종양간호학, 디지털 헬스, 스마트 헬스

소개

종양간호와 관련하여 디지털 헬스 & 스마트 헬스에 관한 조사 자료 입니다
과제하실때 참고하세요

목차

I. 서론
1. 4차 산업혁명시대 헬스케어
2. 디지털 헬스 및 스마트 헬스의 개념
3. 디지털 헬스의 4가지 유형과 특징: 딜로이트(Deloitte)

II. 본론
1. 국내 디지털 헬스 및 스마트 헬스
2. 종양간호 관점에서의 디지털 헬스 및 스마트 헬스

III. 결론

본문내용

최근 중국에서부터 발생한 코로나19의 위험을 가장 먼저 인지한 것이 캐나다의 인공지능 플랫폼 블루닷이라는 사실이 알려지면서 인공지능 기술에 대한 이목이 집중되고 있다. AI(Artificial Intelligence)라 일컬어지고 있는 인공지능 기술은 4차 산업혁명의 대표기술이자 지능형 헬스케어를 주도할 중요한 기술로 자리 잡고 있으며, AI를 비롯한 정보화 기술들이 보건의료분야와 융합함으로써 디지털 헬스케어 시장 또한 주목받고 있다. 인구구조의 변화, 의료비용의 증가, 스마트 기기의 대중화와 같은 사회적 변화는 환자 또는 소비자들로 하여금 디지털 헬스케어에 대한 수요를 촉진시키는 계기가 되고 있으며, 특히 인구의 고령화와 더불어 의료비 지출을 줄이기 위한 목적으로 예방, 건강인지 및 생활습관을 더 강조하는 분위기로 인해 특정 생체 신호를 모니터링하는 것에 대한 관심이 증대하고 있다.
최초로 디지털 헬스케어라는 용어를 사용한 Seth R. Frank는 포털, 브라우저, 특정 웹기반 애플리케이션과 같은 미디어에 접속하는 데 사용된 인터랙티브 미디어(인터넷, 월드와이드 웹)와 관련 애플리케이션은 이전의 정보기술이나 커뮤니케이션 도구보다 훨씬 빨리 의료서비스에 대해 지속적, 긍정적, 그리고 측정 가능할 정도의 영향을 초래할 것이라 보았다. 또한 세계보건기구 사무총장은 보건영역에서 디지털 기술을 활용하는 것이 전 국민 건강보험을 달성하는 데 필수적이고, 궁극적으로 디지털 기술들이 건강 증진, 세계 안정 보장 및 취약계층 보호를 위해 중요한 도구로 인식된다고 하면서, 디지털 헬스에 대한 중요성을 간접적으로 언급한 바 있다.
제4차 산업혁명시대의 도래로 IT 및 데이터에 대한 중요성과 관심이 더욱 제고됨에 따라 의료체계 패러다임 변화를 이끄는 신기술 동향은 주로 빅데이터(Big data)와 인공지능(AI)을 활용한 사물인터넷(Internet of Things, IoT)..

