[논문]한국 신생아의 출생체중 데이터 보정

신형식

doi:10.6109/jkiice.2017.21.2.259

한국 신생아의 출생체중 데이터 보정
Adjustment of Korean Birth Weight Data 원문보기

한국정보통신학회논문지 = Journal of the Korea Institute of Information and Communication Engineering, v.21 no.2, 2017년, pp.259 - 264

신형식 (School of Electronic and Electrical Engineering, Hongik University)

초록
AI-Helper

신생아의 출생체중은 자궁내발육부전이나 과체중출생아를 진단하는 데 사용되는 등, 의학적으로 여러 가지 중요한 정보를 제공한다. 본 논문에서는 2011년부터 2013년까지 한국에서 태어난 신생아의 출생체중 데이터를 분석하고, 생물학적으로 부자연스러운 체중 분포를 관찰할 수 있음을 보인다. 이러한 비상식적인 체중 분포는 데이터 수집과정 등에서 오류가 존재함을 의미하는데, 특히 임신주수가 28주에서 32주인 신생아들의 체중 데이터에서 현저한 오류 데이터를 관찰할 수 있다. 이를 보정하기 위해, 본 논문은 가우시안 혼합 모델을 사용하여 오류 데이터와 정상 데이터를 예측하고, 오류 데이터로 예측된 자료들을 삭제하는 과정을 제안한다. 제안된 보정 과정을 통하여 보다 자연스럽고 의학적으로 의미 있는 출생체중 백분율을 구할 수 있음을 보인다.

Abstract ▼ AI-Helper

Birth weight of a new born baby provides very important information in evaluating many clinical issues such as fetal growth restriction. This paper analyzes birth weight data of babies born in Korea from 2011 to 2013, and it shows that there is a biologically implausible distribution of birth weights in the data. This implies that some errors may be generated in the data collection process. In particular, this paper analyzes the relationship between gestational period and birth weight, and it is shown that the birth weight data mostly of gestational periods from 28 to 32 weeks have noticeable errors. Therefore, this paper employs the finite Gaussian mixture model to classify the collected data points into two classes: non-corrupted and corrupted. After the classification the paper removes data points that have been predicted to be corrupted. This adjustment scheme provides more natural and medically plausible percentile values of birth weights for all the gestational periods.

주제어

AI 본문요약
AI-Helper

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

문제 정의

본 논문에서는 2011년부터 2013년까지 한국에서 태어난 신생아 약 142만 명의 출생체중과 임신 주수(Gestational period)와의 관계를 분석하였다. 기존의 여러 연구에서도 보고되었듯이, 출생체중 데이터는 오류로 짐작되는 자료들이 포함되어 있다.
본 논문에서는 한국 통계청에서 수집한 데이터의 오류를 제거하여 한국 신생아의 임신주수와 출생체중의 관계를 보다 현실화하는 과정을 소개한다. 이와 비슷한 연구가 논문[3-6]에 의하여 소개되었으나, 사용된 데이터가 비교적 오래된 데이터이므로 최근의 관계를 나타낸다고 보기는 어렵다.
우선적으로 분석해 보아야 할 것은, 2011년부터 2013년까지 한국에서 태어난 신생아에 대하여 각각의 임신주수(Gestational period)에 따른 출생체중의 분포도를 알아보는 것이다. 그림 1은 임신주수가 40주인 경우의 신생아 출생체중의 분포도이다.
또한, 해외에서도 비슷한 연구가 진행되었으나[7-9], 한국인의 특성에 잘 맞지 않을 것으로 예상된다. 이에 본 논문은 2011년부터 2013년까지의 최근 데이터를 활용하여 오류 데이터를 제거하고, 이를 통하여 한국인의 임신 기간과 출생체중 사이의 최근의 관계를 정립한다.

가설 설정

본 논문에서는 오류 데이터로 보이는 항목을 예측하기 위하여, 각각의 임신주수에 해당하는 출생체중 데이터에는 두 개의 Gaussian 분포가 함께 혼합되어 있으며, 과체중 쪽의 Gaussian 분포는 오류에 의해 생성된 데이터라고 가정하였다. 이렇게 두 개의 Gaussian 분포가 함께 혼합되어 있는 것은 Gaussian mixture model로 표현할 수 있다.

