[논문]PHR 기반 개인 맞춤형 건강정보 탐사 알고리즘 설계

신문선

doi:10.14400/jdc.2017.15.4.191

PHR 기반 개인 맞춤형 건강정보 탐사 알고리즘 설계
Design of knowledge search algorithm for PHR based personalized health information system 원문보기

디지털융복합연구 = Journal of digital convergence, v.15 no.4, 2017년, pp.191 - 198

신문선 (건국대학교 과학기술대학 컴퓨터공학과)

초록
AI-Helper

PHR(Personal Health Record)기반 헬스케어 서비스 플랫폼 지능화를 위해서는 사용자 맞춤형 건강정보 제공서비스가 필요하다. 본 논문에서는 개인 맞춤형 건강정보 추천을 위해서 온톨로지 기반 건강 정보 모델을 제안하였다. 또한 기계학습과 데이터마이닝 기법을 적용한 유사 건강정보 탐사 알고리즘을 설계하였다. 기존의 데이터마이닝 기법중 연관규칙 알고리즘을 확장하여 속성을 기반으로 연관규칙 탐사를 수행하여 지식탐사의 연관성을 높이고 효율적인 탐사시간을 제공할 수 있도록 하였다. 머신러닝의 한 기법인 K근접이웃 알고리즘을 적용하여 사용자 프로파일별 그룹화를 수행하고 유사패턴의 사용자 프로파일을 검색할 수 있도록 하였다. 이는 사용자의 질환과 건강상태에 따른 맞춤형 건강정보 탐사 수행의 효율성을 높인다. 제안된 알고리즘은 개인 맞춤형 헬스케어 서비스 플랫폼에서 추론과정에 적용되어 사용자에게 개인맞춤형건강정보를 추천하는 것을 가능하게 한다. 이는 고령화사회에서 스마트한 자가 건강관리에 활용될 수 있다.

Abstract ▼ AI-Helper

It is needed to support intelligent customized health information service for user convenience in PHR based Personal Health Care Service Platform. In this paper, we specify an ontology-based health data model for Personal Health Care Service Platform. We also design a knowledge search algorithm that can be used to figure out similar health record by applying machine learning and data mining techniques. Axis-based mining algorithm, which we proposed, can be performed based on axis-attributes in order to improve relevance of knowledge exploration and to provide efficient search time by reducing the size of candidate item set. And K-Nearest Neighbor algorithm is used to perform to do grouping users byaccording to the similarity of the user profile. These algorithms improves the efficiency of customized information exploration according to the user 's disease and health condition. It can be useful to apply the proposed algorithm to a process of inference in the Personal Health Care Service Platform and makes it possible to recommend customized health information to the user. It is useful for people to manage smart health care in aging society.

주제어

AI 본문요약
AI-Helper

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

문제 정의

본 논문에서는 PHR 기반 헬스케어 서비스 플랫폼 지능화를 위한 온톨로지 기반 건강 정보 모델 구축과 기계학습과 데이터마이닝 기법을 적용한 건강정보 추천 알고리즘을 설계하였다. 기존의 데이터마이닝 기법중 연관규칙 알고리즘을 확장하여 속성을 기반으로 연관규칙 탐사를 수행하여 지식탐사의 연관성을 높이고 효율적인 탐사 시간을 제공할 수 있도록 하였다.
본 논문에서는 PHR기반 맞춤형 건강정보 추천 서비스 플랫폼에서 지능형 건강정보 추천서비스를 제공할 수 있도록 온톨로지 기반 건강정보 모델링과 PHR 데이터연관성 분석을 위한 통합알고리즘을 설계하고 시험데이터로 알고리즘의 유용성을 검증한다. 제안하는 알고리즘은 머신러닝 기법중 K근접이웃 알고리즘과 데이터마이닝기법중 연관규칙 알고리즘을 확장한 알고리즘으로 사용자의 PHR 정보와 유사한 프로파일을 분석하고 최적의 건강정보를 추천하는 기능을 제공할 수 있다.
본 논문에서는 PHR기반 맞춤형 건강정보 추천 서비스 플랫폼에서 지능형 건강정보 추천서비스의 핵심 기술인 개인맞춤형 추천정보 추출 알고리즘의 설계하기 위해서 기존의 기계학습 알고리즘인 K근접이웃알고리즘과 데이터마이닝 알고리즘인 연관규칙 알고리즘을 확장하였다. 이는 사용자들의 PHR 프로파일을 분석하여 유사한 질환의 사용자들을 분류하여 유사 생체정보 및 건강 정보를 비교하여 이를 기반으로 건강한 사용자의 건강행태에 따른 추천정보를 탐사하여 제공할 수 있도록 한다.
본 논문에서는 PHR기반 맞춤형 건강정보 추천 서비스 플랫폼에서 지능형 건강정보 추천서비스의 핵심 기술인 개인맞춤형 추천정보 추출 알고리즘의 설계하기 위해서 기존의 기계학습 알고리즘인 K근접이웃알고리즘과 데이터마이닝 알고리즘인 연관규칙 알고리즘을 확장하였다. 이는 사용자들의 PHR 프로파일을 분석하여 유사한 질환의 사용자들을 분류하여 유사 생체정보 및 건강 정보를 비교하여 이를 기반으로 건강한 사용자의 건강행태에 따른 추천정보를 탐사하여 제공할 수 있도록 한다. [Fig.

