WO2024025327A1 - 심전도 판독 서비스의 과금 방법, 프로그램 및 장치 - Google Patents
심전도 판독 서비스의 과금 방법, 프로그램 및 장치 Download PDFInfo
- Publication number
- WO2024025327A1 WO2024025327A1 PCT/KR2023/010800 KR2023010800W WO2024025327A1 WO 2024025327 A1 WO2024025327 A1 WO 2024025327A1 KR 2023010800 W KR2023010800 W KR 2023010800W WO 2024025327 A1 WO2024025327 A1 WO 2024025327A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- reading
- ecg data
- ecg
- data
- model
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 88
- 230000002159 abnormal effect Effects 0.000 claims description 17
- 201000010099 disease Diseases 0.000 claims description 14
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 14
- 230000003862 health status Effects 0.000 claims description 14
- 238000013135 deep learning Methods 0.000 claims description 10
- 238000003745 diagnosis Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 238000002565 electrocardiography Methods 0.000 description 159
- 230000008569 process Effects 0.000 description 18
- 238000004891 communication Methods 0.000 description 13
- 238000013528 artificial neural network Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 238000013145 classification model Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 208000028399 Critical Illness Diseases 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 208000010125 myocardial infarction Diseases 0.000 description 2
- 206010002383 Angina Pectoris Diseases 0.000 description 1
- 206010006582 Bundle branch block right Diseases 0.000 description 1
- 206010006578 Bundle-Branch Block Diseases 0.000 description 1
- 206010019280 Heart failures Diseases 0.000 description 1
- 208000007177 Left Ventricular Hypertrophy Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 206010003119 arrhythmia Diseases 0.000 description 1
- 230000006793 arrhythmia Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000718 qrs complex Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 201000007916 right bundle branch block Diseases 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/08—Payment architectures
- G06Q20/14—Payment architectures specially adapted for billing systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Definitions
- the content of the present disclosure is a medical service-related technology, and specifically relates to a method of providing various reading processes to customers using an electrocardiogram reading service based on the classification of the health status indicated by the electrocardiogram, and charging differential fees.
- ECG reading services the same fee is charged regardless of whether the ECG reading results are in a normal state where disease is not suspected or in an abnormal state where disease is suspected.
- 95% of ECGs requested for reading services are normal ECGs, and the remaining 5% are abnormal ECGs. Therefore, if normal ECGs, which account for most of the requests, are treated the same as other abnormal ECGs and billed, the same applies to the requester. The cost burden will be significant.
- the purpose of the present disclosure is to provide a business model that first divides ECGs into multiple categories, including normal or abnormal, among ECGs for which reading is requested, performs different ECG reading processes according to each class, and charges differently accordingly. do.
- a method of charging for an electrocardiogram reading service performed by a computing device includes analyzing electrocardiogram data of a subject whose electrocardiogram signal is measured, and classifying the electrocardiogram data into one of N levels related to the subject's health status; performing a reading on the ECG data by selecting one of N reading methods according to the classified grade; and determining a fee to be charged to a customer who requests reading of the ECG data, based on the classified grade and the performed reading method.
- the step of analyzing the ECG data of a subject whose ECG signal was measured and classifying the ECG data into one of N grades related to the subject's health status is performed using a rule-based first model or deep learning.
- a rule-based first model or deep learning By inputting the ECG data into at least one of the second models based on a first grade corresponding to a normal state according to medical judgment, a second grade corresponding to an abnormal state according to medical judgment, or a condition in which expert diagnosis and treatment are immediately required It may include classifying the emergency condition into one of the third levels corresponding to it.
- the first model extracts waveform features of the ECG signal included in the ECG data, compares the extracted waveform features with statistics to classify the ECG data as the first class, the second class, or the It may be a model that classifies one of the third classes.
- the second model may include a first sub-model that receives the ECG data and outputs one of the first grade, the second grade, or the third grade; and a second sub-model that receives the ECG data and calculates a risk for classifying the ECG data into one of the first level, the second level, and the third level.
- the second sub-model derives binary classification values for the presence or absence of each of a plurality of diseases based on the electrocardiogram data, and establishes a correlation between the derived binary classification values and a preset risk index. ) can be calculated to calculate the risk.
- the use of at least one of the first model, the first sub-model or the second sub-model to classify the ECG data is based on the customer's prior input regarding the results of the performed reading. can be decided.
- the result of the performed reading may be one of the waveform characteristics of the ECG signal included in the ECG data, out-of-distribution (OOD) information extractable through a deep learning-based model, or information regarding the risk index. It can contain at least one.
- OOD out-of-distribution
- the first model may be used to classify the ECG data.
- the first sub-model may be used to classify the ECG data.
- the second sub-model may be used to classify the ECG data.
- the step of performing a reading on the ECG data by selecting one of N reading methods according to the classified grade may include: If the ECG data is classified as a first grade, the ECG data is It may include not performing a reading, or performing a reading by transmitting the ECG data to a first expert terminal used by a nurse.
- the step of performing a reading on the ECG data by selecting one of N reading methods according to the classified grade may include performing a reading using the first expert terminal, wherein the ECG data is If it is determined that the method corresponds to the second or third level, the method may further include transmitting the ECG data to a second expert terminal used by a specialist to perform additional reading.
- the step of performing a reading on the ECG data by selecting one of N reading methods according to the classified grade may include, if the ECG data is classified as a second grade, a method used by a nurse. It may include transmitting the ECG data to a first expert terminal to perform a first reading, and transmitting the ECG data to a second expert terminal used by a specialist to perform a second reading.
- the step of performing a reading on the ECG data by selecting one of N reading methods according to the classified grade may include, if the ECG data is classified as a third grade, a method used by a specialist. It may include transmitting the ECG data to a second expert terminal and performing a reading.
- a computer program stored in a computer-readable storage medium When the computer program runs on one or more processors, it performs operations for billing for electrocardiogram reading services. At this time, the operations include analyzing the ECG data of the object whose ECG signal was measured and classifying the ECG data into one of N levels related to the health status of the customer; An operation of performing a reading of the ECG data by selecting one of N reading methods according to the classified grade; and determining a fee to be charged to a customer who requests reading of the ECG data, based on the classified grade and the performed reading method.
- a computing device for charging for an electrocardiogram reading service includes a processor including at least one core; a memory containing program codes executable on the processor; And it may include a network unit for acquiring electrocardiogram data.
- the processor analyzes the ECG data of the subject whose ECG signal was measured, classifies the ECG data into one of N grades related to the health status of the customer, and uses N reading methods according to the classified grades. By selecting one of these, a reading of the ECG data can be performed, and based on the classified grade and the performed reading method, a fee to be charged to the customer who has requested the reading of the ECG data can be determined.
- the reading process can be configured in various ways to reduce labor costs required for the entire service, thereby reducing the operating costs of the ECG reading service.
- the reading process and fees can be configured in various ways for each level, so that a large number of ECG requests can be read quickly without being delayed in order. Accordingly, the original goal of the reading service, which is to quickly find patients in critical or abnormal conditions and provide appropriate treatment, can be achieved, increase the satisfaction of customers using the reading service, and increase the reuse rate, thereby generating high profits.
- FIG. 1 is a block diagram of a computing device according to an embodiment of the present disclosure.
- Figure 2 is a block diagram showing a data processing process for billing according to an embodiment of the present disclosure.
- Figure 3 is a conceptual diagram showing the learning process of a first sub-model according to an embodiment of the present disclosure.
- Figure 4 is a block diagram showing a classification process of ECG data using a second sub-model according to an embodiment of the present disclosure.
- FIG. 5 is a flowchart showing a charging method for an ECG reading service according to an embodiment of the present disclosure.
- the term “or” is intended to mean an inclusive “or” and not an exclusive “or.” That is, unless otherwise specified in the present disclosure or the meaning is not clear from the context, “X uses A or B” should be understood to mean one of natural implicit substitutions. For example, unless otherwise specified in the present disclosure or the meaning is not clear from the context, “X uses A or B” means that It can be interpreted as one of the cases where all B is used.
- N is a natural number
- N is a natural number
- components performing different functional roles may be distinguished as first components or second components.
- components that are substantially the same within the technical spirit of the present disclosure but must be distinguished for convenience of explanation may also be distinguished as first components or second components.
- acquisition used in this disclosure is understood to mean not only receiving data through a wired or wireless communication network with an external device or system, but also generating data in an on-device form. It can be.
- module refers to a computer-related entity, firmware, software or part thereof, hardware or part thereof.
- the “module” or “unit” can be understood as a term referring to an independent functional unit that processes computing resources, such as a combination of software and hardware.
- the “module” or “unit” may be a unit composed of a single element, or may be a unit expressed as a combination or set of multiple elements.
- a “module” or “part” in the narrow sense is a hardware element or set of components of a computing device, an application program that performs a specific function of software, a process implemented through the execution of software, or a program. It can refer to a set of instructions for execution, etc.
- module or “unit” may refer to the computing device itself constituting the system, or an application running on the computing device.
- module or “unit” may be defined in various ways within a range understandable to those skilled in the art based on the contents of the present disclosure.
- model refers to a system implemented using mathematical concepts and language to solve a specific problem, a set of software units to solve a specific problem, or a process to solve a specific problem. It can be understood as an abstract model of a process.
- a neural network “model” may refer to an overall system implemented as a neural network that has problem-solving capabilities through learning. At this time, the neural network can have problem-solving capabilities by optimizing parameters connecting nodes or neurons through learning.
- a neural network “model” may include a single neural network or a neural network set in which multiple neural networks are combined.
- FIG. 1 is a block diagram of a computing device according to an embodiment of the present disclosure.
- the computing device 100 may be a hardware device or part of a hardware device that performs comprehensive processing and calculation of data, or may be a software-based computing environment connected to a communication network.
- the computing device 100 may be a server that performs intensive data processing functions and shares resources, or it may be a client that shares resources through interaction with the server.
- the computing device 100 may be a cloud system in which a plurality of servers and clients interact to comprehensively process data. Since the above description is only an example related to the type of computing device 100, the type of computing device 100 may be configured in various ways within a range understandable to those skilled in the art based on the contents of the present disclosure.
- a computing device 100 may include a processor 110, a memory 120, and a network unit 130. there is. However, since FIG. 1 is only an example, the computing device 100 may include other components for implementing a computing environment. Additionally, only some of the configurations disclosed above may be included in computing device 100.
- the processor 110 may be understood as a structural unit including hardware and/or software for performing computing operations.
- the processor 110 may read a computer program and perform data processing for machine learning.
- the processor 110 may process computational processes such as processing input data for machine learning, extracting features for machine learning, and calculating errors based on backpropagation.
- the processor 110 for performing such data processing includes a central processing unit (CPU), a general purpose graphics processing unit (GPGPU), a tensor processing unit (TPU), and a custom processing unit (TPU). It may include a semiconductor (ASIC: application specific integrated circuit), or a field programmable gate array (FPGA: field programmable gate array). Since the type of processor 110 described above is only an example, the type of processor 110 may be configured in various ways within a range understandable to those skilled in the art based on the contents of the present disclosure.
- the processor 110 may classify the ECG data by analyzing the ECG data of the subject whose ECG signal was measured. Through analysis of ECG data, the processor 110 may determine whether the health status of the subject whose ECG signal is measured corresponds to one of the preset levels. Additionally, the processor 110 may assign a corresponding grade to the ECG data based on the judgment result. For example, the processor 110 may analyze ECG characteristics in ECG data and classify the ECG data as one of a normal medical state, an abnormal medical state, or a medical emergency state.