제안 방법

각 임신주수 별로 출생체중의 분포를 살펴보면, 정상분포곡선을 따르는 듯 보이지만, 과체중 구간에서 또 다른 높은 빈도수를 가지는 집단을 관찰할 수 있는데, 이는 오류로부터 기인한 것으로 짐작된다. 본 논문에서는 이를 finite Gaussian mixture model을 사용하여, 두 개의 Gaussian이 혼합되어 있는 분포로 가정한 후, 과체중 구간에 위치한 Gaussian분포 구간을 오류 데이터로 판단하고 데이터 집단에서 제거하였다. 이를 구현하기 위하여 데이터 분석 소프트웨어 패키지인 scikit-learn을 활용하였다.
기존의 여러 연구에서도 보고되었듯이, 출생체중 데이터는 오류로 짐작되는 자료들이 포함되어 있다. 본 논문은 이러한 오류로 짐작되는 데이터들을 예측하고 제거하는 방법을 제시하고 최근의 데이터에 적용하였다. 이러한 보정 과정을 거친 후의 데이터는 좀 더 의학적으로 의미 있는 임신 주수와 출생체중의 관계를 도출하는데 도움이 될 것으로 기대한다.
이러한 가정 하에, 오류 데이터로 예측되는 항목들을 모두 제거한 후, 해당 임신주수의 출생체중 백분율을 다시 계산하였다. 이러한 과정을 거쳐 얻어진 백분율 데이터는 보정 과정 이전의 백분율 데이터보다 오류가 적을 것으로 예상된다.
프로그래밍 언어 Python에 기반을 둔 패키지인 scikit-learn은 다양한 기계학습(machine learning) 및 인공지능(artificial intelligence) 알고리즘들을 구현한다. 이를 통하여 scikit-learn 사용자들로 하여금 비교적 쉽게 여러 가지 데이터 분석 알고리즘을 사용자 데이터에 적용할 수 있도록 하였다. Gaussian mixture model도 scikit-learn에 구현되어 있다.
임신주수에 따른 신생아의 출생체중 분포를 표현하는 방법에는 여러 가지가 있을 수 있는데, 본 논문에서는 각 임신주수에 따른 신생아 출생체중의 백분율 분포를 표로 나타내었다.
본 논문은 위에서 언급한 Gaussian mixture model을 사용하여 각각의 임신주수에서 오류로 의심되는 데이터들을 예측하고 제거하는 방법을 적용하였다. 즉, 각각의 신생아 데이터에 대하여, Gaussian mixture model을 통해 예측한 결과, 과체중 쪽에 분포한 Gaussian으로부터 생성된 데이터로 예측될 경우, 해당 데이터를 삭제하였다.

대상 데이터

본 논문에서 분석한 데이터는 한국 통계청에서 수집한 자료로서, 2011년부터 2013년까지의 총 3년간 한국에서 태어난 신생아 중, 임신주수가 22주에서 42주까지의 신생아들의 임신주수와 출생체중 데이터이다[10]. 이러한 조건을 만족하는 신생아 수는 총 1,425,986명이며, 본 논문의 데이터 분석에 모두 포함되었다.
앞에서 살펴보았듯이, 임신주수가 28~30주까지의 데이터는 오류인 것으로 예측되는 자료들을 포함하고 있다. 따라서 이러한 오류 데이터를 예측하여 제거한 후에 다시 백분율 데이터를 계산하면 좀 더 의학적으로 의미 있는 임신주수와 출생체중 간의 관계를 정립할 수 있을 것으로 기대한다.
본 논문에서 분석한 데이터는 한국 통계청에서 수집한 자료로서, 2011년부터 2013년까지의 총 3년간 한국에서 태어난 신생아 중, 임신주수가 22주에서 42주까지의 신생아들의 임신주수와 출생체중 데이터이다[10]. 이러한 조건을 만족하는 신생아 수는 총 1,425,986명이며, 본 논문의 데이터 분석에 모두 포함되었다.

이론/모형

위에서 언급한 두 개의 Gaussian 분포가 함께 혼합되어 있는 것은 Gaussian mixture model 로 표현할 수 있다. 많은 소프트웨어 패키지들이 Gaussian mixture model을 제공하는데, 본 논문은 오픈소스(Open-source)소프트웨어인 scikit-learn[14]을 활용하였다.
본 논문은 위에서 언급한 Gaussian mixture model을 사용하여 각각의 임신주수에서 오류로 의심되는 데이터들을 예측하고 제거하는 방법을 적용하였다. 즉, 각각의 신생아 데이터에 대하여, Gaussian mixture model을 통해 예측한 결과, 과체중 쪽에 분포한 Gaussian으로부터 생성된 데이터로 예측될 경우, 해당 데이터를 삭제하였다.
본 논문에서는 이를 finite Gaussian mixture model을 사용하여, 두 개의 Gaussian이 혼합되어 있는 분포로 가정한 후, 과체중 구간에 위치한 Gaussian분포 구간을 오류 데이터로 판단하고 데이터 집단에서 제거하였다. 이를 구현하기 위하여 데이터 분석 소프트웨어 패키지인 scikit-learn을 활용하였다.

