선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 따라서 본 논문에서는 이러한 문제점을 해결하기 위해 모발분석을 위한 알고리즘을 개발하고 모발분 석결과에 대한 한국형 의료정보 시스템을 구축하고자 한다. 또한 통계 분석 적 오류와 데 이 터베 이 스 구축 및 추론상의 오류를 최소화하기 위해 다중 퍼지규칙 베이스와 다단계 통계분류 방법을 이용하고 한글화 데이터베이스 구축을 위해 한글화 작업도 병행하고자 한다.
- 따라서 본 논문에서는 이러한 문제점을 해결하기 위해 모발분석을 위한 알고리즘을 개발하고 모발분 석결과에 대한 한국형 의료정보 시스템을 구축하고자 한다. 또한 통계 분석 적 오류와 데 이 터베 이 스 구축 및 추론상의 오류를 최소화하기 위해 다중 퍼지규칙 베이스와 다단계 통계분류 방법을 이용하고 한글화 데이터베이스 구축을 위해 한글화 작업도 병행하고자 한다. 이렇게 함으로써 미국에 검사비용 및 결과 지 해석비용으로 지불하던 외화 낭비를 줄이고 환자의 추가 의료비를 절감하여 미국 TEI의 독점을 방지 하고자 한다.
- 본 논문은 TMA(모발분석 )를 위 한 한국형 의 료정 보 시스템 구축에 관한 것으로 기존의 국내 TMA 방법에서의 다음과 같은 문제점을 해결하기 위해 연 구하였다.
- 또한 통계 분석 적 오류와 데 이 터베 이 스 구축 및 추론상의 오류를 최소화하기 위해 다중 퍼지규칙 베이스와 다단계 통계분류 방법을 이용하고 한글화 데이터베이스 구축을 위해 한글화 작업도 병행하고자 한다. 이렇게 함으로써 미국에 검사비용 및 결과 지 해석비용으로 지불하던 외화 낭비를 줄이고 환자의 추가 의료비를 절감하여 미국 TEI의 독점을 방지 하고자 한다. 본 개발 시스템은 미국의 시스템의 단순한 한글화가 아니며, TMA 관련 데이터베이스 및 한국형 의료정보 시스템 구축에 관한 연구로는 국내에서 최초로 시도되는 연구이다.
제안 방법
- 7〜 2002. 2까지 7개월간 국 내 에 보관된 환자의 임 상자료 약 2000건 에 대 해 측정 한 것으로, 시스템에서 전체적으로 한국어로 번역되 어 출력되는 최종 결과지가 미국에서 보내오는 영문 으로 된 결과지와 일치하는 정도를 측정한 것이다. 환자 한건당 결과지 에 포함해서 출력 해야 할 총 50개 의 문장들 중 단일 퍼지규칙 베이스로 구축한 경우는 평균 34개 정도의 문장만이 일치하였으나 다중 퍼지 규칙 베이스로 시스템을 구축한 경우 평균적으로 46 개 정도 일치하였고 4개 정도 비슷하거나 잘못된 문 장을 출력하였는더L 이것은 제안한 방법이 기존에 비 해 약 24% 정도 정확성이 향상된 수치이다.
- 분석을 위해 실제 시 스템 사용자를 대상으로 2002. 3월부터 6월까지 임상 실험 결과를 중심으로 분석을 하였다. 환자 1건당 평 균 처리 시간이 2002.
- 2)를 이용하여 2차 분류된 패턴집합 { Fi.Fj와 { 卩3直'4를 硏과 F2 그리고 尸3와 风로 최종 분류하여 결정트리를 구성하였다. TMA에서 가장 기본이 되는 대사타입의 분류 후에 각 대사타입 별 영양미네랄과 독성미네랄의 영양상 태와의 관계는 상관분석을 통해 상관계수가 0.
