| 1 |
1
프로세서에 의해 수행되는, 병원 리소스에 대한 환자의 니즈 예측 방법에 있어서, 언어 및 숫자로 기록된 환자 자료 내 자연어 자료와 정형화 자료를 인코딩하여 정보 유형별 숫자형 데이터를 생성하는 단계; 및 상기 정보 유형별 숫자형 데이터를 인공 신경망에 적용하여 병원 리소스에 대한 환자의 니즈에 대응하는 태스크를 예측하는 단계를 포함하되, 상기 인공 신경망은,상기 숫자형 데이터 중 적어도 일부에 기초하여 상기 환자 자료의 임베딩 행렬을 산출하는 임베딩 모델; 및 상기 환자 자료의 임베딩 행렬, 또는 상기 환자 자료의 임베딩 행렬 및 상기 정형화 자료의 숫자형 데이터를 입력받아 상기 환자 자료가 속하는 태스크를 결정하는 결정 모델을 포함하는 것을 특징으로 하는 환자의 니즈 예측 방법
|
| 2 |
2
제1항에 있어서, 상기 자연어 자료는 환자의 현재 질병 정보를 포함하고, 상기 정형화 자료는 환자의 인구통계학적 정보 및 환자의 측정 정보 중 하나 이상을 포함하며, 상기 정보 유형별 숫자형 데이터를 생성하는 단계는, 상기 자연어 자료를 자연어 처리하는 단계; 자연어 처리를 통해 획득된 현재 질병 정보의 텍스트 데이터를 임베딩 처리하여 제1 유형의 자연어 임베딩 벡터를 산출하는 단계; 자연어 처리를 통해 획득된 상기 자연어 자료의 나머지 정보의 텍스트 데이터를 임베딩 처리하여 제2 유형의 자연어 임베딩 벡터를 산출하는 단계; 상기 정형화 자료를 자연어 처리하는 단계; 및자연어 처리를 통해 획득된 상기 상기 인구통계학적 정보의 텍스트 데이터를 임베딩 처리하여 인구통계학적 정보의 임베딩 벡터를 산출하거나, 또는 자연어 처리를 통해 숫자형 데이터로 변환하는 단계를 포함하는 환자의 니즈 예측 방법
|
| 3 |
3
제2항에 있어서, 상기 병원 리소스에 대한 환자의 니즈에 대응하는 태스크를 예측하는 단계는,상기 임베딩 모델에 의해, 상기 제1 유형의 자연어 임베딩 벡터, 그리고 맥락 임베딩 벡터로부터 상기 환자 자료의 임베딩 행렬을 산출하는 단계를 포함하고, 상기 맥락 임베딩 벡터는 상기 제2 유형의 자연어 임베딩 벡터 및 상기 인구통계학적 정보의 임베딩 벡터에 기초하고, 상기 임베딩 모델은 입력 데이터의 특징을 추출하여 은닉 상태 벡터를 산출하는, 일방향 또는 양방향 GRU(Gated Recurrent Unit) 기반 은닉층; 및 상기 은닉층의 출력 행렬을 입력 받아 상기 환자 자료의 임베딩 행렬을 산출하는 어텐션층을 포함하는 것을 특징으로 하는 환자의 니즈 예측 방법
|
| 4 |
4
제3항에 있어서, 상기 임베딩 모델의 초기 은닉 상태는 상기 맥락 임베딩 벡터로 지정된 것이고,상기 병원 리소스에 대한 환자의 니즈에 대응하는 태스크를 예측하는 단계에서, 상기 제1 유형의 자연어 임베딩 벡터를 상기 임베딩 모델의 초기 은닉층에 입력하는 것을 특징으로 하는 환자의 니즈 예측 방법
|
| 5 |
5
제4항에 있어서, 상기 임베딩 모델에 복수의 제1 유형의 자연어 임베딩 벡터가 입력될 경우, 상기 복수의 제1 유형의 자연어 임베딩 벡터를 상기 은닉층에 순차적으로 입력하는 것을 특징으로 하는 환자의 니즈 예측 방법
|
| 6 |
6
제3항에 있어서, 상기 병원 리소스에 대한 환자의 니즈에 대응하는 태스크를 예측하는 단계에서, 상기 제1 유형의 자연어 임베딩 벡터를 상기 맥락 임베딩 벡터와 결합한 결합 벡터를 상기 임베딩 모델의 초기 은닉층에 입력하는 것을 특징으로 하는 환자의 니즈 예측 방법
|
| 7 |
7
제3항에 있어서, 상기 병원 리소스에 대한 환자의 니즈에 대응하는 태스크를 예측하는 단계는,최종 은닉 상태 벡터로 이루어진 은닉 행렬H를 형성하는 단계를 포함하고, 상기 어텐션 층은 상기 은닉 행렬H와 어텐션 가중치에 기초한 어텐션 행렬A에 기초한 환자 자료의 임베딩 행렬M을 산출하는 것을 특징으로 하는 환자의 니즈 예측 방법