성능/효과

즉, 임신주수가 28주에 해당하는 신생아들의 출생체중 분포는 1.2 kg 부근에서 가장 많은 빈도수를 보이며 대체적으로 정규분포 곡선을 따르는 것처럼 보이지만, 3.0 kg를 중심으로 또 다시 현저하게 증가하는 빈도수를 관찰할 수 있다. 이처럼 과체중 구간에 현저하게 증가하는 빈도수는 생물학적 자연 현상으로부터 비롯되었다기보다는 어떠한 오류 데이터로부터 발생한 것으로 짐작할 수 있다.
표 1은 각 임신주수에 해당하는 신생아들의 출생체중에서 각각의 백분율에 해당하는 출생체중을 나타낸 것이다. 표 1의 어두운 배경색으로 표시한 부분에 나타나 있듯이, 임신주수가 28~30 주의 출생체중 데이터에서 백분율이 90% 이상인 구간에 비정상적으로 보이는 과체중 신생아가 많이 분포되어 있음을 알 수 있다.

후속연구

앞에서 살펴보았듯이, 임신주수가 28~30주까지의 데이터는 오류인 것으로 예측되는 자료들을 포함하고 있다. 따라서 이러한 오류 데이터를 예측하여 제거한 후에 다시 백분율 데이터를 계산하면 좀 더 의학적으로 의미 있는 임신주수와 출생체중 간의 관계를 정립할 수 있을 것으로 기대한다.
이러한 과정을 거쳐 얻어진 백분율 데이터는 보정 과정 이전의 백분율 데이터보다 오류가 적을 것으로 예상된다. 또한, 보정된 백분율 데이터는 일선 의료 현장에서 좀 더 정확하게 여러 가지 신생아 관련 질환을 진단하는데 도움을 줄 수 있을 것으로 기대된다.
본 논문은 이러한 오류로 짐작되는 데이터들을 예측하고 제거하는 방법을 제시하고 최근의 데이터에 적용하였다. 이러한 보정 과정을 거친 후의 데이터는 좀 더 의학적으로 의미 있는 임신 주수와 출생체중의 관계를 도출하는데 도움이 될 것으로 기대한다.
위와 같은 보정 과정을 거친 후의 데이터를 사용하여 다시 임신 주수와 출생체중의 백분율을 계산하면, 임신주수가 길어질수록 출생체중도 자연스럽게 증가하는 백분율 분포곡선을 구할 수 있다. 이렇게 얻어진 백분율 분포곡선은 신생아와 관련된 여러 가지 의료 활동에 있어서 보다 정확한 진단 기준을 마련하는데 도움을 줄 것으로 기대한다.

질의응답

핵심어	질문	논문에서 추출한 답변
	신생아의 출생체중의 특징은?	신생아의 출생체중은 임신 기간에 따라 달라지는데, 일반적으로 임신 기간이 짧을수록 출생체중도 감소하는 경향이 있다. 이는 수태 기간이 짧을수록 모체 안에서 성장할 기간이 줄어듦으로 인하여 발생하는 자연적인 결과라고 예상할 수 있다.
	신생아의 출생체중은 어디에 활용될 수 있나?	신생아의 출생체중은 자궁내발육부전이나 과체중출생아를 진단하는 데 사용되는 등, 의학적으로 여러 가지 중요한 정보를 제공한다[1, 2]. 따라서 한국에서 태어나는 신생아의 임신 기간(Gestational period)과 출생체중(Birth weight)의 관계를 파악하여 일선 의료 현장에서 활용하는 것은 매우 중요한 일이다.
	임신 기간이 짧을수록 출생체중도 감소하는 원인은?	신생아의 출생체중은 임신 기간에 따라 달라지는데, 일반적으로 임신 기간이 짧을수록 출생체중도 감소하는 경향이 있다. 이는 수태 기간이 짧을수록 모체 안에서 성장할 기간이 줄어듦으로 인하여 발생하는 자연적인 결과라고 예상할 수 있다.

