각 단계가 프로세서에 의해 수행되는 방법으로서,대상자의 인구학적 데이터, 임상 데이터 및 진단검사 데이터를 확인하는 단계;상기 진단검사 데이터의 측정일을 확인하는 단계; 및상기 인구학적 데이터, 상기 임상 데이터, 상기 진단검사 데이터 및 상기 진단검사 데이터의 시계열 변화 데이터를 머신 러닝 기반의 제1 학습 모델에 입력하여 상기 대상자의 당뇨병성 신증의 발생 또는 악화를 추정하는 단계를 포함하는,당뇨병성 신증 추정 방법.

제1 항에 있어서,상기 시계열 변화 데이터는 상기 진단검사 데이터의 미리 설정된 진단검사 항목의 데이터를 미리 설정된 단기간 및 장기간의 진단검사 결과의 변화에 각각 기반한 단기 변화 데이터 및 장기 변화 데이터를 포함하는,당뇨병성 신증 추정 방법.

제2 항에 있어서,상기 단기 변화 데이터는 당뇨병성 신증의 발생 또는 악화를 추정하는 시점으로부터 가까운 순서로 첫 번째 검사 시점 및 두 번째 검사 시점의 진단검사 결과의 변화를 상기 첫 번째 검사 시점 및 상기 두 번째 검사 시점 사이의 기간으로 나눈 값인,당뇨병성 신증 추정 방법.

제2 항에 있어서, 상기 장기 변화 데이터는 당뇨병성 신증의 발생 또는 악화를 추정하는 시점으로부터 가까운 순서로 첫 번째 검사 시점 및 최초 검사 시점의 진단검사 결과의 변화를 상기 첫 번째 검사 시점 및 상기 최초 검사 시점 사이의 기간으로 나눈 값인,당뇨병성 신증 추정 방법.

제2 항에 있어서, 상기 장기 변화 데이터는 최초 검사 시점부터 가장 최근 검사 시점까지 미리 설정된 진단검사 항목의 데이터에 대한 선형회귀 모델의 기울기 값인,당뇨병성 신증 추정 방법.

제1 항에 있어서,상기 시계열 변화 데이터는 미리 설정된 기간을 윈도우로 하여 최초 검사 시점부터 가장 최근 검사 시점까지 슬라이딩 윈도우 방식으로 각 윈도우 내 진단검사 결과의 평균 값의 변화 데이터를 포함하는,당뇨병성 신증 추정 방법.

제1 항에 있어서,상기 당뇨병성 신증의 발생 또는 악화를 추정하는 단계는,상기 인구학적 데이터, 상기 임상 데이터, 상기 진단검사 데이터 및 상기 시계열 변화 데이터를 당뇨병성 신증의 발생 여부 및 악화 정도로 레이블링(labeling)한 훈련 데이터로 훈련된 학습 모델에 의하여 상기 당뇨병성 신증의 발생 또는 악화를 추정하는 단계를 포함하는,당뇨병성 신증 추정 방법.

제7 항에 있어서,상기 당뇨병성 신증의 발생 또는 악화를 추정하는 단계는,상기 인구학적 데이터, 상기 임상 데이터, 상기 진단검사 데이터 및 상기 시계열 변화 데이터를 랜덤 포레스트 모델에 포함된 단일 트리(tree) 또는 복수의 트리에 입력하여 상기 대상자의 당뇨병성 신증의 발생 또는 악화를 추정하는 단계를 포함하고,상기 랜덤 포레스트 모델이 복수의 트리로 구성된 경우 상기 랜덤 포레스트 모델은 각 트리로부터 획득된 값들 중 최대 빈도값(Majority-Voting)을 출력하도록 훈련된, 당뇨병성 신증 추정 방법.

제7 항에 있어서,상기 진단검사 데이터의 각 항목별 시계열 데이터로 훈련된 RNN(Recurrent Neural Networks) 또는 LSTM(Long Short Term Memory) 기반의 시퀀스 모델에 당뇨병성 신증의 발생 또는 악화를 추정하는 시점까지의 상기 진단검사 데이터의 각 항목별 진단검사 결과를 입력하여 상기 진단검사 데이터의 각 항목별 진단검사 결과 예측값을 결정하는 단계; 및상기 진단검사 데이터의 각 항목별 진단검사 결과 예측값을 머신 러닝 기반의 제2 학습 모델에 입력하여 당뇨병성 신증 발생 가능성 또는 악화 가능성을 예측하는 단계를 더 포함하는,당뇨병성 신증 추정 방법.

