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
- 본 논문에서 제안하는 예측 모델의 정확성을 평가하기 위해서 본 논문에서는 실제 환자수와 예측 모델을 통해 예측된 환자수를 비교하는 실험을 진행하였으며, 질병에 대한 예측은 감기, 장염, 눈병, 비염, 중이염과 같이 계절성, 그리고 유행성을 띄는 질병에 대하여 진행하였다. 이를 위한 약품 처방 데이터의 선별은 2012년도부터 2017년도까지 사용된 의약품들과 실제 환자수를 대상으로 수행된 상관분석을 통해 각 질병별 주요 처방 의약품을 선별하였으며, 이후의 분석은 이들 약품에 대한 처방 데이터만을 수집하여 진행하였다.
- 본 논문에서는 상기 언급한 문제점들을 해결하기 위하여, 국민건강 심사 평가원에서 관리하고 제공하는 의약품 처방 데이터 및 보건의료 빅데이터 서비스와 통계청에서 제공하는 인구 통계정보를 기반으로 연월별 시별 질병별 예상 환자수를 산출해내는 예측모델을 제안하고자 한다. 제안하고자하는 예측 모델은 유행성이 높고 질환 발생 대상자가 일반적인 감기, 눈병, 중이염, 비염, 장염 등으로 기존 국민건강 알림서비스와 달리 실제 환자를 대상으로 얻어진 의약품 처방 데이터를 활용하여 예측 결과의 신뢰성을 확보하고자 한다.
- 그러나 제안된 회귀예측 모델 당월에 대한 예측만 가능한 단기 예측의 문제점을 갖고 있다. 본 논문에서는 이러한 문제점을 해결하기 위해 예측 결과 데이터가 연월별로 산출되는 시계열형태의 데이터인 점을 착안하여 시계열 예측 모델인 ARIMA 모델을 통해 장기 예측을 실시한다.
- 본 논문에서는 상기 언급한 문제점들을 해결하기 위하여, 국민건강 심사 평가원에서 관리하고 제공하는 의약품 처방 데이터 및 보건의료 빅데이터 서비스와 통계청에서 제공하는 인구 통계정보를 기반으로 연월별 시별 질병별 예상 환자수를 산출해내는 예측모델을 제안하고자 한다. 제안하고자하는 예측 모델은 유행성이 높고 질환 발생 대상자가 일반적인 감기, 눈병, 중이염, 비염, 장염 등으로 기존 국민건강 알림서비스와 달리 실제 환자를 대상으로 얻어진 의약품 처방 데이터를 활용하여 예측 결과의 신뢰성을 확보하고자 한다. 또한 질병에 가장 주요하게 작용하는 의약품 정보를 얻기 위하여 수집한 의약품 처방 데이터와 보건 의료 빅데이터 서비스에서 제공하는 질병별 실제 환자수 정보를 대상으로 상관분석을 실시하여 가장 높은 상관관계를 가지는 의약품을 해당 질병의 주요 처방 의약품으로 선별하여 활용하였다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.