| 1 |
1
프로세서에 의해 구현되는 균혈증 발병 위험도를 예측하는 방법에 있어서,개체에 대한 생물학적 시험 데이터를 수신하는 단계;상기 생물학적 시험 데이터를 기초로 상기 개체에 대한 균혈증 발병 위험도를 예측하도록 구성된 균혈증 예측 모델을 이용하여, 상기 개체의 균혈증 발병 위험도를 예측하는 단계를 포함하고,상기 생물학적 시험 데이터는, 크레아틴 (Creatinine) 수치, 알부민 (Albumin) 수치, CRP (Creactive protein) 수치, WBC (white blood cell) 최소 수치, WBC 최고 수치, 혈소판 (Platelet) 수, 프로트롬빈 (Prothrombin) 시간 중 적어도 하나 및 ALP (Alkaline phosphatase) 수치를 포함하는, 균혈증 발병 위험도의 예측 방법
|
| 2 |
2
제1항에 있어서,상기 개체에 대한 생체 신호 데이터를 수신하는 단계를 더 포함하고, 상기 균혈층 예측 모델은,상기 생물학적 시험 데이터 및 상기 생체 신호 데이터를 기초로 균혈증 발병 위험도를 예측하도록 더 구성되고,싱기 생체 신호 데이터는, SBP (systolic blood pressure), DBP (diastolic blood pressure), 최고 체온, 최저 체온, 심박수 및 호흡수 중 적어도 하나인, 균혈증 발병 위험도의 예측 방법
|
| 3 |
3
제1항에 있어서,상기 개체에 대한 임상적 특징 데이터를 수신하는 단계를 더 포함하고, 상기 균혈층 예측 모델은,상기 생물학적 시험 데이터 및 상기 임상적 특징 데이터를 기초로 균혈증 발병 위험도를 예측하도록 더 구성되고,싱기 임상적 특징 데이터는, 성별, 연령, 혈액 배양 기간, ICU (intensive care unit) 치료 여부, 중심 정맥 카테터 (Central venous catheter) 삽입 여부, 스테로이드 치료 여부 및 항생제 치료 여부 중 적어도 하나인, 균혈증 발병 위험도의 예측 방법
|
| 4 |
4
제1항에 있어서,상기 생물학적 시험 데이터는, 상기 크레아틴 수치, 상기 알부민 수치, 상기 CRP 수치, 상기 WBC 최소 수치, 상기 WBC 최고 수치, 상기 프로트롬빈 시간 중 적어도 하나, 및 상기 혈소판 수, 상기 ALP 수치를 포함하는, 균혈증 발병 위험도의 예측 방법
|
| 5 |
5
제1항에 있어서,상기 생물학적 시험 데이터는, ALT (alanine aminotransferase) 수치, 트롬포플라스틴 (thromboplastin) 의 응고 시간, AST (aspartate aminotransferase) 수치, CRP (C-reactive protein) 수치, 적혈구 침강 속도, FERR (ferritin) 수치, HMG (hemoglobin) 수치, PTINR (Prothrombin Time International Normalized Ratio), PTPER (Prothrombin time (%)), PTSEC (Prothrombin time (sec)), 적혈구 수치, TBIL (Total bilirubin) 수치, TCO2 (total carbon dioxide) 수치 및 백혈구 수치 중 적어도 하나를 더 포함하는, 균혈증 발병 위험도의 예측 방법
|
| 6 |
6
제1항에 있어서,상기 균혈증은, 급성 중증 균혈증 (acute severe bacteraemia) 인, 균혈증 발병 위험도의 예측 방법
|
| 7 |
7
제1항에 있어서,상기 균혈증 예측 모델은,MLP (multi-layer perceptron), SVM (support vector machine), RF (random forest), 및 복수의 모델의 조합으로 구성된 앙상블 모델, 선행 학습된 (pre-trained) 모델, Xgboost 모델 중 적어도 하나의 모델인, 균혈증 발병 위험도의 예측 방법
|
| 8 |
8
