LASSO와 LightGBM 을 활용한 지체장애인 고혈압 유병 분류 알고리즘
Prevalence and Classification of Hypertension with LASSO and LightGBM Algorithms for People with External Impairment
2
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
We suggest a classification model that predicts the prevalence of hypertension, the No. 1 chronic disease suffered by people with external impairment. We use the data from the “National survey of the Disabled Persons” conducted in 2017 by the Ministry of Health and Welfare and the Korea Institute for Health and Social Affairs. We performed penalized regression analysis(Ridge and LASSO) to select a group of variable candidates and chose α=0.01 for the LASSO model with optimal performance. Based on the selected variables, we constructed a model that can predict the prevalence of hypertension in three classification models (SVM, Logistic Regression, and LightGBM) and evaluated their performance with confusion matrices. We confirmed that lightGBM(learning_rate: 0.05, max_depth : 3) showed the best performance with accuracy of 0.67 and F1 Score of 0.76. This study provide information on hypertension management and prevention by predicting high-risk groups of high blood pressure, a chronic disease of people with external impairment, using the actual condition survey data. It is also expected to contribute to improving the quality of life of people with disabilities.
Abstract
We suggest a classification model that predicts the prevalence of hypertension, the No. 1 chronic disease suffered by people with external impairment. We use the data from the “National survey of the Disabled Persons” conducted in 2017 by the Ministry of Health and Welfare and the Korea Institute for Health and Social Affairs. We performed penalized regression analysis(Ridge and LASSO) to select a group of variable candidates and chose α=0.01 for the LASSO model with optimal performance. Based on the selected variables, we constructed a model that can predict the prevalence of hypertension in three classification models (SVM, Logistic Regression, and LightGBM) and evaluated their performance with confusion matrices. We confirmed that lightGBM(learning_rate: 0.05, max_depth : 3) showed the best performance with accuracy of 0.67 and F1 Score of 0.76. This study provide information on hypertension management and prevention by predicting high-risk groups of high blood pressure, a chronic disease of people with external impairment, using the actual condition survey data. It is also expected to contribute to improving the quality of life of people with disabilities.
참고문헌 (50)
- "장애인 건강생활 건강체중 유지" (2022), 국립재활원[URL]
- 2018 장애인 건강관리 사업, "권수영", 국립재활원, ~ (2019)
- 2018년도 장애인건강보건통계, 그림으로 보는 주요 통계, "권수영", 국립재활원, ~ (2020)
- "서포트 벡터 머신" (2020), 김도형[URL]
- 김상용, "당뇨병 환자의 고혈압 관리", Journal of Korean Diabetes, 17(2), pp.88~95 (2016)
- 김수영, "당뇨병에서의 동반질환 유병률 및 조합유병률", 보건정보통계학회지, 43(3), pp.237~244 (2018), 한국보건정보통계학회[DOI]
- 김수정, "비만의유병율과 질환과의 관계", 가정의학회지, 15 (1994)
- 김승수, "비만 폐쇄수면무호흡 환자에서 기계학습을 통한 적정양압 예측모형", Journal of sleep medicine, 15(2), pp.48~54 (2018), 대한수면연구학회[DOI]
- 김아름, "장애여부가 고혈압 및 당뇨병 이환에 미치는 영향: 성향점수매칭법을 활용하여", Journal of The Korean Data Analysis Society, 20(3), pp.1503~1517 (2018), 한국자료분석학회[DOI]
- 김유경, "Elastic net 회귀분석을 활용한 고등학생들의 자기주도학습능력 예측요인 탐색", 한국교육문제연구, 40(2), pp.83~109 (2022), 한국교육문제연구소[DOI]
