2019년 이래 전 세계적으로 COVID-19를 겪으면서 전통적 내원 진료의 한계성을 실감하고 비대면 진료의 필요성이 현격히 드러났다. 이러한 상황에서 디지털 의료기기들이 개발되고 헬스케어 분석 기술이 점차 발달 되어 질병을 예측하는 연구들이 많이 있으나 웨어러블 디바이스를 활용한 질병 예측 모델 수립과 효용성 검증 연구는 아직 미흡한 상황이다. 본 연구는 웨어러블 디바이스를 통해 수집된 데이터를 딥러닝을 적용하여 세 가지 연구모델 즉, 임상 데이터 연구모델, ...
웨어러블 디바이스를 활용한 딥러닝 적용 질병 예측 모델의 효용성 연구
2019년 이래 전 세계적으로 COVID-19를 겪으면서 전통적 내원 진료의 한계성을 실감하고 비대면 진료의 필요성이 현격히 드러났다. 이러한 상황에서 디지털 의료기기들이 개발되고 헬스케어 분석 기술이 점차 발달 되어 질병을 예측하는 연구들이 많이 있으나 웨어러블 디바이스를 활용한 질병 예측 모델 수립과 효용성 검증 연구는 아직 미흡한 상황이다. 본 연구는 웨어러블 디바이스를 통해 수집된 데이터를 딥러닝을 적용하여 세 가지 연구모델 즉, 임상 데이터 연구모델, 라이프 로그 연구모델, 피드백 연구모델의 질병 예측 모델을 연계하여 하나로 통합된 딥러닝 적용 질병 예측 모델의 효용성을 검증하였다. 최신 딥러닝 기술을 적용하여 일반적 통계 방법인 회귀분석 모델의 적용보다 한 단계 높은 반복과 순환 신경망을 통한 질병예측이 가능한 딥러닝 적용 모델을 수립하였다. 연구 절차는 웨어러블 디바이스를 통한 임상 데이터로 질병에 영향을 주는 인자의 수치 변화를 먼저 살펴본 후 라이프 로그 테이터를 통한 생활 패턴 분석으로 질병 예방을 위한 인공지능 추천 문구를 제공하게 된다. 이후 딥러닝을 적용한 피드백 모델을 연계하여 예측 모델의 효용성을 살펴보았다. 총 92명의 대상자를 웨어러블 디바이스 착용군 41명과 미착용군 41명으로 선별하여 8주 동안 총 2회에 걸쳐 실험하였고, 대상자들의 임상 데이터, 의료설문조사, 유전체 데이터, 라이프 로그 데이터를 활용하여 연구하였다. 연구 결과를 살펴보면 임상 데이터 연구모델의 경우 질병에 영향을 주는 인자의 개선 효과를 살펴 보고 라이프 로그 연구모델에서는 운동, 이동, 휴식, 수면, 생활습관 등 총 5개 항목으로 분류하여 개인의 질병 예방 추천 문구를 제공할 수 있게 된다. 이후 딥러닝 적용 피드백 연구모델은 자동 인코더와 딥뉴럴 네트워크를 병합하는 경우 1,000 EPOCH당 예측값의 정확도가 선형적으로 변화하는 현상을 확인하였다. 실제 대사 증후군 중에서 고혈압에 영향을 미치는 흡연 데이터의 경우 변수값이 증가시킬 때마다 정확도가 각각 8.6%, 6.4% 이상씩 개선되는 현상을 확인하였다. 앞에 임상 데이터 연구모델과 라이프 로그 연구모델이 상호 연관되어 딥러닝 적용 피드백 모델을 구성하고 연관되어 동작하게 됨을 실제로 검증하였다. 본 연구는 지금까지 충분히 다루어지지 않은 웨어러블 디바이스를 활용하여 딥러닝을 적용한 질병 예측 모델을 새롭게 제시했다는 점에서 의의가 있다.