- a normal medical state can be understood as a state in which there are no negative factors that could cause disease, and everything that should be present is present.
- a medical abnormal state can be understood as a state in which negative factors exist that can cause a disease to develop or worsen. Additionally, a medical emergency can be understood as a condition that immediately requires expert diagnosis or treatment.
- the processor 110 may perform different reading methods depending on the classification of ECG data.
- the processor 110 may select one of several reading methods according to the classification of ECG data.
- Processor 110 may execute a selected method to perform a readout of the ECG data.
- reading can be understood as the task of interpreting electrocardiogram signals to derive medical opinions.
- the processor 110 may not perform the ECG reading or may perform the reading by transmitting the ECG data to a terminal used by a nurse.
- the processor 110 transmits the ECG data to the terminal used by the nurse to perform a first reading, and transmits the ECG data to the terminal used by the specialist to perform a second reading. can do.
- the processor 110 may transmit the ECG data to a terminal used by a specialist to perform a reading. In this way, the processor 110 can differentially perform ECG reading according to the classification of ECG data.
- the processor 110 may determine a fee to be charged to a customer who requests an ECG reading according to the classification of the ECG data and the reading method performed in accordance with the classification.
- the processor 110 may charge the customer differently depending on the classification and reading method of the ECG data. For example, if the ECG data is classified as a medically normal state and the ECG reading is not performed or the reading is performed through a nurse terminal, the processor 110 does not charge a fee or discounts the basic fee according to a preset discount rate. You may decide to charge a fee. If the ECG data is classified as a medical abnormality and a first reading and a second reading are performed, the processor 110 may decide to charge a basic fee.
- the processor 110 may decide to charge a preset additional fee in addition to the basic fee. In this way, the processor 110 can provide a reading service with a reasonable fee system by performing pre-classification before reading ECG data and varying the reading method and billing accordingly.
- the memory 120 may be understood as a structural unit including hardware and/or software for storing and managing data processed in the computing device 100. That is, the memory 120 can store any type of data generated or determined by the processor 110 and any type of data received by the network unit 130.
- the memory 120 may be a flash memory type, hard disk type, multimedia card micro type, card type memory, or random access memory (RAM). ), SRAM (static random access memory), ROM (read-only memory), EEPROM (electrically erasable programmable read-only memory), PROM (programmable read-only memory), magnetic memory , may include at least one type of storage medium among a magnetic disk and an optical disk.
- the memory 120 may include a database system that controls and manages data in a predetermined system. Since the type of memory 120 described above is only an example, the type of memory 120 may be configured in various ways within a range understandable to those skilled in the art based on the contents of the present disclosure.
- the memory 120 can manage data necessary for the processor 110 to perform operations, a combination of data, and program code executable on the processor 110 by structuring and organizing them.
- the memory 120 may store medical data received through the network unit 130, which will be described later.
- the memory 120 includes program code that operates the neural network model to receive medical data and perform learning, program code that operates the neural network model to receive medical data and perform inference according to the purpose of use of the computing device 100, and Processed data generated as the program code is executed can be saved.
- the network unit 130 may be understood as a structural unit that transmits and receives data through any type of known wired or wireless communication system.
- the network unit 130 is a local area network (LAN), wideband code division multiple access (WCDMA), long term evolution (LTE), and WiBro (wireless).
- broadband internet 5th generation mobile communication (5G), ultra wide-band wireless communication, ZigBee, radio frequency (RF) communication, wireless LAN, wireless fidelity ), data transmission and reception can be performed using a wired or wireless communication system such as near field communication (NFC), or Bluetooth. Since the above-described communication systems are only examples, the wired and wireless communication systems for data transmission and reception of the network unit 130 may be applied in various ways other than the above-described examples.
- the network unit 130 may receive data necessary for the processor 110 to perform calculations through wired or wireless communication with any system or client. Additionally, the network unit 130 may transmit data generated through the calculation of the processor 110 through wired or wireless communication with any system or any client. For example, the network unit 130 may receive medical data through communication with a database in a hospital environment, a cloud server that performs tasks such as standardization of medical data, a client such as a smart watch, or a medical computing device. The network unit 130 may transmit output data of the neural network model, intermediate data derived from the calculation process of the processor 110, processed data, etc. through communication with the above-mentioned database, server, client, or computing device. .
- Figure 2 is a block diagram showing a data processing process for billing according to an embodiment of the present disclosure.
- the computing device 100 analyzes the ECG data 10 of the subject whose ECG signal is measured and determines N levels 20 and 25 related to the subject's health status. , 29), the ECG data 10 can be classified.
- the computing device 100 may input the ECG data 10 into the classification model 200 and output one of the N grades 20, 25, and 29 indicating health status according to medical judgment.
- the classification model 200 may include a rule-based first model and a deep learning-based second model.
- the computing device 100 inputs the electrocardiogram data 10 into a rule-based first model included in the classification model 200 and outputs one of a plurality of grades. can do.
- the first model may extract waveform features of the ECG signal included in the ECG data 10.
- the first model can compare extracted waveform features and statistical values to determine how much the state of the subject whose ECG signal is measured differs from the range judged to be a medically normal state. And, based on this judgment, the first model is a first level corresponding to a normal state according to medical judgment, a second level corresponding to an abnormal state according to medical judgment, or an emergency condition that requires immediate expert diagnosis and treatment.
- the ECG data 10 can be classified into one of the third classes.
- the computing device 100 may input the ECG data 10 to a second model based on deep learning included in the classification model 200 and output one of a plurality of grades.
- the second model receives the electrocardiogram data 10, and receives the first grade corresponding to a normal state according to medical judgment, the second grade corresponding to an abnormal state according to medical judgment, or an emergency condition that immediately requires expert diagnosis and treatment.
- a first sub-model that outputs one of the third grades corresponding to the state, and receives the ECG data 10 and classifies the ECG data 10 into one of the first grade, the second grade, or the third grade. It may include a second sub-model that calculates the risk.
- the computing device 100 may analyze the ECG data 10 using either the first sub-model or the second sub-model and classify the ECG data 10 into one of three classes. A description of the first sub-model and the second sub-model will be described later in detail with reference to FIGS. 3 and 4.
- the use of at least one of the first model, first sub-model, or second sub-model included in the classification model 200 to classify the ECG data is based on the customer's prior input about the result of the reading. can be decided.
- the result of the reading selected by the customer's prior input is based on the waveform characteristics of the ECG signal included in the ECG data 10, OOD (out-of-distribution) information that can be extracted through a deep learning-based model, or risk index. It may contain at least one of the related information.
- the waveform characteristics of the ECG signal may include pulse rate, QRS complex, QT interval, etc.
- Information about the risk index may include information about the medical characteristics of the subject of measurement of the electrocardiogram signal, such as the possibility of death, the occurrence of disease, etc. That is, the computing device 100 can determine whether to use models included in the classification model 200 by considering what type of information the customer wants to check as a result of the reading.
- the computing device 100 may receive a customer's prior input for selecting a type of final reading result through a user interface. If the waveform feature is selected as a reading result according to the customer's prior input, the computing device 100 may use the rule-based first model to classify the ECG data 10. When OOD information is selected according to the customer's prior input, the computing device 100 may use a deep learning-based first sub-model to classify the ECG data 10. When information on the risk index is selected according to the customer's prior input, the computing device 100 may use a deep learning-based second sub-model to classify the ECG data 10.
- the computing device 100 may read the ECG data 10 by selecting one of the N reading methods 310, 350, and 390 according to the classified grade.
- the computing device 100 inputs the ECG data 10 into one of the N reading methods 310, 350, and 390 selected according to the grade, and provides one of the N reading results 30, 35, and 39. can be derived.
- the computing device 100 does not perform a reading on the electrocardiogram data 10 or uses a A first reading method that performs reading by transmitting ECG data 10 to the first expert terminal can be selected.
- the computing device 100 may select a first reading method that does not read the ECG. If the classification reliability is lower than the preset reference value, the computing device 100 may select a first reading method that performs reading through the first expert terminal. If the ECG data 10 is classified as a second level corresponding to an abnormal state according to medical judgment, the computing device 100 transmits the ECG data 10 to the first expert terminal used by the nurse to perform a first reading. You can select a second reading method that performs a secondary reading by transmitting the ECG data 10 to a second expert terminal used by the specialist.
- the computing device 100 transmits the electrocardiogram data 10 to a second expert terminal used by a specialist for reading. You can select a third reading method that performs. Meanwhile, when the ECG data 10 is determined to correspond to the second or third class as a result of performing the first reading method of performing the reading with the first expert terminal, the computing device 100 is used by the expert. Additional reading can be performed by transmitting the ECG data 10 to the second expert terminal.
- the computing device 100 may determine a fee to be charged to a customer who requests a reading of the ECG data 10 based on the classified grade and the performed reading method.
- Computing device 100 may determine a fee to be charged to the customer depending on which reading method the reading is performed. For example, if the ECG data 10 is classified as a first level corresponding to a normal state according to medical judgment, and the reading is not performed according to the first reading method, the computing device 100 imposes a fee on the customer. You may not. If the ECG data 10 is classified as the first level and the reading is performed through the first expert terminal according to the first reading method, the computing device 100 may charge a first fee with a discount rate applied from the basic service fee. You can.
- the ECG data 10 is classified into a second level corresponding to an abnormal state according to medical judgment, and a first reading through the first expert terminal and a second reading through the second expert terminal are performed according to the second reading method.
- the computing device 100 may add a second fee corresponding to the basic service fee. If the electrocardiogram data 10 is classified as a third level corresponding to an emergency condition, and the reading is performed through a second expert terminal according to the third reading method, the computing device 100 is provided with an additional charge applied from the basic service fee. A third fee may be added. Meanwhile, after the ECG data 10 is classified into the first grade and reading is performed through the first expert terminal according to the first reading method, the grade of the ECG data 10 is re-determined and read through the second expert terminal. If additional readings are performed, computing device 100 may charge a second fee other than the first fee.
- Figure 3 is a conceptual diagram showing the learning process of a first sub-model according to an embodiment of the present disclosure.
- the computing device 100 inputs the electrocardiogram data 40 into the first sub-model 210 and classifies the first grade 50 corresponding to a normal state according to medical judgment and an abnormal state according to medical judgment.
- the ECG data 40 can be classified into either a second level 55 corresponding to a medical condition, or a third level 59 corresponding to an emergency condition requiring immediate expert diagnosis and treatment.
- the computing device 100 may update the neural network parameters included in the first sub-model 210 by comparing the classification result of the first sub-model 210 and the label data 45.
- the computing device 100 uses a loss function with the classification result of the first sub-model 210 and the label data 45 as input variables, and uses the classification result of the first sub-model 210 and the label data ( 45)
- the gap error can be calculated.
- the computing device 100 may update neural network parameters so that the calculated error is reduced.
- the computing device 100 may repeatedly perform error calculation and update of neural network parameters until the error satisfies the minimum standard.
- learning of the first sub-model 210 may be performed based on supervised learning as described above, or may be performed based on unsupervised learning or self-supervised learning depending on the neural network structure of the first sub-model 210. It may be possible.