- IMES 시스템의 활용성 평가를 위해 다음 그림 14 와 같이 IMES 시스템을 사용한 경우와 사용안한 경 우로 나누어서 분석을 하였다. 분석을 위해 실제 시 스템 사용자를 대상으로 2002.
- TMA 자료의 지능적 통계적 분석을 위해 대사타입의 분류 및 미네랄의 분석은 통계적 분류 및 분석 방법 중에서 결정트리분류기(Decision Tree Class ifier) 를 이용하여 TMA 자료의 대분류에 해당하는 인체의 8가지 대사타입(빠른 대사 4타입, 느린 대사 4타입)을 분류한다. 이 방법을 사용하는 이유는, 1단계 분류기는 클래스간의 변별력 중에서 평균이 최대가 되는 특징조합을 이용하나, 이 특징조합이 모든 클래스에 대하여 최적의 변별력을 항상 갖는 것이 아니므로 두 종류이상의 결정을 적절한 수순에 따라 몇 번이고 반복하여 입력패턴의 클래스를 결정해야 하므로 본 논문에서는 다단계분류기인 결정트리 분 류방법 [8-10]을 응용하여 분류한다.
- Fj와 { 卩3直'4를 硏과 F2 그리고 尸3와 风로 최종 분류하여 결정트리를 구성하였다. TMA에서 가장 기본이 되는 대사타입의 분류 후에 각 대사타입 별 영양미네랄과 독성미네랄의 영양상 태와의 관계는 상관분석을 통해 상관계수가 0.3보다 큰 미네랄들을 대상으로 분석하였다.
- 검색은 여러 가지 조건 중 검색하고자 하는 조건 을 입력하여 그 조건에 맞는 내용을 데이터베이스에 서 찾아 사용자가 쉽게 검색할 수 있도록 하는 기능 을 추가하여 설계하였다. 검색의 예를 들면, 검색 조 건이 SLOW#1 에 남자만 검색하고 싶을 때에는 밑에 그림과 같이 '성별'과 'TYPE'을 조건에 맞게 설정하 고 검색을 실행하면 그 조건에 맞는 데이터가 화면에 보여지게 된다.
- 또한 Pancreas의 증가요인 미 네 랄은 Ca/P Ca/Mg Ca/K Ca/Fe Ca/Na 이 고 감소요 인 미네랄은 Zn/Mg Fe/Cti이다. 기타 본 논문에서 다양하게 분석한 내분비선과 미네랄과의 관계 분석 자료를 이용하여 데이터베이스를 구축하였다.
- 첫째, 통계적 TMA 자료분석을 위 해 다단계 분류방법 을 활용하여 다중 영 향 요인들 에 대하여 분류하였다. 둘째, 다중 퍼지 규칙베이스 를 구축하여 지능적인 퍼지추론 방법을 이용하여 미 네랄과 관련문장들을 추론하였다. 셋째, 한국형 TMA 의료정보 데이터베이스를 구축하였고 이를 위 해 한글화 작업을 병행하였다.
- 본 논문에서 구축한 지능적 추론 방법을 위한 퍼 지 규칙베이스 형태는 다음과 같다. 본 논문에서는 규칙의 조건부에는 미네 랄의 비를 이용하여 구축하 였고, 결론부에는 대사타입 및 규칙의 조건부에 입력 되는 미네랄의 비를 이용하였다. 본 논문에서 현재까 지 구축한 규칙은 약 1000개 정도이다.
- 본 논문에서 구현한 IMES의 구성절차는 그림 8과 같다. 본 시스템은 MS Visual C++과 MS ACCESS 를 이용하여 윈도우 환경 에서 구현하였다. IMES 시 스템 I/O 및 구성 요소들간의 연관성은 그림 9와 같 다.