핵심주제어 : 디지털 헬스케어, 웨어러블 디바이스, 라이프 로그, 딥러닝, 임상 데이터, 개인 질병 예측 모델, 피드백 모델
웨어러블 디바이스를 활용한 딥러닝 적용 질병 예측 모델의 효용성 연구
2019년 이래 전 세계적으로 COVID-19를 겪으면서 전통적 내원 진료의 한계성을 실감하고 비대면 진료의 필요성이 현격히 드러났다. 이러한 상황에서 디지털 의료기기들이 개발되고 헬스케어 분석 기술이 점차 발달 되어 질병을 예측하는 연구들이 많이 있으나 웨어러블 디바이스를 활용한 질병 예측 모델 수립과 효용성 검증 연구는 아직 미흡한 상황이다. 본 연구는 웨어러블 디바이스를 통해 수집된 데이터를 딥러닝을 적용하여 세 가지 연구모델 즉, 임상 데이터 연구모델, 라이프 로그 연구모델, 피드백 연구모델의 질병 예측 모델을 연계하여 하나로 통합된 딥러닝 적용 질병 예측 모델의 효용성을 검증하였다. 최신 딥러닝 기술을 적용하여 일반적 통계 방법인 회귀분석 모델의 적용보다 한 단계 높은 반복과 순환 신경망을 통한 질병예측이 가능한 딥러닝 적용 모델을 수립하였다. 연구 절차는 웨어러블 디바이스를 통한 임상 데이터로 질병에 영향을 주는 인자의 수치 변화를 먼저 살펴본 후 라이프 로그 테이터를 통한 생활 패턴 분석으로 질병 예방을 위한 인공지능 추천 문구를 제공하게 된다. 이후 딥러닝을 적용한 피드백 모델을 연계하여 예측 모델의 효용성을 살펴보았다. 총 92명의 대상자를 웨어러블 디바이스 착용군 41명과 미착용군 41명으로 선별하여 8주 동안 총 2회에 걸쳐 실험하였고, 대상자들의 임상 데이터, 의료설문조사, 유전체 데이터, 라이프 로그 데이터를 활용하여 연구하였다. 연구 결과를 살펴보면 임상 데이터 연구모델의 경우 질병에 영향을 주는 인자의 개선 효과를 살펴 보고 라이프 로그 연구모델에서는 운동, 이동, 휴식, 수면, 생활습관 등 총 5개 항목으로 분류하여 개인의 질병 예방 추천 문구를 제공할 수 있게 된다. 이후 딥러닝 적용 피드백 연구모델은 자동 인코더와 딥뉴럴 네트워크를 병합하는 경우 1,000 EPOCH당 예측값의 정확도가 선형적으로 변화하는 현상을 확인하였다. 실제 대사 증후군 중에서 고혈압에 영향을 미치는 흡연 데이터의 경우 변수값이 증가시킬 때마다 정확도가 각각 8.6%, 6.4% 이상씩 개선되는 현상을 확인하였다. 앞에 임상 데이터 연구모델과 라이프 로그 연구모델이 상호 연관되어 딥러닝 적용 피드백 모델을 구성하고 연관되어 동작하게 됨을 실제로 검증하였다. 본 연구는 지금까지 충분히 다루어지지 않은 웨어러블 디바이스를 활용하여 딥러닝을 적용한 질병 예측 모델을 새롭게 제시했다는 점에서 의의가 있다.
핵심주제어 : 디지털 헬스케어, 웨어러블 디바이스, 라이프 로그, 딥러닝, 임상 데이터, 개인 질병 예측 모델, 피드백 모델
A Study on the Effectiveness of Deep Learning applied Disease Prediction Model using Wearable Devices
Since 2019, through COVID-19 Pandemic worldwide, the needs for non-face-to-face medical care has become much clearer, realizing the limits of traditional outpatient care, too. In ...
A Study on the Effectiveness of Deep Learning applied Disease Prediction Model using Wearable Devices
Since 2019, through COVID-19 Pandemic worldwide, the needs for non-face-to-face medical care has become much clearer, realizing the limits of traditional outpatient care, too. In such a situation, there are many studies in which digital medical devices are developed and healthcare analysis technology is gradually developed to predict diseases. However, the situation is not yet sufficient.