- Figure 4 is a block diagram showing a classification process of ECG data using a second sub-model according to an embodiment of the present disclosure.
- the computing device 100 may input electrocardiogram data 40 into the second sub-model 220 and derive a binary classification value 60 for the presence or absence of each of a plurality of diseases. .
- the computing device 100 may calculate the risk 70 by calculating the correlation between the binary classification value and the preset risk index. And, based on the risk level 70, the computing device 100 selects a first level 80 corresponding to a normal state according to medical judgment, a second level 85 corresponding to an abnormal state according to medical judgment, or an expert level 80.
- ECG data 40 can be classified into one of the third classes 89, which correspond to emergency conditions that require immediate diagnosis and treatment.
- the computing device 100 inputs the electrocardiogram data 40 into the second sub-model 220 to determine the presence or absence of various diseases such as myocardial infarction, arrhythmia, left ventricular hypertrophy, right bundle branch block, angina, and heart failure.
- a binary classification result can be derived.
- the second sub-model 220 includes neural networks that perform prediction for each disease, and may be a model learned based on supervised learning, unsupervised learning, or self-supervised learning. That is, the computing device 100 can use the second sub-model 220 to derive a binary result for each of the various diseases: 1 if the disease exists, and 0 if the disease does not exist.
- the computing device 100 may generate a binary classification value 60, which is a set of binary classification results.
- the computing device 100 inputs the binary classification value 60 into a deep learning model that individually corresponds to a risk index representing medical characteristics such as the possibility of death or the possibility of hospitalization in an intensive care unit, and calculates the correlation for each risk index. Additionally, the computing device 100 may calculate the risk 70 by combining the correlations for each risk index. The computing device 100 can derive the average value of the correlation for each risk index and calculate the risk 70. At this time, the higher the average value, the larger the risk (70) can be. Meanwhile, the calculation for combining correlations is not limited to calculating the average value and can be configured in various ways by the service provider.
- the computing device 100 compares the risk level 70 and preset classification criteria to classify the ECG data 40 into one of the first level 80, the second level 85, or the third level 89. You can. If the risk level 70 is less than the first classification standard, the computing device 100 may classify the ECG data 40 as the first level 80. When the risk level 70 is greater than or equal to the first classification standard but less than the second classification standard, the computing device 100 may classify the ECG data 40 into the second level 85. If the risk level 70 is higher than the second classification standard, the computing device 100 may classify the ECG data 40 into the third level 89.
- the second sub-model 220 disclosed in FIG. 4 is an example, the second sub-model of the present disclosure is not limited to the form shown in FIG. 4, and learns ECG features included in ECG data to obtain ECG data from ECG data. It is also possible to immediately calculate the risk level to classify data into one of the first, second, or third levels.
- FIG. 5 is a flowchart showing a charging method for an ECG reading service according to an embodiment of the present disclosure.
- the computing device 100 analyzes the ECG data of a subject whose ECG signal is measured and classifies the ECG data into one of N grades related to the subject's health status. You can do it (S100).
- the computing device 100 inputs electrocardiogram data into at least one of a rule-based first model or a deep learning-based second model, and selects a first grade corresponding to a normal state according to medical judgment and an abnormal state according to medical judgment. It can be classified as either level 2, which corresponds to
- the computing device 100 may select one of N reading methods according to the classified grade and read the ECG data (S200). If the ECG data is classified as the first level through step S100, the computing device 100 may not perform a reading of the ECG data, or may perform a reading by transmitting the ECG data to the first expert terminal used by the nurse. . At this time, as a result of performing the reading using the first expert terminal, if it is determined that the ECG data corresponds to the second or third grade, the computing device 100 transmits the ECG data to the second expert terminal used by the specialist. This allows additional readings to be performed.
- the computing device 100 transmits the ECG data to the first expert terminal used by the nurse to perform a first reading, and the second expert terminal used by the specialist Secondary reading can be performed by transmitting ECG data to the terminal. If the ECG data is classified into the third level through step S100, the computing device 100 may transmit the ECG data to a second expert terminal used by the specialist to perform a reading.
- the computing device 100 may determine a fee to be charged to a customer who requests reading of ECG data based on the classified grade and the performed reading method (S300). If the ECG data is classified as the first level through step S100, and the reading is not performed through step S200 or the reading by the first expert terminal is performed, the computing device 100 provides a final fee that is free or discounted from the basic rate. This can be determined by the amount charged. At this time, if an additional reading is performed on the second expert terminal after being classified as the first level and reading is performed on the first expert terminal, the computing device 100 may determine the basic fee as the final billing amount.
- the computing device 100 calculates the basic fee as the final billing amount. can be decided. If the ECG data is classified into the third level through step S100 and the reading by the second expert terminal is performed, the computing device 100 may determine the basic fee plus an additional fee as the final billing amount.
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- Accounting & Taxation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Cardiology (AREA)
- Human Resources & Organizations (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Veterinary Medicine (AREA)
- Operations Research (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Quality & Reliability (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Biophysics (AREA)
- Game Theory and Decision Science (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는, 심전도 판독 서비스의 과금 방법, 프로그램 및 장치가 개시된다. 상기 방법은, 심전도 신호를 측정한 대상의 심전도 데이터를 분석하여, 상기 대상의 건강 상태와 관련된 N개의 등급들 중 어느 하나로 상기 심전도 데이터를 분류하는 단계; 상기 분류된 등급에 맞추어 N개의 판독 방식들 중 어느 하나를 선택하여, 상기 심전도 데이터에 대한 판독을 수행하는 단계; 및 상기 분류된 등급 및 상기 수행된 판독 방식을 토대로, 상기 심전도 데이터의 판독을 의뢰한 고객에게 부가될 요금을 결정하는 단계를 포함할 수 있다.
Description
본 개시의 내용은 의료 서비스 관련 기술로, 구체적으로 심전도 판독 서비스를 이용하는 고객에게 심전도가 나타내는 건강 상태에 대한 분류를 토대로 다양한 판독 프로세스를 제공하고, 차등적으로 요금을 부과하는 방법에 관한 것이다.
심전도 판독 서비스를 통해 갑자기 많은 수의 심전도 판독 의뢰가 들어올 때, 순차적으로 판독을 수행하는 경우에 위급한 환자에 대한 긴급한 판독 및 대처가 어려워지는 문제가 발생할 수 있다. 예를 들어, 심근경색과 같이 위중한 환자의 심전도가 심장 질환을 앓고 있지 않은 정상 상태의 사람의 심전도보다 늦게 의뢰된 경우, 위중한 환자의 심전도가 나중에 판독됨에 따라 위중환 환자의 상태가 더욱 빠르게 악화될 가능성이 존재한다. 이는 빠르고 정확한 진단으로 질환이 의심되는 비정상 심전도의 환자를 찾아 적절한 치료를 가능하게 하고자 하는 판독 서비스의 본래의 취지와 맞지 않다.
또한, 대부분의 심전도 판독 서비스의 경우, 심전도 판독 결과가 질환이 의심되지 않는 정상 상태 혹은 질환이 의심되는 비정상 상태인지 여부를 가리지 않고 동일한 요금을 부과한다. 일반적으로 판독 서비스에 의뢰되는 심전도 중 95%는 정상 심전도이고, 나머지 5%정도가 비정상 심전도이기 때문에, 의뢰의 대부분을 차지하는 정상 심전도가 다른 비정상 심전도와 동일하게 취급되어 과금이 이루어진다면, 의뢰자에게도 그 비용에 대한 부담이 상당할 것이다.
그리고, 정상 심전도는 판독하는데 시간도 얼마 들지 않고, 실제 정상 상태에 해당하는 심전도는 전문의를 통해 반드시 판독이 이루어질 필요가 없다. 따라서, 판독 서비스로 의뢰되는 모든 심전도를 전문의를 통해 최종 판독하도록 하는 것은 시간 및 인건비 등과 같은 전체적인 서비스 리소스를 낭비하는 것이라고 볼 수 있다.
본 개시는 판독이 요청된 심전도 중에서 심전도를 정상 혹은 비정상을 포함한 다분류로 1차로 구분하여 그 등급에 따라 각각 다른 심전도 판독 프로세스를 진행하고, 이에 따라 서로 다르게 과금하는 비즈니스 모델을 제공하는 것을 목적으로 한다.
다만, 본 개시에서 해결하고자 하는 과제는 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재를 근거로 명확하게 이해될 수 있을 것이다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는, 심전도 판독 서비스의 과금 방법이 개시된다. 상기 방법은, 심전도 신호를 측정한 대상의 심전도 데이터를 분석하여, 상기 대상의 건강 상태와 관련된 N개의 등급들 중 어느 하나로 상기 심전도 데이터를 분류하는 단계; 상기 분류된 등급에 맞추어 N개의 판독 방식들 중 어느 하나를 선택하여, 상기 심전도 데이터에 대한 판독을 수행하는 단계; 및 상기 분류된 등급 및 상기 수행된 판독 방식을 토대로, 상기 심전도 데이터의 판독을 의뢰한 고객에게 부가될 요금을 결정하는 단계를 포함할 수 있다.
대안적으로, 심전도 신호를 측정한 대상의 심전도 데이터를 분석하여, 상기 대상의 건강 상태와 관련된 N개의 등급들 중 어느 하나로 상기 심전도 데이터를 분류하는 단계는, 룰 기반의 제 1 모델, 또는 딥러닝 기반의 제 2 모델 중 적어도 하나에 상기 심전도 데이터를 입력하여, 의학적 판단에 따른 정상 상태에 대응되는 제 1 등급, 의학적 판단에 따른 비정상 상태에 대응되는 제 2 등급, 또는 전문가 진단 및 치료가 곧바로 필요한 응급 상태에 대응되는 제 3 등급 중 어느 하나로 분류하는 단계를 포함할 수 있다.
대안적으로, 상기 제 1 모델은, 상기 심전도 데이터에 포함된 심전도 신호의 파형 특징을 추출하고, 상기 추출된 파형 특징을 통계치와 비교하여 상기 심전도 데이터를 상기 제 1 등급, 상기 제 2 등급 또는 상기 제 3 등급 중 어느 하나로 분류하는 모델일 수 있다.
대안적으로, 상기 제 2 모델은, 상기 심전도 데이터를 입력받아, 상기 제 1 등급, 상기 제 2 등급 또는 상기 제 3 등급 중 어느 하나를 출력하는 제 1 서브 모델; 및 상기 심전도 데이터를 입력받아, 상기 심전도 데이터를 상기 제 1 등급, 상기 제 2 등급 또는 상기 제 3 등급 중 어느 하나로 분류하기 위한 위험도를 산출하는 제 2 서브 모델을 포함할 수 있다.
대안적으로, 상기 제 2 서브 모델은, 상기 심전도 데이터를 기초로 복수의 질환들 각각의 존재 여부에 대한 이진 분류 값들을 도출하고, 상기 도출된 이진 분류 값들과 기 설정된 위험도 지표 간 상관관계(correlation)를 계산하여, 상기 위험도를 산출할 수 있다.
대안적으로, 상기 심전도 데이터를 분류하기 위한, 상기 제 1 모델, 상기 제 1 서브 모델 혹은 상기 제 2 서브 모델 중 적어도 하나의 사용은, 상기 수행된 판독의 결과에 대한 상기 고객의 사전 입력을 기반으로 결정될 수 있다.
