제4항에 있어서,상기 진단 정보의 클래스에 대한 예측값은 하기 수학식 2의 형태로 구성되는, [수학식 2](Ec는 텍스트 임베딩, sigmoid는 시그모이드 함수, FFNN는 feedforward neural network 함수, Nd는 진단 정보의 클래스 개수, 각 예측값의 밑첨자는 진단 정보의 클래스를 특정하는 인덱스)방법.

프로세서에 의해 동작하는 임상 결과 예측 장치가 수행하는 방법에 있어서,환자에 대한 임상 노트에 포함된 텍스트 데이터 및 환자의 실시간 상태와 관련된 모니터링 데이터를 획득하는 동작; 상기 텍스트 데이터를 문장 단위로 나누고 셀프 어텐션 매커니즘을 수행하여 텍스트 임베딩을 추출하는 동작; 텍스트 임베딩으로부터 진단 정보를 예측하도록 학습된 제1 신경망에 환자의 텍스트 임베딩을 입력하여 예측 진단 정보를 출력시키는 동작; 순환 신경망을 이용하여 상기 모니터링 데이터로부터 모니터링 임베딩을 추출하는 동작; 및 상기 텍스트 임베딩 및 상기 모니터링 임베딩을 결합한 결합 임베딩을 생성하고, 결합 임베딩으로부터 임상 결과를 예측하도록 학습된 제2 신경망에 환자의 결합 임베딩을 입력하여 예측 임상 결과를 출력시키는 동작을 포함하고,상기 제1 신경망은 순방향 신경망(Feedfoward Neural Network) 또는 완전 연결 신경망(Fully Connected Neural Network)의 구조로 설계되고, 학습용 텍스트 임베딩을 입력하여 출력되는 진단 정보의 클래스에 대한 예측값과, 환자의 진단 정보에 대한 정답 클래스 간의 손실이 크로스 엔트로피 손실 함수를 통해 최소화되도록 학습된, 방법.

제1항에 있어서, 상기 텍스트 임베딩을 추출하는 동작은 상기 텍스트 데이터를 구성하는 문장을 분리하는 동작; 분리된 각 문장을 사전 학습된 언어 모델에 입력하여 각 문장에 대한 임베딩을 추출하는 동작; 및상기 각 문장의 임베딩을 트랜스포머 모델 기반의 셀프 어텐션 레이어에 입력하여 환자의 텍스트 임베딩을 추출하는 동작을 포함하는, 방법.

삭제

제1항에 있어서,상기 손실 함수는 하기 수학식 1로 구성되는, [수학식 1] (Laux은 제1 신경망의 손실 함수, Nd는 예측할 진단 정보 클래스의 개수, Np는 학습에 사용된 환자의 수, 는 학습에 사용된 환자의 진단 정보의 정답 클래스, 는 학습용 텍스트 임베딩을 입력하여 출력되는 진단 정보의 클래스에 대한 예측값)방법.

제1항에 있어서,상기 모니터링 데이터는 소정의 시간 범위 동안 복수 개의 측정 항목에 대해 측정된 시계열 데이터를 포함하고, 상기 모니터링 임베딩을 추출하는 동작은, 순환 신경망에 상기 모니터링 데이터를 입력하여 상기 모니터링 데이터의 시계열 데이터가 반영되어 최종적으로 출력되는 데이터를 상기 환자의 모니터링 임베딩으로 추출하는 동작을 포함하는, 방법.

제1항에 있어서,상기 제2 신경망은 완전 연결 신경망의 구조로 설계되고, 학습용 결합 임베딩을 입력하여 출력되는 임상 결과의 클래스에 대한 예측값과, 환자의 임상 결과에 대한 정답 클래스 간의 손실이 크로스 엔트로피 손실 함수를 통해 최소화되도록 학습된, 방법.

제7항에 있어서,상기 손실 함수는 하기 수학식 3으로 구성되는,[수학식 3] (Lmain은 제2 신경망의 손실 함수, Nc는 예측할 임상 결과 클래스의 개수, Np는 학습에 사용된 환자의 수, 는 학습에 사용된 환자의 임상 결과 정답 클래스, 는 학습용 융합 임베딩을 입력하여 출력되는 임상 결과의 클래스에 대한 예측값)방법.

제8항에 있어서,상기 임상 결과의 클래스에 대한 예측값은 하기 수학식 4의 형태로 구성되는, [수학식 4](Ec는 텍스트 임베딩, 는 모니터링 임베딩, FFNN는 feedforward neural network 함수, sigmoid는 시그모이드 함수, Nc는 진단 정보의 클래스 개수, 각 예측값의 밑첨자는 임상 결과의 클래스를 특정하는 인덱스)방법.

명령어를 포함하는 메모리; 및상기 명령어를 기초로 소정의 동작을 수행하는 프로세서를 포함하고, 상기 프로세서의 동작은,환자에 대한 임상 노트에 포함된 텍스트 데이터 및 환자의 실시간 상태와 관련된 모니터링 데이터를 획득하는 동작; 상기 텍스트 데이터를 문장 단위로 나누고 셀프 어텐션 매커니즘을 수행하여 텍스트 임베딩을 추출하는 동작; 텍스트 임베딩으로부터 진단 정보를 예측하도록 학습된 제1 신경망에 환자의 텍스트 임베딩을 입력하여 예측 진단 정보를 출력시키는 동작; 순환 신경망을 이용하여 상기 모니터링 데이터로부터 모니터링 임베딩을 추출하는 동작; 및 상기 텍스트 임베딩 및 상기 모니터링 임베딩을 결합한 결합 임베딩을 생성하고, 결합 임베딩으로부터 임상 결과를 예측하도록 학습된 제2 신경망에 환자의 결합 임베딩을 입력하여 예측 임상 결과를 출력시키는 동작을 포함하고,상기 제1 신경망은 순방향 신경망(Feedfoward Neural Network) 또는 완전 연결 신경망(Fully Connected Neural Network)의 구조로 설계되고, 학습용 텍스트 임베딩을 입력하여 출력되는 진단 정보의 클래스에 대한 예측값과, 환자의 진단 정보에 대한 정답 클래스 간의 손실이 크로스 엔트로피 손실 함수를 통해 최소화되도록 학습된, 임상 결과 예측 장치.