| 1 |
1
1일차부터 n일차까지의 환자 관련 정보를 순차적으로 입력 받는 입력부;RNN 기계학습 알고리즘을 이용하며, 입력된 환자 관련 정보에 기초하여 환자의 급성신장손상(AKI) 발생 가능성을 예측하는 제1 예측 모델;RNN 기계학습 알고리즘을 이용하며, 상기 제1 예측 모델의 예측 결과에 기초하여 환자의 혈청 크레아티닌 수치의 변화를 예측하는 제2 예측 모델; 및상기 환자 관련 정보에 포함된 적어도 하나의 특징 변수들에 대하여, 각 특징 변수가 상기 제1 예측 모델에서 예측한 급성신장손상 발생 가능성에 미치는 영향을 시각적으로 나타내기 위한 적어도 하나의 플롯들을 생성하는 플롯 생성부를 포함하는, RNN 기계학습 모델을 이용한 임상의사결정 지원 시스템
|
| 2 |
2
제1항에 있어서,상기 제1 예측 모델은, 순차적으로 입력되는 1일차부터 n일차까지의 환자 관련 정보에 기초하여 현시점으로부터 소정의 기간 내에 환자에게 급성신장손상이 발생할 가능성을 계산하여 결과로서 출력하되,상기 결과는 n-1일차까지의 환자의 상태 정보와 n일차에 입력된 환자 관련 정보를 이용하여 계산되는 것을 특징으로 하는, RNN 기계학습 모델을 이용한 임상의사결정 지원 시스템
|
| 3 |
3
제2항에 있어서,임의의 m일차에서 환자의 상태 정보는, m-1일차까지의 환자의 상태 정보와 m일차에 입력된 환자 관련 정보를 이용하여 획득하는 것을 특징으로 하는, RNN 기계학습 모델을 이용한 임상의사결정 지원 시스템
|
| 4 |
4
제1항에 있어서,상기 제2 예측 모델은, 임의의 m일차에 입력된 환자 관련 정보와 m-1일차까지의 환자의 상태 정보를 이용하여 각 날짜로부터 소정의 시간 구간 이내의 혈청 크레아티닌 수치를 계산하여 결과로서 출력하되,상기 m-1일차까지의 환자의 상태 정보는, m-2일차까지의 환자의 상태 정보와 m-1일차에 입력된 환자 관련 정보를 이용하여 획득하는 것을 특징으로 하는, RNN 기계학습 모델을 이용한 임상의사결정 지원 시스템
|
| 5 |
5
제2항에 있어서,상기 제1 예측 모델은, 환자에게 급성신장손상이 발생할 가능성을 나타내는 예측 확률을 출력하거나, 상기 예측 확률에 기초하여 급성신장손상이 발생할 것으로 예상되는 환자를 분류하는 것을 특징으로 하는, RNN 기계학습 모델을 이용한 임상의사결정 지원 시스템
|
| 6 |
6
제5항에 있어서,상기 제2 예측 모델은, 상기 제1 예측 모델의 출력 값에 기초하여 시간 구간 별로 혈청 크레아티닌 수치를 예측하는 것을 특징으로 하는, RNN 기계학습 모델을 이용한 임상의사결정 지원 시스템
|
| 7 |
7
제1항에 있어서,상기 제1 예측 모델 및 상기 제2 예측 모델은, 특정 기관에 입원한 환자들의 데이터를 이용하여 학습되고, 상기 기관과 독립적인 다른 기관에 입원한 환자들의 데이터를 이용하여 외부적으로 검증되는 것을 특징으로 하는, RNN 기계학습 모델을 이용한 임상의사결정 지원 시스템
|
| 8 |
8
제1항에 있어서,상기 환자 관련 정보에 포함된 적어도 하나의 특징 변수들은, 환자의 입원 기간 동안 변하지 않는 정적 변수들 또는 환자의 입원 기간 동안 변하는 동적 변수들을 포함하고,상기 정적 변수들은 환자의 성별, 나이, BMI 수치, 입원 전 약물 투여 이력, 동반 질환 중 적어도 하나를 포함하며, 상기 동적 변수들은 입원 중 약물 투여, 병원 내 검사 결과, 활력 징후 중 적어도 하나를 포함하며 하루에 적어도 한 번 업데이트되는 것을 특징으로 하는, RNN 기계학습 모델을 이용한 임상의사결정 지원 시스템
|
| 9 |
9
제1항에 있어서,상기 플롯 생성부가 생성하는 적어도 하나의 플롯들은, 부분 의존도 플롯(Partial Dependence Plots), 개별 조건부 기대도 플롯(Individual Conditional Expectation Plots), 누적 국소 효과 플롯(Accumulated local effects plots), 또는 샤플리 값(sharply value)을 이용한 변수 중요도 플롯을 포함하는 것을 특징으로 하는, RNN 기계학습 모델을 이용한 임상의사결정 지원 시스템
|
| 10 |
10
제9항에 있어서,상기 부분 의존도 플롯(PDP) 및 누적 국소 효과 플롯(ALEP)은 선택된 특징 변수에 대하여 입원 환자들의 급성신장손상 발생 가능성의 평균 값을 나타내는 것을 특징으로 하는, RNN 기계학습 모델을 이용한 임상의사결정 지원 시스템
|
| 11 |
11
제9항에 있어서,상기 샤플리 값을 이용한 변수 중요도 플롯은 환자 개인 및 집단 전체의 신장 손상 발생에 기여하는 변수의 중요도를 순서대로 나타내는 것을 특징으로 하는, RNN 기계학습 모델을 이용한 임상의사결정 지원 시스템
|
| 12 |
12
제9항에 있어서,상기 개별 조건부 기대도 플롯(ICEP)은 선택된 특징 변수에 대하여 환자 개인의 급성신장손상 발생 가능성을 나타내는 것을 특징으로 하는, RNN 기계학습 모델을 이용한 임상의사결정 지원 시스템
|
| 13 |
13
제1항에 있어서,상기 플롯 생성부가 생성하는 적어도 하나의 플롯들은, 신독성(nephrotoxic) 약물의 투여 및 중단에 따른 시간당 혈청 크레아티닌 수치의 변화를 나타내는 그래프를 포함하는 것을 특징으로 하는, RNN 기계학습 모델을 이용한 임상의사결정 지원 시스템
|
| 14 |
14
1일차부터 n일차까지의 환자 관련 정보를 순차적으로 입력 받는 단계;RNN 기계학습 알고리즘을 이용하는 제1 예측 모델을 이용하여, 입력된 환자 관련 정보에 기초하여 환자의 급성신장손상(AKI) 발생 가능성을 예측하는 단계;RNN 기계학습 알고리즘을 이용하는 제2 예측 모델을 이용하여, 상기 제1 예측 모델의 예측 결과에 기초하여 환자의 혈청 크레아티닌 수치의 변화를 예측하는 단계; 및상기 환자 관련 정보에 포함된 적어도 하나의 특징 변수들에 대하여, 각 특징 변수가 상기 제1 예측 모델에서 예측한 급성신장손상 발생 가능성에 미치는 영향을 시각적으로 나타내기 위한 적어도 하나의 플롯들을 생성하는 단계를 포함하는, RNN 기계학습 모델을 이용한 임상의사결정 지원 방법
|
| 15 |
15
제13항에 따른 RNN 기계학습 모델을 이용한 임상의사결정 지원 방법을 구현하기 위한, 컴퓨터로 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램
|
