제11항에서,상기 프로세서는,간호 사정 패턴, 투약 기록 패턴 및 간호 기록 패턴 중 적어도 하나를 포함하는 간호 데이터 관련 예측 변수를 입력받고, 입력받은 예측 변수를 섬망 위험도 예측 모델에 입력하여 섬망 위험도 예측을 수행하는 컴퓨팅 장치.

적어도 하나의 프로세서에 의해 동작하는 섬망 위험도 예측 장치로서,입력 데이터로부터 섬망 위험도를 예측하도록 훈련된 인공지능 모델로서, 간호사의 주관적인 환자 상태를 평가한 정보가 기록된 간호 데이터를 입력받아 섬망 위험도 예측을 출력하는 섬망 위험도 예측 모델을 포함하는, 섬망 위험도 예측 장치.

제1항에서,상기 섬망 위험도 예측 모델은,상기 간호 데이터로부터 획득한 간호 사정 패턴, 투약 기록 패턴 및 간호 기록 패턴 중 적어도 하나를 포함하는 예측 변수를 사용하여 상기 섬망 위험도 예측을 출력하도록 학습된 모델인, 섬망 위험도 예측 장치.

제2항에서,상기 간호 사정 패턴의 예측 변수는,글라스고우 혼수척도(Glasgow Coma Scale, GCS) 관련 수치, 욕창 위험도 척도(pressure injury scale) 수치, RASS(Richmond Agitation-Sedation Scale) 수치, 통증 척도(pain score) 수치 중 적어도 하나를 포함하는, 섬망 위험도 예측 장치.

제2항에서,상기 투약 기록 패턴의 예측 변수는,프로레나타(pro re nata) 약물 투여(PRN medication administered) 여부, 예정된 약품 보류(scheduled medication withholds) 여부 및 일시적 약물 투여(once medication administered) 여부 중 적어도 하나를 포함하는, 섬망 위험도 예측 장치.

제2항에서,상기 간호 기록 패턴의 예측 변수는,간호사가 RASS(Richmond Agitation-Sedation Scale) 스코어, 글라스고우 혼수척도(Glasgow Coma Scale, GCS) 스코어를 기록한 일별 평균 횟수 또는 바이탈 사인 측정의 일별 평균 횟수 중 적어도 하나를 포함하는, 섬망 위험도 예측 장치.

제2항에서,상기 섬망 위험도 예측 모델은,환자 임상 정보로부터 획득한 환자 임상 정보 관련 예측 변수를 추가로 사용하여 학습된 모델이고,상기 간호 데이터로부터 획득한 예측 변수와 상기 환자 임상 정보 관련 예측 변수를 입력받아 상기 섬망 위험도 예측을 출력하는, 섬망 위험도 예측 장치.

제2항에서,상기 섬망 위험도 예측 모델은,섬망 위험도 예측 변수들을 학습 데이터로 사용하여 랜덤 포레스트(Random forest) 모델을 학습시킨 모델인, 섬망 위험도 예측 장치.

적어도 하나의 프로세서에 의해 동작하는 섬망 위험도 예측 장치의 동작 방법으로서,입력 데이터로부터 섬망 위험도를 예측하도록 섬망 위험도 예측 모델을 학습시키는 단계, 그리고상기 섬망 위험도 예측 모델에 간호사의 주관적인 환자 상태를 평가한 정보가 기록된 간호 데이터를 입력하여 섬망 위험도 예측을 수행하는 단계를 포함하는 동작 방법.

제8항에서,상기 섬망 위험도 예측을 수행하는 단계는,상기 간호 데이터로부터 획득한 간호 사정 패턴, 투약 기록 패턴 및 간호 기록 패턴 중 적어도 하나를 포함하는 예측 변수를 입력받는 단계, 그리고입력받은 예측 변수를 사용하여 섬망 위험도 예측을 수행하는 단계를 포함하는, 동작 방법.

제9항에서,상기 섬망 위험도 예측 모델을 학습시키는 단계는,간호 사정 패턴, 투약 기록 패턴 및 간호 기록 패턴 중 적어도 하나를 포함하는 예측 변수를 사용하여 랜덤 포레스트(Random forest) 모델을 학습시켜 상기 섬망 위험도 예측 모델을 생성하는, 동작 방법.

간호사의 주관적인 환자 상태를 평가한 정보가 기록된 간호 데이터를 입력받으면, 입력 데이터로부터 섬망 위험도를 예측하도록 훈련된 섬망 위험도 예측 모델을 이용하여 섬망 위험도 예측을 수행하는 프로세서를 포함하는, 컴퓨팅 장치.

제12항에서,상기 프로세서는,글라스고우 혼수척도(Glasgow Coma Scale, GCS) 관련 수치, 욕창 위험도 척도(pressure injury scale) 수치, RASS(Richmond Agitation-Sedation Scale) 수치, 통증 척도(pain score) 수치 중 적어도 하나를 포함하는 간호 사정 패턴, 프로레나타(pro re nata, PRN) 약물 투여(medication administered) 여부, 예정된 약품 보류(scheduled medication withholds) 여부 및 일시적 약물 투여(once medication administered) 여부 중 적어도 하나를 포함하는 투약 기록 패턴, 그리고 간호사가 RASS(Richmond Agitation-Sedation Scale) 스코어, 글라스고우 혼수척도(Glasgow Coma Scale, GCS) 스코어를 기록한 일별 평균 횟수 또는 바이탈 사인 측정의 일별 평균 횟수 중 적어도 하나를 포함하는 간호 기록 패턴을 포함하는 예측 변수를 상기 섬망 위험도 예측 모델에 입력하여 섬망 위험도 예측을 수행하는, 컴퓨팅 장치.