[논문]베이지안 네트워크를 활용한 정신장애 질병 섬망의 주요 위험인자와 오즈비

이제영; 최영진

베이지안 네트워크를 활용한 정신장애 질병 섬망의 주요 위험인자와 오즈비
Odds ratio of major risk factors associated with delirium by Bayesian network 원문보기

Journal of the Korean Data & Information Science Society = 한국데이터정보과학회지, v.22 no.2, 2011년, pp.217 - 225

초록
AI-Helper

정신장애 질병과 관련된 위험인자를 찾는 것은 매우 중요한 일이다. 또한 질병과 관련된 위험인자들의 연관성을 나타내는 위험비는 의학에서 주된 관심이 된다. 따라서 우리는 정신장애 질병과 위험인자 간의 연관성을 살펴보기 위해 오즈비를 활용한다. 본 논문에서는 베이지안 네트워크를 정신장애질병인 섬망자료에 적용하여 선별된 주요 위험인자들의 오즈비를 찾았다. 특히 선별된 주요 위험인자들이 단일로 존재할 때의 오즈비와 위험인자가 복합적으로 존재할 때의 오즈비를 통하여 섬망에 가장 위험한 영향을 미치는 위험인자를 규명하였다.

Abstract ▼ AI-Helper

It is important to find risk factors associated with mental disorder. Also the hazard ratio that represent the relationship of risk factors with illness is main interest in medicine. Thus we used odds ratio to explore the relationship between mental disorder and risk factors. On this paper, when we applied Bayesian network to delirium of mental disorder, we selected major risk factors and calculated odds ratio. Especially we identified odds ratio of single risk factors and multiple risk factors.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

이전 연구에서는 위험인자가 존재할 때 질병이 발병할 확률값을 통하여 질병과 관련된 위험인자들 간 연관성을 밝혔다면 이번 연구에서는 위험비를 사용하여 질병과 위험인자 간 연관성을 밝힌다 (이용원, 2004). 따라서 본 논문에서는 섬망과 관련된 베이지안 네트워크에 의한 7가지 주요 위험인자와 섬망과의 연관성을 살펴보는 측도로 오즈비 (odds ratio)를 사용하여 위험비를 밝히고자 한다. 특히 주요 위험인자들이 단일로 존재할 때의 오즈비와 위험인자가 복합적으로 존재할 때의 오즈비를 통해서 섬망에 가장 위험한 영향을 미치는 위험인자를 규명한다.
본 논문은 베이지안 네트워크 기법을 정신장애 질병인 섬망 자료에 적용하여 선별된 7가지 주요 위험 인자들과 섬망과의 연관성을 살펴보기 위해 오즈비를 구하여 섬망에 가장 위험을 많이 끼치는 위험인자를 규명한 것이다. 먼저 단일의 주요 위험인자 중에서 위험도가 높게 나타난 상위 3개의 위험인자는 대사이상, 뇌졸중, 신장수치 이상이다.
따라서 본 논문에서는 섬망과 관련된 베이지안 네트워크에 의한 7가지 주요 위험인자와 섬망과의 연관성을 살펴보는 측도로 오즈비 (odds ratio)를 사용하여 위험비를 밝히고자 한다. 특히 주요 위험인자들이 단일로 존재할 때의 오즈비와 위험인자가 복합적으로 존재할 때의 오즈비를 통해서 섬망에 가장 위험한 영향을 미치는 위험인자를 규명한다.

제안 방법

2는 위험인자가 복합적으로 존재할 때의 오즈비를 나타낸 것이다. 7가지 주요 위험인자 중에서 오즈비가 높은 상위 3개의 위험인자인 대사이상, 뇌졸중, 신장수치 이상과 나머지 주요 위험인자들이 하나라도 있을 때의 오즈비를 살펴보았다.
질병과 관련된 위험인자를 발견하는데 주로 사용되었던 로지스틱 회귀모형 기법보다 약 10% 정도 정확도가 높게 나타났다. 훈련자료와 테스트자료를 종합적으로 봤을 때 정확도가 가장 높게 나타난 베이지안 네트워크를 최종모형으로 선택하였다.