제안 방법

PHR기반 맞춤형 건강정보 추천 서비스 플랫폼인 바빌론에서 지능형 건강정보 추천서비스를 수행하기 위해서는 온톨로지 기반의 상황정보 모델을 구축하고 추론규칙을 정의하여 개인맞춤형 추천정보를 탐사할 수 있는 알고리즘을 적용하여 유사 profile을 분석하고 적절한 건강정보 제공 서비스를 제공하기 위해서 PHR정보를 온톨로지 기반의 상황정보 모델로 구성하였다. OWL(Web Ontology Language)을 이용하여 클래스와 속성 그리고 제약조건 등을 정의하였다.
K근접이웃알고리즘은 유클리드의 거리를 계산하여 사용자의 프로파일의 유사도를 계산하게 되며 유사도에 따라서 사용자의 그룹을 생성하게된다. 그룹의 개수는 조정이 가능하며 본 알고리즘의 실험을 위해서 6개의 그룹을 생성할 수 있도록 초기값을 설정하였다. [Fig.
본 논문에서는 PHR 기반 헬스케어 서비스 플랫폼 지능화를 위한 온톨로지 기반 건강 정보 모델 구축과 기계학습과 데이터마이닝 기법을 적용한 건강정보 추천 알고리즘을 설계하였다. 기존의 데이터마이닝 기법중 연관규칙 알고리즘을 확장하여 속성을 기반으로 연관규칙 탐사를 수행하여 지식탐사의 연관성을 높이고 효율적인 탐사 시간을 제공할 수 있도록 하였다.
9]는 본 논문에서 제안하는 속성기반 연관규칙 알고리즘을 보여준다. 또한 속성 기반 알고리즘은 기존의 대표적인 연관규칙 알고리즘인 어프라이어리 알고리즘을 확장하여 중요한 속성을 선택하고 선택된 속성을 기반으로 연관규칙을 수행하도록 설계하였다. 이는 불필요한 혹은 중요하지 않은 속성에 대한 후보 항목 집합의 생성을 차단하는 효과로 지식탐사의 효율성을 높일 수 있다.
먼저 건강정보 모델링과 기계학습, 데이터마이닝 알고리즘 등의 테스트 수행을 위해서 바빌론 광장에서 요구되는 데이터요구사항 명세를 정의하였다. 테스트 데이터 구축은 랜덤방식으로 일반인들의 데이터와 건강질환자들의 데이터들로 구성하였으며 알고리즘의 성능 측정을 위하여 테스트 데이터를 임의 생성하여 실험을 진행하였다.
PHR 기반 헬스케어 통합 서비스 플랫폼의 지능화 핵심 기능인 바빌론 광장의 추론시스템은 PHR 관리 저장소, 공공데이터 등의 빅데이터 분석, 사용자 프로파일 분석에 따른 상황 정보 모델링, 집단 지성, 사용자 맞춤형 건강정보 및 컨텐츠 추천 등의 기능을 수행할 수 있도록 구축된다. 본 논문에서 제안하는 알고리즘은 사용자 상황인지 및 프로파일 분석에 따른 정보 및 컨텐츠 추천 및 추론시스템의 [Fig. 12]와 같은 기본적인 워크플로우에 적용되어 개인 맞춤형 건강정보를 추론하는 기능을 수행하며 추론규칙들은 지식베이스에 점진적으로 저장된다.[Fig.
이러한 의미를 가진 정보를 표현하는데 가장 대표적인 언어로 RDF, RDF Schema, OWL 등이 있으며, 이를 활용할 수 있도록 돕는 플랫폼은 Apache Jena,Pellet, FaCT 등이 있다[12]. 본 논문에서는 개인 맞춤형 건강정보 추론하고 사용자별로 추천을 위하여 먼저 건강정보의 명세 정의의 한 방법으로 온톨로지를 적용하고자 한다. 온톨로지를 적용하여 건강정보 명세를 정의하면 상황에 따른 건강정보 탐사를 위한 추론 규칙들을 유용하게 활용할 수 있을 것이다.
사용자 프로파일별 사용자 그룹화를 하여 유사패턴의 사용자 프로파일을 검색하는 기능과 일상생활 전반에서 발생하는 행위 사건들의 발생빈도, 연관관계, 순차 및 반복 관계 등에 대한 데이터 분석기술을 적용하여 사용자의 질환과 건강상태에 따른 맞춤정보 생성이 가능하도록 한다. 특정 속성의 가중치를 주어 속성기반 연관규칙 알고리즘을 설계하여 기존의 어프라이어리 알고리즘보다 성능이 우수하다는 것을 실험을 통하여 확인할 수 있었다.
먼저 건강정보 모델링과 기계학습, 데이터마이닝 알고리즘 등의 테스트 수행을 위해서 바빌론 광장에서 요구되는 데이터요구사항 명세를 정의하였다. 테스트 데이터 구축은 랜덤방식으로 일반인들의 데이터와 건강질환자들의 데이터들로 구성하였으며 알고리즘의 성능 측정을 위하여 테스트 데이터를 임의 생성하여 실험을 진행하였다. 테스트데이터들은 일반적인 수치데이터와 범위값으로 이루어져 있어 전처리가 필요하며 식습관, 운동선호도, 가족력, 질병단계 등의 데이터 값을 이산값으로 변환하여 실험 및 평가를 진행하였다.
테스트 데이터 구축은 랜덤방식으로 일반인들의 데이터와 건강질환자들의 데이터들로 구성하였으며 알고리즘의 성능 측정을 위하여 테스트 데이터를 임의 생성하여 실험을 진행하였다. 테스트데이터들은 일반적인 수치데이터와 범위값으로 이루어져 있어 전처리가 필요하며 식습관, 운동선호도, 가족력, 질병단계 등의 데이터 값을 이산값으로 변환하여 실험 및 평가를 진행하였다.

