KR102686670B1

KR102686670B1 - 기계학습을 이용하여 사용자의 전자의무기록의 사용기록으로부터 의무기록의 작성 순서 및 내용을 예측하는 전자의무기록 시스템과 그 방법

Info

Publication number: KR102686670B1
Application number: KR1020210064303A
Authority: KR
Inventors: 김보영; 김지영
Original assignee: 서울대학교병원
Priority date: 2021-05-18
Filing date: 2021-05-18
Publication date: 2024-07-22
Anticipated expiration: 2041-05-18
Also published as: KR20220156363A

Abstract

기계학습을 이용하여 사용자의 전자의무기록의 사용기록으로부터 의무기록의 작성 순서 및 내용을 예측하는 전자의무기록 시스템과 그 방법이 개시된다. 이에 따르면 사용자가 환자에 대한 의무기록 작성시에 사용자 맞춤형 최단 경로를 제시하여 기존 프로그램 구동의 효율성을 증진시키고, 사용자 역시 손쉽게 의료정보를 기록할 수 있도록 함으로써 업무 효율성을 증가시킬 수 있다. 또한, 시스템의 구동의 안정성을 높이고, 정밀의료데이터구축(clinical data)에 있어서 사용자에 대한 특별한 교육 없이 입력값을 표준화할 수 있다.

Description

기계학습을 이용하여 사용자의 전자의무기록의 사용기록으로부터 의무기록의 작성 순서 및 내용을 예측하는 전자의무기록 시스템과 그 방법{ELECTRONIC MEDICAL RECORD SYSTEM FOR PREDICTING ORDER OF FILLING OUT MEDICAL RECORDS AND CONTENT FROM USAGE HISTORY OF USER'S ELECTRONIC MEDICAL RECORD USING MACHINE LEARNING AND METHOD THEREOF}

본 발명은 기계학습을 이용하여 사용자의 전자의무기록의 사용기록으로부터 의무기록의 작성 순서 및 내용을 예측하는 전자의무기록 시스템과 그 방법에 관한 것이다.

전자의무기록(Electroic Medical Record, EMR) 시스템은 병원 진료 지원 업무 중 의료 기록 업무를 전산으로 처리하는 시스템을 의미한다. 기존에 종이차트에 기록했던 인적사항, 병력, 건강상태, 진찰, 입/퇴원기록 등 환자의 모든 정보를 전산화한 것으로서, 의료 종사자가 컴퓨터에 환자의 임상진료에 관한 모든 정보를 입력하면, 이 자료를 모두 데이터베이스로 처리하고, 새로운 정보의 생성도 가능한 의료 정보 시스템이다.

그러나 병원에서 발생하는 의료정보를 전산화하는 전자의무기록 시스템에서 의무기록의 작성은 의료진에 의하여 텍스트 형태로 입력되고 의료진이 환자의 특정 데이터를 입력하고자 할 때, EMR 상의 메인 화면을 통해 각 진료지원 파트(검체검사, 영상검사, 기능검사, 병리검사 등)의 메인 화면으로 이동하여 의료진이 자신이 원하는 특정 의료기록을 입력하기 위해서는 해당 검사파트의 화면으로 이동 후 각각의 화면에서 검색을 실행하여야 한다. 그 과정은 반복되는 업무가 많다. 또한 비슷한 경로를 반복 및 선택하여 거쳐야 하기 때문에 업무 효율성이 저하된다. 또한 단순한 입력을 위하여 큰 프로그램을 실행하고 여러 창들을 활성화 시키는 경로를 거쳐야 하므로 이는 프로그램의 지연이나 셧다운을 야기하기도 하는 문제점이 존재한다.

일측면에서, 본 발명은 하나의 의무기록을 작성하기 위해 여러 번의 선택 과정을 없애고 단순화하기 위하여, 머신러닝모델을 통해 복수의 진료 항목 중 상기 사용자가 자주 사용하는 진료 항목만을 자동으로 분류하여 사용자에게 최단 경로의 인터페이스를 제공할 수 있다.

본 발명의 일 실시예에서는, 기계학습을 이용하여 사용자의 전자의무기록의 사용기록으로부터 의무기록의 작성 순서 및 내용을 예측하는 전자의무기록 시스템으로서, 상기 시스템은 특정 사용자에 대하여 전자의무기록 사용에 관한 로컬모델을 생성하는 모델 생성부를 포함하고, 상기 로컬모델은 사용자별로 예측 데이터를 생성하도록 구성되고, 상기 로컬모델은 시퀀스 데이터 획득부 및 예측부를 포함하며, 상기 시퀀스 데이터 획득부는, 사용자의 전자의무기록 사용정보에 포함된 데이터를 사건별로 각각 시퀀스(sequence) 형태로 표현함으로써 시퀀스 데이터를 획득하고, 상기 사용자의 전자의무기록 사용정보에 포함된 데이터는 의무기록의 종류, 의무기록의 작성순서 및 해당 의무기록의 종류에 연관된 입력 값을 포함하고, 상기 예측부는, 상기 시퀀스 데이터 획득부에서 획득된 사건별 시퀀스 데이터와 상기 사용자의 고유정보를 결합한 것을 기초로 하여 사용자가 사용할 것으로 예상되는 최단경로의 의무기록의 종류, 의무기록의 작성 순서 및 입력 값 중 하나 이상을 예측하는 것을 특징으로 하는 사용자의 전자의무기록 사용기록으로부터 의무기록의 작성 순서 및 내용을 예측하는 전자의무기록 시스템을 제공한다.