|
| 8 |
8
제3항에 있어서, 상기 병원 리소스에 대한 환자의 니즈에 대응하는 태스크를 예측하는 단계는,상기 결정 모델에 의해, 상기 환자 자료의 임베딩 행렬 및 최종 은닉 상태 벡터, 및 상기 측정 정보의 숫자형 데이터 중 적어도 상기 환자 자료의 임베딩 행렬을 입력 받는 단계를 포함하고, 상기 결정 모델은 둘 이상의 층으로 이루어진 완전 연결층을 포함하는 것을 특징으로 하는 것을 특징으로 하는 환자의 니즈 예측 방법
|
| 9 |
9
제8항에 있어서, 상기 인공 신경망은 상기 결정 모델이 복수의 훈련 환자에 대한 훈련 데이터 세트를 사용하여 다중 태스크 중 적어도 하나의 태스크를 결정하도록 미리 학습된 것으로서,상기 훈련 데이터 세트는 각각의 훈련 환자에 대한 훈련 샘플로 이루어지며, 각 훈련 샘플은 해당 훈련 환자에 대한 환자 자료의 임베딩 행렬, 최종 은닉 상태 벡터, 및 상기 측정 정보의 숫자형 데이터 중 적어도 상기 훈련 환자에 대한 환자 자료의 임베딩 행렬을 포함하는 것을 특징으로 하는 환자의 니즈 예측 방법
|
| 10 |
10
제8항에 있어서, 상기 결정 모델은 다중 태스크 중 적어도 하나의 태스크를 결정하기 위해, 해당 태스크에 포함된 복수의 태스크 클래스 중 상기 환자 자료가 속하는 태스크 클래스를 결정하는, 다중 이진 분류를 수행하도록 학습된 것을 특징으로 하는 환자의 니즈 예측 방법
|
| 11 |
11
제8항에 있어서, 상기 완전 연결층은, 메인 태스크를 결정하기 위한 제1 네트워크, 제1 보조 태스크를 결정하기 위한 제2 네트워크, 및 제2 보조 태스크를 결정하기 위한 제3 네트워크 중 하나 이상의 네트워크를 포함하고, 상기 1 네트워크 또는 제2 네트워크는 상기 환자 자료의 임베딩 행렬 및 최종 은닉 상태 벡터를 입력 받도록 구성되며, 상기 제3 네트워크는 제2 네트워크는 상기 환자 자료의 임베딩 행렬, 최종 은닉 상태 벡터 및 상기 측정 정보의 숫자형 데이터를 입력 받도록 구성되는 것을 특징으로 하는 환자의 니즈 예측 방법
|
| 12 |
12
제11항에 있어서, 상기 인공 신경망의 손실 함수는, 상기 완전 연결층의 태스크별 네트워크 간의 교차 엔트로피 손실 함수의 가중치 합을 나타낸 일 항(term), 그리고 어텐션 행렬 및 상기 어텐션 행렬의 트랜스폼 행렬, 단위 행렬(identity matrix)에 프로베니우스 표준(Frobenius norm)을 적용한 다른 항을 포함하는 것을 특징으로 하는 환자의 니즈 예측 방법
|
| 13 |
13
제2항에 있어서,상기 자연어 자료는 주증상 관련 정보, 부상 관련 정보, 및 과거 관련 정보 중 하나 이상을 더 포함하고, 상기 인구통계학적 정보는 성별 및 나이 중 하나 이상의 정보를 포함하는 것을 특징으로 하는 환자의 니즈 예측 방법
|
| 14 |
14
제2항에 있어서, 상기 측정 정보는 동공 상태, 수축기(SBP) 혈압, 이완기(DBP) 혈압, 맥박, 호흡률, 체온, 의식 수준, 초기 O2 포화도 중 하나 이상의 측정 항목에 대한 측정 값을 포함하는 것을 특징으로 하는 환자의 니즈 예측 방법
|
| 15 |
15
제11항에 있어서, 상기 메인 태스크는 병원 입원, 기관 내 삽관, 기계적 환기, 혈관 압착기 주입, 심장 카테터 삽입, 수술, 중환자실(ICU) 입원, 심장마비 중 하나 이상을 태스크 클래스로 포함하고, 상기 제1 보조 태스크는 응급실 진단 병명 코드를 태스크 클래스로 포함하고, 상기 제2 보조 태스크는 퇴원, 병동 입원, 중환자실 입원, 이송 및 사망 중 하나 이상을 태스크 클래스로 포함하는 것을 특징으로 하는 환자의 니즈 예측 방법
|
| 16 |
16
제1항 내지 제15항 중 어느 하나의 항에 따른 환자의 니즈 예측 방법을 수행하기 위한, 컴퓨터 프로그램이 기록된 컴퓨터 판독가능 기록매체