- 분석된 통계를 바탕으로 본 논문에서는 불확실한 다량의 정보로부터 지능적 추론이 가능한 데이터베 이스 구축을 위해 다중 퍼지 규칙베이스 방식을 제안 한다. 다중 퍼 지 규칙 베 이스는 TMA 자료와 같이 다 양한 미네랄에 의해 의사결정을 해야 하는 시스템인 경우 규칙베이스가 매우 복잡해 질 수 있기 때문에 규칙베이스를 분산시켜서 연관성을 찾아 실시간으 로 규칙들을 검 색 하고 추론하는 방법 이 필요하다.
- 둘째, 다중 퍼지 규칙베이스 를 구축하여 지능적인 퍼지추론 방법을 이용하여 미 네랄과 관련문장들을 추론하였다. 셋째, 한국형 TMA 의료정보 데이터베이스를 구축하였고 이를 위 해 한글화 작업을 병행하였다. 이러한 방법에 의해 TMA 관련 의료 정보 시스템 (IMES: Intelligent Medical Expert System)을 국내 최초로 구축하였다.
- 논문에서 제안하는 다중 퍼지 규칙베이스에 의한 규칙 형태와 기존의 단순 퍼지 규칙베이스에 의한 규칙형태를 비교하면 다음 예와 같다. 여기서 보는 바와 같이 본 논문에서 제안하는 다중 방법은 퍼지 규칙의 조건부에 조건명제들의 수를 3개 이하로 제 한시켜 데이터베이스에서의 추론 방법을 효율화 했 으며 계층적 구조를 이용하여 연관된 다음 규칙과의 관계로부터 규칙의 조건부가 추론되도록 하였다.
- 본 논문에서 구축하려는 TMA 분석을 위한 한국형 의료정보 시스템은 그림 1과 같이 TMA 자료의 통계적 분석 단겨】, TMA 의료정보 데이터베이스 시 스템 구축단계, 지능적 추론 시스템 구축 단계 등 크 게 3단계로 구성되어 있다. 연구방법은 통계분석단 계에서 통계적 분석이 완료된 후 시스템 구축단계에서 TMA 데이터베이스를 구축하고, 임상자료의 피드백을 통해 시스템을 검증한다.
- 다중 퍼 지 규칙 베 이스는 TMA 자료와 같이 다 양한 미네랄에 의해 의사결정을 해야 하는 시스템인 경우 규칙베이스가 매우 복잡해 질 수 있기 때문에 규칙베이스를 분산시켜서 연관성을 찾아 실시간으 로 규칙들을 검 색 하고 추론하는 방법 이 필요하다. 이 것을 위해 본 논문에서는 규칙들의 결론부와 다른 규칙의 조건부와의 관계를 트리형태로 구성하여 다 단계로 구성함으로써 기존의 퍼지 규칙베이스보다 복잡한 규칙을 표현하기에 적합하도록 하는 방법을 제안한다. 또한 퍼지 이론을 본 논문에서 불확실성 처리를 위해 적용한 이유는 베이시안 이론 등 불확실 성 처리방법들 중[11] 자료처리 및 제어시스템에 적 당하기 때문이다.
- TMA 자료의 지능적 통계적 분석을 위해 대사타입의 분류 및 미네랄의 분석은 통계적 분류 및 분석 방법 중에서 결정트리분류기(Decision Tree Class ifier) 를 이용하여 TMA 자료의 대분류에 해당하는 인체의 8가지 대사타입(빠른 대사 4타입, 느린 대사 4타입)을 분류한다. 이 방법을 사용하는 이유는, 1단계 분류기는 클래스간의 변별력 중에서 평균이 최대가 되는 특징조합을 이용하나, 이 특징조합이 모든 클래스에 대하여 최적의 변별력을 항상 갖는 것이 아니므로 두 종류이상의 결정을 적절한 수순에 따라 몇 번이고 반복하여 입력패턴의 클래스를 결정해야 하므로 본 논문에서는 다단계분류기인 결정트리 분 류방법 [8-10]을 응용하여 분류한다.