대상 데이터

임의의 규칙없는 데이터셋은 dataset A로 구성되며 1000개의 투플을 가진다. datasetB는 연관규칙이 존재하는 테스트데이터로 구성하여 전처리를 수행하였으며 알고리즘 테스트를 위해서 유사한 랜덤데이터 9000여개를 추가하여 dataset C를 구성하여 1000개 그룹과 10000개의 튜플을 가지는 테스트 데이터셋으로 나누어 실험을 하였다. [Fig.
테스트 데이터는 일반인과 암환자 PHR정보 1000개의 데이터를 수집한 데이터와 많은 양의 데이터 비교를 위한 10000개의 투플을 가지는 테스트데이터셋을 전처리하여 실험을 진행하였다. 임의의 규칙없는 데이터셋은 dataset A로 구성되며 1000개의 투플을 가진다.

이론/모형

PHR기반 맞춤형 건강정보 추천 서비스 플랫폼인 바빌론에서 지능형 건강정보 추천서비스를 수행하기 위해서는 온톨로지 기반의 상황정보 모델을 구축하고 추론규칙을 정의하여 개인맞춤형 추천정보를 탐사할 수 있는 알고리즘을 적용하여 유사 profile을 분석하고 적절한 건강정보 제공 서비스를 제공하기 위해서 PHR정보를 온톨로지 기반의 상황정보 모델로 구성하였다. OWL(Web Ontology Language)을 이용하여 클래스와 속성 그리고 제약조건 등을 정의하였다. 다음은 OWL의 각 구성요소의 개념들이며 그림 3은 OWL울 이용하여 PHR기반 건강정보를 온톨로지 기반의 상황정보로 모델링한 것을 보여준다.