대상 데이터

3은 베이지안 네트워크를 최종모형으로 하여 섬망자료에 적용하였을 때 선별된 7가지 주요 위험인자들이다. 14가지 위험인자 중에서 뇌졸중, 대사이상, 신장수치 이상, 혈역동학적 이상, 기관지 확장제, 전해질 불균형, 항생제가 정신장애 질병인 섬망에 영향을 미치는 7가지 주요 위험인자로 선택되었다.
2008년 1월부터 2009년 12월까지 24개월 동안 종합병원 응급실을 통해 내과 병동으로 입원한 70세 이상 고령 환자를 대상으로 구성되어졌다. 연구에 포함된 환자의 성별, 나이, 과거력, 사회력, 생체 징후는 의무기록을 바탕으로 조사된 내용이다.
연구에서 사용한 대상자 수는 414명이며 그 중 42명은 정신과 치료를 통해 기저 질환으로 인한 섬망으로 진단받았으며 372명은 진단받지 않았다. 본 논문에서 사용한 위험인자는 2009년 Emma Arend 등이 보고한 32가지 위험인자 (Arend 등, 2009) 가운데 연령을 제외한 31가지 위험인자 중에서 카이제곱 검정을 통해 섬망과 유의한 관련이 있다고 선별된 14가지 위험인자를 사용하였다. 표 3.
정신장애 질병인 섬망 진단은 정신장애 진단통계 편람 제4편에 의해 정신과적 기저 질환을 제외한 기저 질환에 의해 섬망으로 진단받음을 기준으로 하였다 (Kwak 등, 2011). 연구에서 사용한 대상자 수는 414명이며 그 중 42명은 정신과 치료를 통해 기저 질환으로 인한 섬망으로 진단받았으며 372명은 진단받지 않았다. 본 논문에서 사용한 위험인자는 2009년 Emma Arend 등이 보고한 32가지 위험인자 (Arend 등, 2009) 가운데 연령을 제외한 31가지 위험인자 중에서 카이제곱 검정을 통해 섬망과 유의한 관련이 있다고 선별된 14가지 위험인자를 사용하였다.

이론/모형

이전 연구에서는 베이지안 네트워크를 통해 선별된 7가지 주요 위험인자와 정신장애 질병인 섬망 간 연관성을 찾는 방법으로 사후확률을 이용하였다 (이제영 등, 2011). 본 논문에서는 연관성을 살펴보는 방법으로 오즈비를 사용한다. 오즈비는 과거에 특정한 위험인자를 가지고 있었는지 조사한 연구를 통해 얻어지는 위험비이다.