|
| 17 |
17
언어 및 숫자로 기록된, 환자의 상태를 표현하는 자연어 자료 및 정형화 자료를 포함한 환자 자료를 획득하는 데이터 획득 장치; 상기 환자 자료 내 자연어 자료와 정형화 자료를 인코딩하여 정보 유형별 숫자형 데이터를 생성하는 인코딩 모듈; 및 상기 숫자형 데이터를 인공 신경망에 적용하여 병원 리소스에 대한 환자의 니즈에 대응하는 태스크를 예측하는 예측 모듈을 포함하되, 상기 인공 신경망은,상기 숫자형 데이터 중 적어도 일부에 기초하여 상기 환자 자료의 임베딩 행렬을 산출하는 임베딩 모델; 및 상기 환자 자료의 임베딩 행렬, 또는 상기 환자 자료의 임베딩 행렬 및 상기 정형화 자료의 숫자형 데이터를 입력받아 상기 환자 자료가 속하는 태스크를 결정하는 결정 모델을 포함하는 것을 특징으로 하는 시스템
|
| 18 |
18
제17항에 있어서, 상기 자연어 자료는 환자의 현재 질병 정보를 포함하고, 상기 정형화 자료는 환자의 인구통계학적 정보 및 환자의 측정 정보 중 하나 이상을 포함하며, 상기 인코딩 모듈은, 상기 자연어 자료를 자연어 처리하고, 자연어 처리를 통해 획득된 현재 질병 정보의 텍스트 데이터를 임베딩 처리하여 제1 유형의 자연어 임베딩 벡터를 산출하며, 자연어 처리를 통해 획득된 상기 자연어 자료의 나머지 정보의 텍스트 데이터를 임베딩 처리하여 제2 유형의 자연어 임베딩 벡터를 산출하고, 상기 정형화 자료를 자연어 처리하며, 그리고 자연어 처리를 통해 획득된 상기 상기 인구통계학적 정보의 텍스트 데이터를 임베딩 처리하여 인구통계학적 정보의 임베딩 벡터를 산출하거나, 또는 자연어 처리를 통해 숫자형 데이터로 변환하도록 구성된 것을 특징으로 하는 시스템
|
| 19 |
19
제18항에 있어서, 상기 예측 모듈은, 상기 임베딩 모델에 의해, 상기 제1 유형의 자연어 임베딩 벡터, 그리고 맥락 임베딩 벡터로부터 상기 환자 자료의 임베딩 행렬을 산출하도록 구성되고, 상기 맥락 임베딩 벡터는 상기 제2 유형의 자연어 임베딩 벡터 및 상기 인구통계학적 정보의 임베딩 벡터에 기초하고, 상기 임베딩 모델은 입력 데이터의 특징을 추출하여 은닉 상태 벡터를 산출하는, 일방향 또는 양방향 GRU(Gated Recurrent Unit) 기반 은닉층; 및 상기 은닉층의 출력 행렬을 입력 받아 상기 환자 자료의 임베딩 행렬을 산출하는 어텐션층을 포함하는 것을 특징으로 하는 시스템
|
| 20 |
20
제18항에 있어서, 상기 임베딩 모델의 초기 은닉 상태는 상기 맥락 임베딩 벡터로 지정된 것이고,상기 예측 모듈은, 상기 제1 유형의 자연어 임베딩 벡터를 상기 임베딩 모델의 초기 은닉층에 입력하는 것을 특징으로 하는 시스템
|
| 21 |
21
제18항에 있어서, 상기 예측 모듈은, 상기 제1 유형의 자연어 임베딩 벡터를 상기 맥락 임베딩 벡터와 결합한 결합 벡터를 상기 임베딩 모델의 초기 은닉층에 입력하는 것을 특징으로 하는 시스템
|
| 22 |
22
제18항에 있어서, 상기 예측 모듈은, 상기 환자 자료의 임베딩 행렬 및 최종 은닉 상태 벡터, 및 상기 측정 정보의 숫자형 데이터 중 적어도 상기 환자 자료의 임베딩 행렬을 상기 결정 모델에 입력하는 것을 특징으로 하는 시스템
|
| 23 |
23
제17항에 있어서, 상기 결정 모델이 훈련 환자의 중간 데이터 세트를 사용하여 다중 태스크 중 적어도 하나의 태스크를 결정하도록 상기 인공 신경망을 학습하는 학습 모듈을 더 포함하되, 상기 훈련 데이터 세트는 각각의 훈련 환자에 대한 훈련 샘플로 이루어지며, 각 훈련 샘플은 해당 훈련 환자에 대한 환자 자료의 임베딩 행렬, 최종 은닉 상태 벡터, 및 상기 측정 정보의 숫자형 데이터 중 적어도 상기 훈련 환자에 대한 환자 자료의 임베딩 행렬을 포함하는 것을 특징으로 하는 시스템
|