본 발명의 다른 실시예에서는, 컴퓨터 시스템에서 수행되는, 사용자의 전자의무기록 사용기록으로부터 의무기록의 작성 순서 및 내용을 예측하는 방법으로서, 상기 컴퓨터 시스템은 메모리에 포함된 컴퓨터 판독 가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는: 특정 사용자에 대하여 사용자의 전자의무기록 사용에 관한 로컬모델을 생성하는 단계; 및 복수의 사용자별 로컬모델을 통합하여 글로벌모델을 생성하는 단계; 를 수행하고, 상기 로컬모델은 사용자별로 예측 데이터를 생성하도록 구성되고, 상기 특정 사용자에 대한 로컬 모델을 생성하는 단계는, 시퀀스 데이터 획득 단계 및 시퀀스 데이터 예측 단계를 포함하고, 상기 시퀀스 데이터 획득 단계는, 사용자의 전자의무기록 사용정보에 포함된 데이터를 사건별로 각각 시퀀스(sequence) 형태로 표현함으로써 시퀀스 데이터를 획득하고, 상기 사용자의 전자의무기록 사용정보에 포함된 데이터는 의무기록의 종류, 의무기록의 작성순서 및 해당 의무기록의 종류에 연관된 입력 값을 포함하고, 상기 시퀀스 데이터 예측 단계는, 상기 시퀀스 데이터 획득부에서 획득된 사건별 시퀀스 데이터와 상기 사용자의 고유정보를 결합한 것을 기초로 하여 사용자가 사용할 것으로 예상되는 최단경로의 의무기록의 종류, 의무기록의 작성 순서 및 입력 값을 예측하는 것이고, 상기 글로벌모델은 새로운 사용자가 사용할 것으로 예상되는 최단경로의 의무기록의 종류, 의무기록의 작성순서 및 입력 값을 예측하는 것을 특징으로 하는 사용자의 전자의무기록 사용기록으로부터 의무기록의 작성 순서 및 내용을 예측하는 방법을 제공한다.

본 발명의 실시예들에 의하면, 사용자가 환자에 대한 의무기록 작성시에 사용자 맞춤형 최단 경로를 제시하여 기존 프로그램 구동의 효율성을 증진시키고, 사용자 역시 손쉽게 의료정보를 기록할 수 있도록 함으로써 업무 효율성을 증가시킬 수 있다. 또한, 시스템의 구동의 안정성을 높이고, 정밀의료데이터구축(clinical data)에 있어서 사용자에 대한 특별한 교육 없이 입력값을 표준화할 수 있다.

본 발명의 효과들은 이상에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 청구범위의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

본 발명 또는 종래 기술에 대한 기술적 해결책을 보다 명확하게 설명하기 위해, 실시예에 대한 설명에서 필요한 도면이 아래에서 간단히 소개된다. 아래의 도면들은 본 명세서의 실시예를 설명하기 목적일 뿐 한정의 목적이 아니라는 것으로 이해되어야 한다. 또한, 설명의 명료성을 위해 아래의 도면들에서 과장, 생략 등 다양한 변형이 적용된 일부 요소들이 도시될 수 있다.
도 1은 본 발명의 일 실시예에 따른 머신러닝을 이용하여 사용자의 전자의무기록의 사용기록으로부터 의무기록의 작성 순서와 내용을 예측하는 전자의무기록 방법의 흐름도이다.
도 2는 본 발명의 일 실시예에 따른 로컬모델의 구성을 나타내는 개략도이다.
도 3은 본 발명의 일 실시예에 따른 로컬모델의 예측부가 최단경로를 예측하는 과정을 나타내는 세부 흐름도이다.
도 4는 본 발명의 일 실시예에 따른 사용자에게 최단경로의 인터페이스를 제공하는 단계에서, 구체적인 인터페이스 구성을 도시하는 개략도이다.
도 5은 본 발명의 일 실시예에 따른 글로벌모델의 개략도이다.
도 6는 본 발명의 일 실시예에 있어서 로컬모델 및 글로벌모델에서 사용할 수 있는 연합학습(federated learning)의 과정을 예시하는 블록도이다.

