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
- 따라서 본 논문에서는 국민건강정보데이터를 활용한 데이터 마이닝 기반의 진료과목 예측을 진행하였다. 예측 모델링을 위한 학습데이터로 {건강검진정보}와 {진료내역정보}를 사용하였으며 서포트 벡터 머신 (SVM)[14]을 사용하여 진료과목 예측 모델을 생성하였다.
- 본 논문에서는 SVM을 이용한 건강검진정보데이터 기반의 진료과목에 대한 예측 모델링을 진행하였다. 실험 결과에서 보여주다시피 건강검진정보를 기반으로 진료과목에 대해 예측한 결과 평균 80% 이상의 정확도를 보여 주었다.
제안 방법
- (2) 데이터 전처리: 결측치가 포함된 데이터는 전체 레코드를 삭제하였으며, 가입자별 연간 최대 방문한 진료과목을 훈련 및 예측의 대상으로 정하였다. (3) 예측 모델링: 전처리된 데이터를 이용하여 훈련 데이터를 생성하였으며 SVM을 적용하여 진료과목 예측을 위한 모델을 구축하였다. (4) 예측모델 평가: 구축된 예측 모델의 정확도는 독립적인 훈련 및 테스트 데이터들을 이용하여 평가하였고 기타 예측 알고리즘들과의 비교, 분석을 통하여 SVM의 성능을 평가하였다.
대상 데이터
- 2는 데이터 마이닝 단계에 따른 국민건강검진정보데이터를 기반으로 진료과목을 예측하기 위한 프레임워크를 보여준다. (1) 데이터 선택: 본 연구에서는 건강검진정보를 이용하여 진료과목을 예측하는 것이므로 건강검진에 대한정보를 가지고 있는 {건강검진정보} 및 진료과목 등 진료내역에 대한 정보를 가지고 있는 {진료내역정보}를 선택하였다. 선택된 데이터 중 예측 모델링을 위하여 2013년 건강검진정보 및 진료내역정보를 가입자일련번호로 통합을 진행하였다.
- 모델을 훈련하기 위한 훈련 데이터는 전체 데이터에서 랜덤으로 65%를 여섯 번 선택하였고, 테스트 데이터 또한 랜덤으로 50%를 다섯 번 선택하였다. 6개의 훈련 데이터를 이용하여 서로 다른 예측 모델을 6개 만들었으며, 각 모델별로 다섯번의 테스트를 진행하였다.
- 건강검진정보 및 진료내역정보를 통합, 정제하여 최종 517개의 데이터를 추출하였으며 속성별 상세 설명은 Table 3과 같다. 진료과목 중 예측의 대상으로 사용된 진료과목은 5개로 내과 (Internal medicine, 204개), 소아청소년과(Pediatrics, 103개), 정형외과 (Orthopedics, 96개), 산부인과(Maternityunit, 59개), 이비인후과(Ear-nose-and-throat department, 55개)이다.
- 국민건강정보데이터는 2002년부터 2013년 기간에 해당하는 국민건강보험가입자 100만 명의 {진료내역정보} (Medical Treatment), {의약품처방정보} (Medicine Prescription) 및{건강검진정보} (Medical Examination) 등 세 부분으로 구성되어 있다. Table 2는 데이터의 구성을 보여준다.
- 모델을 훈련하기 위한 훈련 데이터는 전체 데이터에서 랜덤으로 65%를 여섯 번 선택하였고, 테스트 데이터 또한 랜덤으로 50%를 다섯 번 선택하였다. 6개의 훈련 데이터를 이용하여 서로 다른 예측 모델을 6개 만들었으며, 각 모델별로 다섯번의 테스트를 진행하였다.
- 따라서 본 논문에서는 국민건강정보데이터를 활용한 데이터 마이닝 기반의 진료과목 예측을 진행하였다. 예측 모델링을 위한 학습데이터로 {건강검진정보}와 {진료내역정보}를 사용하였으며 서포트 벡터 머신 (SVM)[14]을 사용하여 진료과목 예측 모델을 생성하였다. 2장에서는 국민건강정보데이터에 대한 설명을 하고 3장에서는 서포트 벡터 머신 및 진료과목 예측 모델링 절차에 대해서 설명한다.
- 건강검진정보 및 진료내역정보를 통합, 정제하여 최종 517개의 데이터를 추출하였으며 속성별 상세 설명은 Table 3과 같다. 진료과목 중 예측의 대상으로 사용된 진료과목은 5개로 내과 (Internal medicine, 204개), 소아청소년과(Pediatrics, 103개), 정형외과 (Orthopedics, 96개), 산부인과(Maternityunit, 59개), 이비인후과(Ear-nose-and-throat department, 55개)이다. 실험을 위하여 사용한 컴퓨터의 사양은 윈도우 10, 메모리 (8GB), CPU (i5, 3.
데이터처리
- (3) 예측 모델링: 전처리된 데이터를 이용하여 훈련 데이터를 생성하였으며 SVM을 적용하여 진료과목 예측을 위한 모델을 구축하였다. (4) 예측모델 평가: 구축된 예측 모델의 정확도는 독립적인 훈련 및 테스트 데이터들을 이용하여 평가하였고 기타 예측 알고리즘들과의 비교, 분석을 통하여 SVM의 성능을 평가하였다.
