본문 바로가기
KERD
논문KCI 등재

머신러닝을 사용한 스마트워치 사용자의 고혈압 예측모델: 국민건강영양조사 자료 활용

Prediction Model of Hypertension for Smartwatch Users Using Machine Learning: Based on Korea National Health and Nutrition Examination Survey

김민정
한국소비자정책교육학회 (Korean Society of Consumer Policy and Education)|2023.12|소비자정책교육연구 (Consumer Policy and Education Review)|제19권 제4호|pp. 101-116

1

조회

0

다운로드

0

인용

0

참고문헌

키워드

logistic regression국민건강영양조사머신러닝Korea National Health and Nutrition Examination Survey인공신경망machine learning서포트 벡터 머신artificial neural networkSmartwatch스마트워치로지스틱 회귀고혈압 예측모델Hypertension prediction modelsupport vector machines

초록

본 연구는 최근 스마트워치가 개인의 건강상태 및 개인 활동에 대한 자가 모니터링을 제공함으로써 건강 관리를 지원할 수 있다는 가정 하에 스마트워치 사용자가 쉽게 측정할 수 있는 건강 관련 데이터를 이용하여 고혈압의 유병률을 예측하는 모델을 개발하였다. 이를 위해 스마트워치에서 제공하는 건강 관련 기능에 해당하는 데이터는 질병관리청에서 발간하는 국민건강영양조사에서 선정하였다. 분석자료로 제7기(2016-2018년) 국민건강영양조사의 11,469명의 자료를 사용하였다. 타겟변수는 고혈압 유병여부, 독립변수는 성별, 연령, 15초간 맥박수, 수축기 혈압, 이완기 혈압, 공복 혈당, 체질량지수, 신체활동(운동)여부, 음주여부, 흡연여부, 수면시간을 포함하였다. 먼저 전체 데이터 세트를 학습용 데이터 세트(70%)와 시험용 데이터 세트(30%)로 나눈 후 학습용 데이터 세트에서 세 가지 머신러닝 분류모델(로지스틱 회귀분석, 인공신경망, 서포트 벡터 머신)을 사용하여 고혈압 질환을 분류하고, 모델들이 얼마나 정확하게 예측을 수행하는지 주어진 시험용 데이터 세트에서 확인하였다. 세 가지 머신러닝 분류모델 중 성능 평가 지표를 계산한 결과, 서포트 벡터 머신이 가장 성능이 좋은 것으로 나타났다. 다음으로 서포트 벡터 머신 모델 하에서 독립변수들의 중요도를 살펴보았다. 연령이 가장 높았고, 수축기혈압, 공복혈당, 체질량지수가 상위권에, 음주여부는 상대적으로 중요도가 낮게 나타났다. 마지막으로, 연령이 고혈압 발병의 가장 중요한 위험인자로 도출됨에 따라서 60대 이상을 대상으로 연령별로 변수들의 중요도를 분석하였다. 그 결과 노년층에서도 연령대별로 동일한 중요도를 가지는 요인들이 있는 반면, 차이가 나타나는 요인들이 있었다. 대표적으로 체질량지수와 혈당은 모든 노년층에서 가장 중요한 요인으로 나타났고, 신체활동(운동)여부는 연령대별로 차이가 있었다. 본 연구는 우리나라 인구 모집단을 대표할 수 있는 대규모 표본집단 대상으로 한 국민건강영양조사 자료를 이용하여 고혈압의 위험 요인을 분석함으로써 스마트워치 이용자들이 본인의 건강 관련 기능에 해당하는 값을 가지고 고혈압 유병여부를 예측할 수 있다는 점에서 의의가 있다고 할 수 있다.

Abstract

This study developed a model that predicts the prevalence of hypertension using health- related data that can be easily measured by smartwatch users under the assumption that smartwatches recently have the potential to support health care in everyday life by supporting self-monitoring of health conditions and personal activities. For this purpose, data corresponding to the health-related data variables provided by the smartwatch were selected from the Korea National Health and Nutrition Examination Survey published annually by the Korea Disease Control and Prevention Agency. Data from 11,469 people from the 2016-2018 Korea National Health and Nutrition Examination Survey were used as analysis data. The target variable included the presence or absence of hypertension, and the independent variables included sex, gender, age, pulse rate in 15 seconds, systolic blood pressure, diastolic blood pressure, fasting blood sugar, body mass index, physical activity (exercise), drinking status, smoking status, and sleep time. First, we divide the entire data set into training data set (70%) and testing data set(30%), and then classify hypertensive diseases using three machine learning classification models (logistic regression, artificial neural network, and support vector machine) in the training data set. We checked how accurately the models made predictions on a given test data set. As a result of calculating the performance evaluation index among the three machine learning classification models, the support vector machine showed the best performance. Next, we examined the importance of independent variables under the support vector machine model. Age was the highest, systolic blood pressure, fasting blood sugar, and body mass index were in the upper range, and drinking status was in the lowest Finally, as age is derived as the most important risk factor for developing hypertension, the importance of variables by age was analyzed for those in their 60s and older. As a result, while there were factors that had the same importance for each age group in the elderly, there were factors that showed differences. Typically, body mass index and fasting blood sugar were the most important factors in all older age groups, and physical activity (exercise) differed by age group. This study is significant in that smartwatch users can predict the prevalence of hypertension with their health-related data by analyzing various factors that can affect hypertension using data from the National Health and Nutrition Survey of large population groups that can represent the Korean population.