이하, 본 발명의 일부 실시예들을 예시적인 도면을 참조하여 상세하게 설명한다. 각 도면의 구성 요소들에 참조 부호를 부가함에 있어서, 동일한 구성 요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가질 수 있다. 또한, 본 실시예들을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명 이 본 기술 사상의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략할 수 있다. 본 명세서 상 에서 언급된 "포함한다", "갖는다", "이루어진다" 등이 사용되는 경우 "~만"이 사용되지 않는 이상 다른 부분이 추가될 수 있다. 구성 요소를 단수로 표현한 경우에 특별한 명시적인 기재 사항이 없는 한 복수를 포함하는 경우를 포함할 수 있다.

또한, 본 발명의 구성 요소를 설명하는 데 있어서, 제1, 제2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이 러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질, 차례, 순서 또는 개수 등이 한정되지 않는다.

구성 요소들의 위치 관계에 대한 설명에 있어서, 둘 이상의 구성 요소가 "연결", "결합" 또는 "접속" 등이 된다 고 기재된 경우, 둘 이상의 구성 요소가 직접적으로 "연결", "결합" 또는 "접속" 될 수 있지만, 둘 이상의 구성 요소와 다른 구성 요소가 더 "개재"되어 "연결", "결합" 또는 "접속"될 수도 있다고 이해되어야 할 것이다. 여 기서, 다른 구성 요소는 서로 "연결", "결합" 또는 "접속" 되는 둘 이상의 구성 요소 중 하나 이상에 포함될 수 도 있다.

구성 요소들이나, 동작 방법이나 제작 방법 등과 관련한 시간적 흐름 관계에 대한 설명에 있어서, 예를 들어, "~후에", "~에 이어서", "~다음에", "~전에" 등으로 시간적 선후 관계 또는 흐름적 선후 관계가 설명되는 경우, "바로" 또는 "직접"이 사용되지 않는 이상 연속적이지 않은 경우도 포함할 수 있다. 한편, 구성 요소에 대한 수치 또는 그 대응 정보(예: 레벨 등)가 언급된 경우, 별도의 명시적 기재가 없더라도, 수치 또는 그 대응 정보는 각종 요인(예: 공정상의 요인, 내부 또는 외부 충격, 노이즈 등)에 의해 발생할 수 있는 오차 범위를 포함하는 것으로 해석될 수 있다.

본 발명의 상세한 설명 및 청구항들에 걸쳐 '학습' 혹은 '러닝'은 절차에 따른 컴퓨팅(computing)을 통하여 기계 학습(machine learning)을 수행함을 일컫는 용어인바, 인간의 교육 활동과 같은 정신적 작용을 지칭하도록 의도된 것이 아님을 통상의 기술자는 이해할 수 있을 것이다.

이하 도면을 참조하여 본 발명의 실시예들을 상세히 설명한다.

도 1은 본 발명의 일 실시예에 따른 머신러닝을 이용하여 사용자의 전자의무기록의 사용기록으로부터 의무기록의 작성 순서와 내용을 예측하는 전자의무기록 서비스 제공 방법(이하, “전자의무기록 방법”)의 흐름도이다.

도 1을 참조하면, 본 발명의 일 실시예에 따른 전자의무기록 방법은 특정 사용자에 대한 로컬모델을 생성하는 단계(S10) 및 복수의 사용자별 로컬모델을 통합하여 글로벌모델을 생성하는 단계(S20)를 포함할 수 있다.

일 실시예에서, 특정 사용자에 대한 로컬모델을 생성하는 단계(S10) 이전에, 사용자의 ID와 비밀번호를 입력하여 전자의무기록 시스템에 접속하는 로그인 단계를 더 포함할 수 있다.

로컬모델(개별 사용자의 독립된 모델)은 특정 사용자의 전자의무기록 사용정보에 포함된 데이터로부터 사용자가 사용할 것으로 예상되는 의무기록의 종류, 의무기록의 작성 순서 및 입력 값을 예측한다. 즉, 로컬모델은 사용자별로 맞춤화된 예측 데이터를 생성하도록 구성된, 로컬 예측 유닛이다. 사용자가 환자에 대한 의무기록 작성시에 상기 로컬모델은 사용자 맞춤형 최단 경로를 제시하여 기존 프로그램 구동의 효율성을 증진시키고, 사용자 역시 손쉽게 의료정보를 기록할 수 있도록 함으로써 업무 효율성을 증가시킨다.

글로벌모델(통합 모델, 마더 모델)은 복수의 사용자에게 각각 맞춤화된 로컬모델들을 통합하여 새로운 사용자가 사용할 것으로 예상되는 의무기록의 종류, 의무기록의 작성순서 및 입력 값을 예측한다. 즉, 글로벌모델은 시스템 전체의 개별 예측 데이터로부터 시스템의 새로운 사용자에 대한 예측 데이터를 생성하는, 글로벌 예측 유닛이다. 상기 글로벌모델은 시스템의 구동의 안정성을 높이고, 정밀의료데이터구축(clinical data)에 있어서 사용자에 대한 특별한 교육 없이 입력값을 표준화하는 목표를 달성하게 한다. 상기 로컬모델 및 글로벌모델의 구체적인 구조 및 역할은 후술할 도 2, 도 5 및 도 6을 참조하여 상세히 설명한다.