성능/효과

다양한 테스트 데이터 셋에 대한 실험을 수행하기 위해 테스트 데이터 개수에 변화를 주어 실행시켰으며 이를 통해 질병 단계에 따른 환자의 운동선호와 식습관을 유추 할 수 있어 콘텐츠를 유용한 정보를 제공하는 추천 서비스에 적용될 수 있다는 것을 확인할 수 있었다.
본 논문에서 제안한 속성기반 연관규칙 알고리즘의 경우 추가적으로 속성에 질병을 추가하면 질병과 질병 단계에 따른 환자의 상태를 유추해 콘텐츠를 추천할 수 있으며 추천 가능한 정보탐사에 효율적인 탐색시간을 제공해주는 것을 실험을 통해 확인하였다.
본 논문에서는 PHR기반 맞춤형 건강정보 추천 서비스 플랫폼에서 지능형 건강정보 추천서비스를 제공할 수 있도록 온톨로지 기반 건강정보 모델링과 PHR 데이터연관성 분석을 위한 통합알고리즘을 설계하고 시험데이터로 알고리즘의 유용성을 검증한다. 제안하는 알고리즘은 머신러닝 기법중 K근접이웃 알고리즘과 데이터마이닝기법중 연관규칙 알고리즘을 확장한 알고리즘으로 사용자의 PHR 정보와 유사한 프로파일을 분석하고 최적의 건강정보를 추천하는 기능을 제공할 수 있다.
사용자 프로파일별 사용자 그룹화를 하여 유사패턴의 사용자 프로파일을 검색하는 기능과 일상생활 전반에서 발생하는 행위 사건들의 발생빈도, 연관관계, 순차 및 반복 관계 등에 대한 데이터 분석기술을 적용하여 사용자의 질환과 건강상태에 따른 맞춤정보 생성이 가능하도록 한다. 특정 속성의 가중치를 주어 속성기반 연관규칙 알고리즘을 설계하여 기존의 어프라이어리 알고리즘보다 성능이 우수하다는 것을 실험을 통하여 확인할 수 있었다. 제안하는 알고리즘은 맞춤형 건강정보 추천서비스를 위한 개인맞춤형 헬스케어플랫폼에서 맞춤 정보 추론프로세스에 적용되어 개인화 추천서비스 제공에 활용되어질 수 있다.
특히 속성기반 연관규칙이 데이터셋 B와 C에 대해서 투플수에 관계 없이 탁월한 성능을 보여주고 있음을 알 수 있다.

후속연구

본 논문에서는 개인 맞춤형 건강정보 추론하고 사용자별로 추천을 위하여 먼저 건강정보의 명세 정의의 한 방법으로 온톨로지를 적용하고자 한다. 온톨로지를 적용하여 건강정보 명세를 정의하면 상황에 따른 건강정보 탐사를 위한 추론 규칙들을 유용하게 활용할 수 있을 것이다.
특정 속성의 가중치를 주어 속성기반 연관규칙 알고리즘을 설계하여 기존의 어프라이어리 알고리즘보다 성능이 우수하다는 것을 실험을 통하여 확인할 수 있었다. 제안하는 알고리즘은 맞춤형 건강정보 추천서비스를 위한 개인맞춤형 헬스케어플랫폼에서 맞춤 정보 추론프로세스에 적용되어 개인화 추천서비스 제공에 활용되어질 수 있다. 향후 제안 알고리즘의 신뢰도와 지지도에 따른 연관규칙 생성결과를 분석하여 개인맞춤형헬스케어서비스 플랫폼에서 활용할 수 있는 최적의 신뢰도와 지지도 값을 찾는 연구가 필요하다.
제안하는 알고리즘은 맞춤형 건강정보 추천서비스를 위한 개인맞춤형 헬스케어플랫폼에서 맞춤 정보 추론프로세스에 적용되어 개인화 추천서비스 제공에 활용되어질 수 있다. 향후 제안 알고리즘의 신뢰도와 지지도에 따른 연관규칙 생성결과를 분석하여 개인맞춤형헬스케어서비스 플랫폼에서 활용할 수 있는 최적의 신뢰도와 지지도 값을 찾는 연구가 필요하다.