참고문헌 (14)

S. Paranjothy, F. Dunstan, W. J. Watkins, M. Hyatt, J. C. Demmler, R. A. Lyons, and D. Fone, "Gestational age, birth weight, and risk of respiratory hospital admission in childhood," Pediatrics, vol. 132, no. 6, pp. e1562-1569, Dec. 2013.

상세보기
J. L. Richards, C. Hansen, C. Bredfeldt, R. A. Bednarczyk, M. C. Steinhoff, D. Adjaye-Gbewonyo, K. Ault, M. Gallagher, W. Orenstein, R. L. Davis, and S. B. Omer, "Neonatal outcomes after antenatal influenza immunization during the 2009 H1N1 influenza pandemic: impact on preterm birth, birth weight, and small for gestational age birth," Clinical Infectious Diseases, vol. 56, no. 9, pp. 1216-1222, May 2013.

상세보기
J. J. Lee, "Birth weight for gestational age patterns by sex, plurality, and parity in Korean population," Korean Journal of Pediatrics, vol. 50, no. 8, pp. 732-739, Aug. 2007.

원문보기 상세보기
G. H. Lee, Y. W. Kim, E. J. Seo, M. S. Son, H. G. Ahn, E. W. Seok, Y. J. Choi, G. J. Kim, S. Y. Kim, B. C. Hwang, Y. D. Choi, S. Y. Kim, and S. J. Sohn, "Change of birth weight-gestational age table," Korean Journal of Obstetrics and Gynecology, vol. 44, no. 10, pp. 1851-1856, Oct. 2001.
G. Y. Jung and K. Lee, "Intrauterine growth of Korean infants from 25 weeks to 44 weeks gestation," Journal of the Korean Pediatric Society, vol. 33, no. 7, pp. 887-900, Jul. 1990.
J. J. Lee, C. G. Park, and K. S. Lee, "Birth weight distribution by gestational age in Korean population: using finite mixture model," Korean Journal of Pediatrics, vol. 48, no. 11, pp. 1179-1186, Nov. 2005.
N. M. Talge, L. M. Mudd, A. Sikorskii, and O. Basso, "United States birth weight reference corrected for implausible gestational age estimates," Pediatrics, vol. 133, no. 5, pp. 844-853, May 2015.
J. Villar, L. C. Ismail, C. G. Victora, E. O. Ohuma, E. Bertino, D. G. Altman, A. Lambert, A. T Papageorghiou, M. Carvalho, Y. A. Jaffer, M. G. Gravett, M. Purwar, I. O. Frederick, A. J. Noble, R. Pang, F. C. Barros, C. Chumlea, Z. A. Bhutta, and S. H. Kennedy, "International standards for newborn weight, length, and head circumference by gestational age and sex: the Newborn Cross-Sectional Study of the INTERGROWTH-21 st Project," The Lancet, vol. 384, no. 9946, pp. 857-868, Sep. 2014.

상세보기
M. S. Kramer, R. W. Platt, S. W. Wen, K. S. Joseph, A. Allen, M. Abrahamowicz, B. Blondel, and G. Breart, "A new and improved population-based Canadian reference for birth weight for gestational age," Pediatrics, vol. 108, no. 2, pp. e35-e35, Aug. 2001.

상세보기
Statistics Korea, Vital Statistics [Internet]. Available: https://mdis.kostat.go.kr/extract/extSurvSearchByDate.do?extcTypeDivCDE&curMenuNoUI_POR_P1070.
E. Parzen, "On estimation of a probability density function and mode," The annals of mathematical statistics, vol. 33, no. 3, pp. 1065-1076, Sep. 1962.

상세보기
R. W. Platt, M. Abrahamowicz, M. S. Kramer, K. S. Joseph, L. Mery, B. Blondel, G. Breart, and S. W. Wen, "Detecting and eliminating erroneous gestational ages: a normal mixture model," Statistics in medicine, vol. 20, no. 23, pp. 3491-3503, Dec. 2001.

상세보기
H. Oja, M. Koiranen, and P. Rantakallio, "Fitting mixture models to birth weight data: a case study," Biometrics, vol. 47, no. 3, pp. 883-897, Sep. 1991.

상세보기
F. Pedregosa, G. Varoquaux, A. Gramfort, V. Michel, B. Thirion, O. Grisel, M. Blondel, P. Prettenhofer, R. Weiss, V. Dubourg, J. Vanderplas, A. Passos, D. Cournapeau, M. Brucher, M. Perrot, and E. Duchesnay, "Scikit-learn: Machine learning in Python," Journal of Machine Learning Research, vol. 12, pp. 2825-2830, Oct. 2011.

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