- 예를 들어, 공통문장 에서 'Ca'을 설명하는 15번째 문장의 ID는 '13003015' 가 된다. 이 표에서 본 바와 같이 영어 각 문장은 특정 미네랄의 양, 다른 미네랄과의 관겨】, 주요 미네랄의 비 등과 매우 밀접한 관계를 갖고 있고, 동일 미네랄 그룹내 ID 문장간 연관성은 전문가의 의견을 바탕으 로 연관성을 고려하여 설계하였다. 이러한 2단계 과 정을 모두 거친 후 다중 퍼지 규칙베이스 구축이 완 성 된다.
- 제 1단계는 빠른 대사와 느린 대사를 결정짓는 미네랄들의 상관관계 분석으로부터 대사타입에 따른 퍼지 데이터베이스를 구축하는 과정을 말한다. 이것을 위해 본 논문에서는 영양미네랄(Nutritional Min eral) 30종과 독성 미네랄(Toxic Mineral) 8종류 등 에 관해 총 38종 미네랄과 영양상태와의 관겨], 영양 미네랄들의 비 (ratio), 독성미네랄들의 비 (ratio)와 영양상태와의 관겨〕, 그리고 TMA를 통한 각종질환 과 미 네 랄과의 경향에 관해 분석한 결과 다음 표 1을 얻었다.
- 본 논문에서는 이러한 문제점 개선을 위해 몇가지 방법을 제안하였다. 첫째, 통계적 TMA 자료분석을 위 해 다단계 분류방법 을 활용하여 다중 영 향 요인들 에 대하여 분류하였다. 둘째, 다중 퍼지 규칙베이스 를 구축하여 지능적인 퍼지추론 방법을 이용하여 미 네랄과 관련문장들을 추론하였다.
- 초기 입력화면은 데이터베이스와 연결되어 있으 며, 화면에 보이는 환자의 신상정보와 미네랄수치는 데이터베이스에 저장되어 있는 내용과 일치하도록 설계하였다. 새로운 데이터의 입력은 현재의 화면에 서 입력을 하거나 초기화 후 입력을 하고 데이터베이 스에 저장하하거나 단지 레포트만을 출력 할 수 있도 록 하였다.
- 출력 결과로부터 조견표의 수정은 약의 개수나 약 의 내용을 변경해야 할 경우 쓰여지게 되는데, 프로 그램에서 그림과 같이 보기설정에서 일일 복용약 설 정 실행에 의해 일일 복용약 설정 창에서 수정이 가 능하도록 하였다. 이는 환자에게 제공하는 알약의 품 목 변 경시 관리자가 반영 할 수 있도록 하기 위 함이 다.
- 이상으로부터 사용자들의 IMES 시스템에 대한 활용도 대비 일의능률에 대한 만족도(활용도를 100 으로 했을 때의 일의 능률 값의 비)를 측정하면 다음 과 같다. 평균 환자 1건당 출력 속도 포함하여 3분 정도를 가장 적당한 값이라 하면, 여기서 만족도는 기본값을 3분으로 하고 추가된 시간에 대해서 분석 하였다. 따라서 50분, 7분에 대한 만족도를 측정하 기 위해 본 논문에서 식 (2)와 같은 방법을 제안하였 는데, 이 식에서 50은 기존에 IMES가 없는 상태에서 의 처리속도(만족도 0)이며 3은 최소 기본 처리속도 (만족도 100)를 의미한다.
대상 데이터
- 본 논문에서 구축하려는 TMA 분석을 위한 한국형 의료정보 시스템은 그림 1과 같이 TMA 자료의 통계적 분석 단겨】, TMA 의료정보 데이터베이스 시 스템 구축단계, 지능적 추론 시스템 구축 단계 등 크 게 3단계로 구성되어 있다. 연구방법은 통계분석단 계에서 통계적 분석이 완료된 후 시스템 구축단계에서 TMA 데이터베이스를 구축하고, 임상자료의 피드백을 통해 시스템을 검증한다.