참고문헌 (36)

  1. 강성안, "머신러닝 기반 생애주기별 고혈압 위험 요인 분석", 한국산업정보학회논문지, 27(5), pp.73~82 (2022), 한국산업정보학회
  2. 강용성, "공공데이터 활용 현황 및 전략", 2023 한국소비자정책교육학회 초청강연 (2023)
  3. 구슬, "한국 성인의 고혈압 유병 관련 영양소 섭취 및 생활습관 위험 요인 분석: 2007-2008년 국민건강영양조사 결과 활용", 대한지역사회영양학회지, 17(3), pp.329~340 (2012), 대한지역사회영양학회[DOI]
  4. 김길례, "한국 청소년의 고혈압과 관련된 식사 및 생활양식요인 분석 -2005년 국민건강·영양조사 자료에 근거하여-", 대한지역사회영양학회지, 16(4), pp.439~454 (2011), 대한지역사회영양학회
  5. 김용철, "A study of relationship between hypertension and hyperlipidemia in the health screening center", 대한가정의학회지, 13(5), pp.410~419 (1992)
  6. 김하나, "양질의 보건의료 빅데이터, 국민건강영양조사", Korean Journal of Family Practice, 10(6), pp.399~400 (2020), 대한가정의학회[DOI]
  7. 김혜령, "한국노인의 고혈압 유병률과 위험요인", Journal of Korean Biological Nursing Science, 14(4), pp.282~290 (2012), 한국기초간호학회[DOI]
  8. "네이버 학술정보"[URL]
  9. 민선홍, "고위험 음주와 고혈압과의 연관성 : 제 5기(2010~2012)국민건강영양조사를 이용하여", Korean Journal of Family Practice, 5(3), pp.781~788 (2015)
  10. 송희영, "고혈압 전 단계 성인여성의 뇌졸중 위험과 뇌졸중 지식", Journal of Korean Biological Nursing Science, 10(2), pp.121~130 (2008), 한국기초간호학회
  11. 오태섭, "고혈압에 대한 기계 학습 기반 위험 요인 분석: 국민건강영양조사 2016–2019", Korean Journal of Family Practice, 12(3), pp.173~178 (2022), 대한가정의학회
  12. 이경은, "고혈압 환자의 건강관련 삶의 질에 영향을 미치는 요인: 제5기 국민건강영양조사를 이용하여", 한국콘텐츠학회 논문지, 16(5), pp.399~409 (2016), 한국콘텐츠학회[DOI]
  13. 이범주, "머신러닝 기반 사회인구학적 특징을 이용한 고혈압 예측모델", 정보처리학회 논문지, 10(11), pp.541~546 (2021), 한국정보처리학회
  14. 이정래, "스마트워치 사용자들의 건강관리에 관한 비판적 고찰", 한국스포츠사회학회지, 32(2), pp.92~109 (2019), 한국스포츠사회학회[DOI]
  15. 정귀옥, "혈압에 영향을 미치는 위험요인에 관한 연구", 한국역학회지, 17(2), pp.201~213 (1995)
  16. 최리지, "The Influence of Family History of Hypertension on Hypertension Prevalence, Management and Healthy Behaviors among Korean Adults: Results from the Korea National Health and Nutrition Examination Survey 2014-2016", Korean Journal of Health Promotion, 19(1), pp.1~8 (2019), 대한임상건강증진학회
  17. 최수정, "수면시간과 고혈압과의 관계", Korean Journal of Health Promotion, 13(4), pp.141~149 (2013), 대한임상건강증진학회
  18. AlGhatrif, M., "Trends in hypertension prevalence, awareness, treatment and control in older Mexican Americans, 1993-2005", Annals of Epidemiology, 21(1), pp.15~25 (2011)
  19. Benetos, A., "Influence of age, risk factors, and cardiovascular and renal disease on arterial stiffness : clinical applications", American Journal of Hypertension, 15(12), pp.1101~1108 (2002)
  20. Boulle, A., "A case study of using artificial neural networks for classifying cause of death from verbal autopsy", International Journal of Epidemiology, 30(3), pp.515~520 (2001)
  21. Chu, A., "A decision support system to facilitate management of patients with acute gastrointestinal bleeding", Artificial Intelligence in Medicine, 42(3), pp.247~259 (2008)
  22. "삼성전자, 갤럭시 워치로 헬스케어 공략 ‘잰걸음’ 불규칙 심장 리듬 알림 기능 美FDA 승인…혈당 측정도 2년내 상용화" (2023)[URL]
  23. Goutte, C., "A Probabilistic Interpretation of Precision, Recall and F-Score, with Implication for Evaluation", Lecture Notes in Computer Science, 3408, pp.345~359 (2005)
  24. Hosseini, , M. M, "Smartwatches in healthcare medicine : assistance and monitoring; a scoping review", BMC Medical Informatics and Decision Making, 23(248) (2023)
  25. Kesteloot, H., "An epidemiologic survey of arterial blood pressure in a large male population group", American Journal of Epidemiology, 99(1), pp.14~29 (1974)
  26. Menard, S., "Logistic Regression: From Introductory to Advanced Concepts and Applications" (2009), SAGE Publications, Inc
  27. Mills, K. T., "Global Disparities of Hypertension Prevalence and Control : A Systematic Analysis of Population-based Studies from 90 Countries", Circulation, 134(6), pp.441~450 (2016)
  28. Pearson, T. A., "The prediction of midlife coronary heart disease and hypertension in young adults : the Johns Hopkins multiple risk equations", American Journal of Preventive Medicine, 6, pp.23~28 (1990)
  29. Reeder, B., "Health at hand : A systematic review of smart watch uses for health and wellness", Journal of Biomedical Informatics, 63, pp.269~276 (2016)
  30. "삼성전자, 심전도 (ECG) 측정 앱 허가 취득" (2020)[URL]
  31. "삼성전자, 혈압․심전도 측정 지원 ‘삼성 헬스 모니터’ 앱 31개국 신규 진출" (2021)[URL]
  32. 이수경, "Application of Support Vector Machine for Prediction of Medication Adherence in Heart Failure Patients", Healthcare Informatics Research, 16(4), pp.253~259 (2010), 대한의료정보학회
  33. Thurston, R. C., "Improving the performance of physiologic hot flash measures with support vector machines", Psychophysiology, 46(2), pp.285~292 (2009)
  34. Tsoi, K., "Applications of artificial intelligence for hypertension management", Journal of Clinical Hypertension(Greenwich), 23(3), pp.568~574 (2021)
  35. Whelton, P. K., "Epidemiology of hypertension", Lancet, 344(8915), pp.101~106 (1994)
  36. Wu, R., "The next generation of clinical decision support : linking evidence to best practice", Journal of Healthcare Information Management, 16(4), pp.50~55 (2002)

