[논문]지능형 통증 간호중재 유헬스 시스템 성능분석

정호일; 류현; 정경용; 이영호

doi:10.5392/jkca.2013.13.04.001

지능형 통증 간호중재 유헬스 시스템 성능분석
Performance Analysis of Intelligence Pain Nursing Intervention U-health System 원문보기

한국콘텐츠학회논문지 = The Journal of the Korea Contents Association, v.13 no.4, 2013년, pp.1 - 7

정호일 (상지대학교 컴퓨터정보공학부 지능시스템연구실) , 류현 (상지대학교 시스템운영부) , 정경용 (상지대학교 컴퓨터정보공학부) , 이영호 (가천대학교 IT대학)

초록
AI-Helper

개인화 추천 시스템은 자동화된 정보 필터링 기술을 적용하여 사용자의 취향에 맞는 상품을 추천해 주는 시스템이다. 이러한 기술 중 협력적 필터링은 비슷한 패턴을 가진 형태들을 식별해 내는 기법이다. 따라서 이를 이용하면 과거 유사한 형태를 가진 환자의 자료를 통하여 통증 강도를 유추 하거나 분류된 환자의 프로필의 유사도에 따라 관련 사정을 추출하는 것이 가능하게 된다. 유사도 가중치 추출의 대표적인 방법인 피어슨 상관계수를 사용하는 방법은 데이터의 양에 따라 표본 데이터가 적은 경우 예측 값이 부정확해지고 양이 방대한 경우 계산량이 제곱으로 늘어 신속한 결과를 추출할 수 없게 되는 단점이 있다. 본 논문에서는 MAE와 순위 스코어를 사용하여 의미있는 데이터를 추출하기 위한 표본 자료의 규모와 유사도 군집량을 비교하여 구현된 지능형 통증 간호중재 유헬스 시스템의 우수성을 확인하였다. 이를 통하여 통증환자의 고통호소를 간호사가 신속하게 파악할 수 있도록 기초자료와 가이드라인을 제공하게 되고, 따라서 환자의 안위 증진이 향상되게 된다.

Abstract ▼ AI-Helper

A personalized recommendation system is a recommendation system that recommends goods to users' taste by using an automated information filtering technology. A collaborative filtering method in this technology is a method that discriminates certain types, which represent similar patterns. Thus, it is possible to estimate the pain strength based on the data of the patients who have the past similar types and extract related conditions according to the similarity in classified patients. A representative method using the Pearson correlation coefficient for extracting the similarity weight may represent inexact results as the sample data is small according to the amount of data. Also, it has a disadvantage that it is not possible to fast draw results due to the increase in calculations as a square scale as the sample data is large. In this paper, the excellency of the intelligence pain nursing intervention u-health system implemented by comparing the scale and similarity group of the sample data for extracting significant data is verified through the evaluation of MAE and Raking scoring. Based on the results of this verification, it is possible to present basic data and guidelines of the pain of patients recognized by nurses and that leads to improve the welfare of patients.

주제어

AI 본문요약
AI-Helper

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

문제 정의

MAE는 예측의 정확도를 측정하기 위해서 실제로 사용자가 평가한 값과 예측된 값의 차이에 대한 절대 값의 평균을 나타낸다. 본 논문에서는 MAE를 기반으로 제안하는 방식(PNIS-CF)과 협력적 필터링에 의한 예측 값을 실험하여 MAE에 의해 예측 성능을 분석한 것이다[14][15][18].
따라서 간호사의 경험적 지식에 의존하거나 의료 환경에 따라 환자에게 획일적으로 적용하는 것이 대부분인 현실이다. 본 논문에서는 기존에 개발한 협력적 필터링을 이용한 지능형 통증 간호중재 유헬스 시스템의 내용을 기술한다. 개발된 시스템으로 간호 중재의 객관적 판단을 할 수 있어 성능평가와 분석을 한다.
협력적 필터링에서 사용자의 성향에 맞는 아이템을 예측하고 추천하는데 데이터 규모 및 유사도 군집의 크기에 따라 성능에 영향을 미친다. 본 논문에서는 데이터 규모에 따른 성능을 확인하기 위하여 테스트 데이터를 3개의 그룹으로 나누어 수치를 확인하였다. 그리고 유사도 군집량에 따른 예측 정확도 향상에 관한 성능분석을 하였다.

