Prediction of In-Hospital Cardiac Arrest Using Shallow and Deep Learning

Title : Prediction of In-Hospital Cardiac Arrest Using Shallow and Deep Learning
Journal : Diagnostics
Authors : Minsu Chae, Sangwook Han, Hyowook Gil, Namjun Cho, Hwamin Lee
Corresponding author : Hwamin Lee
DOI : https://doi.org/10.3390/diagnostics11071255

Abstract
Sudden cardiac arrest can leave serious brain damage or lead to death, so it is very important to predict before a cardiac arrest occurs. However, early warning score systems including the National Early Warning Score, are associated with low sensitivity and false positives. We applied shallow and deep learning to predict cardiac arrest to overcome these limitations. We evaluated the performance of the Synthetic Minority Oversampling Technique Ratio. We evaluated the performance using a Decision Tree, a Random Forest, Logistic Regression, Long Short-Term Memory model, Gated Recurrent Unit model, and LSTM–GRU hybrid models. Our proposed Logistic Regression demonstrated a higher positive predictive value and sensitivity than traditional early warning systems.

Acknowledgments
This research was supported by the Bio and Medical Technology Development Program and Basic Science Research Program of the National Research Foundation (NRF) funded by the Korean government (MSIT) (No. NRF-2019M3E5D1A02069073 & NRF-2021R1A2C1009290) and Soonchunhyang University Research Fund.

Prediction In-Hospital Cardiac Arrest within 8 hours using Vital signs

Title : Prediction In-Hospital Cardiac Arrest within 8 hours using Vital signs
Published in : The 16th Asia Pacific International Conference
on Information Science and Technology (APIC-IST 2021)
Author : Minsu Chae, Sangwook Han, Hyo-Wook Gil, Jun Ma, Min Hong, HwaMin Lee
Corresponding author : HwaMin Lee
Location : Paradise Hotel Busan, Korea

Abstract
The rapid response system in the hospital uses the early warning score (EWS) to predict in-hospital cardiac arrest. However, the traditional EWS has low precision and low recall. Since the precision is less than 4%, there has a problem with false alarms. We performed a retrospective cohort study in Soonchunhyang University Cheonan Hospital, which is a tertiary teaching hospital in the Republic of Korea. We performed by changing the data slice size to 8, 16, 24, 32, 40, 48, 56 hours. The deep learning model implemented in this paper has higher precision and recall than the traditional EWS.

Acknowledgments
This research was supported by Basic Science Research Program and the Bio & Medical Technology Development Program of the National Research Foundation (NRF) funded by the Korean government (MSIT) (NRF-2021R1A2C1009290 & No. NRF-2019M3E5D1A02069073). This research was supported by X-mind Corps program of National Research Foundation of Korea(NRF) funded by the Ministry of Science, ICT (No. 2019H1D8A1105622)

머신러닝 기반의 약물 중독에 의한 호흡부전 예측

제목 : 머신러닝 기반의 약물 중독에 의한 호흡부전 예측
저자 : 한상욱, 채민수, 이화민
게재지 : 2021년 한국인터넷정보학회 춘계학술발표대회
장소 : 경주, 코모도호텔 경주
교신저자 : 이화민

초록
농촌지역 약물 중독으로 인한 사망자 수는 2020년 855명 이상으로 자궁암, 간염, 뇌종양, 식도암, 백혈병, 유방암, 알츠하이머 등의 질병으로 사망한 사람들의 숫자와 비교하여 결코 적지 않다. 우리나라 농업인의 급성 농약중독 유병률은 22.9~86.7%로 다양하다. 지역, 대상, 계절, 조사방법 등에 따라 상당한 차이가 있다. 농촌진흥청에서 정확한 피해 실태와 함께 그 전모를 파악하기 어려우며, 적절한 대책을 세울 수 없다고 설명하고 있다. 따라서 오직 예방 대책만이 강조되는 수준에 있다. 본 논문에서는 생체신호와 임상검사의 시계열 의료 데이터를 이용하여 약물 중독 환자의 호흡부전 증상을 예측하였다. 순천향대학교 천안병원에서 제공받은 1548명의 환자데이터를 기반으로 연구를 진행 하였으며, 생체정보와 Lab data를 합친 입력 요소 91개를 활용하였다.