In this researh, Deep learning is applied to the data collected via wearable devices, and three research models, that is, the clinical data research model, the life log research model, and the deep learning application feedback research model. I verified the efficacy of the Deep learning application disease prediction model that was integrated into one by linking the disease prediction models. By applying the latest deep learning technology, I have established a deep learning application model that can predict diseases through a repetitive circular Neural network that is one level higher than the application of the regression analysis model, which is an usual statistical method. The research procedure provides clinical data through wearable devices with Artificial intelligence recommendations for disease prevention for life pattern analysis through life log data after first seeing changes in the numerical values of factors that influence the disease. After that, the utility of the prediction model was investigated by linking the feedback models to which deep learning was applied. A total of 92 subjects were selected from 41 people in the wearable device wearing group and 41 people in the non-wearable device wearing group, and experiments were conducted twice in total for 8 weeks. As a results, I investigated the results of the research, in the case of the research model of clinical data, I looked the improvement effect of the factors that influence the disease, and in the research model of the life log, there is a total of 5 items such as exercise, movement, rest, sleep, and life style. This will provide recommended phrases for the prevention of individual illnesses. Since then, the feedback research model for deep learning application has confirmed the phenomenon that the accuracy of the predicted value changes linearly per 1,000 EPOCH when the Autoencoder and the Deep neural network are combined. In fact, in the case of smoking data affecting hypertension in metabolic syndrome, it was confirmed that the accuracy was improved by 8.6% and 6.4% or more, respectively, as the value of the variable increased. In fact, I verified that the preclinical data research model and the life log research model are interrelated to form a feedback model for deep learning application and behave in an associated manner. This study is significant in that it presents a new disease prediction model to which deep learning is applied, using wearable devices that have not been fully dealt with so far.
Keywords : Digital healthcare, wearable device, life log, deep learning, clinical data, individual disease prediction model, feedback model
A Study on the Effectiveness of Deep Learning applied Disease Prediction Model using Wearable Devices
Since 2019, through COVID-19 Pandemic worldwide, the needs for non-face-to-face medical care has become much clearer, realizing the limits of traditional outpatient care, too. In such a situation, there are many studies in which digital medical devices are developed and healthcare analysis technology is gradually developed to predict diseases. However, the situation is not yet sufficient.
In this researh, Deep learning is applied to the data collected via wearable devices, and three research models, that is, the clinical data research model, the life log research model, and the deep learning application feedback research model. I verified the efficacy of the Deep learning application disease prediction model that was integrated into one by linking the disease prediction models. By applying the latest deep learning technology, I have established a deep learning application model that can predict diseases through a repetitive circular Neural network that is one level higher than the application of the regression analysis model, which is an usual statistical method. The research procedure provides clinical data through wearable devices with Artificial intelligence recommendations for disease prevention for life pattern analysis through life log data after first seeing changes in the numerical values of factors that influence the disease. After that, the utility of the prediction model was investigated by linking the feedback models to which deep learning was applied. A total of 92 subjects were selected from 41 people in the wearable device wearing group and 41 people in the non-wearable device wearing group, and experiments were conducted twice in total for 8 weeks. As a results, I investigated the results of the research, in the case of the research model of clinical data, I looked the improvement effect of the factors that influence the disease, and in the research model of the life log, there is a total of 5 items such as exercise, movement, rest, sleep, and life style. This will provide recommended phrases for the prevention of individual illnesses. Since then, the feedback research model for deep learning application has confirmed the phenomenon that the accuracy of the predicted value changes linearly per 1,000 EPOCH when the Autoencoder and the Deep neural network are combined. In fact, in the case of smoking data affecting hypertension in metabolic syndrome, it was confirmed that the accuracy was improved by 8.6% and 6.4% or more, respectively, as the value of the variable increased. In fact, I verified that the preclinical data research model and the life log research model are interrelated to form a feedback model for deep learning application and behave in an associated manner. This study is significant in that it presents a new disease prediction model to which deep learning is applied, using wearable devices that have not been fully dealt with so far.
Keywords : Digital healthcare, wearable device, life log, deep learning, clinical data, individual disease prediction model, feedback model
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.