성능/효과

971로써 뇌졸중이 있는 환자가 없는 환자보다 섬망의 발병률이 약 5배 정도 높게 나타났다. 뇌졸중이 있는 환자는 뇌줄중이 없는 환자에 비해서 최저 2.4배에서 최고 10.3배까지 섬망이 발병률이 높은 것으로 나타났다.
2배의 확률로 섬망이 나타날 가능성이 높다. 대사이상이 있는 환자는 최저 4.1배부터 최고 16.1배까지 대사이상이 없는 환자보다 섬망이 걸릴 위험이 높은 것을 알 수 있다.
먼저 단일의 주요 위험인자 중에서 위험도가 높게 나타난 상위 3개의 위험인자는 대사이상, 뇌졸중, 신장수치 이상이다. 대사이상이 있을 때 섬망이 나타날 가능성이 약 8배 정도 높았고 뇌졸중과 신장수치 이상도 약 5배 정도 섬망이 나타날 가능성이 높았다. 또한 단일의 위험도가 높았던 상위 3개의 위험인자와 나머지 주요 위험인자가 복합적으로 존재하는 경우에도 섬망의 발병률이 매우 높게 나타났다.
따라서 우리는 단일의 위험인자가 섬망에 영향을 미치는 것보다 두 개의 위험인자 중에서 하나라도 위험인자가 존재할 때 섬망에 미치는 영향이 훨씬 더 높음을 찾을 수 있었다. 특히 위험인자들 중에서 대사이상, 뇌졸중의 위험인자가 있을 때에는 환자에게 더 주의를 기울여야 할 것이다.
대사이상이 있을 때 섬망이 나타날 가능성이 약 8배 정도 높았고 뇌졸중과 신장수치 이상도 약 5배 정도 섬망이 나타날 가능성이 높았다. 또한 단일의 위험도가 높았던 상위 3개의 위험인자와 나머지 주요 위험인자가 복합적으로 존재하는 경우에도 섬망의 발병률이 매우 높게 나타났다. 특히 뇌졸중과 대사이상 두 위험인자 중에서 하나라도 존재하는 환자의 경우는 약 12배로 섬망이 나타날 가능성이 매우 높았으며 대사이상과 혈역동학적 이상에 대한 오즈비도 약 11배로 매우 높게 나타났다.
먼저 뇌졸중과 대사이상 두 위험인자 중에서 하나라도 위험인자를 가지는 환자의 오즈비는 11.543으로써 섬망이 약 11.5배로 발병률이 매우 높게 나타났다. 이는 뇌졸중, 대사이상이 단일로 존재하고 있을 때 보다 훨씬 더 위험도가 높아졌음을 알 수 있다.
먼저 훈련자료의 정확도를 살펴보면 로지스틱 회귀모형은 80.7%, 신경망은 85.5%, C5.0은 79.4%, Cart 기법은 83.6%, 베이지안 네트워크는 85.2%로 나타났다. 훈련자료에서 만들어진 모형을 테스트 자료에 적용한 결과를 살펴보면 로지스틱 회귀모형은 73.
베이지안 네트워크를 통해 섬망에 영향을 미치는 위험인자로 대사이상, 뇌졸중, 신장수치 이상, 혈역 동학적 이상, 전해질 불균형, 기관지 확장제, 항생제가 선별되었다. 4.
5배 정도 섬망이 걸릴 가능성이 나타났으며 항생제와 기관지 확장제를 복용한 환자들은 다른 위험인자에 비해서는 다소 낮은 확률이긴 하지만 항생제와 기관지 확장제를 복용한 환자가 복용하지 않은 환자보다 섬망의 발병률이 약 2배 정도로 역시 높게 나타났다. 위험인자가 단독으로 있을 때 섬망의 발병률은 최저 2배 이상에서 최고 8배까지 발병률이 나타났다.
7배 더 높게 나타났다. 전해질 불균형을 가진 환자는 약 3.5배 정도 섬망이 걸릴 가능성이 나타났으며 항생제와 기관지 확장제를 복용한 환자들은 다른 위험인자에 비해서는 다소 낮은 확률이긴 하지만 항생제와 기관지 확장제를 복용한 환자가 복용하지 않은 환자보다 섬망의 발병률이 약 2배 정도로 역시 높게 나타났다. 위험인자가 단독으로 있을 때 섬망의 발병률은 최저 2배 이상에서 최고 8배까지 발병률이 나타났다.
5%로 베이지안 네트워크 기법이 다른 기법보다 정확도가 매우 높음을 볼 수 있었다. 질병과 관련된 위험인자를 발견하는데 주로 사용되었던 로지스틱 회귀모형 기법보다 약 10% 정도 정확도가 높게 나타났다. 훈련자료와 테스트자료를 종합적으로 봤을 때 정확도가 가장 높게 나타난 베이지안 네트워크를 최종모형으로 선택하였다.
또한 단일의 위험도가 높았던 상위 3개의 위험인자와 나머지 주요 위험인자가 복합적으로 존재하는 경우에도 섬망의 발병률이 매우 높게 나타났다. 특히 뇌졸중과 대사이상 두 위험인자 중에서 하나라도 존재하는 환자의 경우는 약 12배로 섬망이 나타날 가능성이 매우 높았으며 대사이상과 혈역동학적 이상에 대한 오즈비도 약 11배로 매우 높게 나타났다.
2%로 나타났다. 훈련자료에서 만들어진 모형을 테스트 자료에 적용한 결과를 살펴보면 로지스틱 회귀모형은 73.8%, 신경망은 76.7%, C5.0은 73.8%, Cart는 79.6%, 베이지안 네트워크의 정확도가 84.5%로 베이지안 네트워크 기법이 다른 기법보다 정확도가 매우 높음을 볼 수 있었다. 질병과 관련된 위험인자를 발견하는데 주로 사용되었던 로지스틱 회귀모형 기법보다 약 10% 정도 정확도가 높게 나타났다.

질의응답

핵심어	질문	논문에서 추출한 답변
	섬망 증세가 나타날 경우 어떤 증상을 보이게 되는가?	정신장애 질병인 섬망은 혼동 상태와 심한 과다행동과 생생한 환각, 초조함과 떨림 등이 자주 나타나는 것을 말한다. 섬망 증세가 나타나면 집중력과 지각력에 장애가 와서 기억장애, 착각, 환각, 불면증이나 악몽 증상 등을 보이며 사람들과 대화할 때 안절부절 하거나 과잉행동을 한다. 또한 섬망은 기저 질환과 밀접하게 연관된 정신장애 질병이다.
	섬망이란 무엇인가?	우리는 다양한 정신장애 질병 중에서도 가역적인 기질성 정신장애인 섬망 (delirium)이라는 질병에 관심을 가졌다. 정신장애 질병인 섬망은 혼동 상태와 심한 과다행동과 생생한 환각, 초조함과 떨림 등이 자주 나타나는 것을 말한다. 섬망 증세가 나타나면 집중력과 지각력에 장애가 와서 기억장애, 착각, 환각, 불면증이나 악몽 증상 등을 보이며 사람들과 대화할 때 안절부절 하거나 과잉행동을 한다.
	의학에서 정신장애 질병과 관련 있는 위험인자를 찾는 것이 매우 중요해진 이유는 무엇인가?	현대사회에는 자살과 우울증과 같은 정신장애와 관련된 질병들이 점차 증가하고 있는 추세이다. 그렇다보니 의학에서는 정신장애 질병과 관련 있는 위험인자를 찾는 것이 매우 중요하다 (Choi 등, 2009).