제안 방법

개발한 시스템의 구성은 간호 전문가로부터 새로운 진단병명 및 요인, 증상 등을 입력할 수 있는 자료입력 모듈, 수집된 자료를 통하여 협력적 필터링 및 기본 평가값 알고리즘을 이용하여 통증을 예측하고 추론하는 모듈, 데이터를 저장하는 데이터베이스로 구성되어 있으며, 최종 결과를 사용자 인터페이스로 보여주는 모듈로 구성되어 있다. 개발한 지능형 통증 간호중재 유헬스 시스템은 [13][15][16]에 구체적으로 기술하였다.
본 논문에서는 데이터 규모에 따른 성능을 확인하기 위하여 테스트 데이터를 3개의 그룹으로 나누어 수치를 확인하였다. 그리고 유사도 군집량에 따른 예측 정확도 향상에 관한 성능분석을 하였다. 실험 결과는 50명이상의 환자 데이터를 기반으로 상위 10%의 상관관계 조건으로 할 경우 가장 효율적이며, 의미있는 결과를 추출하였다.
개발된 시스템에서는 최초 입력된 대상 환자의 다양한 조건(연령, 성별, 몸무게 및 질병) 중 통증과 관련된 정보를 추출하고 정규화시키는 사전 작업이 이루어진다. 그리고 협력적 필터링을 통하여 각 요소의 유사도를 계산한다. 지능형 통증 간호중재 유헬스 시스템의 성능을 분석하기 위해서 MAE와 순위 스코어를 사용한다.
기본적으로 모든 데이터는 5단계를 기준으로 연령, 키, 몸무게 등을 선정하였고 성별은 2단계, 질병명은 대그룹으로 분류하여 26단계로 한정하였고 통증의 입력은 10단계로 입력하였다. 입력한 데이터는 정규화 처리를 하고 별도 데이터로 저장된다.
본 연구에서는 제안하는 방식(PNIS-CF)과 협력적 필터링(CF)에 의한 예측 값을 실험하여 환자의 수를 증가시키면서 성능을 비교하였다. [표 3]은 환자의 수를 변화시킴에 따른 PNIS-CF와 CF의 MAE와 순위 스코어를 나타낸다[16].
또한 제안하는 PNIS-CF와 CF의 순위 스코어에 따른 성능 평가를 함으로써 적정규모의 연산과 데이터의 양으로 추천이 가능함을 증명하였다. 성능평가 결과를 이용하여 논문에서는 협력적 필터링 모형을 구축하고 데이터 입력 화면을 구성하여 전문 간호사가 쉽게 통증진단을 내릴 수 있는 시스템을 개발하였다. 또한 실무에서 사용되는 검증된 샘플 데이터를 사용하여 지능형 통증 간호중재 유헬스 시스템의 타당성을 검증하고, 징후사정, 통증진단, 간호중재 계획 및 수행의 각 단계가 신규환자에 대한 정보입력 즉시 신속하고 효율적으로 연계하여 처리를 할 수 있게 되었다.
성능평가 및 분석을 하기 위해 지능형 통증 간호중재 유헬스 시스템을 클라이언트/서버 환경을 구성하기 위하여 웹서비스로 JSP를 사용하여 개발하였다. 이를 이용하여 간호사는 이동시 접근이 용이한 단말기를 선택적으로 사용하여 정보에 접근할 수 있다[13][17][18].
실험 데이터는 집합의 환자 수를 증가하면서 성능 평가를 한다. 먼저 데이터 규모에 따른 MAE에 의한 성능 분석 결과는 [그림 2]와 같다.
먼저 데이터 규모에 따른 MAE에 의한 성능 분석 결과는 [그림 2]와 같다. 유사 상관관계 그룹을 상위 10% 조건으로 한정하였고, 샘플 데이터를 3개의 그룹으로 분리하여 평가한다. 아이템을 피어슨 상관계수를 이용하여 예측하여 군집 속에 들어가는 수를 제한하여 사용하면 정확도 면에서 좋은 성능이 나타난다.