제7항에 있어서,상기 균혈증 예측 모델은,상기 MLP 모델 또는 상기 Xgboost 모델이고,상기 MLP 모델은 128 노드 (nodes) 또는 256 노드를 갖는 단일의 히든 레이어 (hidden layer) 를 포함하거나,상기 단일의 히든 레이어가 복수로 존재하는 복수의 히든 레이어를 포함하는, 균혈증 발병 위험도의 예측 방법
|
| 9 |
9
제1항에 있어서,상기 균혈증 예측 모델은,균혈증 발병 표본 개체 및 정상의 표본 개체에 대한 생물학적 실험 데이터, 생체 신호 데이터 및 임상적 특징 데이터로 구성된 학습용 데이터를 수신하는 단계, 및상기 학습용 데이터를 기초로, 균혈증 또는 정상을 예측하는 단계를 통해 학습된 모델이고,상기 정상의 표본 개체는,임상적으로 균혈증 발생되지 않고 균혈증이 아닌 것으로 평가된 개체인, 균혈증 발병 위험도의 예측 방법
|
| 10 |
10
제9항에 있어서,상기 학습용 데이터를 수신하는 단계 이후에 수행되는,상기 학습용 데이터를 평가하는 단계를 더 포함하고,상기 학습용 데이터를 평가하는 단계는,상기 학습용 데이터에 대하여 균혈증과의 관련도 (relevance) 점수를 산출하는 단계, 및상기 관련도 점수를 기초로, 미리 결정된 순위 내에 있는 균혈증 관련 학습용 데이터를 결정하는 단계를 포함하는, 균혈증 발병 위험도의 예측 방법
|
| 11 |
11
제10항에 있어서,상기 학습용 데이터를 평가하는 단계는,OOS (one-out search), LRP (Layer-wise Relevance Propagation), GI (gradient input), IG (integrated gradients), 및 SM (saliency map) 중 적어도 하나의 알고리즘에 기초하여,상기 학습용 데이터에 대하여 균혈증과의 관련도 점수를 산출하는 단계, 및상기 관련도 점수를 기초로, 미리 결정된 순위 내에 있는 균혈증 관련 학습용 데이터를 결정하는 단계를 포함하는, 균혈증 발병 위험도의 예측 방법
|
| 12 |
12
제1항에 있어서,상기 개체에 대하여 예측된 상기 균혈증 발병 위험도를 제공하는 단계를 더 포함하는, 균혈증 발병 위험도의 예측 방법
|
| 13 |
13
제12항에 있어서,상기 균혈증 발병 위험도를 제공하는 단계는,상기 균혈증 예측 모델에 의해 개체에 대한 균혈증 발병 위험도가 예측될 경우,위험 알림을 제공하는 단계를 포함하는, 균혈증 발병 위험도의 예측 방법
|
| 14 |
14
제12항에 있어서,상기 균혈증 발병 위험도를 제공하는 단계는,상기 균혈증 예측 모델에 의해 개체에 대한 균혈증 발병 위험 확률을 산출하는 단계, 및상기 균혈증 발병 위험 확률을 제공하는 단계를 포함하는, 균혈증 발병 위험도의 예측 방법
|
| 15 |
15
개체에 대한 생물학적 시험 데이터를 수신하도록 구성된 수신부, 및상기 수신부와 연결된 프로세서를 포함하고,상기 프로세서는, 상기 생물학적 시험 데이터를 기초로 상기 개체에 대한 균혈증 발병 위험도를 예측하도록 구성된 균혈증 예측 모델을 이용하여, 상기 개체의 균혈증 발병 위험도를 예측하도록 구성되고,상기 생물학적 시험 데이터는, 크레아틴 (Creatinine) 수치, 알부민 (Albumin) 수치, CRP (Creactive protein) 수치, WBC (white blood cell) 최소 수치, WBC 최고 수치, 혈소판 (Platelet) 수, 프로트롬빈 (Prothrombin) 시간 중 적어도 하나 및 ALP (Alkaline phosphatase) 수치를 포함하는, 균혈증 발병 위험도의 예측용 디바이스
|
| 16 |
16
제15항에 있어서,상기 수신부는, 개체에 대한 생체 신호 데이터를 수신하도록 더 구성되고,상기 균혈층 예측 모델은,상기 생물학적 시험 데이터 및 상기 생체 신호 데이터를 기초로 균혈증 발병 위험도를 예측하도록 더 구성되고,싱기 생체 신호 데이터는, SBP (systolic blood pressure), DBP (diastolic blood pressure), 최고 체온, 최저 체온, 심박수 및 호흡수 중 적어도 하나인, 균혈증 발병 위험도의 예측용 디바이스
|
| 17 |
17