도 2는 본 발명의 일 실시예에 따른 로컬모델의 구성을 나타내는 개략도이다.

도 2를 참조하면 로컬모델은 시퀀스 데이터 획득부(211) 및 예측부(212)를 포함할 수 있다. 시퀀스 데이터 획득부(211)는 다수의 비-시퀀스 데이터로부터 시퀀스 형태의 데이터를 생성하도록 구성된다. 상기 시퀀스 데이터 획득부(211)는 사용자의 전자의무기록 사용정보에 포함된 데이터를 사건별로 각각 시퀀스(sequence) 형태로 표현함으로써 시퀀스 데이터를 획득할 수 있다. 사용자의 전자의무기록 사용정보에 포함된 데이터는 의무기록의 종류, 의무기록의 작성순서 및 해당 의무기록의 종류에 연관된 입력 값을 포함할 수 있다. 의무기록의 종류는 복수의 상위의무기록항목 및 상기 상위의무기록항목에 연관된 하위 레벨인 복수의 하위의무기록항목을 포함할 수 있다. 의무기록의 작성순서는 상위의무기록항목 및 해당 상위의무기록항목에 연관된 복수의 하위의무기록항목 사이의 작성 순서의 관계를 나타내고, 입력 값은 하위의무기록항목에 연관된 사용자가 선택 또는 입력한 구체적인 수치를 나타낸다.

일 실시예에서, 시퀀스 데이터 획득부(211)는 사용자의 전자의무기록 사용정보에 포함된 상위의무기록항목 및 하위의무기록항목의 종류, 상위의무기록항목 및 해당 상위의무기록항목에 대한 하위의무기록항목의 작성 순서, 하위의무기록항목에 연관된 입력 값에 대하여 시퀀스를 생성한 후, 상기 시퀀스 데이터에 기초한 입력 데이터가 예측부(212)에 입력 가능하도록 임베딩할 수 있다. 일 실시예에서, 상기 입력 데이터는 시퀀스 데이터 획득부에서 획득된 사건별 시퀀스 데이터와 사용자의 고유정보를 결합한 데이터일 수 있다.

로컬모델의 예측부(212)는 시퀀스 데이터 획득부(211)에서 생성된 사건별 시퀀스 데이터와 사용자의 고유정보를 결합한 것을 입력으로 하여 사용자가 사용할 것으로 예상되는 의무기록의 종류, 의무기록의 작성 순서 및 입력 값을 예측할 수 있다.

도 3은 본 발명의 일 실시예에 따른 로컬모델의 예측부가 최단경로를 예측하는 과정을 나타내는 세부 흐름도이다.

도 3을 참조하면, 로컬모델의 예측부(212)에서 사용자가 사용할 것으로 예상되는 최단경로의 의무기록의 종류, 의무기록의 작성 순서 및 입력 값을 예측하는 것은, 시퀀스 데이터 획득부(211)에서 획득한 시퀀스 데이터를 기초로 상위의무기록항목 및 하위의무기록항목의 사용 빈도 분포를 산출하는 단계(S3121); 산출된 분포에서 상대적으로 높은 사용 빈도를 나타낸 상위의무기록항목 및 하위의무기록항목들을 클러스터링하는 단계(S3122); 클러스터링을 통해 복수의 의무기록항목 중 사용자가 사용하는 의무기록항목만을 분류하여 의무기록의 종류 및 작성순서를 예측하는 단계(S3123); 및 분류된 하위의무기록항목에 연관된 입력 값을 예측하는 단계(S3124)를 포함하고, 작성순서는 사용자가 사용한 빈도수가 높은 상위의무기록항목 및 하위의무기록항목들로 구성된 최단경로를 나타낸다. 일 실시예에서, 클러스터링 기법으로 k-평균 클러스터링 알고리즘을 사용할 수 있다.

본 발명의 일 실시예에서, 로컬모델은 비지도학습(unsupervised learning)의 연관 규칙 학습(association rule learning)을 통해 사용자별 사용자의 전자의무기록 사용정보로부터 연속 패턴을 학습할 수 있다. 연관 규칙 학습은 사용자의 전자의무기록 사용정보에 포함된 데이터를 패턴형태로 변환하여 트리 구조에 반영하고, 사용자가 사용, 선택 및 입력한 검색어를 패턴 형태로 변환하여 패턴 기반의 사용 빈도수가 높은 전자의무기록 사용 정보를 검출할 수 있다.

도 4는 본 발명의 일 실시예에 따른 사용자에게 최단경로의 인터페이스를 제공하는 단계에서, 구체적인 인터페이스 구성을 도시하는 개략도이다.

다시 도 1을 참조하면, 전자의무기록 방법은 로컬모델에서 생성된 예측 데이터인 의무기록의 종류, 의무기록의 작성 순서 및 입력 값을 기초로하여, 사용자에게 최단 경로의 기록 관리 인터페이스를 제공하는 단계(S30)를 더 포함할 수 있다.