- 김은숙, "골관절염이 동반된 고혈압 노인의 건강관련 삶의 질 영향 요인", 한국산학기술학회논문지, 22(3), pp.169~180 (2021), 한국산학기술학회[DOI]
- 김지영, "장애인의 만성질환, 건강행태 및 사망위험: 국민건강보험공단 건강검진자료 분석", 보건사회연구, 40(2), pp.121~150 (2020), 한국보건사회연구원[DOI]
- 김지영, "지체장애인을 위한 개별 운동프로그램 개발", 한국생활환경학회지, 27(5), pp.586~597 (2020), 한국생활환경학회[DOI]
- 김한결, "국민건강영양조사를 활용한 대사증후군 유병 예측모형 개발을 위한 융복합 연구: 데이터마이닝을 활용하여", 디지털융복합연구, 14(2), pp.325~332 (2016), 한국디지털정책학회[DOI]
- 빅데이터 분석 기법을 이용한 소상공인 신용평가 모형 구축 연구, "박주완", KOREG(신용보증재단중앙회), ~ (2019)
- "장애인 다빈도 질환 살펴보니 근골격계 질환, 고혈압, 당뇨 등 발생율 높아" (2015), 보건복지부[URL]
- "2017년 장애인실태조사" (2018), 보건복지부[URL]
- "장애등급? 이젠 장애정도로 바꾸세요 –행안부, 장애등급제 개편에 따른 자치법규 일제정비 추진-" (2019), 보건복지부[URL]
- "2020년 한 해 동안 새롭게 등록한 장애인 8만 3000명" (2021), 보건복지부[URL]
- "질환백과", 서울아산병원[URL]
- "감기와 인플루엔자", 서초구 보건소[URL]
- 송상윤, "예대금리차 결정요인 모형의 측력 비교 연구 -Ridge, LASSO 및 Elastic Net 방법론을 중심으로-", 금융지식연구, 13(3), pp.41~65 (2015), 금융지식연구소
- 송재철, "예방의학과 공중보건학" (2013), 계축문화사
- 신백균, "Must Have 머신러닝⋅딥러닝 문제해결 전략 캐글 수상작 리팩터링으로 배우는 문제해결 프로세스와 전략" (2022), 골든래빗(주)
- 안경숙, "노인부부가구·노인독신가구의 사회적 지지가 삶의 질에 미치는 요인에 관한 연구", 한국노년학, 25(1), pp.1~20 (2005), 한국노년학회
- 양경순, "조손가정 조모의 심리적 경험 -서울지역 기초생활수급대상 조손가정 조모를 중심으로-", 상담학연구, 14(2), pp.911~930 (2013), 한국상담학회[DOI]
- 엄영호, "한국 ODA의 구속성 여부에 관한 경험적 분석", 행정논총, 52(1), pp.123~144 (2014), 한국행정연구소
- 윤미순, "가구 유형에 따른 노인의 건강 관련 삶의 질에 미치는 영향요인", 근관절건강학회지, 28(2), pp.174~182 (2021), 대한근관절건강학회[DOI]
- 이슬기, "SVM과 meta-learning algorithm을 이용한 고지혈증 유병 예측모형 개발과 활용", 지능정보연구, 24(2), pp.111~124 (2018), 한국지능정보시스템학회[DOI]
- 이유현, "노인에서 가구유형과 건강행태: 제 5기 국민건강영양조사(2010-2012)", 보건의료산업학회지, 8(4), pp.199~207 (2014), 보건의료산업학회
- 이은숙, "세대별 가구 유형이 건강생활습관, 의료 서비스 이용 및 건강결과에 미치는 효과", 보건교육건강증진학회지, 38(3), pp.1~12 (2021), 한국보건교육건강증진학회[DOI]
- 이현미, "LightGBM 알고리즘을 활용한 고속도로 교통사고심각도 예측모델 구축", 한국전자통신학회 논문지, 15(6), pp.1123~1130 (2020), 한국전자통신학회
- 이혜재, "노인의 미충족 의료 경험의 결정요인 – 가구 유형을 중심으로", 보건경제와 정책연구, 23(2), pp.85~108 (2017), 한국보건경제정책학회
- 인하대병원 인천권역심뇌혈관질환센터, "고혈압(안내책자)", 인하대병원, 13~19 (2020)
- "장애등급판정기준, 보건복지부고시 제2018-151호", ~ (2018)
- 정우진, "데이터 사이언스를 활용한 사회안전망 강화: 의료보장제도 가입자의 위험 예측 모형 구축", 정부학연구, 26(2), pp.29~61 (2020), 정부학연구소[DOI]
- 2021 만성질환 현황과 이슈, "정은경", 질병관리청, ~ (2021)
- 조남훈, "교차검증을 이용한 SVM 전력수요예측", 전기학회논문지 A권, 55(11A), pp.485~491 (2006), 대한전기학회
- "노인 고혈압" (2021), 질병관리청 국가건강정보포털[URL]
- 최용욱, "베이지안 최적화를 이용한 암상 분류 모델의 하이퍼 파라미터 탐색", 지구물리와 물리탐사, 23(3), pp.157~167 (2020), 한국지구물리.물리탐사학회
- 최태정, "네트워크 이상탐지를 위한 트리 기반과 인공 신경망 모델성능 비교 연구", 한국통신학회 학술대회논문집, pp.1321~1322 (2022)
- 호승희, "2017 장애인백서" (2017), 한국장애인개발원
- Albon, C., "파이썬을 활용한 머신러닝 쿡북" (2019), 한빛미디어
- Garcia-Carretero, R., "Identification of clinically relevant features in hypertensive patients using penalized regression : a case study of cardiovascular events", Medical & Biological Engineering & Computing, 57, pp.2011~2026 (2019)
- Gee, E. M., "Living arrangements and quality of life among Chinese Canadian elders", Social Indicators Research, 51, pp.309~329 (2000)
- 허주성, "그래디언트 부스팅을 활용한 암호화폐 가격동향 예측", 정보처리학회 논문지, 7(10), pp.387~396 (2018), 한국정보처리학회[DOI]
- Kan, H. J., "Exploring the use of machine learning for risk adjustment : A comparison of standard and penalized linear regression models in predicting health care costs in older adults", PloS one, 14(3), pp.e0213258~ (2019)
- "lightgbm.plot_importance" (2022)[URL]
- "Support Vector Machines" (2022)[URL]
- "sklearn.linear_model" (2022)[URL]