Acknowledgments
이 논문은 2021년도 정부(과학기술정보통신부)의 재원으로 한국연구재단의 중견연구지원사업과 현장맞춤형 이공계 인재양성지원사업의 지원을 받아 수행된 연구임. (NRF-2021R1A2C1009290 & No. 2019H1D8A1105622).

생징후 데이터를 이용한 8시간 이내 심정지 예측

제목 : 생징후 데이터를 이용한 8시간 이내 심정지 예측
저자 : 채민수, 한상욱, 한밀라, 홍민, 이화민
게재지 : 2021년 한국인터넷정보학회 춘계학술발표대회
장소 : 경주, 코모도호텔 경주
교신저자 : 이화민

초록
심정지는 심장이 멈추어 혈액이 흐르지 않는 현상이다. 혈액이 흐르지 않을 경우 신체 기능이 손상되며, 뇌손상 혹은 사망에 이를 수 있다. 그렇기 때문에 심정지 조기발견이 매우 중요하다. 심정지 조기 대응의 골든타임은 3분 이내 이다. 병원에서 신속대응팀에서 MEWS는 낮은 재현율과 높은 거짓알람의 문제점이 존재한다. 우리는 이러한 문제를 해결하기 위해 생징후 데이터를 사용하여 딥러닝 기반으로 8시간 이내 심정지를 예측하였다. 시퀀스 길이를 8시간, 16시간, 24시간, 32시간, 40시간, 48시간, 56시간, 64시간으로 나누어 실험하였다. 그 결과 시퀀스 길이가 56시간일 때 정밀도와 재현율이 가장 높았다. 시퀀스 길이를 56으로 고정하고 SMOTE 비율을 변경하여 0.1부터 1.0 까지 실험을 하였다. 그 결과 정밀도가 가장 높은 것은 SMOTE 비율을 0.04로 설정한 것이다. 시퀀스 길이가 56시간이고 SMOTE 비율이 0.04일 때 정밀도는 0.233, 재현율은 0.513, F1 Score는 0.301이다.

Acknowledgments
이 논문은 2021년도 정부(과학기술정보통신부)의 재원으로 한국연구재단의 중견연구지원사업과 바이오·의료기술개발사업의 지원을 받아 수행된 연구임. (NRF-2021R1A2C1009290 & No. NRF-2019M3E5D1A02069073).

심정지 발생 예측 시스템 및 방법

발명의 명칭 : 심정지 발생 예측 시스템 및 방법
출원번호 : 10-2021-0022359
출원일자 : 2021년 2월 19일
발명자 : 이화민, 길효욱, 조남준, 채민수, 윤건일
특허권자 : 순천향대학교 산학협력단
공개신청 : 무

연구사사
【이 발명을 지원한 국가연구개발사업】
【과제고유번호】 1711104866
【과제번호】 2019M3E5D1A02069073
【부처명】 다부처
【과제관리(전문)기관명】 한국연구재단
【연구사업명】 혁신형의사과학자공동연구사업(R&D)(복지부,
과기정통부)
【연구과제명】 일회용 패치 기반의 환자 모니터링 시스템 개발
【기여율】 1/2
【과제수행기관명】 순천향대학교 산학협력단
【연구기간】 2019.07.01 ~ 2022.12.31

【이 발명을 지원한 국가연구개발사업】
【과제고유번호】 1711093210
【과제번호】 20150004030041001
【부처명】 과학기술정보통신부
【과제관리(전문)기관명】 정보통신기술진흥센터(IITP)
【연구사업명】 대학ICT연구센터육성
【연구과제명】 IoT 보안기술연구
【기여율】 1/2
【과제수행기관명】 순천향대학교 산학협력단
【연구기간】 2015.06.01 ~ 2021.03.31