대안적으로, 상기 수행된 판독의 결과는, 상기 심전도 데이터에 포함된 심전도 신호의 파형 특징, 딥러닝 기반 모델을 통해 추출 가능한 OOD(out-of-distribution) 정보, 또는 상기 위험도 지표에 관한 정보 중 적어도 하나를 포함할 수 있다.
대안적으로, 상기 고객의 사전 입력에 따라 상기 파형 특징이 선택된 경우, 상기 제 1 모델이 상기 심전도 데이터를 분류하기 위해 사용될 수 있다. 상기 고객의 사전 입력에 따라 상기 OOD 정보가 선택된 경우, 상기 제 1 서브 모델이 상기 심전도 데이터를 분류하기 위해 사용될 수 있다. 상기 고객의 사전 입력에 따라 상기 위험도 지표에 관한 정보가 선택된 경우, 상기 제 2 서브 모델이 상기 심전도 데이터를 분류하기 위해 사용될 수 있다.
대안적으로, 상기 분류된 등급에 맞추어 N개의 판독 방식들 중 어느 하나를 선택하여, 상기 심전도 데이터에 대한 판독을 수행하는 단계는, 상기 심전도 데이터가 제 1 등급으로 분류된 경우, 상기 심전도 데이터는 판독을 수행하지 않거나, 간호사가 사용하는 제 1 전문가 단말로 상기 심전도 데이터를 전송하여 판독을 수행하는 단계를 포함할 수 있다.
대안적으로, 상기 분류된 등급에 맞추어 N개의 판독 방식들 중 어느 하나를 선택하여, 상기 심전도 데이터에 대한 판독을 수행하는 단계는, 상기 제 1 전문가 단말로 판독을 수행한 결과, 상기 심전도 데이터가 상기 제 2 등급 혹은 상기 제 3 등급에 해당하는 것으로 판단된 경우, 전문의가 사용하는 제 2 전문가 단말로 상기 심전도 데이터를 전송하여 추가 판독을 수행하는 단계를 더 포함할 수 있다.
대안적으로, 상기 분류된 등급에 맞추어 N개의 판독 방식들 중 어느 하나를 선택하여, 상기 심전도 데이터에 대한 판독을 수행하는 단계는, 상기 심전도 데이터가 제 2 등급으로 분류된 경우, 간호사가 사용하는 제 1 전문가 단말로 상기 심전도 데이터를 전송하여 1차 판독을 수행하고, 전문의가 사용하는 제 2 전문가 단말로 상기 심전도 데이터를 전송하여 2차 판독을 수행하는 단계를 포함할 수 있다.
대안적으로, 상기 분류된 등급에 맞추어 N개의 판독 방식들 중 어느 하나를 선택하여, 상기 심전도 데이터에 대한 판독을 수행하는 단계는, 상기 심전도 데이터가 제 3 등급으로 분류된 경우, 전문의가 사용하는 제 2 전문가 단말로 상기 심전도 데이터를 전송하여 판독을 수행하는 단계를 포함할 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램(program)이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 심전도 판독 서비스의 과금을 위한 동작들을 수행하도록 한다. 이때, 상기 동작들은, 심전도 신호를 측정한 대상의 심전도 데이터를 분석하여, 상기 고객의 건강 상태와 관련된 N개의 등급들 중 어느 하나로 상기 심전도 데이터를 분류하는 동작; 상기 분류된 등급에 맞추어 N개의 판독 방식들 중 어느 하나를 선택하여, 상기 심전도 데이터에 대한 판독을 수행하는 동작; 및 상기 분류된 등급 및 상기 수행된 판독 방식을 토대로, 상기 심전도 데이터의 판독을 의뢰한 고객에게 부가될 요금을 결정하는 동작을 포함할 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라, 심전도 판독 서비스의 과금을 위한 컴퓨팅 장치가 개시된다. 상기 장치는, 적어도 하나의 코어(core)를 포함하는 프로세서; 상기 프로세서에서 실행 가능한 프로그램 코드(code)들을 포함하는 메모리(memory); 및 심전도 데이터를 획득하기 위한 네트워크부(network unit)를 포함할 수 있다. 이때, 상기 프로세서는, 심전도 신호를 측정한 대상의 심전도 데이터를 분석하여, 상기 고객의 건강 상태와 관련된 N개의 등급들 중 어느 하나로 상기 심전도 데이터를 분류하고, 상기 분류된 등급에 맞추어 N개의 판독 방식들 중 어느 하나를 선택하여, 상기 심전도 데이터에 대한 판독을 수행하며, 상기 분류된 등급 및 상기 수행된 판독 방식을 토대로, 상기 심전도 데이터의 판독을 의뢰한 고객에게 부가될 요금을 결정할 수 있다.
본 개시의 방법에 따르면, 심전도의 판독 결과와 관계없이 동일한 요금을 부과하는 기존 모델보다 합리적인 요금 체계를 적립하여 판독 서비스를 이용하는 고객의 비용에 대한 부담감을 덜어주고 신뢰도를 쌓을 수 있다.
심전도로 판단되는 건강 상태에 대한 1차적인 분류를 통해 판독 프로세스를 다양하게 구성하여 서비스 전체에서 요구되는 인건비를 절감할 수 있고, 이에 따라 심전도 판독 서비스의 운영 비용을 감소시킬 수 있다.
또한, 등급 별로 판독 프로세스 및 요금을 다양하게 구성하여, 다량의 심전도 의뢰 건이 순서에 따라 지체되어 처리되지 않고, 신속하게 판독될 수 있도록 할 수 있다. 이에 따라, 위급하거나 비정상 상태인 환자를 빠르게 찾아 적절한 처치가 가능하도록 하는 판독 서비스의 원래 목표를 달성하여, 판독 서비스를 이용하는 고객의 만족도를 높이고, 재사용률을 높여 높은 수익을 창출할 수 있다.
도 1은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 블록도이다.
도 2는 본 개시의 일 실시예에 따라 요금을 과금하기 위한 데이터 처리 과정을 나타낸 블록도이다.
도 3은 본 개시의 일 실시예에 따른 제 1 서브 모델의 학습 과정을 나타낸 개념도이다.
도 4는 본 개시의 일 실시예에 따른 제 2 서브 모델을 이용한 심전도 데이터의 분류 과정을 나타낸 블록도이다.
도 5는 본 개시의 일 실시예에 따른 심전도 판독 서비스의 과금 방법을 나타낸 순서도이다.
아래에서는 첨부한 도면을 참조하여 본 개시의 기술 분야에서 통상의 지식을 가진 자(이하, 당업자)가 용이하게 실시할 수 있도록 본 개시의 실시예가 상세히 설명된다. 본 개시에서 제시된 실시예들은 당업자가 본 개시의 내용을 이용하거나 또는 실시할 수 있도록 제공된다. 따라서, 본 개시의 실시예들에 대한 다양한 변형들은 당업자에게 명백할 것이다. 즉, 본 개시는 여러 가지 상이한 형태로 구현될 수 있으며, 이하의 실시예에 한정되지 않는다.
본 개시의 명세서 전체에 걸쳐 동일하거나 유사한 도면 부호는 동일하거나 유사한 구성요소를 지칭한다. 또한, 본 개시를 명확하게 설명하기 위해서, 도면에서 본 개시에 대한 설명과 관계없는 부분의 도면 부호는 생략될 수 있다.
본 개시에서 사용되는 "또는" 이라는 용어는 배타적 "또는" 이 아니라 내포적 "또는" 을 의미하는 것으로 의도된다. 즉, 본 개시에서 달리 특정되지 않거나 문맥상 그 의미가 명확하지 않은 경우, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 이해되어야 한다. 예를 들어, 본 개시에서 달리 특정되지 않거나 문맥상 그 의미가 명확하지 않은 경우, "X는 A 또는 B를 이용한다" 는 X가 A를 이용하거나, X가 B를 이용하거나, 혹은 X가 A 및 B 모두를 이용하는 경우 중 어느 하나로 해석될 수 있다.
본 개시에서 사용되는 "및/또는" 이라는 용어는 열거된 관련 개념들 중 하나 이상의 개념의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.
본 개시에서 사용되는 "포함한다" 및/또는 "포함하는" 이라는 용어는, 특정 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는" 이라는 용어는, 하나 이상의 다른 특징, 다른 구성요소 및/또는 이들에 대한 조합의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다.
본 개시에서 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 단수는 일반적으로 "하나 또는 그 이상" 을 포함할 수 있는 것으로 해석되어야 한다.
본 개시에서 사용되는 "제 N(N은 자연수)" 이라는 용어는 본 개시의 구성요소들을 기능적 관점, 구조적 관점, 혹은 설명의 편의 등 소정의 기준에 따라 상호 구별하기 위해 사용되는 표현으로 이해될 수 있다. 예를 들어, 본 개시에서 서로 다른 기능적 역할을 수행하는 구성요소들은 제 1 구성요소 혹은 제 2 구성요소로 구별될 수 있다. 다만, 본 개시의 기술적 사상 내에서 실질적으로 동일하나 설명의 편의를 위해 구분되어야 하는 구성요소들도 제 1 구성요소 혹은 제 2 구성요소로 구별될 수도 있다.
본 개시에서 사용되는 "획득" 이라는 용어는, 외부 장치 혹은 시스템과의 유무선 통신 네트워크를 통해 데이터를 수신하는 것 뿐만 아니라, 온-디바이스(on-device) 형태로 데이터를 생성하는 것을 의미하는 것으로 이해될 수 있다.
한편, 본 개시에서 사용되는 용어 "모듈(module)", 또는 "부(unit)" 는 컴퓨터 관련 엔티티(entity), 펌웨어(firmware), 소프트웨어(software) 혹은 그 일부, 하드웨어(hardware) 혹은 그 일부, 소프트웨어와 하드웨어의 조합 등과 같이 컴퓨팅 자원을 처리하는 독립적인 기능 단위를 지칭하는 용어로 이해될 수 있다. 이때, "모듈", 또는 "부"는 단일 요소로 구성된 단위일 수도 있고, 복수의 요소들의 조합 혹은 집합으로 표현되는 단위일 수도 있다. 예를 들어, 협의의 개념으로서 "모듈", 또는 "부"는 컴퓨팅 장치의 하드웨어 요소 또는 그 집합, 소프트웨어의 특정 기능을 수행하는 응용 프로그램, 소프트웨어 실행을 통해 구현되는 처리 과정(procedure), 또는 프로그램 실행을 위한 명령어 집합 등을 지칭할 수 있다. 또한, 광의의 개념으로서 "모듈", 또는 "부"는 시스템을 구성하는 컴퓨팅 장치 그 자체, 또는 컴퓨팅 장치에서 실행되는 애플리케이션 등을 지칭할 수 있다. 다만, 상술한 개념은 하나의 예시일 뿐이므로, "모듈", 또는 "부"의 개념은 본 개시의 내용을 기초로 당업자가 이해 가능한 범주에서 다양하게 정의될 수 있다.