관련 논문AI추천

머신러닝 기반 사회인구학적 특징을 이용한 고혈압 예측모델이범주한국정보처리학회 · 정보처리학회 논문지2021 · 제10권 제11호고혈압 위험 예측에 적용된 특징 선택 방법의 비교김미혜, dashdondov khongorzul한국정보처리학회 · 정보처리학회 논문지2022 · 제11권 제3호노인의 고혈압에 영향을 주는 건강행태요인 - 제8차 국민건강영양조사를 활용하여Jongsuk LEE대한임상검사과학회 · 대한임상검사과학회지2024 · 제56권 제2호중장년층 체질량지수(BMI)와 고혈압 위험: 2023년 국민건강영양조사 기반 복합표본 분석신미아대한산업경영학회 · 산업융합연구2025 · 제23권 제9호기계학습을 적용한 신체활동 웨어러블 디바이스의 정확성 검증김재명, 이광희, 이미영, 이정민, 최지엽한국체육측정평가학회 · 한국체육측정평가학회지2019 · 제21권 제3호고혈압 위험군 예방관리 어플리케이션 기능의 활용도에 대한 조사김영은, 김익태, 박지은, 송미영, 양창섭한국지식정보기술학회 · 한국지식정보기술학회 논문지2016 · 제11권 제4호

이 간행물의 다른 논문 (8건)

ESG 경영 지표에서의 소비자보호 기준 규범 연구이혜미, 김성숙pp. 1-25고령소비자의 온라인․비대면 정보탐색 및 구매활용 현황과 관련 요인: 연령 집단별 차이 비교에 대한 탐색적 연구임은정, 배순영pp. 27-46온․오프라인 쇼핑채널 이용행동의 개인적․지역적 격차와 결정요인장연주, 사지연pp. 47-73소비자의 숙박공유 서비스 만족도 및 재이용의사 영향 요인 분석: 공유경제 가치 인식 및 위험인지를 중심으로최애연, 안정희pp. 75-100인공지능 챗봇에 대한 이용자의 긍정적 그리고 부정적 인식에 관한 연구김종흠, 김담율pp. 117-144
원문 보기