도 4를 참조하면, 상기 인터페이스는 예측된 의무기록의 종류, 의무기록의 작성순서 및/또는 입력 값을 사용자가 수정할 수 있는 수정부(41)를 포함할 수 있다. 상기 입력 값은 로컬모델에 의해 사용자가 사용할 것으로 예측된 신규 예측 입력 값을 의미한다. 예시적으로, 수정부(41)를 통해 사용자는 예측부(212)가 예측한 혈압에 대한 입력 값을 수정할 수 있다.

상기 인터페이스는 입력 창에 상위의무기록항목을 검색할 수 있는 검색부(42)를 포함할 수 있고, 상기 검색부에서 상위의무기록항목의 진료 항목을 입력하면, 입력된 진료 항목에 추가 하위의무기록항목을 연관시키는 연관항목검색부(421)를 포함할 수 있다. 연관항목이란, 검색어인 상위의무기록항목에 연관하여 특정 사용자의 전자의무기록 사용정보에서 사용 빈도수가 높은 하위의무기록항목에 관한 것이다.

일 실시예에서, 로컬모델은 예측 동작으로부터 최근과 같이, 과거로의 미리 설정된 기간 동안 사용자의 의무기록의 사용 정보에서 사용자의 선택(클릭) 또는 검색이 발생한 상위의무기록항목들을 선정하고, 선정된 상위의무기록항목에 연관된 복수의 하위의무기록항목들 중 입력 횟수가 가장 높은 순위 별로 또는 상위 몇 개의 하위의무기록항목에 대해서 예측할 수 있다. 로컬모델은 예측한 전자의무기록항목의 종류 및 작성순서를 기초로, 검색부(42)의 연관항목검색부(421)는 검색창에 입력된 상위의무기록항목에 연관된 추가 하위의무기록항목을 사용자에게 나열해서 제시하는 인터페이스를 제공할 수 있다.

일 실시예에서, 연관항목검색부(421)는 특정 상위의무기록항목에 연관된 하위의무기록항목에 대한 연관어 프로파일 벡터를 생성할 수 있다. 연관항목검색부(421)는 후보 하위의무기록항목들을 선정하고, 해당 검색어인 상위의무기록항목에 대한 프로파일 벡터 값이 높은 순으로 정렬하여 분류할 수 있다.

검색부(42)는 상기 입력 창에 입력된 검색어에 대응하는 자동완성 후보 단어를 제시하는 자동완성후보제시부(422)를 포함할 수 있다. 상기 자동완성 후보 단어의 제공 순서는 우선순위를 기초로 하고, 상기 우선순서는 상위의무기록항목 또는 하위의무기록항목의 사용 빈도, 선택 빈도 또는 입력 빈도가 많은 순서로 제시된다. 현재 이용 중인 키보드에 대응하는 자소 조합 정보를 기반으로, 사용자로부터 검색창에 입력된 문자열의 마지막 자소가 다른 자소로 변환될 수 있는지 확인한다. 그리고, 자동완성후보제시부(422)는, 상기 확인 결과를 기반으로, 해당 문자열에 대응하는 자동완성 후보 단어를 결정할 수 있다. 만약, 해당 문자열의 마지막 자소가 다른 자소로 변환될 수 있는 경우, 자동완성후보제시부(422)는, 상기 변환될 수 있는 다른 자소로 해당 문자열의 마지막 자소가 치환된 문자열을 생성할 수 있다. 그리고, 생성된 문자열에 대응하는 자동완성 후보 단어를 결정할 수 있다. 한편, 자동완성 후보 단어 결정 시에, 마지막 자소로부터 변환될 수 있는 자소가 여러 개인 경우, 검색부는 조합 정보를 참조하여 마지막 자소로부터 변환될 수 있는 여러 개의 자소들에 대한 우선 순위를 확인하고, 상기 우선 순위에 기반하여 자동완성 후보 단어들을 결정할 수 있다. 상기 우선 순위는, 예를 들어 상위의무기록항목 또는 하위의무기록항목의 사용 빈도, 선택 빈도 또는 입력 빈도가 많은 순서에 따라 결정될 수 있다.

본 발명의 일 실시예에 따른, 연관항목검색부(421) 및 자동완성후보제시부(422)의 역할의 예시로서, 환자가 수술 후 통증을 간호사에게 호소하여 간호사가 이에 대한 데이터와 양상을 의무기록으로 작성하려할 때, 간호사가 입력창에 '통증' 혹은 '통'만 입력하더라도, 통증과 관련된 연관어를 나열하고, 해당 간호사가 주로 사용하는 의무기록 양식 중 1 내지 10 사이의 입력 값인 계량화된 통증 점수를 바로 제시한다. 이를 통해, 기존 의무기록 양식인 '간호기록' 항목을 클릭하고, 통증 에 관한 의무기록항목들을 찾고, 통증 점수에 대한 입력 값을 기록하는 방식에서 벗어나 간단하게 의무기록을 작성할 수 있도록 한다.

