본문 바로가기
KERD
논문KCI 등재

머신러닝을 이용한 급성심근경색증 환자의 퇴원 시 사망 중증도 보정 방법 개발에 대한 융복합 연구

Convergence Study in Development of Severity Adjustment Method for Death with Acute Myocardial Infarction Patients using Machine Learning

강성홍|최준영|박종호|박혜진|백설경
한국디지털정책학회 (The Society of Digital Policy & Management)|2019.02|디지털융복합연구 (Journal of Digital Convergence)|제17권 제2호|pp. 217-230|DOI https://doi.org/10.14400/JDC.2019.17.2.217

0

조회

0

다운로드

0

인용

0

참고문헌

키워드

머신러닝급성심근경색Machine LearningComorbidityAcute Myocardial Infarction융복합 연구Convergence study동반질환중증도 보정Severity-adjustment

초록

본 연구는 기존 동반질환을 이용한 중증도 보정 방법의 제한점을 보완하기 위해 급성심근경색증 환자의 맞춤형 중증도 보정방법을 개발하고, 이의 타당성을 평가하기 위해 수행되었다. 이를 위하여 질병관리본부에서 2006년부터 2015년까지 10년간 수집한 퇴원손상심층조사 자료 중 주진단이 급성심근경색증인 한국표준질병사인분류(KCD-7) 코드 I20.0~I20.9의 대상자를 추출하였고, 동반질환 중증도 보정 도구로는 기존 활용되고 있는 CCI(Charlson comorbidity index), ECI(Elixhauser comorbidity index)와 새로이 제안하는 CCS(Clinical Classification Software)를 사용하였다. 이에 대한 중증도 보정 사망예측모형 개발을 위하여 머신러닝 기법인 로지스틱 회귀분석, 의사결정나무, 신경망, 서포트 벡터 머신기법을 활용하여 비교하였고 각각의 AUC(Area Under Curve)를 이용하여 개발된 모형을 평가하였다. 이를 평가한 결과 중증도 보정도구로는 CCS 가 가장 우수한 것으로 나타났으며, 머신러닝 기법 중에서는 서포트 벡터 머신을 이용한 모형의 예측력이 가장 우수한 것으로 확인되었다. 이에 향후 의료서비스 결과평가 등 중증도 보정을 위한 연구에서는 본 연구에서 제시한 맞춤형 중증도 보정방법과 머신러닝 기법을 활용하도록 하는 것을 제안한다.

Abstract

This study was conducted to develop a customized severity-adjustment method and to evaluate their validity for acute myocardial infarction(AMI) patients to complement the limitations of the existing severity-adjustment method for comorbidities. For this purpose, the subjects of KCD-7 code I20.0 ~ I20.9, which is the main diagnosis of acute myocardial infarction were extracted using the Korean National Hospital Discharge In-depth Injury survey data from 2006 to 2015. Three tools were used for severity-adjustment method of comorbidities : CCI (charlson comorbidity index), ECI (Elixhauser comorbidity index) and the newly proposed CCS (Clinical Classification Software). The results showed that CCS was the best tool for the severity correction, and that support vector machine model was the most predictable. Therefore, we propose the use of the customized method of severity correction and machine learning techniques from this study for the future research on severity adjustment such as assessment of results of medical service.

참고문헌 (21)