적어도 하나의 프로세서; 및상기 프로세서와 전기적으로 연결되고, 상기 프로세서에서 수행되는 적어도 하나의 코드(code)가 저장되는 메모리를 포함하고,상기 메모리는 상기 프로세서를 통해 실행될 때 상기 프로세서가,대상자의 인구학적 데이터, 임상 데이터 및 진단검사 데이터를 확인하고, 상기 진단검사 데이터의 측정일을 확인하고, 상기 인구학적 데이터, 상기 임상 데이터, 상기 진단검사 데이터 및 상기 진단검사 데이터의 시계열 변화 데이터를 머신 러닝 기반의 학습 모델에 입력하여 상기 대상자의 당뇨병성 신증의 발생 또는 악화를 추정하도록 야기하는 코드를 저장하는,당뇨병성 신증 추정 장치.

제10 항에 있어서,상기 시계열 변화 데이터는 상기 진단검사 데이터의 미리 설정된 진단검사 항목의 데이터를 미리 설정된 단기간 및 장기간의 진단검사 결과의 변화에 각각 기반한 단기 변화 데이터 및 장기 변화 데이터를 포함하는,당뇨병성 신증 추정 장치.

제11 항에 있어서,상기 단기 변화 데이터는 당뇨병성 신증의 발생 또는 악화를 추정하는 시점으로부터 가까운 순서로 첫 번째 검사 시점 및 두 번째 검사 시점의 진단검사 결과의 변화를 첫 번째 검사 시점 및 두 번째 검사 시점 사이의 기간으로 나눈 값인,당뇨병성 신증 추정 장치.

제11 항에 있어서, 상기 장기 변화 데이터는 당뇨병성 신증의 발생 또는 악화를 추정하는 시점으로부터 가까운 순서로 첫 번째 검사 시점 및 최초 검사 시점의 진단검사 결과의 변화를 첫 번째 검사 시점 및 최초 검사 시점 사이의 기간으로 나눈 값인,당뇨병성 신증 추정 장치.

제11 항에 있어서, 상기 장기 변화 데이터는 최초 검사 시점부터 가장 최근 검사 시점까지 미리 설정된 진단검사 항목의 데이터에 대한 선형회귀 모델의 기울기 값인,당뇨병성 신증 추정 장치.

제10 항에 있어서,상기 시계열 변화 데이터는 미리 설정된 기간을 윈도우로 하여 최초 검사 시점부터 가장 최근 검사 시점까지 슬라이딩 윈도우 방식으로 확인된 진단검사 결과의 변화 데이터를 포함하는,당뇨병성 신증 추정 장치.

제10 항에 있어서,상기 메모리는 상기 프로세서로 하여금,상기 인구학적 데이터, 상기 임상 데이터, 상기 진단검사 데이터 및 상기 시계열 변화 데이터를 당뇨병성 신증의 발생 여부 및 악화 정도로 레이블링(labeling)한 훈련 데이터로 훈련된 학습 모델에 의하여 상기 당뇨병성 신증의 발생 또는 악화를 추정하도록 야기하는 코드를 더 저장하는,당뇨병성 신증 추정 장치.

제16 항에 있어서,상기 메모리는 상기 프로세서로 하여금,상기 인구학적 데이터, 상기 임상 데이터, 상기 진단검사 데이터 및 상기 시계열 변화 데이터를 랜덤 포레스트 모델에 포함된 단일 트리(tree) 또는 복수의 트리에 입력하여 상기 대상자의 당뇨병성 신증의 발생 또는 악화를 추정하도록 야기하는 코드를 더 저장하고,상기 랜덤 포레스트 모델이 복수의 트리로 구성된 경우 상기 랜덤 포레스트 모델은 각 트리로부터 획득된 값들 중 최대 빈도값(Majority-Voting)을 출력하도록 훈련된, 당뇨병성 신증 추정 장치.

제16 항에 있어서,상기 메모리는 상기 프로세서로 하여금,상기 진단검사 데이터의 각 항목별 시계열 데이터로 훈련된 RNN(Recurrent Neural Networks) 또는 LSTM(Long Short Term Memory) 기반의 시퀀스 모델에 당뇨병성 신증의 발생 또는 악화를 추정하는 시점까지의 상기 진단검사 데이터의 각 항목별 진단검사 결과를 입력하여 상기 진단검사 데이터의 각 항목별 진단검사 결과 예측값을 결정하고, 상기 진단검사 데이터의 각 항목별 진단검사 결과 예측값을 머신 러닝 기반의 제2 학습 모델에 입력하여 당뇨병성 신증 발생 가능성 또는 악화 가능성을 예측하도록 야기하는 코드를 더 저장하는,당뇨병성 신증 추정 장치.