력층으로 할 때, 상기 은닉층과 출력층 사이의 관계의 정도를 학습하는 제 2 학습을 함으로써, 상기 복수의 상태 변수 및 유전자 정보 중 적어도 하나 이상과 상기 대사이상 질환의 질병 위험도 사이의 관계의 정도를 학습하는 것이되, 상기 제 1 학습은 [수학식 1]을 기반으로, 상기 입력층과 은닉층 사이의 관계의 정도를 학습하는 것이되, [수학식 1]이때, 상기 는 t 시점에서의 은닉층이고, 상기 은 이전 시점 은닉층이고, 는 제 1 상태 변수이고, 상기 는 입력층과 은닉층 사이의 제 1 유형의 관계의 정도를 나타내는 제 1 가중치이고, 상기 는 입력층과 은닉층 사이의 제 2 유형의 관계의 정도를 나타내는 제 2 가중치인 것인, 대사이상 질환 질병 위험도 예측 장치
|
7 |
7
제6항에 있어서,상기 제 2학습은 [수학식 1] 및 [수학식2]를 기반으로 상기 은닉층과 출력층 사이의 관계의 정도를 학습하는 것이되, [수학식 2]이때, 상기 y는 출력층이고, 상기 는 은닉층과 출력층 사이의 관계의 정도를 나타내는 제 3 가중치이고, 는 은닉층이고, 상기 는 입력층 중 유전자 정보와 출력층 사이의 관계의 정도를 나타내는 제4 가중치이고, z는 입력층 중 유전자 정보인 것인, 대사이상 질환 질병 위험도 예측 장치
|
8 |
8
제 1 항에 있어서,상기 기계학습 모델 생성부는, [수학식 3]을 기반으로 상기 복수의 상태 변수 및 유전자 정보 중 적어도 하나 이상과 상기 대사이상 질환의 질병 위험도 사이의 관계의 정도를 학습하는 기계학습 모델을 생성 시 발생하는 오차에 가중치를 갱신하는 것이되, [수학식 3]상기 E는 상기 기계학습 모델 생성부의 오차의 검출값이고, 상기 t는 상기 대사이상 질환의 발생 여부이고, 상기 y는 기계학습 모델을 통해 예측된 질병 위험도이고, 는 오차에 따른 과적합(overfitting)을 방지하기 위한 L2 정규식인 것인, 대사이상 질환 질병 위험도 예측 장치
|
9 |
9
제 1항에 있어서,상기 질병 위험도 예측부는,상기 대상자의 질병 위험도 예측 결과를 기 설정된 분류 항목에 기반하여 시각화하는 것인, 대사이상 질환 질병 위험도 예측 장치
|
10 |
10
제 1항에 있어서,상기 질병 위험도 예측부는, 상기 대상자의 질병 위험도 예측 결과와 연계된 질병 예방 관리 정보를 제공하는 것인, 대사이상 질환 질병 위험도 예측 장치
|
11 |
11
제 1 항에 있어서,상기 통계확률 모델 생성부는, 상기 대사이상 질환이 고혈압일 경우, 상기 복수의 상태 변수를 나이, 최종 학력, 월평균 수입, 빈혈, 단백뇨, 요중당, 콜레스테롤, 나트륨 섭취 정도, 칼륨 섭취 정도, 음주 여부, 흡연 여부, 고지혈증, 지방간, 알레르기질환, 관절염, 혈중요산수치, 대사성 질환 가족력 및 운동 여부 중 적어도 5개 이상을 포함하여 상기 복수의 상태 변수의 값에 따라 상기 고혈압의 질병 위험도를 확률적으로 나타내는 통계확률 모델을 생성하는 것인, 대사이상 질환 질병 위험도 예측 장치
|
12 |
12
제 1 항에 있어서,상기 통계확률 모델 생성부는, 상기 대사이상 질환이 비만인 경우, 상기 복수의 상태 변수를 나이, 최종 학력, 고지혈증 과거력, 심근경색 과거력, 지방간 과거력, 담낭염 과거력, 알레르기 과거력, 갑상선질환, 관절염, 혈압, 운동 여부, 칼로리섭취량 대비 나트륨 섭취 정도, 단백질 섭취 정도, 지방 섭취 정도, 단백료, 총콜레스테롤, 공복혈당, 음주여부, 흡연여부, 혈중요산수치 및 대사성 질환 가족력 중 적어도 5개 이상을 포함하여 상기 복수의 상태 변수의 값에 따라 상기 비만의 질병 위험도를 확률적으로 나타내는 통계확률 모델을 생성하는 것인, 대사이상 질환 질병 위험도 예측 장치