제15항에 있어서,상기 수신부는 상기 개체에 대한 임상적 특징 데이터를 수신하도록 더 구성되고, 상기 균혈층 예측 모델은,상기 생물학적 시험 데이터 및 상기 임상적 특징 데이터를 기초로 균혈증 발병 위험도를 예측하도록 더 구성되고,싱기 임상적 특징 데이터는, 성별, 연령, 혈액 배양 기간, ICU (intensive care unit) 치료 여부, 중심 정맥 카테터 (Central venous catheter) 삽입 여부, 스테로이드 치료 여부 및 항생제 치료 여부 중 적어도 하나인, 균혈증 발병 위험도의 예측용 디바이스
|
| 18 |
18
제15항에 있어서,상기 생물학적 시험 데이터는, 상기 크레아틴 수치, 상기 알부민 수치, 상기 CRP 수치, 상기 WBC 최소 수치, 상기 WBC 최고 수치, 상기 프로트롬빈 시간 중 적어도 하나, 및 상기 혈소판 수, 상기 ALP 수치를 포함하는, 균혈증 발병 위험도의 예측용 디바이스
|
| 19 |
19
제15항에 있어서,상기 생물학적 시험 데이터는, ALT (alanine aminotransferase) 수치, 트롬포플라스틴 (thromboplastin) 의 응고 시간, AST (aspartate aminotransferase) 수치, CRP (C-reactive protein) 수치, 적혈구 침강 속도, FERR (ferritin) 수치, HMG (hemoglobin) 수치, PTINR (Prothrombin Time International Normalized Ratio), PTPER (Prothrombin time (%)), PTSEC (Prothrombin time (sec)), 적혈구 수치, TBIL (Total bilirubin) 수치, TCO2 (total carbon dioxide) 수치 및 백혈구 수치 중 적어도 하나를 더 포함하는, 균혈증 발병 위험도의 예측용 디바이스
|
| 20 |
20
제15항에 있어서,상기 균혈증은, 급성 중증 균혈증 (acute severe bacteraemia) 인, 균혈증 발병 위험도의 예측용 디바이스
|
| 21 |
21
제15항에 있어서,상기 균혈증 예측 모델은,MLP (multi-layer perceptron), SVM (support vector machine), RF (random forest), 및 복수의 모델의 조합으로 구성된 앙상블 모델, 선행 학습된 (pre-trained) 모델, Xgboost 모델 중 적어도 하나의 모델인, 균혈증 발병 위험도의 예측용 디바이스
|
| 22 |
22
제21항에 있어서,상기 균혈증 예측 모델은,상기 MLP 모델 또는 상기 Xgboost 모델이고,상기 MLP 모델은 128 노드 (nodes) 또는 256 노드를 갖는 단일의 히든 레이어 (hidden layer) 를 포함하거나,상기 단일의 히든 레이어가 복수로 존재하는 복수의 히든 레이어를 포함하는, 균혈증 발병 위험도의 예측용 디바이스
|
| 23 |
23
제15항에 있어서,상기 균혈증 예측 모델은,균혈증 발병 표본 개체 및 정상의 표본 개체에 대한 생물학적 실험 데이터, 생체 신호 데이터 및 임상적 특징 데이터로 구성된 학습용 데이터를 수신하고, 상기 학습용 데이터를 기초로, 균혈증 또는 정상을 예측하는 단계를 통해 학습된 모델이고,상기 정상의 표본 개체는,임상적으로 균혈증 발생되지 않고 균혈증이 아닌 것으로 평가된 개체인, 균혈증 발병 위험도의 예측용 디바이스
|
| 24 |
24
제15항에 있어서,상기 개체에 대하여 예측된 상기 균혈증 발병 위험도를 제공하도록 구성된 출력부를 더 포함하는, 균혈증 발병 위험도의 예측용 디바이스
|
| 25 |
25
제24항에 있어서,상기 출력부는,상기 균혈증 예측 모델에 의해 개체에 대한 균혈증 발병 위험도가 예측될 경우,위험 알림을 제공하도록 구성된, 균혈증 발병 위험도의 예측용 디바이스
|
| 26 |
26
제24항에 있어서,상기 균혈증 예측 모델은,상기 개체에 대한 균혈증 발병 위험 확률을 산출하도록 더 구성되고,상기 출력부는, 상기 균혈증 발병 위험 확률을 제공하도록 더 구성된, 균혈증 발병 위험도의 예측용 디바이스
|
