딥러닝을 활용한 고위험 질병 관리를 예측하는 실시간 헬스케어 플렛폼 시스템
Real-time Healthcare Platform System Predicating in High Risk Disease Management Using Deep Learning
2
조회
0
다운로드
2
인용
0
참고문헌
키워드
초록
최근의 당뇨병 환자는 환자의 혈당 수치를 지속적으로 모니터링하기 위해 CGM(Continuous Glucose Monitoring, 지속 혈당 모니터링) 디바이스를 부착한다. 환자의 몸에 패치 형태로 부착하여 모세혈관의 혈당 수치와 추세를 매5분마다 제공해 줌과 동시에 고혈당 및 저혈당 알람 기능을 하며, 이런 CGM을 통해서 지속적인 혈당 모니터링이 가능해졌다. 최근 이러한 지속적인 혈당 데이터를 딥러닝에 적용한 혈당 예측 및 치료 방법에 대한 연구가 활발히 연구되고 있는 추세이다. 본 논문에서는 당뇨병 고위험 환자의 신속한 조치와 효율적인 관리를 위한 딥러닝 기반 당뇨병 환자의 실시간 고위험 예측 헬스케어 플랫폼을 설계 및 구현하였다. CGM 디바이스를 통해 환자들의 혈당 데이터를 수집하고, 수집된 데이터는 IoT 게이트웨이와 MQTT 브로커를 통해 플랫폼에 저장된 딥러닝 예측 모델에 전달된다. 딥러닝 예측 모델은 전달받은 혈당 데이터를 입력받아 FFNN(Feed Forward Neural Network)으로 학습하여 PH 5분, 15분, 30분, 45분 이후의 혈당 수치를 예측한다. 만약 예측 결과가 고위험 상태일 경우 의료 종사자의 디바이스로 푸쉬 알림을 보낸다. 또한 혈당 데이터는 저장소에 저장되며 의료 종사자는 환자의 과거 혈당 데이터를 조회할 수 있다. 향후에 딥러닝 예측모델에 사용되는 뉴럴 네트워크를 혈당 데이터와 같은 시계열 데이터에 더 적합한 뉴럴 네트워크인 RNN 또는 LSTM으로 바꾸어 적용할 예정이다.
Abstract
In recent years, diabetic patients attach CGM (Continuous Glucose Monitoring) devices to continuously monitor the patient's blood sugar level. Attached to the patient's body in the form of a patch, it provides blood glucose levels and trends in capillaries every 5 minutes, while simultaneously providing hyperglycemia and hypoglycemia alarm functions for continuous blood glucose monitoring through CGM. Recently, research on blood sugar prediction and treatment methods by applying such continuous blood sugar data to deep learning is being actively studied. In this paper, a deep learning-based real-time, high-risk prediction healthcare platform for diabetic high-risk patients for quick action and efficient management is designed and implemented. Blood glucose data of patients is collected through the CGM(Continuous Glucose Monitoring) device and the collected data is delivered to the deep learning predictive model stored in the platform using the IoT gateway and MQTT broker. The deep learning prediction model receives the transmitted blood glucose level data and learns from FFNN(Feed Forward Neural Network) to predict the blood glucose level after PH 5, 15, 30 and 45 minutes. If the prediction results are in a high-risk state, push notification is sent to the healthcare worker's device. Also, blood glucose data is saved in a repository and healthcare workers can retrieve patient's historical blood glucose data. In the future, the neural network used in the deep learning prediction model will be replaced with RNN or LSTM, which is a neural network more suitable for time series data such as blood sugar data.
참고문헌 (21)
- "American Diabetes Association"[URL]
- M. D. Abramoff, "Improved automated detection of diabetic retinopathy on a publicly available dataset through integration of deep learning", 57(13), pp.5200~5206 (2016)
- G. Cappon, "A neural-network-based approach to personalize insulin bolus calculation using continuous glucose monitoring", Journal of diabetes s cience and technology, 12(2), pp.265~272 (2018)
- D. Tsujino, "Conti nuous glucose monitoring (CGM). Rinsho byori", The Japanese journal of clinical pathology, 62(1), pp.53~59 (2014)
- 구미옥, "제2형 당뇨병 환자의 혈당조절에 대한 영향요인 분석: 제6기 국민건강영양조사자료(2013~2015) 활용", 성인간호학회지, 31(3), pp.235~248 (2019), 한국성인간호학회[DOI]
- P. Aschner, "The team approach to diabetes management:Partnering with patients", International Journal of Clinical Practice, 61(157), pp.22~30 (2007)
- S. R. Patton, "Parental fear of hypoglycemia:young children treated with continuous subcutaneous insulin infusion", Pediatr. Diabetes, 8(6), pp.362~368 (2007)
- J. W. Kim, "Deep learning algorithms and applications", Communications of the Korean Institute of Information Scientists and Engineers, Korea Information Science Society, 33(8), pp.25~31 (2015)
- M. Nguyen, "deep neural networks with residual connections for precipitation forecasting", CIKM 2017 (2017)
- Y. LeCun, "Deep learning", Nature, 521(7553) (2015)
- D. Svozil, "Introduction to multi-layer feed-forward neural networks", Chemometrics and intelligent laboratory systems, 39(1), pp.43~62 (1997)
- "The MQTT protocol"[URL]
- A. Al-Fuqaha, "Internet of things: A survey on enabling technologies, protocols, and applications", IEEE Communications Surveys & Tutorials, 17(2), pp.2347~2376 (2015)
- D. Thangavel, "Performance evaluation of MQTT and CoAP via a common middleware", IEEE Ninth International Conference on Intelligent Sensors, Sensor Networks and Information Processing(ISSNIP), pp.1~6 (2014)
- S. H. Kim, "Internet of A study on the data collection solution based on MQTT protoclas for stable IoT platforms", Master, pp.2016
- S. H. Lee, "Correlation analysis of MQTT loss and delay according to QoS level", International Conference on Information Networking, pp.714~717 (2013)
- "MQTT V3.1 protocol specification"[URL]
- "JCHR"[URL]
- T. Dietterich, "Overfitting and undercomputing in machine learning", ACM computing surveys (CSUR), 27(3), pp.326~327 (1995)
- "Mosquitto"[URL]
- "Elastic"[URL]