| 1 |
1
전자 장치에 의해 수행되는 경동맥 스텐트 삽입술(CAS) 후 발생하는 지속적인 혈류역학적 이상(PHD)을 예측하는 방법에 있어서, 상기 전자 장치의 제어부가, CAS 후 PHD의 발생에 영향을 미치는 위험인자 데이터 및 그에 대한 결과값을 학습 데이터로 입력받아 ANN(Artificial Neural Network)에서 학습을 수행하는 단계; 및 상기 제어부가, 대상 환자의 CAS 후 PHD의 발생 여부를 예측하기 위해, 학습된 ANN에 상기 환자의 위험인자 데이터를 테스트 데이터로 입력하고, 상기 ANN을 이용한 연산을 수행하여 대상 환자의 PHD의 발생 여부를 판단하는 단계;를 포함하고, 상기 위험인자 데이터는 환자별 임상인자와 방사선학적 인자를 포함하여 구성되되, 상기 임상인자는 성별, 연령에 대한 정보를 포함하고, 상기 방사선학적 인자는 병변의 위치, 병변의 분기로부터 이격된 거리에 대한 정보를 포함하는 것을 특징으로 하는 지속적인 혈류역학적 이상(PHD)를 예측하는 방법
|
| 2 |
2
제 1항에 있어서,상기 ANN은 입력 레이어, 단일 히든 레이어, 출력 레이어를 포함하여 구성되되, 연산 동작 시, 상기 입력 레이어의 각 노드에는 위험인자에 대한 데이터가 입력되며, 상기 단일 히든 레이어에 ReLU 활성화 함수가 적용되는 것을 특징으로 하는 지속적인 혈류역학적 이상(PHD)를 예측하는 방법
|
| 3 |
3
제 1항에 있어서, 상기 학습을 수행하는 단계는상기 제어부가, 상기 학습 데이터가 입력되면 ANN를 이용하여 연산한 결과로 생성된 예상값과 학습 데이터로 입력된 결과값의 오차를 감소시키기 위해 역전파 학습 알고리즘을 적용하여 가중치 계수를 수정하는 단계; 및상기 제어부가, 상기 가중치 계수를 수정하기 위해 기 설정된 분량의 학습을 완료함에 따라 최후 수정된 가중치 계수를 고정하는 단계;를 포함하는 것을 특징으로 하는 지속적인 혈류역학적 이상(PHD)를 예측하는 방법
|
| 4 |
4
제 1항에 있어서, 상기 ANN의 학습률은 0
|
| 5 |
5
제 1항에 있어서,상기 위험인자 데이터는 성별, 징후의 여부, 협착의 정도가 70%이상인지 여부, 석회화, 궤양, 편심 여부, 확장성, 대측성, 국소 마취 여부, 시술시 풍선 팽창 유지 시간이 5초 이상인지 여부, 시술 시 풍선 팽창 압력이 8기압 이상인지 여부, 고혈압 여부, 관상 동맥 질병 및 협착 병변의 위치가 분기로부터 10mm 이내의 거리에 존재하는지 여부를 포함하는 것을 특징으로 하는 지속적인 혈류역학적 이상(PHD)를 예측하는 방법
|
| 6 |
6
경동맥 스텐트 삽입술(CAS) 후 발생하는 지속적인 혈류역학적 이상(PHD)을 예측하는 전자장치에 있어서, 입력 레이어, 단일 히든 레이어, 출력 레이어를 포함하여 구성되고, 상기 입력 레이어의 각 노드에 위험인자에 대한 데이터를 입력함에 따라 출력 레이어에서 PHD의 발생 여부에 대한 예측값을 산출하도록 ANN을 동작하는 제어부; 상기 ANN의 학습 및 테스트 동작에 요구되는 가중치 계수, 활성화 함수, 학습률 및 상기 ANN에 투입되는 정보인 환자별 위험인자 데이터를 저장하는 저장부;를 포함하는 것을 특징으로 하는 지속적인 혈류역학적 이상(PHD)를 예측하는 전자장치
|
| 7 |
7