본 개시에서 사용되는 "모델(model)" 이라는 용어는 특정 문제를 해결하기 위해 수학적 개념과 언어를 사용하여 구현되는 시스템, 특정 문제를 해결하기 위한 소프트웨어 단위의 집합, 혹은 특정 문제를 해결하기 위한 처리 과정에 관한 추상화 모형으로 이해될 수 있다. 예를 들어, 신경망(neural network) "모델" 은 학습을 통해 문제 해결 능력을 갖는 신경망으로 구현되는 시스템 전반을 지칭할 수 있다. 이때, 신경망은 노드(node) 혹은 뉴런(neuron)을 연결하는 파라미터(parameter)를 학습을 통해 최적화하여 문제 해결 능력을 가질 수 있다. 신경망 "모델" 은 단일 신경망을 포함할 수도 있고, 복수의 신경망들이 조합된 신경망 집합을 포함할 수도 있다.
전술한 용어의 설명은 본 개시의 이해를 돕기 위한 것이다. 따라서, 전술한 용어를 본 개시의 내용을 한정하는 사항으로 명시적으로 기재하지 않은 경우, 본 개시의 내용을 기술적 사상을 한정하는 의미로 사용하는 것이 아님을 주의해야 한다.
도 1은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 블록 구성도이다.
본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 데이터의 종합적인 처리 및 연산을 수행하는 하드웨어 장치 혹은 하드웨어 장치의 일부일 수도 있고, 통신 네트워크로 연결되는 소프트웨어 기반의 컴퓨팅 환경일 수도 있다. 예를 들어, 컴퓨팅 장치(100)는 집약적 데이터 처리 기능을 수행하고 자원을 공유하는 주체인 서버일 수도 있고, 서버와의 상호 작용을 통해 자원을 공유하는 클라이언트(client)일 수도 있다. 또한, 컴퓨팅 장치(100)는 복수의 서버들 및 클라이언트들이 상호 작용하여 데이터를 종합적으로 처리하는 클라우드 시스템(cloud system)일 수도 있다. 상술한 기재는 컴퓨팅 장치(100)의 종류와 관련된 하나의 예시일 뿐이므로, 컴퓨팅 장치(100)의 종류는 본 개시의 내용을 기초로 당업자가 이해 가능한 범주에서 다양하게 구성될 수 있다.
도 1을 참조하면, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 프로세서(processor)(110), 메모리(memory)(120), 및 네트워크부(network unit)(130)를 포함할 수 있다. 다만, 도 1은 하나의 예시일 뿐이므로, 컴퓨팅 장치(100)는 컴퓨팅 환경을 구현하기 위한 다른 구성들을 포함할 수 있다. 또한, 상기 개시된 구성들 중 일부만이 컴퓨팅 장치(100)에 포함될 수도 있다.
본 개시의 일 실시예에 따른 프로세서(110)는 컴퓨팅 연산을 수행하기 위한 하드웨어 및/또는 소프트웨어를 포함하는 구성 단위로 이해될 수 있다. 예를 들어, 프로세서(110)는 컴퓨터 프로그램을 판독하여 기계 학습을 위한 데이터 처리를 수행할 수 있다. 프로세서(110)는 기계 학습을 위한 입력 데이터의 처리, 기계 학습을 위한 특징 추출, 역전파(backpropagation)에 기반한 오차 계산 등과 같은 연산 과정을 처리할 수 있다. 이와 같은 데이터 처리를 수행하기 위한 프로세서(110)는 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치(GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit), 주문형 반도체(ASIC: application specific integrated circuit), 혹은 필드 프로그래머블 게이트 어레이(FPGA: field programmable gate array) 등을 포함할 수 있다. 상술한 프로세서(110)의 종류는 하나의 예시일 뿐이므로, 프로세서(110)의 종류는 본 개시의 내용을 기초로 당업자가 이해 가능한 범주에서 다양하게 구성될 수 있다.
프로세서(110)는 심전도 신호를 측정한 대상의 심전도 데이터를 분석하여 심전도 데이터를 분류할 수 있다. 프로세서(110)는 심전도 데이터의 분석을 통해, 심전도 신호를 측정한 대상의 건강 상태가 기 설정된 등급들 중 어느 하나에 대응되는지를 판단할 수 있다. 그리고, 프로세서(110)는 판단 결과를 토대로 심전도 데이터에 해당 등급을 매길 수 있다. 예를 들어, 프로세서(110)는 심전도 데이터에서 심전도 특징을 분석하여, 심전도 데이터를 의학적 정상 상태, 의학적 비정상 상태 혹은 의학적 응급 상태 중 어느 하나의 상태로 분류할 수 있다. 의학적 정상 상태는 질환이 발병할 만한 부정적인 요소는 없고, 있어야 할 것은 다 있는 상태로 이해될 수 있다. 의학적 비정상 상태는 질환이 발병 혹은 악화될 수 있는 부정적인 요소가 존재하는 상태로 이해될 수 있다. 그리고, 의학적 응급 상태는 전문가 진단 혹은 치료가 곧바로 필요한 상태로 이해될 수 있다.
프로세서(110)는 심전도 데이터의 분류에 따라 서로 다른 판독 방식을 수행할 수 있다. 프로세서(110)는 심전도 데이터의 분류에 맞추어 여러 판독 방식들 중 하나를 선택할 수 있다. 프로세서(110)는 선택된 방식을 실행하여 심전도 데이터에 대한 판독을 수행할 수 있다. 여기서, 판독은 심전도 신호를 해석하여 의학적 소견을 도출하는 작업으로 이해될 수 있다. 예를 들어, 심전도 데이터가 의학적 정상 상태로 분류된 경우, 프로세서(110)는 심전도 판독을 수행하지 않거나, 간호사가 사용하는 단말로 심전도 데이터를 전송하여 판독을 수행할 수 있다. 심전도 데이터가 의학적 비정상 상태로 분류된 경우, 프로세서(110)는 간호사가 사용하는 단말로 심전도 데이터를 전송하여 1차 판독을 수행하고, 전문의가 사용하는 단말로 심전도 데이터를 전송하여 2차 판독을 수행할 수 있다. 심전도 데이터가 의학적 응급 상태로 분류된 경우, 프로세서(110)는 전문의가 사용하는 단말로 심전도 데이터를 전송하여 판독을 수행할 수 있다. 이와 같이 프로세서(110)는 심전도 데이터의 분류에 따라 심전도 판독을 차등적으로 수행할 수 있다.
프로세서(110)는 심전도 데이터의 분류 및 분류에 맞추어 수행된 판독 방식에 따라, 심전도 판독을 의뢰한 고객에게 부가될 요금을 결정할 수 있다. 프로세서(110)는 심전도 데이터의 분류 및 판독 방식에 따라, 고객에게 과금을 달리 할 수 있다. 예를 들어, 심전도 데이터가 의학적 정상 상태로 분류되어, 심전도 판독이 수행되지 않았거나 간호사 단말을 통해 판독이 수행된 경우, 프로세서(110)는 요금을 부과하지 않거나 기본 요금에서 기 설정된 할인율에 따라 할인된 요금을 부과하는 것으로 결정할 수 있다. 심전도 데이터가 의학적 비정상 상태로 분류되어 1차 판독 및 2차 판독이 수행된 경우, 프로세서(110)는 기본 요금을 부과하는 것으로 결정할 수 있다. 심전도 데이터가 의학적 응급 상태로 분류되어 전문의 단말을 통해 판독이 수행된 경우, 프로세서(110)는 기본 요금과 함께 기 설정된 추가 요금을 부과하는 것으로 결정할 수 있다. 이와 같이 프로세서(110)는 심전도 데이터의 판독 이전에 사전 분류를 수행하고 그에 따라 판독 방식과 과금을 달리함으로써, 합리적인 요금 체계를 갖는 판독 서비스를 제공할 수 있다.
본 개시의 일 실시예에 따른 메모리(120)는 컴퓨팅 장치(100)에서 처리되는 데이터를 저장하고 관리하기 위한 하드웨어 및/또는 소프트웨어를 포함하는 구성 단위로 이해될 수 있다. 즉, 메모리(120)는 프로세서(110)가 생성하거나 결정한 임의의 형태의 데이터 및 네트워크부(130)가 수신한 임의의 형태의 데이터를 저장할 수 있다. 예를 들어, 메모리(120)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리, 램(RAM: random access memory), 에스램(SRAM: static random access memory), 롬(ROM: read-only memory), 이이피롬(EEPROM: electrically erasable programmable read-only memory), 피롬(PROM: programmable read-only memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 또한, 메모리(120)는 데이터를 소정의 체제로 통제하여 관리하는 데이터베이스(database) 시스템을 포함할 수도 있다. 상술한 메모리(120)의 종류는 하나의 예시일 뿐이므로, 메모리(120)의 종류는 본 개시의 내용을 기초로 당업자가 이해 가능한 범주에서 다양하게 구성될 수 있다.
메모리(120)는 프로세서(110)가 연산을 수행하는데 필요한 데이터, 데이터의 조합, 및 프로세서(110)에서 실행 가능한 프로그램 코드(code) 등을 구조화 및 조직화 하여 관리할 수 있다. 예를 들어, 메모리(120)는 후술할 네트워크부(130)를 통해 수신된 의료 데이터를 저장할 수 있다. 메모리(120)는 신경망 모델이 의료 데이터를 입력받아 학습을 수행하도록 동작시키는 프로그램 코드, 신경망 모델이 의료 데이터를 입력받아 컴퓨팅 장치(100)의 사용 목적에 맞춰 추론을 수행하도록 동작시키는 프로그램 코드, 및 프로그램 코드가 실행됨에 따라 생성된 가공 데이터 등을 저장할 수 있다.
본 개시의 일 실시예에 따른 네트워크부(130)는 임의의 형태의 공지된 유무선 통신 시스템을 통해 데이터를 송수신하는 구성 단위로 이해될 수 있다. 예를 들어, 네트워크부(130)는 근거리 통신망(LAN: local area network), 광대역 부호 분할 다중 접속(WCDMA: wideband code division multiple access), 엘티이(LTE: long term evolution), 와이브로(WiBro: wireless broadband internet), 5세대 이동통신(5G), 초광역대 무선통신(ultra wide-band), 지그비(ZigBee), 무선주파수(RF: radio frequency) 통신, 무선랜(wireless LAN), 와이파이(wireless fidelity), 근거리 무선통신(NFC: near field communication), 또는 블루투스(Bluetooth) 등과 같은 유무선 통신 시스템을 사용하여 데이터 송수신을 수행할 수 있다. 상술한 통신 시스템들은 하나의 예시일 뿐이므로, 네트워크부(130)의 데이터 송수신을 위한 유무선 통신 시스템은 상술한 예시 이외에 다양하게 적용될 수 있다.
네트워크부(130)는 임의의 시스템 혹은 임의의 클라이언트 등과의 유무선 통신을 통해, 프로세서(110)가 연산을 수행하는데 필요한 데이터를 수신할 수 있다. 또한, 네트워크부(130)는 임의의 시스템 혹은 임의의 클라이언트 등과의 유무선 통신을 통해, 프로세서(110)의 연산을 통해 생성된 데이터를 송신할 수 있다. 예를 들어, 네트워크부(130)는 병원 환경 내 데이터베이스, 의료 데이터의 표준화 등의 작업을 수행하는 클라우드 서버, 스마트 워치와 같은 클라이언트 혹은 의료 컴퓨팅 장치 등과의 통신을 통해 의료 데이터를 수신할 수 있다. 네트워크부(130)는 전술한 데이터베이스, 서버, 클라이언트 혹은 컴퓨팅 장치 등과의 통신을 통해, 신경망 모델의 출력 데이터, 및 프로세서(110)의 연산 과정에서 도출되는 중간 데이터, 가공 데이터 등을 송신할 수 있다.
