| 1 |
1
인공 지능 기반 기계 학습을 이용한 급성 신부전 발생 예측 장치에 있어서,기 선정된 기준에 대응하여 후향적 연구로 수집된 환자 데이터를 입력받아 후향적 코호트(Retrospective cohort study)를 구성하는 데이터 입력부;상기 환자 데이터에서 신부전을 일으키는 데이터에 관한 항목들을 추출하고, 추출된 데이터를 기계 학습하여 급성 신부전 발생 여부를 예측하는 예측 모델을 생성하는 예측 모델 생성부; 및예측하고자 하는 환자의 데이터 항목들을 상기 예측 모델에 반영하여 상기 환자의 급성 신부전 발생 여부를 예측하는 예측부를 포함하는 급성 신부전 발생 예측 장치
|
| 2 |
2
제1항에 있어서, 상기 예측 모델 생성부는,상기 추출된 항목들을 기 설정된 기준에 따라 정적(Static) 변수와 동적(dynamic) 변수로 구분하여, 상기 정적 변수에 대응하는 데이터들은 덴스 레이어(Dense Layer)를 이용하여 학습하고, 상기 동적 변수에 대응하는 데이터들은 LSTM 레이어(Long Short Term Memory Layer)를 이용하여 학습하는 급성 신부전 발생 예측 장치
|
| 3 |
3
제2항에 있어서,상기 정적 변수는,환자의 나이, 성별, 키, 체중, 입원일자, 퇴원일자, BMI, 기저병력, 입원 원인, 입원 당시 및 입원 기간 내의 혈청 크레아티닌, 투석 여부, 약제 투약력, 수술 여부 중 적어도 하나 이상을 포함하고,상기 동적 변수는,백혈구 수치 변화 데이터, 검사 결과, 음식 섭취량, 배설량 중 적어도 어느 하나 이상을 하루 간격으로 측정한 데이터와, 혈압, 맥박, 음식 섭취량, 배설량 중 적어도 어느 하나 이상을 시간 단위로 측정한 데이터를 포함하는 급성 신부전 발생 예측 장치
|
| 4 |
4
제1항에 있어서, 상기 예측 모델 생성부는,순환 신경망(Recurrent Neural Network, RNN) 알고리즘 또는 합성곱 신경망(Convolutional Neural Network, CNN) 알고리즘을 포함하는 인공신경망(Artificial Neural Network, ANN) 알고리즘을 이용하여 상기 예측 모델을 학습하는 급성 신부전 발생 예측 장치
|
| 5 |
5
제1항에 있어서, 상기 데이터 입력부는,상기 수집된 환자 데이터를 급성 신부전이 발생한 환자군과 발생하지 않은 환자군으로 구분하고, 구분된 데이터를 익명화 및 코드화하여 상기 후향적 코호트를 구성하는 급성 신부전 발생 예측 장치
|
| 6 |
6
제1항에 있어서, 상기 예측부를 통해 급성 신부전이 발생한 것으로 예측된 경우,해당 환자가 기 정의된 유효성 평가 단계 중 어느 단계에 해당하는지 판단하는 판단부를 더 포함하는 급성 신부전 발생 예측 장치
|
| 7 |
7
제6항에 있어서,상기 기 정의된 유효성 평가 단계는,혈청 크레아티닌이 기저수치보다 1
|
| 8 |
8
인공 지능 기반 기계 학습을 이용한 급성 신부전 발생 예측 방법에 있어서,급성 신부전 발생 예측 장치는 기 선정된 기준에 대응하여 후향적 연구로 수집된 환자 데이터를 입력받아 후향적 코호트(Retrospective cohort study)를 구성하는 단계;상기 환자 데이터에서 신부전을 일으키는 데이터에 관한 항목들을 추출하고, 추출된 데이터를 기계 학습하여 급성 신부전 발생 여부를 예측하는 예측 모델을 생성하는 단계; 및예측하고자 하는 환자의 데이터 항목들을 상기 예측 모델에 반영하여 상기 환자의 급성 신부전 발생 여부를 예측하는 단계를 포함하는 급성 신부전 발생 예측 방법
|
| 9 |
9
제8항에 있어서, 상기 예측 모델을 생성하는 단계는,상기 추출된 항목들을 기 설정된 기준에 따라 정적(Static) 변수와 동적(dynamic) 변수로 구분하여, 상기 정적 변수에 대응하는 데이터들은 덴스 레이어(Dense Layer)를 이용하여 학습하고, 상기 동적 변수에 대응하는 데이터들은 LSTM 레이어(Long Short Term Memory Layer)를 이용하여 학습하는 급성 신부전 발생 예측 방법
|
| 10 |
10
제9항에 있어서,상기 정적 변수는,환자의 나이, 성별, 키, 체중, 입원일자, 퇴원일자, BMI, 기저병력, 입원 원인, 입원 당시 및 입원 기간 내의 혈청 크레아티닌, 투석 여부, 약제 투약력, 수술 여부 중 적어도 하나 이상을 포함하고,상기 동적 변수는,백혈구 수치 변화 데이터, 검사 결과, 음식 섭취량, 배설량 중 적어도 어느 하나 이상을 하루 간격으로 측정한 데이터와, 혈압, 맥박, 음식 섭취량, 배설량 중 적어도 어느 하나 이상을 시간 단위로 측정한 데이터를 포함하는 급성 신부전 발생 예측 방법
|
| 11 |
11
제8항에 있어서,상기 예측 모델을 생성하는 단계는,순환 신경망(Recurrent Neural Network, RNN) 알고리즘 또는 합성곱 신경망(Convolutional Neural Network, CNN) 알고리즘을 포함하는 인공신경망(Artificial Neural Network, ANN) 알고리즘을 이용하여 상기 예측 모델을 학습하는 급성 신부전 발생 예측 방법
|
| 12 |
12
제8항에 있어서,상기 후향적 코호트를 구성하는 단계는,상기 수집된 환자 데이터를 급성 신부전이 발생한 환자군과 발생하지 않은 환자군으로 구분하고, 구분된 데이터를 익명화 및 코드화하여 상기 후향적 코호트를 구성하는 급성 신부전 발생 예측 방법
|
| 13 |
13
제8항에 있어서,상기 예측하는 단계에서 신부전이 발생한 것으로 예측된 경우,해당 환자가 기 정의된 유효성 평가 단계 중 어느 단계에 해당하는지 판단하는 단계를 더 포함하는 급성 신부전 발생 예측 방법
|
| 14 |
14
제13항에 있어서,상기 기 정의된 유효성 평가 단계는,혈청 크레아티닌이 기저수치보다 1
|