Design of Middleware to Support Auto-scaling in Docker-Based Multi Host Environment

Title : Design of Middleware to Support Auto-scaling in Docker-Based Multi Host Environment
Journal : Lecture Notes in Electrical Engineering book
Authors : Minsu Chae, Sangwook Han, HwaMin Lee
Corresponding author : HwaMin Lee
DOI : https://doi.org/10.1007/978-981-15-9343-7_42

Abstract
With the spread of smart devices, the use of big data, and the proliferation of the Internet of Things, virtualization technology for cloud servers have become important worldwide. Also, research has been conducted to efficiently manage the resources of hosts in VMs. Container-based virtualization has less performance degradation than VMs because there is no emulation for the operating system. Using the Docker API is slow to measure. In this paper, we implement the resource measurement module of Job nodes and design middleware that supports auto-scaling in auto-scaling module and Docker-based multi-host environment.

Acknowledgments
This research supported by the MSIT (Ministry of Science and ICT), Korea, under the ITRC (Information Technology Research Center) support program (IITP-2019-2014-1-00720 & IITP-2019-2015-0-00403) supervised by the IITP (Institute for Information & communications Technology Planning & Evaluation).

딥러닝 기반 심정지 예측 기술 연구

제목 : 딥러닝 기반 심정지 예측 기술 연구
저자 : 김영민, 채민수, 윤건일, 조유진, 송찬영, 이화민
게재지 : 2020년 한국정보과학회 한국소프트웨어종합학술대회(KSC2020)
장소 : 온라인
교신저자 : 이화민

초록
심정지는 심장이 멈추어 신체 내 혈액이 흐리지 않는 현상이다. 심정지가 발생할 경우 혈액이 흐르지 않아 신체 기능이 손상되며, 초기 대응이 늦을 경우 뇌손상도 일으킬 수 있다. 그렇기 때문에 초기 발견 및 초기 대응이 중요하다. 본 연구팀은 순천향대학교 천안병원 내 병동 환자들의 데이터셋으로 연구를 진행하였다. 2016년부터 2019년까지의 병동환자를 대상으로 연구하였다. LSTM 모델과 결정트리, 로지스틱회귀, 랜덤포레스트를 이용하여 심정지 예측을 하였다. 성능 평가 결과 정밀도는 랜덤포레스트가 가장 높지만, LSTM 모델이 재현율이 가장 높다.

Acknowledgments
이 논문은 2019년도 정부(과학기술정보통신부)의 재원으로 한국연구재단 -현장맞춤형 이공계 인재양성지원사업의 지원을 받아 수행된 연구임(No. 2019H1D8A1105622).
본 연구는 과학기술정보통신부 및 정보통신기획평가원의 대학ICT연구센터육성지원사업의 연구결과로 수행되었음 (IITP-2020-2015-0-00403).

Prediction of Cardiac Arrest using LSTM in Hospitalized Patients

Title : Prediction of Cardiac Arrest using LSTM in Hospitalized Patients
Published in : The 4th International Conference on Interdisciplinary research on Computer science, Psychology, and Education (ICICPE’ 2020)
Author : Geonil Yun, Minsu Chae, Hyo-Wook Gil, Nam-Jun Cho, HwaMin Lee
Corresponding author : HwaMin Lee
Location : RAMADA PLAZA JEJU Hotel, Jeju Island, Korea and Online

Abstract
It is necessary to detect unexpected cardiac arrest early in the general ward of the hospital. However, the conventional Track and Trigger System (TTS) has low sensitivity and a high false alarm rate, which may not guarantee the safety of heart attack patients. In addition, false alarms can lead to a waste of movement by medical staff. This can be life-threatening as other critically ill patients lose access to treatment. Therefore, in this paper, we propose an LSTM deep learning network model that predicts heart attack within 24 hours with high sensitivity and low false alarm rate using patient vital signs.