질의응답

핵심어	질문	논문에서 추출한 답변
	의료서비스의 환경변화는 어떻게 변화 하였는가?	의료서비스의 환경변화는 의료기관의 치료가 중심인 전통적 의료서비스는 ITㆍBT 기술의 발전에 따라 이용자와 예방ㆍ관리 목적의 4P1)주도형 헬스케어 서비스로 진화하였으며 최근 스마트화 시대의 도래와 함께 이용자(환자, 일반인 등) 개인별 맞춤형으로 지능화된 스마트헬스케어가 각광을 받고 있다[4, 5]. [Table 1]은 삼성경제 연구소에서 발표한 헬스케어 산업의 전망에 대한 데이터이며 [Table 2]는 2015년 정부 BT 정책관련 자려에서 분석된 헬스케어서비스 발전 전망에 대한 데이터로 스마트헬스 및 예방 사후 관리목적의 헬스케어서비스로진화하고 있음을 시사하고 있다[1].
	데이터마이닝 기법 중 군집화란 무엇인가?	대표적인 데이터마이닝 기법에는 분류, 군집화, 연관규칙 등이 있으며, 분류(Classification)는 특정 집단 내의 구성원들을 구분 및 분류한다. 군집화(Clustering)는 구성원들의 특성(속성)을 바탕으로 유사한 그룹을 생성한다. 연관성(Association)은 동시에 발생한 사건간의 관계를 정의한다.
	온톨로지란 무엇인가?	온톨로지는 1967년 S. H. Mealy에 의해 전산학 분야에 도입되어 사용되었으며, 최근에는 인공지능(Artificial Intelligence) 분야에서 시멘틱 웹을 표현하는 중요한 언어로 각광받고 있다. 본래 온톨로지는 19세기 독일 철학자들에 의해 처음으로 사용된 단어로서 희랍어 ‘ontos(being)’와 ‘logos (word)’에서 유래하며, “세상의 어떤 관점을 세계에 존재(being)하는 것들의 종류, 그 본성과 관계 특성 등을 설명하는 분류체계(Taxonomy)를 제공하는 것”이라 정의된다[9,10].

참고문헌 (17)

J.Y.Choi, "Healthcare 3.0 : A world of healthy life", CEO information Vol.831, Samsung Economic Research Institute, 2011,
K.T.Oh, JE.Lee, "Smart Life revolutionary real and smartphone addiction", Internet and Information Security, Vol.3 No.4, 2012.
J.H.Park,,T.K.Hwangbo,"Healthcare IT Convergence Technology, Journal of Korea Information and Communications, Vol.28, No 5, 2011.
Donghyun Kim, Seoksoo Kim, "Design of Key Tree-based Management Scheme for Healthcare Information Exchange in Convergent u-Healthcare Service ", Journal of the Korea Convergence Society, Vol. 6, No. 6, pp. 81-86, 2015.

원문보기 상세보기
E. Choi, S. Lee, "Access Control Mechanism based on MAC for Cloud Convergence", Journal of the Korea Convergence Society, Vol. 7 No. 1, pp. 1-8, 2016.
J.W.Song, S.H.Kim, M.E.Jung,"Protection of health information for u-healthcare service", Journal of Information Security, Vol.17, No 1, 2007.
S.H.Kim,," Health-IT convergence technology trends and forecasts (mainly U-health)", Journal of Electronics, Vol.37, No6, 2010.
M. Shin, H.Jeon and B.Lee, "Constructing RBAC based Security Model in u-Health Care Service Platform", SWJ(937914), 2014.
L.Kim, "Convergence of Information Technology and Corporate Strategy", Journal of the Korea Convergence Society, Vol. 6, No. 6, pp. 17-26, 2015.
H.Chung, J. Kim, "Design of Semantic Models for Teaching and Learning based on Convergence of Ontology Technology", Journal of the Korea Convergence Society, Vol. 6, No. 3, pp. 127-134, 2015.
Young Sung Cho and Song Chul Moon, "Weighted Mining Frequent Pattern based Customer's RFM Score for Personalized u-Commerce Recommendation System", Journal of Convergence, Vol.4. No.4. Dec. 30, 2013.
You-Dong Yun, "Development of Smart Senior Classification Model based on Activity Profile Using Machine Learning Method", Journal of the Korea Convergence Society, Vol. 8. No. 1, pp. 25-34, 2017.
Jang, Kyoung Hee, Jung, In Sook, "Converged Study on the Nurses' Knowledge and Performance of Cancer Pain Management in one city", Journal of the Korea Convergence Society, Vol. 7. No. 6, pp. 115-124, 2016.

원문보기 상세보기
Menaouer Brahami, Baghdad Atmani and Nada Matta, "Dynamic knowledge mapping guided by data mining: Application on Healthcare", JournalofInformation ProcessingSystems,Vol.9, No.1,2013.

원문보기 상세보기
Reid,I.Cheong, M.Henrickson, and J.Smith, "A Novel Use of RBAC to Protect Privacy in Distributed Health Care Information Systems", ACM Transactions on Information and System Security, 2014.
Byung-Jin Jeon, Deok-Byeong Yoon, Seung-Soo Shin, "Integrated Monitoring System using Log Data", Journal of IT Convergence Society for SMB, 2017.
Jin-Hee Ku, "A Study on the Machine Learning Model for Product Faulty Prediction in Internet of Things Environment", Journal of IT Convergence Society for SMB, 2016.

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