대상 데이터

성능평가를 하기 위한 실험 데이터로 원주에 소재하는 Y대학병원에서 수집한 실제 데이터 샘플 데이터 집합을 사용한다. [표 2]와 같은 데이터로 키(cm)에 관련된 결측값이 빈번하게 발생하고 있다.

데이터처리

기존에 개발한 시스템은 [13][15]에서 구체적으로 기술하였다. 3장에서 개발된 시스템에 대해서 MAE 및 순위 스코어 측정을 이용하여 성능을 평가하고 분석한다. 4장에서는 결론을 기술한다.
본 논문에서는 기존에 개발한 협력적 필터링을 이용한 지능형 통증 간호중재 유헬스 시스템의 내용을 기술한다. 개발된 시스템으로 간호 중재의 객관적 판단을 할 수 있어 성능평가와 분석을 한다. 협력적 필터링은 선호도에 대한 데이터를 기반으로 사용자의 관심을 갖게 할 아이템을 추천해주는 기법으로 비슷한 패턴을 가진 형태들을 식별해 내는 기법이다.

성능/효과

아이템을 피어슨 상관계수를 이용하여 예측하여 군집 속에 들어가는 수를 제한하여 사용하면 정확도 면에서 좋은 성능이 나타난다. 200개 표본의 경우 상위 그룹 환자의 약 5%(10명 내외)규모로 연산하는 경우 가장 정확했다. [그림 2]의 성능평가에서 50명 이상의 환자 데이터를 기반으로 상위 10%의 상관관계 조건으로 할 경우 가장 효율적이며, 의미 있는 결과를 나타냈다고 할 수 있다.
따라서 정확한 통증진단을 내리는데 자신감이 결여되어 있는 임상의 간호사로 하여금 환자의 증상과 징후에 관한 사정 자료를 사용하여 시스템이 협력적 필터링을 이용해 자동으로 통증진단을 도출할 수 있게 함으로써 간호과정의 부족한 부분을 보완하게 된다. 개발한 지능형 통증 간호중재 유헬스 시스템은 기본 자료의 유지보수를 쉽게 하기 위한 인터페이스를 제공하고 있으며 통증 판정시 마다 표본 집단의 증가로 인하여 후속 진단보다 정확하고 빠른 진단 결과를 도출할 수 있다. 반면 특정 질환이나 통증의 성격 등에 따라 특성화한 통증관리지침이 아니라 입원환자의 통증간호의 일반적인 통증에 대한 수치임을 주지하고 사용하여야 하며, 따라서 암을 비롯한 특정 질환 및 급성 통증, 만성 통증, 수술 환자, 암 환자 경우에는 결과가 상의 할 수 있다.
성능평가 결과를 이용하여 논문에서는 협력적 필터링 모형을 구축하고 데이터 입력 화면을 구성하여 전문 간호사가 쉽게 통증진단을 내릴 수 있는 시스템을 개발하였다. 또한 실무에서 사용되는 검증된 샘플 데이터를 사용하여 지능형 통증 간호중재 유헬스 시스템의 타당성을 검증하고, 징후사정, 통증진단, 간호중재 계획 및 수행의 각 단계가 신규환자에 대한 정보입력 즉시 신속하고 효율적으로 연계하여 처리를 할 수 있게 되었다. 따라서 정확한 통증진단을 내리는데 자신감이 결여되어 있는 임상의 간호사로 하여금 환자의 증상과 징후에 관한 사정 자료를 사용하여 시스템이 협력적 필터링을 이용해 자동으로 통증진단을 도출할 수 있게 함으로써 간호과정의 부족한 부분을 보완하게 된다.
실험 결과는 50명이상의 환자 데이터를 기반으로 상위 10%의 상관관계 조건으로 할 경우 가장 효율적이며, 의미있는 결과를 추출하였다. 또한 제안하는 PNIS-CF와 CF의 순위 스코어에 따른 성능 평가를 함으로써 적정규모의 연산과 데이터의 양으로 추천이 가능함을 증명하였다. 성능평가 결과를 이용하여 논문에서는 협력적 필터링 모형을 구축하고 데이터 입력 화면을 구성하여 전문 간호사가 쉽게 통증진단을 내릴 수 있는 시스템을 개발하였다.
그리고 유사도 군집량에 따른 예측 정확도 향상에 관한 성능분석을 하였다. 실험 결과는 50명이상의 환자 데이터를 기반으로 상위 10%의 상관관계 조건으로 할 경우 가장 효율적이며, 의미있는 결과를 추출하였다. 또한 제안하는 PNIS-CF와 CF의 순위 스코어에 따른 성능 평가를 함으로써 적정규모의 연산과 데이터의 양으로 추천이 가능함을 증명하였다.
유사 상관관계 그룹을 상위 10% 조건으로 한정하였고, 샘플 데이터를 3개의 그룹으로 분리하여 평가한다. 아이템을 피어슨 상관계수를 이용하여 예측하여 군집 속에 들어가는 수를 제한하여 사용하면 정확도 면에서 좋은 성능이 나타난다. 200개 표본의 경우 상위 그룹 환자의 약 5%(10명 내외)규모로 연산하는 경우 가장 정확했다.
[그림 4]는 환자의 수가 증가함에 따라 PNIS-CF의 예측 정확도는 높아지나, CF는 다소 낮아짐을 알 수 있다. 평균적으로 PNIS-CF가 CF보다 약 18.6%의 높은 성능 차이를 보인다.

후속연구

서버는 SUN Fire V890, 데이터베이스는 Oracle 9i를 사용한다. 개발된 시스템은 통증강도와 그에 대한 관련 증상, 통증 진단명의 정의 등에 대한 기초 자료로 추가, 수정, 삭제를 통합 처리할 수 있다. 입력 후 환자 기초 자료 정규화 버튼을 누르면 다양하게 입력된 수치의 정규화 작업이 이루어져 파일 서버에 저장된다.
반면 특정 질환이나 통증의 성격 등에 따라 특성화한 통증관리지침이 아니라 입원환자의 통증간호의 일반적인 통증에 대한 수치임을 주지하고 사용하여야 하며, 따라서 암을 비롯한 특정 질환 및 급성 통증, 만성 통증, 수술 환자, 암 환자 경우에는 결과가 상의 할 수 있다. 이러한 부분을 수정, 보완하여, 질환별 혹은 통증의 특성별로 세분화된 임상근거에 입각한 시스템 개발이 필요하다.

질의응답

핵심어	질문	논문에서 추출한 답변
	통증으로 인해 초래되는 문제점은 무엇인가?	통증은 대부분의 질병 발생에 동반되고 실제 임상에서의 치료 및 검사 과정 중에도 가장 빈번하게 발생되는 증상 중의 하나이다. 이는 신체적, 감정적, 사회적, 영적, 경제적으로 환자의 삶의 질을 저하시킬 수 있다[3].
	통증이란 무엇인가?	통증이란 실제적이거나 잠재적인 조직의 손상과 관련한 감각적 및 정서적 경험이다. 통증은 질병에 따라 환자가 호소할 때마다 존재하는 것으로 표현하며 정의 한다[2].
	통증 관리가 제대로 되지 않은 관련 요인으로는 무엇이 있는가?	이러한 통증은 환자의 삶의 질을 현저히 손상시키게 된다. 통증 관리가 제대로 되지 않은 관련 요인으로는 통증간호에 대한 지식 부족, 부정확한 사정, 통증 보고 또는 진통제 투여에 대한 내성 또는 중독이 생길지도 모른다는 환자의 걱정, 거부 등이 있다[3]. 특히 의료인의 통증간호에 대한 지식 부족으로 인해 적절한 통증관리가 시행되지 못함으로 인하여, 환자의 통증에 대한 태도에도 부정적인 영향을 미칠 수 있게 된다[5].