|
13 |
13
제 1 항에 있어서,상기 통계확률 모델 생성부는, 상기 대사이상 질환이 당뇨인 경우, 상기 복수의 상태 변수를 최종 학력, 결혼 여부, 직업, 수입, 성별, 나이, 고혈압 과거력, 고지혈증 과거력, 심근경색 과거력, 만성 위염 과거력, 지방간 과거력, 담낭염 과거력, 만성기관지염 과거력, 천식 과거력, 알레르기 과거력, 관절염, 골다공증 과거력, 백내장 과거력, 우울증 과거력, 감상선 질환 과거력, 간접 흡연 노출 횟수, 총 알코올 섭취량, 운동 회수, 첫 아이 출산 나이, 임신성 당뇨병 과거력, 임공 유산 과거력, 거대아 출산 과거력, 경구 피임약 복용 여부, 당뇨병 가족력, 협심증 과거력, 뇌졸증 과거력, 현재의 주관적 건강상태의 정도, 수면의 질, 혈뇨, 지방, 탄수화물, 비타민, 아연, 몸무게, 허리둘레, 엉덩이둘레, 맥박수, 수축기혈압, 이완기혈압, 체질량 수 중 적어도 5개 이상을 포함하여 상기 복수의 상태 변수의 값에 따라 상기 당뇨의 질병 위험도를 확률적으로 나타내는 통계확률 모델을 생성하는 것인, 대사이상 질환 질병 위험도 예측 장치
|
14 |
14
제 1 항에 있어서,상기 통계확률 모델 생성부는, 상기 대사이상 질환이 대사증후군일 경우, 상기 복수의 상태 변수를 나이, 성별, 최종학력, 월평균수입, ALT, 빈혈, 단백뇨, 나트륨섭취, 칼륨섭취, 열량섭취, 운동 여부, 흡연력, 심근경색 과거력, 지방간 과거력, 담낭염 과거력, 알레르기 질환, 갑상선 질환 과거력, 관절염, 혈중요산수치 및 대사성 질환 가족력 여부 중 적어도 5개 이상을 포함하여 상기 복수의 상태 변수의 값에 따라 상기 대사증후군의 질병 위험도를 확률적으로 나타내는 통계확률 모델을 생성하는 것인, 대사이상 질환 질병 위험도 예측 장치
|
15 |
15
대사이상 질환 질병 위험도 예측 장치에서, 대사이상 질환의 질병 위험도를 예측하는 방법에 있어서,기계학습 모델 생성부에서, 상기 대사이상 질환의 질환자의 생활상태 변수 및 건강상태 변수를 포함하는 복수의 상태 변수, 유전자 정보 및 대사이상 질환의 질병 위험도를 입력으로 하여, 상기 복수의 상태 변수 및 유전자 정보 중 적어도 하나 이상과 상기 대사이상 질환의 질병 위험도 사이의 관계의 정도를 학습하는 기계학습 모델을 생성하는 단계; 통계확률 모델 생성부에서, 상기 대사이상 질환의 질환자의 상기 복수의 상태 변수, 상기 유전자 정보 및 대사이상 질환의 질병 위험도를 입력으로 하여, 상기 복수의 상태 변수 및 유전자 정보 중 적어도 하나 이상의 존재 유무 또는 값에 따라 상기 대사이상 질환의 질병 위험도를 확률적으로 나타내는 통계확률 모델을 생성하는 단계; 정보 입력부에서, 대상자의 대상자 상태 변수 및 대상자 유전자 정보를 입력받는 단계; 및예측부에서, 상기 기계학습 모델 및 상기 통계확률 모델에 상기 대상자의 대상자 상태 변수 및 대상자 유전자 정보를 적용하여 상기 대상자의 고혈압, 당뇨병, 비만 및 대사성증후군을 포함하는 대사이상 질환의 질병 위험도를 예측하는 단계를 포함하되,상기 기계학습 모델을 생성하는 단계는, 반복 측정된 복수의 상태 변수를 제1인공신경망에 순차적으로 입력하고, 생활습관 변화와 관련된 유전 정보를 통합 입력하기 위해 상기 제1인공신경망의 마지막 층에 제2인공신경망을 연결하여 상기 대사이상 질환의 질병 위험도 사이의 관계의 정도를 학습하는 것인, 대사이상 질환 질병 위험도 예측 방법
|