| 1 |
1
분석장치가 대상자의 샘플을 분석하여 획득한 마이크로바이옴 정보를 입력받는 단계;상기 분석장치가 상기 마이크로바이옴 정보를 사전에 구축한 기계 학습 모델에 적용하는 단계; 및상기 분석장치가 상기 기계 학습 모델이 출력하는 값 내지 정보에 따라 상기 대상자의 조산 가능성을 예측하는 단계를 포함하는 마이크로바이옴을 분석하는 기계 학습 모델을 이용한 조산 예측 방법
|
| 2 |
2
제1항에 있어서,상기 기계 학습 모델은 LR(logistic regression), RF(random forest), XGBoost(extreme gradient boosting), SVM(support vector machine) 및 GUIDE(Generalized, Unbiased, Interaction Detection and Estimation) 중 적어도 하나인 마이크로바이옴을 분석하는 기계 학습 모델을 이용한 조산 예측 방법
|
| 3 |
3
제1항에 있어서,상기 분석장치는 상기 대상자의 백혈구 수치 및 자궁경부 길이를 더 입력받고, 상기 백혈구 수치 및 상기 자궁경부 길이를 상기 기계 학습 모델에 더 입력하는 마이크로바이옴을 분석하는 기계 학습 모델을 이용한 조산 예측 방법
|
| 4 |
4
제1항에 있어서,상기 기계 학습 모델은 GUIDE(Generalized, Unbiased, Interaction Detection and Estimation) 모델이고, 상기 GUIDE 모델은 상기 대상자의 자궁경부 길이를 기준으로 분기하는 루트 노드 및 상기 마이크로바이옴 정보에 포함된 복수의 미생물 각각의 양에 따라 분기하는 하나 이상의 자식 노드를 포함하는 마이크로바이옴을 분석하는 기계 학습 모델을 이용한 조산 예측 방법
|
| 5 |
5
제4항에 있어서,상기 복수의 미생물은 Gardnerella vaginalis, Lactobacillus iners, Peptoniphilus grossensis 및 Lactobacillus gasseri를 포함하는 마이크로바이옴을 분석하는 기계 학습 모델을 이용한 조산 예측 방법
|
| 6 |
6
대상자의 샘플을 분석하여 획득한 마이크로바이옴 정보를 입력받는 입력장치;상기 마이크로바이옴 정보를 분석하여 조산 가능성을 분류하는 기계 학습 모델을 저장하는 저장장치; 및상기 마이크로바이옴 정보를 상기 기계 학습 모델에 적용하고, 상기 학습 모델이 출력하는 값 내지 정보에 따라 상기 대상자의 조산 가능성을 예측하는 연산장치를 포함하는 마이크로바이옴을 분석하여 조산을 예측하는 분석장치
|
| 7 |
7
제6항에 있어서,상기 기계 학습 모델은 LR(logistic regression), RF(random forest), XGBoost(extreme gradient boosting), SVM(support vector machine) 및 GUIDE(Generalized, Unbiased, Interaction Detection and Estimation) 중 적어도 하나인 마이크로바이옴을 분석하여 조산을 예측하는 분석장치
|
| 8 |
8
제6항에 있어서,상기 입력장치는 상기 대상자의 백혈구 수치 및 자궁경부 길이를 더 입력받고,상기 연산장치는 상기 백혈구 수치 및 상기 자궁경부 길이를 상기 기계 학습 모델에 더 입력하는 마이크로바이옴을 분석하여 조산을 예측하는 분석장치
|
| 9 |
9
제6항에 있어서,상기 기계 학습 모델은 GUIDE(Generalized, Unbiased, Interaction Detection and Estimation) 모델이고, 상기 GUIDE 모델은 상기 대상자의 자궁경부 길이를 기준으로 분기하는 루트 노드 및 상기 마이크로바이옴 정보에 포함된 복수의 미생물 각각의 양에 따라 분기하는 하나 이상의 자식 노드를 포함하는 마이크로바이옴을 분석하여 조산을 예측하는 분석장치
|
| 10 |
10
제9항에 있어서,상기 복수의 미생물은 Gardnerella vaginalis, Lactobacillus iners, Peptoniphilus grossensis 및 Lactobacillus gasseri를 포함하는 마이크로바이옴을 분석하여 조산을 예측하는 분석장치
|
