종래에 헬스케어 영역에서 주로 사용해왔던 기계학습 기법을 U-health 서비스 분석단계에 적용하기에는 여러 가지 문제점들이 있다. 첫째, 아직 U-health 분야의 연구가 초기단계에 불과하여 기존의 기법들을 U-health 환경에 적용한 사례가 매우 부족하다. 둘째, 기계학습 기법은 학습시간이 많이 소요되기 때문에 실시간으로 질환을 관리해야만 하는 U-health 서비스 환경에는 적용하기 어렵다. 셋째, 그동안 다양한 기계 학습 기법들이 제시되었으나 질환 연관변수에 가중치를 부여할 수 있는 방법이 없어, 개인 맞춤형 질병예측 시스템으로 구축할 수 없는 한계를 가진다. 본 논문에서는 이러한 문제점들을 개선하고, U-health 서비스 시스템의 바이오 데이터 분석 과정을 프로세스로 해석하기 위하여, 개인 맞춤형 질병예측 기법인 PCADP를 제안하였다. 또한 이러한 PCADP를 바탕으로 U-health 데이터 및 서비스 명세의 의미 있는 표현을 위하여 U-health 온톨로지프레임워크를 시멘틱스형으로 모델링하였다. 또한 PCADP 예측 기법은 U-health 환경에서 판별 기법이 갖추어야 할 조건인 유연성과 실시간성이 기존의 방식에 비하여 향상되었고, 판별과정의 모니터링 및 시스템의 지속적인 개선측면에서도 효율적으로 작용함을 확인하였다.
종래에 헬스케어 영역에서 주로 사용해왔던 기계학습 기법을 U-health 서비스 분석단계에 적용하기에는 여러 가지 문제점들이 있다. 첫째, 아직 U-health 분야의 연구가 초기단계에 불과하여 기존의 기법들을 U-health 환경에 적용한 사례가 매우 부족하다. 둘째, 기계학습 기법은 학습시간이 많이 소요되기 때문에 실시간으로 질환을 관리해야만 하는 U-health 서비스 환경에는 적용하기 어렵다. 셋째, 그동안 다양한 기계 학습 기법들이 제시되었으나 질환 연관변수에 가중치를 부여할 수 있는 방법이 없어, 개인 맞춤형 질병예측 시스템으로 구축할 수 없는 한계를 가진다. 본 논문에서는 이러한 문제점들을 개선하고, U-health 서비스 시스템의 바이오 데이터 분석 과정을 프로세스로 해석하기 위하여, 개인 맞춤형 질병예측 기법인 PCADP를 제안하였다. 또한 이러한 PCADP를 바탕으로 U-health 데이터 및 서비스 명세의 의미 있는 표현을 위하여 U-health 온톨로지 프레임워크를 시멘틱스형으로 모델링하였다. 또한 PCADP 예측 기법은 U-health 환경에서 판별 기법이 갖추어야 할 조건인 유연성과 실시간성이 기존의 방식에 비하여 향상되었고, 판별과정의 모니터링 및 시스템의 지속적인 개선측면에서도 효율적으로 작용함을 확인하였다.
Applying the conventional machine-learning method which has been frequently used in health-care area has several fundamental problems for modern U-health service analysis. First of all, we are still lack of application examples of the traditional method for our modern U-health environment because of...
Applying the conventional machine-learning method which has been frequently used in health-care area has several fundamental problems for modern U-health service analysis. First of all, we are still lack of application examples of the traditional method for our modern U-health environment because of its short term history of U-health study. Second, it is difficult to apply the machine-learning method to our U-health service environment which requires real-time management of disease because the method spends a lot of time in the process of learning. Third, we cannot implement a personalized U-health diagnosis system using the conventional method because there is no way to assign weights on the disease-related variables although various kinds of machine-learning schemes have been proposed. In this paper, a novel diagnosis scheme PCADP is proposed to overcome the problems mentioned above. PCADP scheme is a personalized diagnosis method and it makes the bio-data analysis just a 'process' in the U-health service system. In addition, we offer a semantics modeling of the U-health ontology framework in order to describe U-health data and service specifications as meaningful representations based on this PCADP. The PCADP scheme is a kind of statistical diagnosis method which has characteristics of flexible structure, real-time processing, continuous improvement, and easy monitoring of decision process. Upto the best of authors' knowledge, the PCADP scheme and ontology framework proposed in this paper reveals one of the best characteristics of flexible structure, real-time processing, continuous improvement, and easy monitoring among recently developed U-health schemes.