도 5 및 도 6은 본발명의 일 실시예에 따른, 글로벌모델 및 연합학습(federated learning)에 관한 것이다.

도 5는 본 발명의 일 실시예에 따른 글로벌모델의 개략도이다. 글로벌모델은 복수의 사용자에 의하여 각각 학습된 로컬모델을 통합하여 여러 사용자와 기관이 보유한 데이터를 통합·공유함으로써 분산된 로컬 데이터를 한곳으로 모으지 않고 데이터를 보유하고 있는 다양한 장치, 기관 등에서 독립적으로 데이터를 처리하되, 전체 데이터를 한꺼번에 처리하는 것과 비슷한 효과를 얻기위해 사용된다. 글로벌모델은 로컬모델과 마찬가지로 시퀀스 데이터 획득부 및 예측부를 포함할 수 있다. 글로벌모델의 시퀀스 데이터 획득부 및 예측부의 각각의 기능은 로컬모델의 시퀀스 데이터 획득부 및 예측부의 각각의 기능과 동일하거나 유사하므로, 차이점을 위주로 설명한다.

연합학습이란 기기나 기관 등 여러 위치에 분산 저장된 데이터를 직접 공유하지 않으면서, 서로 협력하며 AI 모델을 학습할 수 있는 분산형 머신러닝 기법이다. 일반적으로 AI 모델을 만들기 위해서는 각 클라이언트(개인 기기, 개별 기관 등)가 보유한 데이터를 중앙서버에 모아서 일괄적으로 학습하게 된다. 반면, 연합학습에서는 클라언트 개별 데이터를 중앙서버로 전달하지 않고, 중앙서버의 AI 모델을 클라언트로 보내 각각의 데이터로 모델을 훈련한다. 그리고 클라우드인 중앙서버는 개별 클라이언트에서 학습한 로컬 모델을 모두 합쳐 글로벌 모델을 만든다. 이 과정을 반복함으로써 중앙서버의 글로벌 모델은 점점 일반화되고 클라이언트의 로컬 모델의 정확도는 향상된다.

일 실시예에서, 본 발명의 연합학습은 FedSGD(Federated Stochastic Gradient Descent), FedAVG(Federated Averaging) 알고리즘을 사용할 수 있다. FedSGD는 각 사용자의 로컬모델에서 학습한 최단경로를 예측하기 위한 의무기록의 종류, 의무기록의 작성순서 및/또는 입력 값에 대한 파라미터 값을 서버로 전달하고, 서버는 취합한 모든 사용자의 로컬모델의 파라미터 값의 평균을 계산하여 글로벌 모델의 파라미터를 업데이트하고 이 결과를 다시 모든 로컬모델에 전달할 수 있다. 파라미터의 수렴 조건이 만족될 때까지 이 과정을 반복할 수 있다.

도 6는 본 발명의 일 실시예에 있어서 로컬모델 및 글로벌모델에서 사용할 수 있는 연합학습(federated learning)의 과정을 예시하는 블록도이다.

도 6을 참조하면, 단말은 서버로부터 전달받은 글로벌 모델을 기반으로 로컬모델을 학습한다. 로컬 모델의 학습이 완료된 결과는 서버로 전달되고 서버는 글로벌 모델을 업데이트한다. 이 과정이 도 6의 round i에 해당한다. 본 발명의 일 실시예에서, 로컬모델 및 글로벌모델은 연합학습을 통해 최단경로를 예측하기 위한 의무기록의 종류, 의무기록의 작성순서 및 입력 값에 대한 상기 로컬모델의 파라미터 값을 학습하고, 로컬 모델의 학습이 완료된 결과에 기초하여 새로운 사용자가 사용할 것으로 예상되는 최단경로의 의무기록의 종류, 의무기록의 작성순서 및 입력 값에 대한 상기 글로벌모델의 파라미터 값이 학습될 수 있다.

이와 같은 전자의무기록 방법에 따르면, 사용자가 환자에 대한 의무기록 작성시에 사용자 맞춤형 최단 경로를 제시하여 기존 프로그램 구동의 효율성을 증진시키고, 사용자 역시 손쉽게 의료정보를 기록할 수 있도록 함으로써 업무 효율성을 증가시키는데 그 경쟁성이 있다. 또한, 시스템의 구동의 안정성을 높이고, 정밀의료데이터구축(clinical data)에 있어서 사용자에 대한 특별한 교육 없이 입력값을 표준화할 수 있을 것으로 예상된다.

본 발명의 또 다른 실시예에서, 본 발명은 기계학습을 이용하여 사용자의 전자의무기록의 사용기록으로부터 의무기록의 작성 순서 및 내용을 예측하는 전자의무기록 시스템으로 구현될 수 있는데, 상술한 로컬모델을 생성하는 단계 및 글로벌모델을 생성하는 단계는 모델 생성부에 의하여 수행될 수 있다.