Acknowledgments
This research supported by the MSIT (Ministry of Science and ICT), Korea, under the ITRC (Information Technology Research Center) support program(IITP-2020-2015-0-00403) supervised by the IITP (Institute for Information & communications Technology Planning & Evaluation) and X-mind Corps program of National Research Foundation of Korea (NRF) funded by the Ministry of Science, ICT (No. 2019H1D8A1105622).

Deep Learning based Cardiac Arrest Prediction using Vital sign and Lab code

Title : Deep Learning based Cardiac Arrest Prediction using Vital sign and Lab code
Published in : The 12th International Conference on Internet (ICONI 2020)
Author : Minsu Chae, Sangwook Han, Geonil Yun, Hyo-Wook Gil, Min Hong, DoKyeong Lee, HwaMin Lee
Corresponding author : HwaMin Lee
Location : Jeju ShinhwaWorld, Jeju, Korea

Abstract
There are patients in hospitals who are hospitalized for a variety of reasons. We conducted a study on predicting cardiac arrest on patients at Soonchunhyang University Cheonan Hospital. We studied patients from 2016 to 2019. We used deep learning via the LSTM model and the GRU model. We check density of each input feature according to cardiac arrest. We compared only patients with vital signs and lab data. We removed DBP, SBP, BodyTemperature, AST, ALT, WBC, Creatinine, and Bilirubin variable density because there was little difference between those with cardiac arrest and other patients. We experimented with the LSTM model and GRU Model. In this paper, deep learning-based cardiac arrest prediction using vital signs and lab data has high precision. In particular, when using the GRU model, even if the cardiac arrest of 0 to 24 hours for each record is changed, it has a sensitivity of 60%.

Acknowledgments
This research was supported by the Bio & Medical Technology Development Program of the National Research Foundation (NRF) funded by the Korean government (MSIT) (No. NRF-2019M3E5D1A02069073) and supported by the MSIT(Ministry of Science and ICT), Korea, under the ITRC(Information Technology Research Center) support program(IITP-2020-2015-0-00403) supervised by the IITP(Institute for Information & communications Technology Planning & Evaluation)

생징후 데이터와 랩 코드 데이터를 이용한 심정지 예측

제목 : 생징후 데이터와 랩 코드 데이터를 이용한 심정지 예측
저자 : 채민수, 윤건일, 조유진, 김영민, 송찬영, 이화민
게재지 : 2020년 한국산학기술학회 추계학술발표대회 논문집
장소 : 대천, 한화리조트 대천파로스
교신저자 : 이화민

초록
심정지는 갑작스럽게 심장이 멈추어 혈액이 흐르지 않는 질병이다. 그로인해 초기 대응이 느릴 경우 혈액이 흐르지 않아 신체 기능이 손상된다. 우리는 순천향대학교 천안병원 내 병원 환자를 대상으로 2016년부터 2019년까지의 병원 환자 대상으로 연구를 진행하였다. 학습 항목으로는 성별, 나이, SBP, DBP, 체온, 호흡, 맥박, 알부민, 크레아티닌, 헤모글로빈을 사용하였다. 우리는 LSTM 모델, 결정트리, 랜덤포레스트, 로지스틱회귀를 이용하여 심정지 예측을 하였다. 성능 비교결과 LSTM 모델이 가장 좋은 것을 확인하였다.

Acknowledgments
본 연구는 과학기술정보통신부 및 정보통신기획평가원의 대학ICT연구센터육성지원사업의 연구결과로 수행되었음 (IITP-2020-2015-0-00403). 이 논문은 2019년도 정부(과학기술정보통신부)의 재원으로 한국연구재단 -현장맞춤형 이공계 인재양성지원사업의 지원을 받아 수행된 연구임(No. 2019H1D8A1105622).