<중 략>

참고자료

· Frank SR. Digital health care – convergence of health care and the internet. J Ambul Care Manage 2000;23(2):8-17.
· World Health Organization. [New release] WHO release first guideline on digital health interventions. 2019.04.17.
· Shin SY. Current status and future direction of digital health in Korea. Korean J Physiol Pharmacol 2019;5(5):311-315
· Meskό B, Drobni Z, Bényei É, Gergely B, Győrffy Z. Digital health is a cultural transformation of traditional healthcare. mHealth 2017;3:38.
· http://dx.doi.org/10.21037/mhealth.2017.08.07.
· 문세연, 윤영미, 한태화, 이상은, 정혁재, 송시영 등. 디지털 헬스케어 서비스에 대한 보건의료제공자의 인식. 보건정보통계학회지. 2018;43(1):54-63.
· 송영준. 4차 산업혁명과 디지털 헬스케어 정책. 주간기술동향(정보통신기획평가원) 1832호. 2018.
· Mathews SC, McShea MJ, Hanley CL, Ravitz A, Labrique AB, Cohen AB. Digital health: a path to validation. Digital Medicine 2019;2:3. https://doi.org/10.1038/s41746-019-0111-3.
· World Health Organization. [WHO guideline executive summary] recommendations on digital interventions for health system strengthening. 2019.
· U.S. Food & Drug Administration. https://www.fda.gov/medical-devices/digitalhealth.
· Standing M, Hampson E. Digital health in the UK: an industry study for the office of life sciences. Monitor Deloitte. 2015.
· 서울아산병원. 4차 산업혁명시대 미래형 스마트 클리닉 모델 창출. 뉴스매거진 제584호. 2018.7.1.
· 조영희. 삼성SDI 의료 AI 소개 (안저영상분석 중심). 2019 대한의료정보학회 춘계학술대회 심포지엄 1 발제내용: 고려대학교 의과대학 유광사홀. 서울. 201.7.11-12.
· 김수정. 독일 원격의료제도의 과거와 현재. 대한의료법학회 월례학술대회 발제자료. 2020.1.
· 장우애. 아베의 성장 로드맵 <Society 5.0>과 시사점. IBK 경제연구소. 2018.4.
· 서경화. 2020. 디지털 헬스의 최신 글로벌 동향 대한의사협회. 의료정책연구소
· 오지현. (2017). 의료용 인공지능의 허가에 대한 비교제도론적 고찰: 미국•유럽•중국•일본을 중심으로 (Doctoral dissertation, 연세대학교 보건대학원).
· Hwang, E. J., Park, S., Jin, K. N., Im Kim, J., Choi, S. Y., Lee, J. H., ... & Ferretti, G. R. (2019). Development and Validation of a Deep Learning–Based Automated Detection Algorithm for Major Thoracic Diseases on Chest Radiographs. JAMA network open, 2(3), e191095-e191095.
· Nam, J. G., Park, S., Hwang, E. J., Lee, J. H., Jin, K. N., Lim, K. Y., ... & Park, C. M. (2018). Development and validation of deep learning–based automatic detection algorithm for malignant pulmonary nodules on chest radiographs. Radiology, 290(1), 218-228.
· Myers, E. R., Moorman, P., Gierisch, J. M., Havrilesky, L. J., Grimm, L. J., Ghate, S., ... & Kendrick, A. (2015). Benefits and harms of breast cancer screening: a systematic review. Jama, 314(15), 1615-1634.
· National Health Service(NHS). “benefits and risk breast cancer screening”, 2018/03/27, https://www.nhs.uk/conditions/breast-cancer-screening/
· Jung Hyun Yoon , Eun-Kyung Kim , Byoung Wook Choi , Kyunghwa Han , Hye Mi Gweon , Bomi Kim , Hee Jung Suh(2019) Diagnostic performance of artificial intelligence (AI)-based diagnostic support software for mammography: results using a standardized test set built for external validation. The 75th Korean Congress of Radiology and Annual Delegate Meeting of The Korean Society of Radiolgy. 269.
· Eun-Kyung Kim, Sieun Lee, Hak Hee Kim, Boo-Kyung Han, Eun Hye Lee, HyoEun Kim Increase of cancer detection rate and reduction of false-positive recall in screening mammography using artificial intelligence - a multi-center reader study. The 75th Korean Congress of Radiology and Annual Delegate Meeting of The Korean Society of Radiolgy. 269-270.
· Pages, F., Kirilovsky, A., Mlecnik, B., Asslaber, M., Tosolini, M., Bindea, G., ... & Zatloukal, K. (2009). In situ cytotoxic and memory T cells predict outcome in patients with early-stage colorectal cancer. Journal of clinical oncology, 27(35), 5944-5951.
· Hwang, W. T., Adams, S. F., Tahirovic, E., Hagemann, I. S., & Coukos, G. (2012). Prognostic significance of tumor-infiltrating T cells in ovarian cancer: a metaanalysis. Gynecologic oncology, 124(2), 192-198.
· Dieu-Nosjean, M. C., Antoine, M., Danel, C., Heudes, D., Wislez, M., Poulot, V., ... & Lebecque, S. (2008). Long-term survival for patients with non–small-cell lung cancer with intratumoral lymphoid structures. Journal of Clinical Oncology, 26(27), 4410-4417.
· Open Source Software(OSS). “[주간 OSS 동향 리포트] 中 바이두, 암 진단 속도 높인 AI 알고리즘 발표”, 2018/06/26
· 유효정. “AI가 ‘암’ 발견 앞당긴다… 中 바이두 개발 발표, 딥러닝 알고리즘으로 종양 진단 속도 높여”, ZD Net Korea, 2018/06/20