도 2는 본 개시의 일 실시예에 따라 요금을 과금하기 위한 데이터 처리 과정을 나타낸 블록도이다.
도 2를 참조하면, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 심전도 신호를 측정한 대상의 심전도 데이터(10)를 분석하여, 대상의 건강 상태와 관련된 N개의 등급들(20, 25, 29) 중 어느 하나로 심전도 데이터(10)를 분류할 수 있다. 컴퓨팅 장치(100)는 분류 모델(200)에 심전도 데이터(10)를 입력하여, 의학적 판단에 따른 건강 상태를 나타내는 N개의 등급들(20, 25, 29) 중 어느 하나를 출력할 수 있다. 이때, 분류 모델(200)은 룰 기반의 제 1 모델 및 딥러닝 기반의 제 2 모델을 포함할 수 있다.
예를 들어, 도 2에 개시되지 않았으나, 컴퓨팅 장치(100)는 분류 모델(200)에 포함된 룰 기반의 제 1 모델에 심전도 데이터(10)를 입력하여, 복수의 등급들 중 어느 하나를 출력할 수 있다. 구체적으로, 제 1 모델은 심전도 데이터(10)에 포함된 심전도 신호의 파형 특징을 추출할 수 있다. 제 1 모델은 추출된 파형 특징과 통계치를 비교하여, 심전도 신호를 측정한 대상의 상태가 의학적 정상 상태로 판단되는 범위와 어느 정도 차이가 있는지 판단할 수 있다. 그리고, 제 1 모델은 이러한 판단을 기초로 의학적 판단에 따른 정상 상태에 대응되는 제 1 등급, 의학적 판단에 따른 비정상 상태에 대응되는 제 2 등급, 또는 전문가 진단 및 치료가 곧바로 필요한 응급 상태에 대응되는 제 3 등급 중 어느 하나로 심전도 데이터(10)를 분류할 수 있다.
또한, 컴퓨팅 장치(100)는 분류 모델(200)에 포함된 딥러닝 기반의 제 2 모델에 심전도 데이터(10)를 입력하여, 복수의 등급들 중 어느 하나를 출력할 수 있다. 이때, 제 2 모델은 심전도 데이터(10)를 입력받아, 의학적 판단에 따른 정상 상태에 대응되는 제 1 등급, 의학적 판단에 따른 비정상 상태에 대응되는 제 2 등급, 또는 전문가 진단 및 치료가 곧바로 필요한 응급 상태에 대응되는 제 3 등급 중 어느 하나를 출력하는 제 1 서브 모델, 및 심전도 데이터(10)를 입력받아, 심전도 데이터(10)를 제 1 등급, 제 2 등급 또는 제 3 등급 중 어느 하나로 분류하기 위한 위험도를 산출하는 제 2 서브 모델을 포함할 수 있다. 즉, 컴퓨팅 장치(100)는 제 1 서브 모델 혹은 제 2 서브 모델 중 어느 하나를 이용하여 심전도 데이터(10)를 분석하고, 심전도 데이터(10)를 3가지 등급 중 어느 하나로 분류할 수 있다. 제 1 서브 모델 및 제 2 서브 모델에 관한 설명은 도 3 및 도 4를 통해 구체적으로 후술하도록 한다.
한편, 심전도 데이터를 분류하기 위한, 분류 모델(200)에 포함된 제 1 모델, 제 1 서브 모델, 또는 제 2 서브 모델 중 적어도 하나의 사용은, 판독의 결과에 대한 고객의 사전 입력을 기반으로 결정될 수 있다. 이때, 고객의 사전 입력으로 선택되는 판독의 결과는, 심전도 데이터(10)에 포함된 심전도 신호의 파형 특징, 딥러닝 기반 모델을 통해 추출 가능한 OOD(out-of-distribution) 정보, 또는 위험도 지표에 관한 정보 중 적어도 하나를 포함할 수 있다. 여기서, 심전도 신호의 파형 특징은 맥박수, QRS 복합체, QT 간격 등을 포함할 수 있다. 위험도 지표에 관한 정보는 사망 가능성, 질환 발병 여부 등과 같은 심전도 신호의 측정 대상의 의학적 특성에 관한 정보를 포함할 수 있다. 즉, 컴퓨팅 장치(100)는 고객이 판독 결과로 어떠한 형태의 정보를 확인하고 싶은지를 고려하여, 분류 모델(200)에 포함된 모델들의 사용 여부를 결정할 수 있다.
예를 들어, 심전도 데이터(10)의 분류 이전, 컴퓨팅 장치(100)는 최종 판독 결과의 형태를 선택하는 고객의 사전 입력을 사용자 인터페이스를 통해 수신할 수 있다. 고객의 사전 입력에 따라 파형 특징이 판독 결과로 선택된 경우, 컴퓨팅 장치(100)는 룰 기반의 제 1 모델을 심전도 데이터(10)를 분류하기 위해 사용할 수 있다. 고객의 사전 입력에 따라 OOD 정보가 선택된 경우, 컴퓨팅 장치(100)는 딥러닝 기반의 제 1 서브 모델을 심전도 데이터(10)를 분류하기 위해 사용할 수 있다. 고객의 사전 입력에 따라 위험도 지표에 관한 정보가 선택된 경우, 컴퓨팅 장치(100)는 딥러닝 기반의 제 2 서브 모델을 심전도 데이터(10)를 분류하기 위해 사용할 수 있다.
도 2를 참조하면, 컴퓨팅 장치(100)는 분류된 등급에 맞추어 N개의 판독 방식들(310, 350, 390) 중 어느 하나를 선택하여, 심전도 데이터(10)에 대한 판독을 수행할 수 있다. 컴퓨팅 장치(100)는 등급에 맞추어 선택된 N개의 판독 방식들(310, 350. 390) 중 어느 하나에 심전도 데이터(10)를 입력하여, N개의 판독 결과들(30, 35, 39) 중 어느 하나를 도출할 수 있다. 예를 들어, 심전도 데이터(10)가 의학적 판단에 따른 정상 상태에 대응되는 제 1 등급으로 분류된 경우, 컴퓨팅 장치(100)는 심전도 데이터(10)에 대한 판독을 수행하지 않거나, 간호사가 사용하는 제 1 전문가 단말로 심전도 데이터(10)를 전송하여 판독을 수행하는 제 1 판독 방식을 선택할 수 있다. 이때, 분류 모델(200)의 분류 신뢰도가 사전 설정된 기준치보다 높은 경우, 컴퓨팅 장치(100)는 심전도의 판독을 수행하지 않는 제 1 판독 방식을 선택할 수 있다. 분류 신뢰도가 사전 설정된 기준치보다 낮은 경우, 컴퓨팅 장치(100)는 제 1 전문가 단말을 통해 판독을 수행하는 제 1 판독 방식을 선택할 수 있다. 심전도 데이터(10)가 의학적 판단에 따른 비정상 상태에 대응되는 제 2 등급으로 분류된 경우, 컴퓨팅 장치(100)는 간호사가 사용하는 제 1 전문가 단말로 심전도 데이터(10)를 전송하여 1차 판독을 수행하고, 전문의가 사용하는 제 2 전문가 단말로 심전도 데이터(10)를 전송하여 2차 판독을 수행하는 제 2 판독 방식을 선택할 수 있다. 심전도 데이터(10)가 전문가 진단 및 치료가 곧바로 필요한 응급 상태에 대응되는 제 3 등급으로 분류된 경우, 컴퓨팅 장치(100)는 전문의가 사용하는 제 2 전문가 단말로 심전도 데이터(10)를 전송하여 판독을 수행하는 제 3 판독 방식을 선택할 수 있다. 한편, 제 1 전문가 단말로 판독을 수행하는 제 1 판독 방식이 수행된 결과, 심전도 데이터(10)가 제 2 등급 혹은 제 3 등급에 해당하는 것으로 판단된 경우, 컴퓨팅 장치(100)는 전문의가 사용하는 제 2 전문가 단말로 심전도 데이터(10)를 전송하여 추가 판독을 수행할 수 있다.
컴퓨팅 장치(100)는 분류된 등급 및 수행된 판독 방식을 토대로, 심전도 데이터(10)의 판독을 의뢰한 고객에게 부가될 요금을 결정할 수 있다. 컴퓨팅 장치(100)는 어떠한 판독 방식으로 판독이 수행되었는지에 따라, 고객에게 부가될 요금을 결정할 수 있다. 예를 들어, 심전도 데이터(10)가 의학적 판단에 따른 정상 상태에 대응되는 제 1 등급으로 분류되고, 제 1 판독 방식에 따라 판독이 수행되지 않은 경우, 컴퓨팅 장치(100)는 고객에게 요금을 부가하지 않을 수 있다. 심전도 데이터(10)가 제 1 등급으로 분류되고, 제 1 판독 방식에 따라 제 1 전문가 단말을 통한 판독이 수행된 경우, 컴퓨팅 장치(100)는 서비스 기본 요금에서 할인율이 적용된 제 1 요금을 부가할 수 있다. 심전도 데이터(10)가 의학적 판단에 따른 비정상 상태에 대응되는 제 2 등급으로 분류되고, 제 2 판독 방식에 따라 제 1 전문가 단말을 통한 1차 판독 및 제 2 전문가 단말을 통한 2차 판독이 수행된 경우, 컴퓨팅 장치(100)는 서비스 기본 요금에 해당하는 제 2 요금을 부가할 수 있다. 심전도 데이터(10)가 응급 상태에 대응되는 제 3 등급으로 분류되고, 제 3 판독 방식에 따라 제 2 전문가 단말을 통한 판독이 수행된 경우, 컴퓨팅 장치(100)는 서비스 기본 요금에서 추가 요금이 적용된 제 3 요금을 부가할 수 있다. 한편, 심전도 데이터(10)가 제 1 등급으로 분류되고, 제 1 판독 방식에 따라 제 1 전문가 단말을 통한 판독이 수행된 이후, 심전도 데이터(10)의 등급이 재판단되어 제 2 전문가 단말을 통해 추가 판독이 수행된 경우, 컴퓨팅 장치(100)는 제 1 요금이 아닌 제 2 요금을 부가할 수 있다.
도 3은 본 개시의 일 실시예에 따른 제 1 서브 모델의 학습 과정을 나타낸 개념도이다.
도 3을 참조하면, 컴퓨팅 장치(100)는 제 1 서브 모델(210)로 심전도 데이터(40)를 입력하여, 의학적 판단에 따른 정상 상태에 대응되는 제 1 등급(50), 의학적 판단에 따른 비정상 상태에 대응되는 제 2 등급(55), 또는 전문가 진단 및 치료가 곧바로 필요한 응급 상태에 대응되는 제 3 등급(59) 중 어느 하나로 심전도 데이터(40)를 분류할 수 있다. 컴퓨팅 장치(100)는 제 1 서브 모델(210)의 분류 결과와 라벨 데이터(45)를 비교하여 제 1 서브 모델(210)에 포함된 신경망 파라미터를 업데이트할 수 있다. 구체적으로, 컴퓨팅 장치(100)는 제 1 서브 모델(210)의 분류 결과와 라벨 데이터(45)를 입력 변수로 하는 손실 함수를 이용하여, 제 1 서브 모델(210)의 분류 결과와 라벨 데이터(45) 간 오차를 산출할 수 있다. 컴퓨팅 장치(100)는 산출된 오차가 감소하도록 신경망 파라미터를 업데이트 할 수 있다. 컴퓨팅 장치(100)는 이러한 오차 산출 및 신경망 파라미터의 업데이트를 오차가 최소 기준을 만족할 때까지 반복 수행할 수 있다.
