1 |
1
고령자 집단의 코호트(cohort) 데이터를 수집하는 단계;상기 수집한 코호트 데이터를 전처리하는 단계;상기 수집한 코호트 데이터에서 속성을 추출하고, 상기 추출된 속성에 대한 부분집합을 선택하는 단계; 및질환 예측 모델을 통해 상기 선택된 속성 집합을 이용하여 질환의 위험도를 분석하는 단계;를 포함하는 것을 특징으로 하는 고령자 코호트 데이터를 이용한 질환 예측 방법
|
2 |
2
제1항에 있어서,상기 전처리하는 단계는,예측 대상인 질환과 관련된 주요 데이터 테이블을 도출하는 단계;를 포함하는 것을 특징으로 하는 고령자 코호트 데이터를 이용한 질환 예측 방법
|
3 |
3
제2항에 있어서,상기 전처리하는 단계는,상기 주요 데이터 테이블 간의 조인(join)을 통해 상기 예측 대상인 질환의 주상병 코드와 관련된 데이터 테이블로 구성되는 데이터 마트를 구축하는 단계;를 포함하는 것을 특징으로 하는 고령자 코호트 데이터를 이용한 질환 예측 방법
|
4 |
4
제1항에 있어서,상기 코호트 데이터를 수집하는 단계는,데이터베이스에 저장되는 상기 코호트 데이터를 주기적으로 업데이트하는 단계; 및업데이트된 상기 데이터베이스의 코호트 데이터에 기초하여 상기 질환 예측 모델을 기 학습시키는 단계;를 포함하는 것을 특징으로 하는 고령자 코호트 데이터를 이용한 질환 예측 방법
|
5 |
5
제1항에 있어서,상기 부분집합을 선택하는 단계는,상기 수집한 코호트 데이터에서 추출된 속성에 대해서, 하기 수학식 1에 따른 Z-score 정규화(normalization)를 수행하는 단계;를 포함하는 것을 특징으로 하는 고령자 코호트 데이터를 이용한 질환 예측 방법
|
6 |
6
제1항에 있어서,상기 부분집합을 선택하는 단계는,홀의 정리(Hall's theorem)를 이용하여 상기 코호트 데이터에서 추출한 속성에 대한 부분집합을 선택하는 단계;를 포함하는 것을 특징으로 하는 고령자 코호트 데이터를 이용한 질환 예측 방법
|
7 |
7
제1항에 있어서,상기 부분집합을 선택하는 단계는,하기 수학식 2에 따른 산출 결과 가장 큰 값이 산출되는 부분집합을 전체 속성에 대한 표현율이 가장 높은 부분집합으로 평가하는 단계;를 포함하는 것을 특징으로 하는 고령자 코호트 데이터를 이용한 질환 예측 방법
|
8 |
8
고령자 집단의 코호트(cohort) 데이터를 수집하는 데이터 수집부;상기 수집한 코호트 데이터를 전처리하는 데이터 전처리부;상기 수집한 코호트 데이터에서 속성을 추출하고, 상기 추출된 속성에 대한 부분집합을 선택하는 부분집합 선택부; 및질환 예측 모델을 통해 상기 선택된 속성 집합을 이용하여 질환의 위험도를 분석하는 질환 분석부;를 포함하는 것을 특징으로 하는 고령자 코호트 데이터를 이용한 질환 예측 장치
|
9 |
9
제8항에 있어서,상기 데이터 수집부는,데이터베이스에 저장되는 상기 코호트 데이터를 주기적으로 업데이트함으로써, 상기 질환 예측 모델이 업데이트된 코호트 데이터를 통해 기 학습되도록 하는 것을 특징으로 하는 고령자 코호트 데이터를 이용한 질환 예측 장치
|
10 |
10
제8항에 있어서,상기 데이터 전처리부는,상기 코호트 데이터가 포함하는 각 데이터 테이블에서의 중복 튜플(tuple) 및 노이즈 튜플을 제거하고, 상기 질환 예측 모델을 통해 분석 가능하도록 데이터 형식을 변환 및 일반화하는 것을 특징으로 하는 고령자 코호트 데이터를 이용한 질환 예측 장치
|
11 |
11
제8항에 있어서,상기 부분집합 선택부는,데이터 분류 수행 시, 상기 코호트 데이터에서 추출된 모든 속성을 이용하는 경우 산출되는 확률 분포와 가장 유사한 확률 분포가 산출되는 부분집합을 도출하여 선택하는 것을 특징으로 하는 고령자 코호트 데이터를 이용한 질환 예측 장치
|
12 |
12
제8항에 있어서,상기 질환 예측 모델은,1D 합성곱 신경망(CNN, Convolution Neural Network) 기반의 예측 모델로 구성되는 것을 특징으로 하는 고령자 코호트 데이터를 이용한 질환 예측 장치
|
13 |
13
고령자 집단의 코호트 데이터를 이용하며, 1D 합성곱 신경망 구조를 기반으로 하는 질환 예측 모델 생성 방법에 있어서,전처리되어 입력되는 상기 코호트 데이터에 대한 특징을 추출하는 컨볼루션 레이어(convolution layer) 및 풀링 레이어(pooling layer)를 배치하는 단계;상기 코호트 데이터를 분류하기 위한 히든 레이어(hidden layer)를 배치하는 단계; 포함하는 것을 특징으로 하는 질환 예측 모델 생성 방법
|
14 |
14
제13항에 있어서,상기 컨볼루션 레이어 및 풀링 레이어를 배치하는 단계는,3개의 컨볼루션 레이어 및 3개의 풀링 레이어를 배치하는 단계;를 포함하는 것을 특징으로 하는 질환 예측 모델 생성 방법
|
15 |
15
제13항에 있어서,상기 히든 레이어를 배치하는 단계는,각 노드가 모두 연결되는 2개의 완전 연결 레이어(fully connected layer)를 배치하는 단계;를 포함하는 것을 특징으로 하는 질환 예측 모델 생성 방법
|
16 |
16
제13항에 있어서,상기 히든 레이어를 배치하는 단계는,상기 히든 레이어의 최종 위치에 배치되어 대상 질환 예측과 관련된 확률 값을 평가하는 소프트맥스 레이어(softmax layer)를 배치하는 단계;를 포함하는 것을 특징으로 하는 질환 예측 모델 생성 방법
|
17 |
17
제13항에 있어서,상기 컨볼루션 레이어 및 풀링 레이어를 배치하는 단계는,각 컨볼루션 레이어 및 풀링 레이어 사이에 ReLU(Rectified Linear Unit) 활성화 함수를 사용하고, 배치 정규화(batch normalization)를 적용하는 단계;를 포함하는 것을 특징으로 하는 질환 예측 모델 생성 방법
|