- Table 5는 SVM과 기타 예측 알고리즘들의 정확도 비교를 보여준다. 비교 분석을 위하여 랜덤으로 테스트 데이터들을 추출하였으며 동일한 테스트 데이터에서 예측 모델들의 정확도를 비교하였다. 다섯 번의 테스트 모두 SVM이 다른 예측 알고리즘들보다 높은 정확도를 보여주었다.
이론/모형
- 이는 다차원공간에서 비선형 경계를 가지고 있을 확률이 높으므로 비선형 분류를 하는 것이 적합하다. 따라서 본연구에서는 비선형 커널인 Polynomial kernel을 사용하여 훈련 데이터를 기반으로 예측 모델을 생성하였다.
성능/효과
- Table 4는 상세한 실험 결과를 보여준다. 6개의 SVM 기반 진료과목 예측 모델들은 5개의 테스트 데이터에서 평균 80% 이상의 정확도를 보여주고 있다. 이는 SVM이 진료과목예측 모델링에 있어서 효율적이라는 것을 증명한다.
- 특히 내과(inter medicine)와 소아청소년과(pediatrics)에서 높은 정확도를 보여 주었다. 가장 낮은 정확도를 보여준 진료과목은 이비인후과(ear-nose-and-throat department)이며 평균 60～70%의 정확도를 보여 주었다. 내과와 소아청소년과에서 높은 정확도를 보여준 원인은 내과 204개, 소아청소년과 103개의 충분한 훈련 데이터로 인해 예측 모델이 충분히 학습되었기 때문이다.
- 비교 분석을 위하여 랜덤으로 테스트 데이터들을 추출하였으며 동일한 테스트 데이터에서 예측 모델들의 정확도를 비교하였다. 다섯 번의 테스트 모두 SVM이 다른 예측 알고리즘들보다 높은 정확도를 보여주었다. 실험에 사용한 데이터는 범주형 및 연속형 속성 값들을 동시에 가지고 있으므로 비선형적인 경계를 가지고 있을 확률이 높다.
- 실험에 사용한 데이터는 범주형 및 연속형 속성 값들을 동시에 가지고 있으므로 비선형적인 경계를 가지고 있을 확률이 높다. 따라서 단순히 선형이나 비선형 분류에 뛰어난 알고리즘들보다 비선형 분류를 할 수 있을 뿐만 아니라 비선형 분류 문제를 선형 분류 문제로 바꿀 수 있는 SVM이 더 좋은 성능을 보여주었다.
- 실험 결과에서 보여주다시피 건강검진정보를 기반으로 진료과목에 대해 예측한 결과 평균 80% 이상의 정확도를 보여 주었다. 또한 SVM은 다른 알고리즘들보다 뛰어난 결과를 보여 주었다. 일부 진료과목은 훈련 데이터가 충분하지 않은 관계로 인해 다른 진료과목에 비해서 예측이 제대로 진행되지 않았지만 충분한 데이터를 확보하면 더욱 정확한 모델을 구축하여 예측의 정확도를 높일 수 있을 것으로 보인다.
- 본 논문에서는 SVM을 이용한 건강검진정보데이터 기반의 진료과목에 대한 예측 모델링을 진행하였다. 실험 결과에서 보여주다시피 건강검진정보를 기반으로 진료과목에 대해 예측한 결과 평균 80% 이상의 정확도를 보여 주었다. 또한 SVM은 다른 알고리즘들보다 뛰어난 결과를 보여 주었다.
- 6개의 SVM 기반 진료과목 예측 모델들은 5개의 테스트 데이터에서 평균 80% 이상의 정확도를 보여주고 있다. 이는 SVM이 진료과목예측 모델링에 있어서 효율적이라는 것을 증명한다. 특히 내과(inter medicine)와 소아청소년과(pediatrics)에서 높은 정확도를 보여 주었다.
- 반대로 산부인과와 이비인후과에서 정확도가 낮은 원인은 각각 59개, 55개의 비교적 적은 훈련 데이터로 인해충분한 학습이 진행되지 않았기 때문이다. 충분한 데이터를 확보하면 진료과목 예측 모델의 정확도는 더 높아질 것으로 보인다.
후속연구
- 또한 진료과목별 데이터 분포가 일정하지 못하여 일부 진료과목들은 예측의 대상에서 제외되었다. 따라서 향후 정확한 통합이 가능한 국민건강정보데이터를 확보하여 더욱 많은 진료과목을 예측할 수 있는 모델을 구축하고 다양한 연구를 진행할 예정이다.
- 또한 SVM은 다른 알고리즘들보다 뛰어난 결과를 보여 주었다. 일부 진료과목은 훈련 데이터가 충분하지 않은 관계로 인해 다른 진료과목에 비해서 예측이 제대로 진행되지 않았지만 충분한 데이터를 확보하면 더욱 정확한 모델을 구축하여 예측의 정확도를 높일 수 있을 것으로 보인다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.