  1. 박종호, "퇴원손상심층조사 자료를 이용한 의료기관 중증도 보정 사망비 비교", 한국산학기술학회논문지, 13(4), pp.1739~1750 (2012), 한국산학기술학회[DOI]
  2. 임지혜, "급성심근경색증 환자의 동반상병지수에 따른 건강결과 분석", 보건행정학회지, 21(4), pp.541~564 (2011), 한국보건행정학회
  3. 김선자, "관상동맥우회술 시행환자의 중증도 보정 재원일수 변이에 관한 연구", 품질경영학회지, 39(3), pp.391~399 (2011), 한국품질경영학회
  4. 정태경, "한국과 미국 의료기관의 중증도 보정 사망률 비교", 디지털융복합연구, 11(5), pp.371~384 (2013), 한국디지털정책학회
  5. 홍성옥, "목의 손상 입원환자의 중증도 보정 재원일수 변이요인", 보건사회연구, 35(2), pp.561~583 (2015), 한국보건사회연구원[DOI]
  6. 김원중, "퇴원손상심층조사 자료를 기반으로 한 급성심근경색환자 재원일수의 중증도 보정 모형 개발", 한국산학기술학회논문지, 14(10), pp.4910~4918 (2013), 한국산학기술학회[DOI]
  7. 임지혜, "급성심근경색증 환자 중증도 보정 사망 모형 개발", 한국산학기술학회논문지, 13(6), pp.2672~2679 (2012), 한국산학기술학회[DOI]
  8. 진상기, "제4차산업혁명에 대응하는 공공관리의 변화와 향후 과제: 사회-기술시스템론적 접근을 중심으로", 디지털융복합연구, 16(4), pp.39~47 (2018), 한국디지털정책학회[DOI]
  9. 이강윤, "인공지능 왓슨 기술과 보건의료의 적용", 의학교육논단, 18(2), pp.51~57 (2016), 연세대학교 의과대학[DOI]
  10. 최병관, "인공지능을 이용한 급성 뇌졸중 환자의 재원일수 예측모형 개발", 디지털융복합연구, 16(1), pp.231~242 (2018), 한국디지털정책학회[DOI]
  11. X. Cai, "Real-time prediction of mortality, readmission, and length of stay using electronic health record data", J Am Med Inform Assoc, 23, pp.553~561 (2016)[DOI]
  12. Aya Awad, "Early hospital mortality prediction of intensive care unit patients using an ensemble learning approach", International Journal of Medical Informatics, 108, pp.185~195 (2017), Elsevier BV[DOI]
  13. Hamid Nilsaz-Dezfouli, "Improving Gastric Cancer Outcome Prediction Using Single Time-Point Artificial Neural Network Models", Cancer Informatics, 16, pp.1~11 (2017), SAGE Publications[DOI]
  14. "cause of death statistics 2016" (2017)[URL]
  15. 한은주, "급성심근경색증 환자의 증상 인지와 건강행위 이행이 내원시간에 미치는 영향", 성인간호학회지, 27(1), pp.83~93 (2015), 한국성인간호학회[DOI]
  16. 홍성옥, "무릎관절치환술 환자의 중증도 보정 재원일수 모형 개발", 디지털융복합연구, 13(2), pp.215~225 (2015), 한국디지털정책학회[DOI]
  17. 이호현, "기계학습 응용 및 학습 알고리즘 성능 개선방안 사례연구", 디지털융복합연구, 14(2), pp.245~258 (2016), 한국디지털정책학회[DOI]
  18. "A Study on Social security Big Data Analysis and Prediction Model based on Machine Learning" (2017)[URL]
  19. 김현호, "기계학습을 적용한 자기보고 증상 기반의 어혈 변증 모델 구축", Korean Journal of Acupuncture, 33(3), pp.102~113 (2016), 경락경혈학회[DOI]
  20. 박일수, "데이터마이닝 기법을 활용한 맞춤형 고혈압 사후관리 모형 개발", 응용통계연구, 21(4), pp.639~647 (2008), 한국통계학회
  21. 최도연, "딥러닝 기반 앙상블을 이용한 유방암 분류", 보건정보통계학회지, 43(2), pp.140~147 (2018), 한국보건정보통계학회[DOI]

관련 논문AI추천

Charlson 동반질환의 ICD-10 알고리즘 예측력 비교연구김경훈대한예방의학회 · 예방의학회지2010 · 제43권 제1호건강보험 청구자료에서 동반질환 보정방법과 관찰기간 비교 연구 : 경피적 관상동맥 중재술을 받은 환자를 대상으로김경훈, 안이수대한예방의학회 · 예방의학회지2009 · 제42권 제4호Identification of acute myocardial infarction and stroke events using the National Health Insurance Service database in Korea김동욱, 김병극, 김현창, 박해용, 배장환, 유승찬, 이호규, Baek Jang-Hyun, Cho Minsung, Kim Kyung Won, Kim Min, Kim Young Dae, Kim Yung Ah, Lee Hyeok-Hee, Lee Seung-Jun, Park Sohee, Yang JiHyun, Yum Kyu Sun한국역학회 · Epidemiology and Health2024 · 제46권 관상동맥우회술 시행환자의 중증도 보정 재원일수 변이에 관한 연구강성홍, 김선자, 김원중, 김유미한국품질경영학회 · 품질경영학회지2011 · 제39권 제3호심혈관질환 위험 예측을 위한 비용민감 학습 모델이경희, 이유나, 조완섭사)한국빅데이터학회 · 한국빅데이터학회 학회지2021 · 제6권 제2호허혈성 심장질환 환자의 재원일수 결정요인우혜경, 이재빈한국보건정보통계학회 · 보건정보통계학회지2020 · 제45권 제1호

이 간행물의 다른 논문 (28건)

장노년층의 디지털정보화 수준과 사회활동 만족도 수준과의 관계에 대한 연구: 커뮤니티, 모임, 공동체에의 참여활동을 중심으로이향수, 이성훈pp. 1-7CIPP 모형을 활용한 사이버 범죄 예방 교육 프로그램 평가에 관한 연구우유란, 이중정, 정환수pp. 9-18기업조직의 유기성과 학습문화가 동적역량과 기업성과에 미치는 영향에 관한 실증연구정두식pp. 47-574차 산업혁명시대의 스마트 유통물류센터 구축방향에 관한 연구여기태, 오재균, 김동명, 박정현pp. 59-71외국인투자기간과 회계이익-과세소득 차이 관련성 연구지상현, 곽영민pp. 73-80
원문 보기