- IMES 시스템의 활용성 평가를 위해 다음 그림 14 와 같이 IMES 시스템을 사용한 경우와 사용안한 경 우로 나누어서 분석을 하였다. 분석을 위해 실제 시 스템 사용자를 대상으로 2002. 3월부터 6월까지 임상 실험 결과를 중심으로 분석을 하였다.
이론/모형
- 본 논문에서는 다단계 통계분석방법을 사용하여 분류한 자료로부터 구축한 다중 퍼지 규칙베 이스에 서 퍼 지 추론을 효율적으로 하기 위해 분산 목표트리 방식인 TAEMS(Task Analysis Environment Mod eling and Simulation)]"]를 적용하였다. TAEMS는 태스크를 분류한 후 분산 목표트리를 구성 하여 , 서로 다른 목표를 갖는 시스템의 분산목표 수행을 위해 시 스템 의 목표나 자료들 간의 상호 의존성을 나타냄 으로써 효율성을 높이기 위한 분산 인공지능적인 방 법이다.
- 여기에서 宿과 用는 표본의 크기에 의해 결정되 는 분류지 역 (classification regions)을 의 미 한다. 이 것을 사용하는 이유는 위 식(1)의 방법은 미지의 밀 도함수(density function), K(x)와 /乂%)의 함수로 구성되어져 있으므로 표본정보만을 갖고 있는 본 논 문에서는 모집단의 분포에 종속되지 않고 오분류율 을 계산할 수 있어야 하기 때문에 APER(APparent Error Rate)을 이용하였다.
성능/효과
- 환자 1건당 평 균 처리 시간이 2002. 3월 이전에는 약 50분 정도 소 요되었는더), 측정결과 IMES를 사용할 경우 약 7분 정도가 소요되어 IMES를 사용하지 않은 경우보다 86% 일의능률이 향상되었음을 알 수 있었다.
-
그림 13과 같이 미국 TMA는 35만건의 사례별로 구축된 단순 RDB로 구성되어 있으며 검사한 미네랄 수치입력시 단순한 수치에 의한 패턴매칭에 의해 자 료추론을 하고 있으나, IMES는 미국 시스템에 비해 약 2천건의 자료로부터 통계적으로 분류하여 지능형 다중 퍼 지 규칙 베 이 스를 구축한 것 이 주요 특징 이 다.
다중 퍼지규칙 베이스의 효율성을 분석한 결과 표 3에서와 같이 다중 퍼지 규칙베이스를 구축하였을 경 우 단일 퍼 지 규칙 베 이스를 구축하는 것보다 시스템의 효율성이 향상되 었다
. 이 것은 표본크기가 2000이고 오 분류율이 0이라는 조건하에서 측정된 결과이다. - 둘째, 미국에서 보내오는 TMA 검사결과가 영문이라 한글화된 결과지가 필요하며 암호화된 파일형 태 이므로 시스템적 활용도가 낮다. 또한 한국적 특성이 아닌 서구식 데이터베이스에 의한 결과물이므로 검사결과의 신뢰성이 부족할 수밖에 없으며 한국적 임상 결과에 대한 검증자료가 없다
- 로 계산 되며 이는 오분류된 비율을 나타낸다. 본 논문에서 오뷴류율 측정 결과 8가지 대사타입 (빠른 대사, 느린 대사)에 대해서는 오분류율이 거의 0에 가까웠으나 표본의 크기가 작은 미네랄간의 관계 등에서는 그림 12와 같은 오분류율이 발생하였는데, 표본크기가 200 이상일 경우 오뷴류율은 거의 0값을 나타내었다.
- 초기 입력화면은 데이터베이스와 연결되어 있으 며, 화면에 보이는 환자의 신상정보와 미네랄수치는 데이터베이스에 저장되어 있는 내용과 일치하도록 설계하였다. 새로운 데이터의 입력은 현재의 화면에 서 입력을 하거나 초기화 후 입력을 하고 데이터베이 스에 저장하하거나 단지 레포트만을 출력 할 수 있도 록 하였다.