참고문헌 (20)

김경헌 (2005). , 석사학위논문, 서울대학교.
이용원 (2004). . 박사학위논문, 영남대학교.
이재원, 박미라, 유한나 (2005). , 자유 아카데미, 서울.
이제영, 최영진 (2011). 베이지안 네트워크를 활용한 정신장애 질병 섬망 (delirium)의 주요 요인 네트워크 규명. , 출간예정.
허명회, 이용구 (2008). , 한나래, 서울.
Agresti, A. (1998). An introduction to categorical data analysis, Addison Wesley Longman, California.
Arend, E. and Christensen, M. (2009). Delirium in the intensive care unit: A review. British Association of Critical Care Nurses Nursing in Critical Care, 14, 145-154.
Choi, Y. and Kang, K. H. (2009). On statistical methods used in medical research. Journal of the Korean Data & Information Science Society, 20, 257-367.
Cole, M. and Primeau, F. (1993). Prognosis of delirium in elderly hospital patients. Canadian Medical Association Journal, 149, 41-46.
Dubois, M., Skrobik, Y., Bergeron, N., Dumont, M. and Dial, S. (2001). Delirium in an intensive care unit: A study of risk factors. Intensive Care Medical, 27, 1297-1304.
Heckerman, D. (1995). A tutorial on learning with Bayesian networks, Technical Report MSR-TR-95-06, Microsoft Research.
Heckerman, D. (1997). Bayesian networks for data mining, Kluwer Academic Publishers, London.
Hwang, K. B. and Zhang, B. T. (2005). An introduction to Bayesian networks: Concepts and learning from data. "http://bi.snu.ac.kr/Courses/4ai05f/introBN.pdf", SNU Biointelligence Lab, 1-93.
Inouye, S. (1994). The dilemma of delirium: Clinical and research controversies regarding diagnosis and evaluation of delirium in hospitalized elderly medical patients. The American Journal of Medicine, 97, 278-288.

상세보기
Inouye, S., Schlesinger, M. and Lyndon, T. (1999). Delirium: A symptom of how hospital care is failing older persons and a window to improve quality of hospital care, The American Journal of Medicine, 106, 565-573.

상세보기
Jensen, F. (1996). An introduction to Bayesian networks, Springer-verlag, New York.
Kahng, M. W., Kim, B. Y. and Hong, J. H. (2010). Graphical regression and model assessment in logistic model. Journal of the Korean Data & Information Science Society, 21, 21-32.
Kwak, K., Lee, S. B. and Do, B. S. (2011). Delirium in an emergency department: A study of risk factors. Journal of the Korean Society of Emergency Medicine, Submitted.
Skrobik, Y., Ouimet, S. and Kavanagh, B.P. (2007). Incidence, risk factor and consequences of ICU delirium, Intensive Care Medical, 33, 66-73.
Tan, P., Steinbach, M. and Kumar, V. (2007). Introduction to data mining, Addison Wesley Longman, California.

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

베이지안 네트워크를 활용한 정신장애 질병 섬망의 주요 위험인자와 오즈비
Odds ratio of major risk factors associated with delirium by Bayesian network 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

질의응답

참고문헌 (20)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

베이지안 네트워크를 활용한 정신장애 질병 섬망의 주요 위험인자와 오즈비 Odds ratio of major risk factors associated with delirium by Bayesian network 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

질의응답

참고문헌 (20)

이 논문을 인용한 문헌

저자의 다른 논문 :

이제영 (85) 최영진 (2)

관련 콘텐츠

원문 보기

원문 URL 링크

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

베이지안 네트워크를 활용한 정신장애 질병 섬망의 주요 위험인자와 오즈비
Odds ratio of major risk factors associated with delirium by Bayesian network 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper