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
- 또한 고혈압은 인구의 고령화와 함께 이로 인한 심혈관 질환의 이환율과 사망률이 지속적으로 증가하고 있고, 당뇨병 역시 흔한 만성질환임과 동시에 신부전증 등의 발병의 가장 중요한 원인이기도 하다.[18] 이에 본 연구에서는 질 관리 오류 검증 방법인 Outlier Detection Method 방법에 따라 당뇨 환자의 고혈압 동반에 대한 Outlier(극단적 케이스) 를 찾을 수 있는 데이터 질 관리 알고리즘을 개발하고자 하였다. 본 연구에서 당뇨환자의 고혈압 동반에 대한 Outlier(극단적 케이스)를 찾는 알고리즘을 개발하기 위해 질병관리본부의 퇴원손상심층조사 자료를 수집하여 대화식 의사결정나무 분석을 실시하였다.
- 이와 같은 연구결과를 통해 당뇨환자의 고혈압 동반에 대한 Outlier(극단적 케이스)의 임상적 요인을 명확하게 파악하는 것은 불가능하다. 그 이유는본 연구는 당뇨환자의 고혈압 동반에 대한 Outlier(극단적 케이스)를 찾을 수 있는 데이터 질 관리 알고리즘을 개발하고자 하였고, 이에 따라 극단적인 케이스를 가장 잘 찾아 주는 것에 주안점을 두고 모형을 개발하였기 때문에 본 모형에서 개발된 특성과 임상적 특성을 연계시키는 것은 연구목적과는 부합되지 않기 때문이다.
- 따라서 당뇨환자의 고혈압 동반 Outlier(극단적 케이스)에 대해 자료를 우선 점검 대상으로 하고, 고혈압 동반 유, 무에 대한 내용을 점검, 보완, 관리하여 데이터의 질적 수준을 향상시킬 필요가 있다. 따라서 본 연구는 데이터의 질적 수준을 향상시키기 위해 당뇨환자의 고혈압 동반 데이터 질 관리 알고리즘을 개발하고, 이를 제시하였다는데 의미가 있다고 할 수 있다.
- 특히 의사결정나무의 대화식(Interactive) 방식은 데이터 자체에만 의존하는 기존 의사결정나무 모형에 비해 전문적인 지식을 모형에 반영할 수 있다는 장점이 있기 때문에 최근 데이터마이닝을 이용한 요인 분석 연구에서 많이 활용되고 있다[15][16][17]. 따라서 본 연구에서는 대화식 의사결정나무 모형을 이용하여 고혈압 동반에 대한 Outlier(극단적 케이스) 를 찾는 알고리즘을 개발하고자 한 분석방법에는 문제가 없을 것으로 판단된다.
- 본 연구에서는 외국에서 보건의료 데이터 질 관리를 위해 사용하고 있는 Outlier Detection Method 방법에 따라 대화식 의사결정나무 모형을 이용하여 당뇨환자의 고혈압 동반 데이터 질 관리 알고리즘을 개발하여 보건의료 데이터 질 관리를 위한 기초자료로 제공하고자 하였다. 본 연구는 보건의료 데이터 질 관리 필요성 제시 및 연구 목적에 따라 데이터 질 관리 알고리즘을 개발하고, 이를 통해 효율적 데이터 질 관리 방법론 제시하는 기초연구로서 의미가 있다고 할 수 있다. 하지만본 연구에서 개발된 데이터 질 관리 알고리즘이 의미가 있는지 실제 현장에 적용하여 검증하지 못한 것은 본 연구의 제한점이라 할 수 있다.
- [18] 이에 본 연구에서는 질 관리 오류 검증 방법인 Outlier Detection Method 방법에 따라 당뇨 환자의 고혈압 동반에 대한 Outlier(극단적 케이스) 를 찾을 수 있는 데이터 질 관리 알고리즘을 개발하고자 하였다. 본 연구에서 당뇨환자의 고혈압 동반에 대한 Outlier(극단적 케이스)를 찾는 알고리즘을 개발하기 위해 질병관리본부의 퇴원손상심층조사 자료를 수집하여 대화식 의사결정나무 분석을 실시하였다. 의사결정나무(decision tree) 모형은 특정한 분류 기준에 따라 목표변수와 가장 관련성이 높은 독립변수를 선정한 후 의사결정규칙(decision rule)을 나무 구조로 도표화하여 관심의 대상이 되는 집단에 대한 요인의 규명, 분류, 예측이 유용하며, 독립변수 간의 관계를 도식화하여 보여주기 때문에 연구자가 분석 과정을 쉽게 이해하고 설명할 수 있는 장점을 가지고 있다[11][12][15].
- 본 연구에서는 외국에서 보건의료 데이터 질 관리를 위해 사용하고 있는 Outlier Detection Method 방법에 따라 대화식 의사결정나무 모형을 이용하여 당뇨환자의 고혈압 동반 데이터 질 관리 알고리즘을 개발하여 보건의료 데이터 질 관리를 위한 기초자료로 제공하고자 하였다. 본 연구는 보건의료 데이터 질 관리 필요성 제시 및 연구 목적에 따라 데이터 질 관리 알고리즘을 개발하고, 이를 통해 효율적 데이터 질 관리 방법론 제시하는 기초연구로서 의미가 있다고 할 수 있다.
- 당뇨환자의 고혈압 동반 모형을 개발하기 위해 대화식 의사결정나무 분석을 실시하였다. 본 연구의 목적이 Outlier Detection Method 방법에 근거 하여 극단적인 경우를 찾아내고, 이를 확인, 수정할 수 있도록 데이터 질 관리 알고리즘을 개발하는 것임에 따라 당뇨환자가 고혈압을 동반할 확률이 아주 낮거나 높은 특정 집단을 찾아내는 것에 주안점을 두고 모형을 개발하였다. 교차분석에서 당뇨환자의 고혈압 유무에 통계적으로 유의한 변수였던 성, 연령, 심장의 진단적 초음파 검사, 허혈성 심장질환 유무 등을 중심으로 모형을 개발하였다.
- Outlier Detection Method는 보건의료 데이터 간의 관계에서 발생할 경우를 확률화하여 확률이 매우 낮은 경우를 Outlier라 정의하고 이러한 케이스에 대해서 데이터 질 관리 전문가가 내용을 확인하여 오류를 보완하도록 하는 방법으로 외국에서는 암 환자 자료질 관리 등에서 이를 활용하고 있다[8][9]. 이에 본 연구에서는 당뇨환자 중 고혈압을 동반하는지에 대해서 Outlier Detection Method 방법에 근거하여 데이터 질 관리 알고리즘을 개발하고자 한다. 당뇨환자 중 고혈압 동반을 연구 대상으로 잡은 이유는 우리나라의 고혈압과 당뇨의 유병률이 고혈압 25.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.