참고문헌 (20)

J. Manning and E. A. McConnell, "Technology Assessment. A Framework for Generating Questions Useful in Evaluating Nursing Information Systems," J. of Comput Nurs, Vol.15, No.3, pp.141-146, 1997.
International Association for the Study of Pain, "Pain terms: A Current List of the Definitions and Notes on Usage," J. of Pain, pp.216-221, 1986.
S. A. Brekken and V. J. D. Sheets, "Pain management: A Regulatory Issue," J. of Nursing Administration Quarterly, Vol.32, No.4, pp.288-295, 2008.

상세보기
김진현, 이영희, 양봉민, "전국 의료기관의 수술 후 통증 관리 실태 분석", 대한마취과학회지, Vol.55, No.4, pp.458-466, 2008.

상세보기
정귀임, 박정숙, 김혜옥, 윤매옥, 문미영, "암환자통증관리에 대한 의료인의 지식에 관한 조사연구", 임상간호연구, Vol.10, No.1, pp.111-124, 2004.

상세보기
보건복지부, "암성통증관리지침 권고안", 보건복지부, 2003.
장영준, 척추수술 환자의 수술 후 통증 변화와 통증 조절 중재에 대한 만족도, 전북대학교 석사학위논문, 2004.
D. Billsus and M. J. Pazzani, "Learning Collaborative Information Filters," Proc. of the International Conference on Machine Learning, pp.46-53, 1998.
Y. F. Wang, Y. L. Chuang, M. H. Hsu, and H. C. Keh, "A Personalized Recommender System for the Cosmetic Business," J. of Expert Systems with Applications, Vol.26, No.3, pp.427-434, 2004.

상세보기
국가암정보센터, http://www.cancer.go.kr/cms/ data/cif/1255082_1616.html, 2009.
이준규, 인터넷 개인화 아이템 추천 알고리즘에 대한 연구, 연세대학교 석사학위논문, 2000.
최순희, 조복희, 지혜련, 이운주, 김혜숙, 박민정, 표준화된 간호진단, 중재 및 결과 분류, 정문각, 2004.
H. Yoo, H. I. Jung, and K. Y. Chung, "Development of Pain Prescription Decision Systems for Nursing Intervention," ICITCS11, LNEE 120, pp.435-444, Springer, 2011.
박인숙, 장미, 유순애, 김희진, 오필주, 정희정, " 일개 대학병원 내과 병동 입원환자의 전자의무기록에 사용된 통증간호 기록 분석," 임상간호연구, Vol.16, No.3, p.128, 2010.
류현, 협력적 필터링 기법을 이용한 통증 간호중재 지원 시스템, 상지대학교 석사학위논문, 2011.
류현, 조선문, 정경용, "보건산업에서 협력적 필 터링을 이용한 통증 간호중재 지원 방법", 한국콘텐츠학회논문지, 제11권, 제7호, pp.1-8, 2011.

원문보기 상세보기
K. D. Lee, M. Y. Nam, K. Y. Chung, Y. H. Lee, and U. G. Kang, "Context and Profile based Cascade Classifier for Efficient People Detection and Safety Care System," Multimedia Tools and Applications, Vol.63, No.1, pp.27-44, 2013.

상세보기
C. W. Song, K. Y. Chung, J. J. Jung, K. W. Rim, and J. H. Lee, "Localized Approximation Method Using Inertial Compensation in WSNs," Information - An International Interdisciplinary Journal, Vol.14, No.11, pp.3591-3600, 2011.
Y. G. Jung, M. S. Han, K. Y. Chung, and S. J. Lee, "A Study of a Valid Frequency Range using Correlation Analysis of Throat Signal," Information-An International Interdisciplinary Journal, Vol.14, No.11, pp.3791-3799, 2011.
C. W. Song, D. Lee, K. Y. Chung, K. W. Rim, and J. H. Lee, "Interactive Middleware Architecture for Lifelog based Context Awareness", Multimedia Tools and Applications, 2013. DOI 10.1007/s11042-013-1362-7

상세보기

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