- 셋째, 검사비용으로 인한 년간 18억원 이상의 외 화낭비가 초래된다.
- 현재 IMES 시스템의 데이터베이스에 저장된 총 영문 종 류는 각 대사 및 미네랄 타입별로 약 700개 정도이다. 이 것으로부터 약 35만건의 자료로부터 추론된 것보 다 다중 퍼 지규칙 베 이스에 의 한 2000건에 의 한 추론 결과가 더 우수함을 알 수 있었다.
- 여 기서 Max=50, Min=3 (3 M 소요시 간 M 50) 을 나타낸다. 측정 결과 IMES를 사용안할 경우와 사용 할 경 우 각각 6%, 92% 사용자 만족도를 나타내 었다.
- 이 것은 표본크기가 2000이고 오 분류율이 0이라는 조건하에서 측정된 결과이다. 평균 처리속도는 입력부분에서 미네랄 수치룰 입 력하여 영어 및 번역된 문장을 찾아내는 속도를 측정 한 것으로, 기존의 방법은 규칙의 입력부분의 비교횟 수가 많아 처리속도가 느린 반면 제안한 방법은 규칙 의 조건부 비교횟수를 줄여주어 결론부를 재입력함으로써 평균 처리속도가 약 5배 정도 향상되었다.
- 현재 개발된 IMES 시스템은 국내 임상실험한 자 료가 미국 TEI에 비해 작았지만(약 2000 여건 정도) 업무효율이 IMES 시스템을 사용하지 않았을 경우 보다 86%이 상 향상되 었고, 사용자 만족도가 92%정 도 되었고, 시간당 처리하는 평균 처리건수도 기존에 비 해 약 7.5배 이 상 증가하게 되 었으며 결과의 정 확도 도 약 92%정도로 측정되었고, 다중 규칙베이스 시스 템의 평균 처리속도도 약 5배이상 증가하였다.
- 2까지 7개월간 국 내 에 보관된 환자의 임 상자료 약 2000건 에 대 해 측정 한 것으로, 시스템에서 전체적으로 한국어로 번역되 어 출력되는 최종 결과지가 미국에서 보내오는 영문 으로 된 결과지와 일치하는 정도를 측정한 것이다. 환자 한건당 결과지 에 포함해서 출력 해야 할 총 50개 의 문장들 중 단일 퍼지규칙 베이스로 구축한 경우는 평균 34개 정도의 문장만이 일치하였으나 다중 퍼지 규칙 베이스로 시스템을 구축한 경우 평균적으로 46 개 정도 일치하였고 4개 정도 비슷하거나 잘못된 문 장을 출력하였는더L 이것은 제안한 방법이 기존에 비 해 약 24% 정도 정확성이 향상된 수치이다. 현재 IMES 시스템의 데이터베이스에 저장된 총 영문 종 류는 각 대사 및 미네랄 타입별로 약 700개 정도이다.
후속연구
- 둘째, 미국에서 보내오는 TMA 검사결과가 영문이라 한글화된 결과지가 필요하며 암호화된 파일형 태 이므로 시스템적 활용도가 낮다. 또한 한국적 특성이 아닌 서구식 데이터베이스에 의한 결과물이므로 검사결과의 신뢰성이 부족할 수밖에 없으며 한국적 임상 결과에 대한 검증자료가 없다
- 앞으로 계속 연구해야 할 과제는 많은 임상결과를 바탕으로 시스템을 개선하는 일이고 지능적 추론 방 법과 다단계 통계 적 분류방법과의 연관성에 관해 좀 더 연구하여 시스템 의 오류율을 최소화해야 하는 일 이 며 웹상에서 서 비스할 수 있도록 시스템을 확장하 는 일이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.