제 6항에 있어서,상기 제어부는 학습 데이터를 입력받아 가중치 계수를 수정하는 학습 과정과, 학습 과정이 완료된 후, 입력되는 테스트 데이터를 처리하여 PHD에 대한 예측값을 산출하는 테스트 과정을 수행하는 ANN; 및 데이터 투입부;를 포함하고, 상기 데이터 투입부는 상기 ANN이 학습 과정을 수행하는 경우 환자의 위험인자 데이터 및 해당 환자의 실제 PHD 결과값을 포함하는 학습 데이터를 투입하도록 제어하는 것을 특징으로 하는 지속적인 혈류역학적 이상(PHD)를 예측하는 전자장치
|
| 8 |
8
제 6항에 있어서,상기 제어부는환자 데이터 판독부를 포함하고, 상기 환자 데이터 판독부는 환자의 위험인자 데이터가 ANN에 의한 PHD 예측을 위해 입력 레이어의 노드에 입력되어야하는 데이터의 최소 항목을 만족하는지 여부를 판단하고, 만족하지 않는 것으로 판단되면 추가 정보를 입력하도록 요청하는 것을 특징으로 하는 지속적인 혈류역학적 이상(PHD)를 예측하는 전자장치
|
| 9 |
9
제 6항에 있어서,상기 제어부는 정확도 산출부를 포함하고, 상기 정확도 산출부는 상기 ANN의 출력 레이어의 False노드와 True노드에 입력되는 값을 수신하여 비교하되, 환자별 False 값과 True 값의 차이를 산출하여 PHD의 발생 확률을 판단하는 것을 특징으로 하는 지속적인 혈류역학적 이상(PHD)를 예측하는 전자장치
|
| 10 |
10
경동맥 스텐트 삽입술(CAS) 후 발생하는 지속적인 혈류역학적 이상(PHD)을 예측하는 전자장치에 있어서, CAS 후 PHD의 발생에 영향을 미치는 위험인자 데이터 및 그에 대한 결과값을 학습 데이터로 입력받아 학습을 수행하며, 대상 환자의 CAS 후 PHD의 발생 여부를 예측하기 위해, 상기 환자의 위험인자 데이터를 테스트 데이터로 입력받은 후 연산을 수행하여 대상 환자의 PHD의 발생 여부를 판단하는 ANN을 구비하는 제어부;를 포함하고,상기 위험인자 데이터는 환자별 임상인자와 방사선학적 인자를 포함하여 구성되되, 상기 임상인자는 성별, 연령에 대한 정보를 포함하고, 상기 방사선학적 인자는 병변의 위치, 병변의 분기로부터 이격된 거리에 대한 정보를 포함하는 것을 특징으로 하는 지속적인 혈류역학적 이상(PHD)를 예측하는 전자장치
|
| 11 |
11
경동맥 스텐트 삽입술(CAS) 후 발생하는 지속적인 혈류역학적 이상(PHD)을 예측하는 전자장치에 있어서, CAS 후 PHD의 발생에 영향을 미치는 위험인자 데이터 및 그에 대한 결과값을 학습 데이터로 입력받아 학습을 수행하며, 대상 환자의 CAS 후 PHD의 발생 여부를 예측하기 위해, 상기 환자의 위험인자 데이터를 테스트 데이터로 입력받은 후 연산을 수행하여 대상 환자의 PHD의 발생 여부를 판단하는 ANN을 구비하는 제어부;를 포함하고,상기 위험인자 데이터는 성별, 징후의 여부, 협착의 정도가 70%이상인지 여부, 석회화, 궤양, 편심 여부, 확장성, 대측성, 국소 마취 여부, 시술시 풍선 팽창 유지 시간이 5초 이상인지 여부, 시술 시 풍선 팽창 압력이 8기압 이상인지 여부, 고혈압 여부, 관상 동맥 질병 및 협착 병변의 위치가 분기로부터 10mm 이내의 거리에 존재하는지 여부를 포함하는 것을 특징으로 하는 지속적인 혈류역학적 이상(PHD)를 예측하는 전자장치
|
