$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

SVM과 meta-learning algorithm을 이용한 고지혈증 유병 예측모형 개발과 활용
Development and application of prediction model of hyperlipidemia using SVM and meta-learning algorithm 원문보기

지능정보연구 = Journal of intelligence and information systems, v.24 no.2, 2018년, pp.111 - 124  

이슬기 (한국보건의료연구원 신의료기술평가사업본부) ,  신택수 (연세대학교 정경대학 경영학부)

초록
AI-Helper 아이콘AI-Helper

본 연구는 만성질환 중의 하나인 고지혈증 유병을 예측하는 분류모형을 개발하고자 한다. 이를 위해 SVM과 meta-learning 알고리즘을 이용하여 성과를 비교하였다. 또한 각 알고리즘에서 성과를 향상시키기 위해 변수선정 방법을 통해 유의한 변수만을 선정하여 투입하여 분석하였고 이 결과 역시 각각 성과를 비교하였다. 본 연구목적을 달성하기 위해 한국의료패널 2012년 자료를 이용하였고, 변수 선정을 위해 세 가지 방법을 사용하였다. 먼저 단계적 회귀분석(stepwise regression)을 실시하였다. 둘째, 의사결정나무(decision tree) 알고리즘을 사용하였다. 마지막으로 유전자 알고리즘을 사용하여 변수를 선정하였다. 한편, 이렇게 선정된 변수를 기준으로 SVM, meta-learning 알고리즘 등을 이용하여 고지혈증 환자분류 예측모형을 비교하였고, TP rate, precision 등을 사용하여 분류 성과를 비교분석하였다. 이에 대한 분석결과는 다음과 같다. 첫째, 모든 변수를 투입하여 분류한 결과 SVM의 정확도는 88.4%, 인공신경망의 정확도는 86.7%로 SVM의 정확도가 좀 더 높았다. 둘째, stepwise를 통해 선정된 변수만을 투입하여 분류한 결과 전체 변수를 투입하였을 때보다 각각 정확도가 약간 높았다. 셋째, 의사결정나무에 의해 선정된 변수 3개만을 투입하였을 때 인공신경망의 정확도가 SVM보다 높았다. 유전자 알고리즘을 통해 선정된 변수를 투입하여 분류한 결과 SVM은 88.5%, 인공신경망은 87.9%의 분류 정확도를 보여 주었다. 마지막으로, 본 연구에서 제안하는 meta-learning 알고리즘인 스태킹(stacking)을 적용한 결과로서, SVM과 MLP의 예측결과를 메타 분류기인 SVM의 입력변수로 사용하여 예측한 결과, 고지혈증 분류 정확도가 meta-learning 알고리즘 중에서는 가장 높은 것으로 나타났다.

Abstract AI-Helper 아이콘AI-Helper

This study aims to develop a classification model for predicting the occurrence of hyperlipidemia, one of the chronic diseases. Prior studies applying data mining techniques for predicting disease can be classified into a model design study for predicting cardiovascular disease and a study comparing...

주제어

AI 본문요약
AI-Helper 아이콘 AI-Helper

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

문제 정의

  • 고혈압과 당뇨병뿐 아니라 만성질환 중 고지혈증 역시 중요성이 높기 때문에, 본 연구에서는 고지혈증을 분석대상 질환으로 선정하였다. 또한 이미 예측력이 우수하다고 알려진 SVM과 메타러닝 알고리즘을 이용하여 고지혈증 유병에 영향을 미치는 요인을 파악하고 예측하는 모형을 개발하고자 한다.
  • 이에 본 연구에서는 한국의료패널에서 수집된 개인별 의료자료를 이용하여 만성질환 중의 하나인 고지혈증 유병을 예측하는 분류모형을 개발하고자 한다. 이를 위해 성과가 좋은 SVM과 meta-learning 알고리즘을 이용하여 성과를 비교하였다.

가설 설정

  • 고지혈증 유무에 유의한 영향을 미치는 독립변수 중 설명력이 높은 변수를 순서대로 찾고자 단계적 회귀분석(stepwise regression analysis)을 시행하였다. 투입된 변수는 모두 17개이며(표 4참조) 이들 중 범주형 변수(length of smoking 제외)는 더미변수로 표현되는데, 이 더미변수는 참조그룹(reference group) 기준으로 그 이외의 범주를 각각 별개의 변수로 가정되며, 이 변수를 대상으로 분석하였다. 본 분석결과는 [Table 2]와 같으며 유의수준 0.
본문요약 정보가 도움이 되었나요?