한편, 제 1 서브 모델(210)의 학습은 상술한 바와 같은 지도 학습을 기반으로 수행될 수도 있고, 제 1 서브 모델(210)의 신경망 구조에 따라 비지도 학습 또는 자기 지도 학습을 기반으로 수행될 수도 있다.
도 4는 본 개시의 일 실시예에 따른 제 2 서브 모델을 이용한 심전도 데이터의 분류 과정을 나타낸 블록도이다.
도 4를 참조하면, 컴퓨팅 장치(100)는 제 2 서브 모델(220)로 심전도 데이터(40)를 입력하여, 복수의 질환들 각각의 존재 여부에 대한 이진 분류 값(60)을 도출할 수 있다. 컴퓨팅 장치(100)는 이진 분류 값과 기 설정된 위험도 지표 간 상관관계를 계산하여, 위험도(70)를 산출할 수 있다. 그리고, 컴퓨팅 장치(100)는 위험도(70)를 기초로, 의학적 판단에 따른 정상 상태에 대응되는 제 1 등급(80), 의학적 판단에 따른 비정상 상태에 대응되는 제 2 등급(85), 또는 전문가 진단 및 치료가 곧바로 필요한 응급 상태에 대응되는 제 3 등급(89) 중 어느 하나로 심전도 데이터(40)를 분류할 수 있다.
예를 들어, 컴퓨팅 장치(100)는 제 2 서브 모델(220)에 심전도 데이터(40)를 입력하여, 심근경색, 부정맥, 좌심실비대, 우각차단, 협신증 및 심부전 등과 같은 다양한 질환 별로 존재 여부를 나타내는 이진 분류 결과를 도출할 수 있다. 이때, 제 2 서브 모델(220)은 질환 별로 예측을 수행하는 신경망들을 포함하고, 지도 학습, 비지도 학습 또는 자기 지도 학습을 기반으로 학습된 모델일 수 있다. 즉, 컴퓨팅 장치(100)는 제 2 서브 모델(220)을 이용하여 다양한 질환 각각에 대해 질환이 존재하면 1, 질환이 존재하지 않으면 0으로 이진 결과를 도출할 수 있다. 컴퓨팅 장치(100)는 이진 분류 결과들의 집합 형태인 이진 분류 값(60)을 생성할 수 있다. 컴퓨팅 장치(100)는 사망 가능성 또는 중환자실 입원 가능성 등과 같은 의학적 특성을 나타내는 위험도 지표에 개별적으로 대응되는 딥러닝 모델에 이진 분류 값(60)을 입력하여, 위험도 지표 별 상관관계를 계산할 수 있다. 그리고, 컴퓨팅 장치(100)는 위험도 지표 별 상관관계를 조합해서 위험도(70)를 산출할 수 있다. 컴퓨팅 장치(100)는 위험도 지표 별 상관관계에 대한 평균 값을 도출하고, 위험도(70)를 산출할 수 있다. 이때, 평균 값이 높을수록 위험도(70)의 크기는 커질 수 있다. 한편, 상관관계를 조합하기 위한 연산은 평균 값 산출에 제한되지 않고, 서비스 제공자에 의해 다양하게 구성될 수 있다. 컴퓨팅 장치(100)는 위험도(70)와 기 설정된 분류 기준들을 비교하여, 제 1 등급(80), 제 2 등급(85) 혹은 제 3 등급(89) 중 어느 하나로 심전도 데이터(40)를 분류할 수 있다. 위험도(70)가 제 1 분류 기준 미만인 경우, 컴퓨팅 장치(100)는 심전도 데이터(40)를 제 1 등급(80)으로 분류할 수 있다. 위험도(70)가 제 1 분류 기준 이상 제 2 분류 기준 미만인 경우, 컴퓨팅 장치(100)는 심전도 데이터(40)를 제 2 등급(85)으로 분류할 수 있다. 위험도(70)가 제 2 분류 기준 이상인 경우, 컴퓨팅 장치(100)는 심전도 데이터(40)를 제 3 등급(89)으로 분류할 수 있다.
한편, 도 4에 개시된 제 2 서브 모델(220)은 하나의 예시이므로, 본 개시의 제 2 서브 모델은 도 4에 개시된 형태에 제한되지 않고, 심전도 데이터에 포함된 심전도 특징을 학습하여 심전도 데이터로부터 곧바로 제 1 등급, 제 2 등급 혹은 제 3 등급 중 어느 하나로 데이터를 분류하기 위한 위험도를 산출할 수도 있다.
도 5는 본 개시의 일 실시예에 따른 심전도 판독 서비스의 과금 방법을 나타낸 순서도이다.
도 5를 참조하면, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 심전도 신호를 측정한 대상의 심전도 데이터를 분석하여, 대상의 건강 상태와 관련된 N개의 등급들 중 어느 하나로 심전도 데이터를 분류할 수 있다(S100). 컴퓨팅 장치(100)는 룰 기반의 제 1 모델, 또는 딥러닝 기반의 제 2 모델 중 적어도 하나에 심전도 데이터를 입력하여, 의학적 판단에 따른 정상 상태에 대응되는 제 1 등급, 의학적 판단에 따른 비정상 상태에 대응되는 제 2 등급, 또는 전문가 진단 및 치료가 곧바로 필요한 응급 상태에 대응되는 제 3 등급 중 어느 하나로 분류할 수 있다.
컴퓨팅 장치(100)는 분류된 등급에 맞추어 N개의 판독 방식들 중 어느 하나를 선택하여, 심전도 데이터에 대한 판독을 수행할 수 있다(S200). S100 단계를 통해 심전도 데이터가 제 1 등급으로 분류된 경우, 컴퓨팅 장치(100)는 심전도 데이터의 판독을 수행하지 않거나, 간호사가 사용하는 제 1 전문가 단말로 심전도 데이터를 전송하여 판독을 수행할 수 있다. 이때, 제 1 전문가 단말로 판독을 수행한 결과, 심전도 데이터가 제 2 등급 혹은 제 3 등급에 해당하는 것으로 판단된 경우, 컴퓨팅 장치(100)는 전문의가 사용하는 제 2 전문가 단말로 심전도 데이터를 전송하여 추가 판독을 수행할 수 있다. S100 단계를 통해 심전도 데이터가 제 2 등급으로 분류된 경우, 컴퓨팅 장치(100)는 간호사가 사용하는 제 1 전문가 단말로 상기 심전도 데이터를 전송하여 1차 판독을 수행하고, 전문의가 사용하는 제 2 전문가 단말로 심전도 데이터를 전송하여 2차 판독을 수행할 수 있다. S100 단계를 통해 심전도 데이터가 제 3 등급으로 분류된 경우, 컴퓨팅 장치(100)는 전문의가 사용하는 제 2 전문가 단말로 심전도 데이터를 전송하여 판독을 수행할 수 있다.
컴퓨팅 장치(100)는 분류된 등급 및 수행된 판독 방식을 토대로, 심전도 데이터의 판독을 의뢰한 고객에게 부가될 요금을 결정할 수 있다(S300). S100 단계를 통해 심전도 데이터가 제 1 등급으로 분류되고, S200 단계를 통해 판독이 수행되지 않거나 제 1 전문가 단말의 판독이 수행된 경우, 컴퓨팅 장치(100)는 무료 혹은 기본 요금에 할인된 요금을 최종 청구 금액으로 결정할 수 있다. 이때, 제 1 등급으로 분류되어 제 1 전문가 단말로 판독을 수행한 이후 제 2 전문가 단말에 대한 추가 판독이 수행된 경우, 컴퓨팅 장치(100)는 기본 요금을 최종 청구 금액으로 결정할 수 있다. S100 단계를 통해 심전도 데이터가 제 2 등급으로 분류되고, 제 1 전문가 단말의 1차 판독 및 제 2 전문가 단말의 2차 판독이 순차적으로 수행된 경우, 컴퓨팅 장치(100)는 기본 요금을 최종 청구 금액으로 결정할 수 있다. S100 단계를 통해 심전도 데이터가 제 3 등급으로 분류되고, 제 2 전문가 단말의 판독이 수행된 경우, 컴퓨팅 장치(100)는 기본 요금에서 추가 요금이 부가된 요금을 최종 청구 금액으로 결정할 수 있다.
앞서 설명된 본 개시의 다양한 실시예는 추가 실시예와 결합될 수 있고, 상술한 상세한 설명에 비추어 당업자가 이해 가능한 범주에서 변경될 수 있다. 본 개시의 실시예들은 모든 면에서 예시적인 것이며, 한정적이 아닌 것으로 이해되어야 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성요소들도 결합된 형태로 실시될 수 있다. 따라서, 본 개시의 특허청구범위의 의미, 범위 및 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 개시의 범위에 포함되는 것으로 해석되어야 한다.
Claims (14)
- 적어도 하나의 프로세서(processor)를 포함하는 컴퓨팅 장치에 의해 수행되는, 심전도 판독 서비스의 과금 방법으로서,심전도 신호를 측정한 대상의 심전도 데이터를 분석하여, 상기 대상의 건강 상태와 관련된 N개의 등급들 중 어느 하나로 상기 심전도 데이터를 분류하는 단계;상기 분류된 등급에 맞추어 N개의 판독 방식들 중 어느 하나를 선택하여, 상기 심전도 데이터에 대한 판독을 수행하는 단계; 및상기 분류된 등급 및 상기 수행된 판독 방식을 토대로, 상기 심전도 데이터의 판독을 의뢰한 고객에게 부가될 요금을 결정하는 단계;를 포함하는,방법.
- 제 1 항에 있어서,심전도 신호를 측정한 대상의 심전도 데이터를 분석하여, 상기 대상의 건강 상태와 관련된 N개의 등급들 중 어느 하나로 상기 심전도 데이터를 분류하는 단계는,룰 기반의 제 1 모델, 또는 딥러닝 기반의 제 2 모델 중 적어도 하나에 상기 심전도 데이터를 입력하여, 의학적 판단에 따른 정상 상태에 대응되는 제 1 등급, 의학적 판단에 따른 비정상 상태에 대응되는 제 2 등급, 또는 전문가 진단 및 치료가 곧바로 필요한 응급 상태에 대응되는 제 3 등급 중 어느 하나로 분류하는 단계;를 포함하는,방법.
- 제 2 항에 있어서,상기 제 1 모델은,상기 심전도 데이터에 포함된 심전도 신호의 파형 특징을 추출하고, 상기 추출된 파형 특징을 통계치와 비교하여 상기 심전도 데이터를 상기 제 1 등급, 상기 제 2 등급 또는 상기 제 3 등급 중 어느 하나로 분류하는 것인,방법.