Applying the conventional machine-learning method which has been frequently used in health-care area has several fundamental problems for modern U-health service analysis. First of all, we are still lack of application examples of the traditional method for our modern U-health environment because of its short term history of U-health study. Second, it is difficult to apply the machine-learning method to our U-health service environment which requires real-time management of disease because the method spends a lot of time in the process of learning. Third, we cannot implement a personalized U-health diagnosis system using the conventional method because there is no way to assign weights on the disease-related variables although various kinds of machine-learning schemes have been proposed. In this paper, a novel diagnosis scheme PCADP is proposed to overcome the problems mentioned above. PCADP scheme is a personalized diagnosis method and it makes the bio-data analysis just a 'process' in the U-health service system. In addition, we offer a semantics modeling of the U-health ontology framework in order to describe U-health data and service specifications as meaningful representations based on this PCADP. The PCADP scheme is a kind of statistical diagnosis method which has characteristics of flexible structure, real-time processing, continuous improvement, and easy monitoring of decision process. Upto the best of authors' knowledge, the PCADP scheme and ontology framework proposed in this paper reveals one of the best characteristics of flexible structure, real-time processing, continuous improvement, and easy monitoring among recently developed U-health schemes.
헬스케어 영역에서 주로 사용해왔던 기계학습 기법을 U-health 서비스 분석 단계에 적용하기에 발생하는 문제점은?
종래에 헬스케어 영역에서 주로 사용해왔던 기계학습 기법을 U-health 서비스 분석단계에 적용하기에는 여러 가지 문제점들이 있다. 첫째, 아직 U-health 분야의 연구가 초기단계에 불과하여 기존의 기법들을 U-health 환경에 적용한 사례가 매우 부족하다. 둘째, 기계학습 기법은 학습시간이 많이 소요되기 때문에 실시간으로 질환을 관리해야만 하는 U-health 서비스 환경에는 적용하기 어렵다. 셋째, 그동안 다양한 기계 학습 기법들이 제시되었으나 질환 연관변수에 가중치를 부여할 수 있는 방법이 없어, 개인 맞춤형 질병예측 시스템으로 구축할 수 없는 한계를 가진다. 본 논문에서는 이러한 문제점들을 개선하고, U-health 서비스 시스템의 바이오 데이터 분석 과정을 프로세스로 해석하기 위하여, 개인 맞춤형 질병예측 기법인 PCADP를 제안하였다.
U-health 서비스의 4단계 구성은?
U-health 서비스는 대개 측정센서로 사용자의 생체신호를 얻어오는 센싱 단계, 생체신호를 1차적으로 가공하는 모니터링 단계, 데이터로부터 패턴인식, 데이터마이닝과 같은 기계학습(machine learning)으로부터 새로운 건강지표를 구하는 분석 단계, 건강 상태를 사용자에게 알려주는 피드백 단계와 같이 4단계로 구성된다. 특히, 축적된 생체신호 데이터로부터 새로운 건강지표를 구하는 분석단계가 U-health 서비스의 핵심이자 기반이 되는 기술이라고 볼 수 있다[7-9].
U-health 서비스에 대한 수요가 크게 확대될 것으로 예상되는 이유는?
또한 식생활 습관 변화, 스트레스 등으로 인한 질환의 증가에 따른 건강에 대한 관심 고조로 환자들이 소비 주체로서의 의료서비스를 요구하고 있으며, 병원 의료정보화로 고비용의 의료 기관 중심에서 일상 가정보건, 전문 의료서비스 중심으로 서비스가 변화하고 있다. 그러므로 의료기관을 방문하지 않고도 언제, 어디서나 건강상태 확인 및 의료서비스를 제공 받기 원하는 니즈가 강하게 나타나, 향후 U-health 서비스에 대한 수요가 크게 확대될 것으로 예상된다[1-6].
참고문헌 (17)
한국홈네트워크산업협회, IPTV, u-Home, u-Health 서비스 중심으로, 도서출판 진한엠앤비, 2009.
u-Health Trials 2008, 한국정보사회진흥원, 2008.
u-Health 서비스 배경 및 추진현황, 한국정보사회진흥원, 2008.
유비쿼터스 시대의 보건의료서비스 전망, 서울대학교병원, 2006.
2008 u-Health 기술 워크샵, u-Health산업활성화 포럼, 2008.
2008 u-Health 로드쇼, u-Health산업활성화포럼, 2008.
손미숙, u-health 서비스 지원을 위한 웨어러블 시스템, 전자통신동향분석, Vol.21, No.3, 2006.
I. inza, M. merino, P. Larranage, J. Quiroga, B. Sierra, and M. Girala, Feature Subset by genetic algorithms and estimation of distribution algorithms A case study in the survival of cirrhotic patients treated with TIPS, Artificial Intelligence in Medicine 23, 2001.
M. J. Fine, B. H. Hanusa, J. R. Lave, D. E. Singer, R. A. Stone, L. A. Weissfeld, C. M. Coley, T. J. Marrie, and W. N. Kapoor, Comparison of severity of illness measured in patients with community-acquired pneumonia, J.Gen. Int. Med., 1995.
D. H. Kim, S. Uhmm, S. W. Cho, K. B. Hahm, J. Kim, Predictive Model for Chronic Hepatitis Susceptibility from Single Nucleotide Polymorphism, BIOINFO, pp.35-38, 2006.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.