질의응답

핵심어 질문 논문에서 추출한 답변
심뇌혈관질환은 단일질환 암을 제외하고 사망원인 몇 위인가? 이러한 만성질환의 대표적인 질환은 고혈압, 당뇨병, 이상지질혈증 등으로 심뇌혈관질환의 선행질환이기도 하다. 심뇌혈관질환은 단일질환인 암을 제외 하고 사망원인 2, 3위를 차지하며, 특히 심장질환은 10년 전인 2004년에 비하여 42.8% 증가하였다.
만성질환 중의 하나인 고지혈증 유병을 예측하는 분류모형을 개발하기 위해 어떤 방법을 사용했는가? 본 연구목적을 달성하기 위해 한국의료패널 2012년 자료를 이용하였고, 변수 선정을 위해 세 가지 방법을 사용하였다. 먼저 단계적 회귀분석(stepwise regression)을 실시하였다. 둘째, 의사결정나무(decision tree) 알고리즘을 사용하였다. 마지막으로 유전자 알고리즘을 사용하여 변수를 선정하였다. 한편, 이렇게 선정된 변수를 기준으로 SVM, meta-learning 알고리즘 등을 이용하여 고지혈증 환자분류 예측모형을 비교하였고, TP rate, precision 등을 사용하여 분류 성과를 비교분석하였다.
암 유전자를 찾기 위해 어떤 연구를 하였는가? 의료분야에서 데이터 마이닝을 적용한 많은 연구들이 있었다. 구체적으로 암 유전자를 찾기 위해 유전자 알고리즘 이용, 간암 진단을 위해 CART와 CBR을 이용, 뇌혈관 질환 예측을 위해 의사결정나무, 베이지안, 신경망 이용, 뇌졸중 원인 파악을 위한 인공신경망 이용, 고혈압 혹은 고지혈증을 환자를 대상으로 복합질환예측을 위해 MARS(Multivariate Adaptive Regression Splines) 사용한 연구 등이 있었다. 결과적으로 의료분야에서 데이터 마이닝 기법을 적용하는 것은 위험수준을 확인하고 위험을 줄이기 위한 것이다.
질의응답 정보가 도움이 되었나요?

참고문헌 (15)

  1. Chitra, R., & Seenivasagam, V., "Heart disease prediction system using supervised learning classifier," Bonfring International Journal of Software Engineering and Soft Computing. Vol.3, No.1(2013), 1-7. 

  2. Dogan, S., Turkoglu, I., "Diagnosing hyperlipidemia using association rules," Mathematical and Computational Applicationas. Vol.13, No.3(2008), 193-202. 

  3. Huang, M. J., CHen, M. Y., Lee, S. C. "Integrating data mining with case-based reasoning for chronic diseases prognosis and diagnosis," Expert Systems with Application. Vol.32,(2007), 856-867. 

  4. Jabbar, M. A., Deekshatulu, B. L., & Chandra, P., "Heart disease prediction system using associative classification and genetic algorithm," arXiv preprint arXiv:1303.5919. (2013) 

  5. Jackson, N., "Developing the concept of metalearning," Innovations in Education and Teaching Internal. Vol.41, No.4(2004), 391-403. 

  6. Kohavi, R., John, G.H., "Wrappers for feature subset selection," Artificial Intelligence. Vol.97, No.1(1997), 273-324. 

  7. Kim, M. J., "Ensemble Learning with Support Vector Machines for Bond Rating," Journal of Intelligence and Information Systems, Vol.18, No.2(2012), 29-45. 

  8. Min, S. H, "Bankruptcy prediction using an improved bagging ensemble," Journal of Intelligence and Information Systems, Vol.20, No.4(2014), 121-139. 

  9. OECD(2012). Health Care Quality Review: Korea. OECD. 

  10. Palaniappan, S., & Awang, R. "Intelligent Heart Disease Prediction system using data mining techniques," International Journal of Computer Science and Network Security. Vol. 8, No.8(2008), 343-350. 

  11. Santhanam, T., Padmavathi, M. S., "Application of K-means and Genetic Algorithms for dimension reduction by intergrating SVM for diabetes diagnosis," Procedia Computer Science, Vol.47, (2015), 76-83. 

  12. Shin, T. S., Hong, T. H., "Corporate Credit Rating based on Bankruptcy Probability Using AdaBoost Algorithm-based Support Vector Machine," Journal of Intelligence and Information Systems, Vol.17, No.3(2011), 25-41. 

  13. Soni, J., Ansari, U., Sharma, D., "Predictive data mining for medical diagnosis: An overview of heart disease prediction," International Journal of Computer Applications. Vol.17, No.8(2011), 43-48. 

  14. Sudha, A., Gayathri, P., Jaisankar, N., "Utilization of data mining approaches for prediction of life threatening diseases survivability," International Journal of Computer Applications. Vol.41, No.17(2012), 51-55. 

  15. Tan, P. N., Steinbach, M., & Kumar, V. , Introduction to data mining. Boston: Pearson Addison Wesley.(2005). 

저자의 다른 논문 :

관련 콘텐츠

오픈액세스(OA) 유형

GOLD

오픈액세스 학술지에 출판된 논문

이 논문과 함께 이용한 콘텐츠

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로