- 제 2 항에 있어서,상기 제 2 모델은,상기 심전도 데이터를 입력받아, 상기 제 1 등급, 상기 제 2 등급 또는 상기 제 3 등급 중 어느 하나를 출력하는 제 1 서브 모델; 및상기 심전도 데이터를 입력받아, 상기 심전도 데이터를 상기 제 1 등급, 상기 제 2 등급 또는 상기 제 3 등급 중 어느 하나로 분류하기 위한 위험도를 산출하는 제 2 서브 모델;을 포함하는,방법.
- 제 4 항에 있어서,상기 제 2 서브 모델은,상기 심전도 데이터를 기초로 복수의 질환들 각각의 존재 여부에 대한 이진 분류 값들을 도출하고,상기 도출된 이진 분류 값들과 기 설정된 위험도 지표 간 상관관계(correlation)를 계산하여, 상기 위험도를 산출하는,방법.
- 제 5 항에 있어서,상기 심전도 데이터를 분류하기 위한, 상기 제 1 모델, 상기 제 1 서브 모델 혹은 상기 제 2 서브 모델 중 적어도 하나의 사용은,상기 수행된 판독의 결과에 대한 상기 고객의 사전 입력을 기반으로 결정되는,방법.
- 제 6 항에 있어서,상기 수행된 판독의 결과는,상기 심전도 데이터에 포함된 심전도 신호의 파형 특징, 딥러닝 기반 모델을 통해 추출 가능한 OOD(out-of-distribution) 정보, 또는 상기 위험도 지표에 관한 정보 중 적어도 하나를 포함하는,방법.
- 제 7 항에 있어서,상기 고객의 사전 입력에 따라 상기 파형 특징이 선택된 경우, 상기 제 1 모델이 상기 심전도 데이터를 분류하기 위해 사용되고,상기 고객의 사전 입력에 따라 상기 OOD 정보가 선택된 경우, 상기 제 1 서브 모델이 상기 심전도 데이터를 분류하기 위해 사용되며,상기 고객의 사전 입력에 따라 상기 위험도 지표에 관한 정보가 선택된 경우, 상기 제 2 서브 모델이 상기 심전도 데이터를 분류하기 위해 사용되는,방법.
- 제 2 항에 있어서,상기 분류된 등급에 맞추어 N개의 판독 방식들 중 어느 하나를 선택하여, 상기 심전도 데이터에 대한 판독을 수행하는 단계는,상기 심전도 데이터가 제 1 등급으로 분류된 경우, 상기 심전도 데이터는 판독을 수행하지 않거나, 간호사가 사용하는 제 1 전문가 단말로 상기 심전도 데이터를 전송하여 판독을 수행하는 단계;를 포함하는,방법.
- 제 9 항에 있어서,상기 분류된 등급에 맞추어 N개의 판독 방식들 중 어느 하나를 선택하여, 상기 심전도 데이터에 대한 판독을 수행하는 단계는,상기 제 1 전문가 단말로 판독을 수행한 결과, 상기 심전도 데이터가 상기 제 2 등급 혹은 상기 제 3 등급에 해당하는 것으로 판단된 경우, 전문의가 사용하는 제 2 전문가 단말로 상기 심전도 데이터를 전송하여 추가 판독을 수행하는 단계;를 더 포함하는,방법.
- 제 2 항에 있어서,상기 분류된 등급에 맞추어 N개의 판독 방식들 중 어느 하나를 선택하여, 상기 심전도 데이터에 대한 판독을 수행하는 단계는,상기 심전도 데이터가 제 2 등급으로 분류된 경우, 간호사가 사용하는 제 1 전문가 단말로 상기 심전도 데이터를 전송하여 1차 판독을 수행하고, 전문의가 사용하는 제 2 전문가 단말로 상기 심전도 데이터를 전송하여 2차 판독을 수행하는 단계;를 포함하는,방법.
- 제 2 항에 있어서,상기 분류된 등급에 맞추어 N개의 판독 방식들 중 어느 하나를 선택하여, 상기 심전도 데이터에 대한 판독을 수행하는 단계는,상기 심전도 데이터가 제 3 등급으로 분류된 경우, 전문의가 사용하는 제 2 전문가 단말로 상기 심전도 데이터를 전송하여 판독을 수행하는 단계;를 포함하는,방법.
- 컴퓨터 판독가능 저장 매체 저장된 컴퓨터 프로그램(program)으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서(processor)에서 실행되는 경우, 심전도 판독 서비스의 과금을 위한 동작들을 수행하도록 하며,상기 동작들은,심전도 신호를 측정한 대상의 심전도 데이터를 분석하여, 상기 고객의 건강 상태와 관련된 N개의 등급들 중 어느 하나로 상기 심전도 데이터를 분류하는 동작;상기 분류된 등급에 맞추어 N개의 판독 방식들 중 어느 하나를 선택하여, 상기 심전도 데이터에 대한 판독을 수행하는 동작; 및상기 분류된 등급 및 상기 수행된 판독 방식을 토대로, 상기 심전도 데이터의 판독을 의뢰한 고객에게 부가될 요금을 결정하는 동작;을 포함하는,컴퓨터 프로그램.
- 심전도 판독 서비스의 과금을 위한 컴퓨팅 장치로서,적어도 하나의 코어(core)를 포함하는 프로세서(processor);상기 프로세서에서 실행 가능한 프로그램 코드(code)들을 포함하는 메모리(memory); 및심전도 데이터를 획득하기 위한 네트워크부(network unit);를 포함하고,상기 프로세서는,심전도 신호를 측정한 대상의 심전도 데이터를 분석하여, 상기 고객의 건강 상태와 관련된 N개의 등급들 중 어느 하나로 상기 심전도 데이터를 분류하고,상기 분류된 등급에 맞추어 N개의 판독 방식들 중 어느 하나를 선택하여, 상기 심전도 데이터에 대한 판독을 수행하며,상기 분류된 등급 및 상기 수행된 판독 방식을 토대로, 상기 심전도 데이터의 판독을 의뢰한 고객에게 부가될 요금을 결정하는,장치.
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR10-2022-0094609 | 2022-07-29 | ||
KR20220094609 | 2022-07-29 | ||
KR1020230096818A KR20240017320A (ko) | 2022-07-29 | 2023-07-25 | 심전도 판독 서비스의 과금 방법, 프로그램 및 장치 |
KR10-2023-0096818 | 2023-07-25 |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2024025327A1 true WO2024025327A1 (ko) | 2024-02-01 |
Family
ID=89706959
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/KR2023/010800 WO2024025327A1 (ko) | 2022-07-29 | 2023-07-26 | 심전도 판독 서비스의 과금 방법, 프로그램 및 장치 |
Country Status (1)
Country | Link |
---|---|
WO (1) | WO2024025327A1 (ko) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20060117546A (ko) * | 2005-05-11 | 2006-11-17 | 인하대학교 산학협력단 | 신경망을 이용한 심전도 기반의 심장질환 진단장치 및방법 |
JP2017021850A (ja) * | 2014-08-01 | 2017-01-26 | キヤノンマーケティングジャパン株式会社 | 情報処理装置およびその制御方法、情報処理システム、並びにプログラム |
JP6320802B2 (ja) * | 2014-03-14 | 2018-05-09 | キヤノンメディカルシステムズ株式会社 | 読影処理装置 |
KR20210054975A (ko) * | 2019-11-06 | 2021-05-14 | 메디팜소프트(주) | Ai 기반 심전도 판독 시스템 |
KR20220094007A (ko) * | 2020-12-28 | 2022-07-05 | 김봉겸 | 건강 진단 시스템 |
-
2023
- 2023-07-26 WO PCT/KR2023/010800 patent/WO2024025327A1/ko unknown
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20060117546A (ko) * | 2005-05-11 | 2006-11-17 | 인하대학교 산학협력단 | 신경망을 이용한 심전도 기반의 심장질환 진단장치 및방법 |
JP6320802B2 (ja) * | 2014-03-14 | 2018-05-09 | キヤノンメディカルシステムズ株式会社 | 読影処理装置 |
JP2017021850A (ja) * | 2014-08-01 | 2017-01-26 | キヤノンマーケティングジャパン株式会社 | 情報処理装置およびその制御方法、情報処理システム、並びにプログラム |
KR20210054975A (ko) * | 2019-11-06 | 2021-05-14 | 메디팜소프트(주) | Ai 기반 심전도 판독 시스템 |
KR20220094007A (ko) * | 2020-12-28 | 2022-07-05 | 김봉겸 | 건강 진단 시스템 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ali et al. | An automated diagnostic system for heart disease prediction based on ${\chi^{2}} $ statistical model and optimally configured deep neural network | |
Alkım et al. | A fast and adaptive automated disease diagnosis method with an innovative neural network model | |
CN113656558B (zh) | 基于机器学习对关联规则进行评估的方法及装置 | |
Rongjun et al. | Collaborative extreme learning machine with a confidence interval for P2P learning in healthcare | |
CN116631564B (zh) | 一种急诊电子病历管理系统及管理方法 | |
Yildirim et al. | Real-time internet of medical things framework for early detection of Covid-19 | |
WO2024025327A1 (ko) | 심전도 판독 서비스의 과금 방법, 프로그램 및 장치 | |
WO2024019500A1 (ko) | 심전도 세그먼트를 이용한 건강 상태의 예측 방법, 프로그램 및 장치 | |
WO2024019523A1 (ko) | 심전도를 이용한 건강 상태의 예측 방법, 프로그램 및 장치 | |
KR20240017320A (ko) | 심전도 판독 서비스의 과금 방법, 프로그램 및 장치 | |
WO2024019575A1 (ko) | 심전도를 이용한 건강 상태의 예측 방법, 프로그램 및 장치 | |
WO2024210483A1 (ko) | 인공지능 기반 질환 예측 방법, 프로그램 및 장치 | |
Alattab et al. | A smart diseases diagnosis and classification strategy of electronic healthcare application using novel hybrid artificial intelligence approaches | |
WO2024014888A1 (ko) | 단기 측정된 심장 신호를 기반으로 장기 심박 변이도를 생성하는 방법, 프로그램 및 장치 | |
WO2024155140A1 (ko) | 심전도 판독 서비스를 제공하는 방법, 프로그램 및 시스템 | |
WO2024071845A1 (ko) | 의료용 인공지능 모델의 구축 방법, 프로그램 및 장치 | |
WO2024117827A1 (ko) | 생체신호 분석 플랫폼의 운영 방법 및 시스템 | |
WO2024186053A1 (ko) | 인공지능 모델을 해석하는 방법, 프로그램 및 장치 | |
Al-Hameli et al. | Prediction of diabetes using hidden Naïve Bayes: comparative study | |
WO2024025326A1 (ko) | 심전도 판독 서비스를 제공하는 방법, 프로그램 및 장치 | |
CN115798709A (zh) | 基于多任务图同构网络的阿尔兹海默病分类装置及方法 | |
WO2024019584A1 (ko) | 심전도를 이용한 심근경색 진단 방법, 프로그램 및 장치 | |
WO2023048463A1 (ko) | 딥러닝 기반으로 연속적인 신체 상태를 계측하는 방법, 컴퓨터 프로그램 및 장치 | |
WO2024039218A1 (ko) | 생체신호 데이터의 증강 방법, 컴퓨터 프로그램 및 장치 | |
WO2024172329A1 (ko) | 뼈 나이 예측 모델의 학습 방법, 이를 이용한 뼈 나이 예측 방법 및 장치 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 23846985 Country of ref document: EP Kind code of ref document: A1 |