· Kang, E., Min, J., & Ye, J. C. (2017). A deep convolutional neural network using directional wavelets for low‐dose X‐ray CT reconstruction. Medical physics, 44(10), e360-e375.
· Nitta, S., Tsutsumi, M., Sakka, S., Endo, T., Hashimoto, K., Hasegawa, M., ... & Nishiyama, H. (2019). Machine learning methods can more efficiently predict prostate cancer compared with prostate-specific antigen density and prostatespecific antigen velocity. Prostate International.
· Park, G. W., Kim, J. Y., Hwang, H., Lee, J. Y., Ahn, Y. H., Lee, H. K., ... & Kim, Y. S. (2016). Integrated GlycoProteome Analyzer (I-GPA) for automated identification and quantitation of site-specific N-glycosylation. Scientific reports, 6, 21175.
· 김윤미. “암 치료 분야의 정밀의학, 어디까지 왔나?”, 메디포뉴스, 2018/05/11
· Kim, J., Lee, I. H., Cho, H. J., Park, C. K., Jung, Y. S., Kim, Y., ... & Seol, H. J. (2015). Spatiotemporal evolution of the primary glioblastoma genome. Cancer cell, 28(3), 318-328.
· 식품의약품안전평가원. ‘신개념 의료기기 전망 분석 보고서’(2017.02)
· 강기헌. "10년 안에 인공지능 수술 로봇이 외과 의사 대신할 것", 중앙일보, 2017.10.12
· Cetin, I. A., DEĞERLI, A. D., Ergelen, R., ÖZGEN, E., & Sevindik, M. (2016). Comparison of Contouring Results for Prostate Cancer Treatment Planning Obtained by Two Different Specialists. TURKISH JOURNAL OF ONCOLOGY, 31(4).
· Davis, B. C., Foskey, M., Rosenman, J., Goyal, L., Chang, S., & Joshi, S. (2005, October). Automatic segmentation of intra-treatment CT images for adaptive radiation therapy of the prostate. In International Conference on Medical Image Computing and Computer-Assisted Intervention (pp. 442-450). Springer, Berlin, Heidelberg.
· Peroni, M., Ciardo, D., Spadea, M. F., Riboldi, M., Comi, S., Alterio, D., ... & Orecchia, R. (2012). Automatic segmentation and online virtualCT in head-andneck adaptive radiation therapy. International Journal of Radiation Oncology* Biology* Physics, 84(3), e427-e433.
· Mathieu, R., Martin, E., Gschwind, R., Makovicka, L., Contassot-Vivier, S., & Bahi, J. (2005). Calculations of dose distributions using a neural network model. Physics in Medicine & Biology, 50(5), 1019.
· Fan, Jiawei, et al. "Automatic treatment planning based on three‐dimensional dose distribution predicted from deep learning technique." Medical physics 46.1 (2019): 370-381.
· Chang ATY, Hung AWM, Cheung FWK, Lee MCH. Comparison of planning quality and efficiency between conventional and knowledge‐based algorithms in nasopharyngeal cancer patients using intensity modulated radiation therapy. Int J Radiat Oncol Biol Phys. 2016;95:981–990.
· Tol JP, Delaney AR, Dahele M, Slotman BJ, Verbakel WF. Evaluation of a knowledge‐based planning solution for head and neck cancer. Int J Radiat Oncol Biol Phys. 2015;91:612–620.
· Zieminski S, Khandekar M, Wang Y. Assessment of multi‐criteria optimization(MCO) for volumetric modulated arc therapy (VMAT) in hippocampal avoidance whole brain radiation therapy (HA‐WBRT). J Appl Clin Med Phys. 2018;19:184–190.
· 인터넷마케팅. “코난테크놀로지, 고려대 안암병원과 함께 `암 환자 방사선 치료 인공지능 활용 연구` 발표”, 디지털타임스, 2019/05/13
· 비즈포아이알. “빅데이터로 방사선 치료의 부작용 예측”, 포아이알뉴스, 2017/11/08
· Kim, K. H., Lee, S., Shim, J. B., Chang, K. H., Cao, Y., Choi, S. W., ... & Kim, C. Y. (2017). Predictive modelling analysis for development of a radiotherapy decision support system in prostate cancer: a preliminary study. Journal of Radiotherapy in Practice, 16(2), 161-170.
· 과학기술정보통신부. “인공지능(AI)+빅데이터 활용 고속 신약개발 플랫폼, 19년 출시한다.”, 2018/02/05,
· 배영우. (2017). 인공지능을 이용한 신약개발 동향 및 사례, Vol.44호
· 남도영. “내년에 AI+빅데이터 신약개발 플랫폼… 비용•기간 확 줄어든다”, 디지털타임스, 2018/02/02
· 김지섭. “신약개발에 인공지능 적용 … 시간•비용↓ 성공확률↑”, 디지털타임스, 2017/09/21
· 강승지. “’인공지능(AI) 신약개발지원센터’ 공식 오픈”, 히트뉴스, 2019/03/20
· 허영. (2016). Big data of medical imaging for customized smart healthcare, KEIT PD Issue Report Vol. 16-03
· 국가과학기술지식정보서비스(NTIS), “대형병원 Case Study 판독사례의 검색을 포함하는 Cloud 기반의 웹 의료영상저장전송시스템(PACS) 플랫폼 개발”,
· https://www.ntis.go.kr/sims/pjtinfo/pjtMainInfo.do?pjtInfoVo.pjtId=1415155531
· 정규환. (2018) 인공지능 기반 의료영상 분석 기술 동향, 정보통신기획평가원
· 박태신. (2014). 보건의료정보 공개와 개인정보 보호. HIRA 정책동향, 8(6), 33-42.
· 이지혜, 제미경, 조명지, & 손현석. (2014). 보건의료 분야의 빅데이터 활용 동향. 한국통신학회지(정보와통신), 32(1), 63-75.
· Chang, H. Y., Jung, C. K., Woo, J. I., Lee, S., Cho, J., Kim, S. W., & Kwak, T. Y. (2019). Artificial intelligence in pathology. Journal of pathology and translational medicine, 53(1), 1.