상술한 전자의무기록 방법은 장치로도 구현될 수 있는데, 상기 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 어플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소 (processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서 (parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 컴퓨터 저장 매체 또는 장치에 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 이때, 매체는 컴퓨터로 실행 가능한 프로그램을 계속 저장하거나, 실행 또는 다운로드를 위해 임시 저장하는 것일 수도 있다. 또한, 매체는 단일 또는 수 개의 하드웨어가 결합된 형태의 다양한 기록수단 또는 저장수단일 수 있는데, 어떤 컴퓨터 시스템에 직접 접속되는 매체에 한정되지 않고, 네트 워크 상에 분산 존재하는 것일 수도 있다. 매체의 예시로는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같 은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체 (magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등을 포함하여 프로그램 명령어가 저장되도록 구성된 것이 있을 수 있다. 또한, 다른 매체의 예시로, 어플리케이션을 유통하는 앱 스토어나 기타 다양한 소프트웨어를 공급 내지 유통하는 사이트, 서버 등에서 관리하는 기록매체 내지 저장매체도 들 수 있다.

이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가 진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.

그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims

기계학습을 이용하여 사용자의 전자의무기록의 사용기록으로부터 의무기록의 작성 순서 및 내용을 예측하는 전자의무기록 시스템으로서,
상기 시스템은 특정 사용자에 대하여 전자의무기록 사용에 관한 로컬모델을 생성하는 모델 생성부를 포함하고,
상기 로컬모델은 사용자별로 예측 데이터를 생성하도록 구성되고, 상기 로컬모델은 시퀀스 데이터 획득부 및 예측부를 포함하며,
상기 시퀀스 데이터 획득부는, 사용자의 전자의무기록 사용정보에 포함된 데이터를 사건별로 각각 시퀀스(sequence) 형태로 표현함으로써 시퀀스 데이터를 획득하고,
상기 사용자의 전자의무기록 사용정보에 포함된 데이터는 의무기록의 종류, 의무기록의 작성순서 및 해당 의무기록의 종류에 연관된 입력 값을 포함하고,
상기 예측부는, 상기 시퀀스 데이터 획득부에서 획득된 사건별 시퀀스 데이터와 상기 사용자의 고유정보를 결합한 것을 기초로 하여 사용자가 사용할 것으로 예상되는 최단경로의 의무기록의 종류, 의무기록의 작성 순서 및 입력 값 중 하나 이상을 예측하고,
상기 모델 생성부는 복수의 사용자별 로컬모델을 통합하여 글로벌모델을 더 생성하고, 상기 글로벌모델은 새로운 사용자가 사용할 것으로 예상되는 최단경로의 의무기록의 종류, 의무기록의 작성순서 및 입력 값을 예측하는 것을 특징으로 하는 사용자의 전자의무기록 사용기록으로부터 의무기록의 작성 순서 및 내용을 예측하는 전자의무기록 시스템.
삭제
제1항에 있어서,
상기 로컬모델에서 생성된 예측데이터인 의무기록의 종류, 의무기록의 작성 순서 및 입력 값을 기초로 하여, 사용자에게 상기 최단경로의 기록 관리 인터페이스를 제공하는 것을 특징으로 하는 사용자의 전자의무기록 사용기록으로부터 의무기록의 작성 순서 및 내용을 예측하는 전자의무기록 시스템.
제3항에 있어서,
상기 의무기록의 종류는 복수의 상위의무기록항목 및 상기 상위의무기록항목에 연관된 하위 레벨인 복수의 하위의무기록항목을 포함하고,
상기 의무기록의 작성순서는 상위의무기록항목 및 해당 상위의무기록항목에 연관된 복수의 하위의무기록항목 사이의 작성 순서의 관계를 나타내고,
상기 입력 값은 하위의무기록항목에 연관된 사용자가 선택 또는 입력한 구체적인 수치를 나타내는 것을 특징으로 하는 사용자의 전자의무기록 사용기록으로부터 의무기록의 작성 순서 및 내용을 예측하는 전자의무기록 시스템.
제4항에 있어서,
상기 로컬모델의 예측부에서 사용자가 사용할 것으로 예상되는 의무기록의 종류, 의무기록의 작성 순서 및 입력 값을 예측하는 것은, 상기 시퀀스 데이터 획득부가 획득한 시퀀스 데이터에서 상위의무기록항목 및 하위의무기록항목의 사용 빈도 분포를 산출하고,
산출된 분포에서 상대적으로 높은 사용 빈도를 나타낸 상위의무기록항목 및 하위의무기록항목들을 클러스터링하고,
상기 클러스터링을 통해 복수의 의무기록항목 중 상기 사용자가 사용하는 의무기록항목만을 분류하여 의무기록의 종류 및 작성순서를 예측하며; 그리고
분류된 하위의무기록항목에 연관된 입력 값을 예측하는 것을 포함하며,
상기 작성순서는 상기 사용자가 사용한 빈도수가 높은 상위의무기록항목 및 하위의무기록항목들로 구성된 최단경로인 것을 특징으로 하는 사용자의 전자의무기록 사용기록으로부터 의무기록의 작성 순서 및 내용을 예측하는 전자의무기록 시스템.
제5항에 있어서,
상기 로컬모델은 비지도학습(unsupervised learning)의 연관 규칙 학습(association rule learning)을 통해 사용자별 사용자의 전자의무기록 사용정보로부터 연속 패턴을 학습하고,
상기 연속 패턴은 상기 사용자가 사용한 빈도수가 높은 의무기록항목의 작성 순서를 기초로한 시퀀스인 것을 특징으로 하는 사용자의 전자의무기록 사용기록으로부터 의무기록의 작성 순서 및 내용을 예측하는 전자의무기록 시스템.
제3항에 있어서,
상기 인터페이스는,
로컬모델에서 생성된 예측데이터인 의무기록의 종류, 의무기록의 작성순서 및 입력 값을 사용자가 수정할 수 있는 수정부를 포함하는 것을 특징으로 하는 사용자의 전자의무기록 사용기록으로부터 의무기록의 작성 순서 및 내용을 예측하는 전자의무기록 시스템.
제3항에 있어서,
상기 인터페이스는,
입력 창에 상위의무기록항목을 검색할 수 있는 검색부를 포함할 수 있고,
상기 검색부에서 상위의무기록항목의 진료 항목을 입력하면, 입력된 진료 항목에 추가 하위의무기록항목을 연관시키는 연관항목검색부; 를 더 포함하는 것을 특징으로 하는 사용자의 전자의무기록 사용기록으로부터 의무기록의 작성 순서 및 내용을 예측하는 전자의무기록 시스템.
제8항에 있어서,
상기 검색부는 상기 입력 창에 입력된 검색어에 대응하는 자동완성 후보 단어를 제시하는 자동완성후보제시부를 포함할 수 있고,
상기 자동완성 후보 단어의 제시 순서는 우선순위를 기초로 하고, 상기 우선순위는 상위의무기록항목 또는 하위의무기록항목의 사용 빈도가 많은 순서로 제시되는 것을 특징으로 하는 사용자의 전자의무기록 사용기록으로부터 의무기록의 작성 순서 및 내용을 예측하는 전자의무기록 시스템.
제1항에 있어서,
상기 로컬모델 및 글로벌모델은 연합학습(federated learning)을 통해 최단경로를 예측하기 위한 의무기록의 종류, 의무기록의 작성순서 및 입력 값에 대한 상기 로컬모델의 파라미터 값을 학습하고, 로컬 모델의 학습이 완료된 결과에 기초하여 새로운 사용자가 사용할 것으로 예상되는 최단경로의 의무기록의 종류, 의무기록의 작성순서 및 입력 값에 대한 상기 글로벌모델의 파라미터 값이 학습되는 것을 특징으로 하는 사용자의 전자의무기록 사용기록으로부터 의무기록의 작성 순서 및 내용을 예측하는 전자의무기록 시스템.
컴퓨터 시스템에서 수행되는, 사용자의 전자의무기록 사용기록으로부터 의무기록의 작성 순서 및 내용을 예측하는 방법으로서,
상기 컴퓨터 시스템은 메모리에 포함된 컴퓨터 판독 가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고,
상기 적어도 하나의 프로세서는:
특정 사용자에 대하여 사용자의 전자의무기록 사용에 관한 로컬모델을 생성하는 단계; 및 복수의 사용자별 로컬모델을 통합하여 글로벌모델을 생성하는 단계; 를 수행하고,
상기 로컬모델은 사용자별로 예측 데이터를 생성하도록 구성되고,
상기 특정 사용자에 대한 로컬 모델을 생성하는 단계는, 시퀀스 데이터 획득 단계 및 시퀀스 데이터 예측 단계를 포함하고,
상기 시퀀스 데이터 획득 단계는, 사용자의 전자의무기록 사용정보에 포함된 데이터를 사건별로 각각 시퀀스(sequence) 형태로 표현함으로써 시퀀스 데이터를 획득하고,
상기 사용자의 전자의무기록 사용정보에 포함된 데이터는 의무기록의 종류, 의무기록의 작성순서 및 해당 의무기록의 종류에 연관된 입력 값을 포함하고,
상기 시퀀스 데이터 예측 단계는, 상기 시퀀스 데이터 획득 단계에서 획득된 사건별 시퀀스 데이터와 상기 사용자의 고유정보를 결합한 것을 기초로 하여 사용자가 사용할 것으로 예상되는 최단경로의 의무기록의 종류, 의무기록의 작성 순서 및 입력 값을 예측하는 것이고,
상기 글로벌모델은 새로운 사용자가 사용할 것으로 예상되는 최단경로의 의무기록의 종류, 의무기록의 작성순서 및 입력 값을 예측하는 것을 특징으로 하는 사용자의 전자의무기록 사용기록으로부터 의무기록의 작성 순서 및 내용을 예측하는 방법.