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.
제안 방법
- 생존, 사망 데이터 집합의 불균형을 맞추기 위해 up-sampling, down-sampling을 하며, 무작위로 뽑은 학습집합을 튜닝집합으로 매개변수를 최적화하고 검증집합으로 평가한다. 랜덤 포레스트의 경우 1,000개의 트리를 사용하였고, 인공신경망의 경우 2개의 은닉층을 사용하였으며, 지지 벡터기계의 경우 rbf(Radial Basis Function) 커널을 사용하여 각 분류기의 모델을 최적화한다. 4가지 질병 중 종양을 지닌 환자의 사망률 예측과, Balanced Random Forest(BRF)를 이용한 사망률 예측이 가장 높은 성능을 보인다.
- 또, 호소하는 증상 명을 갖고 있지 않은 데이터도 제외한다. 마지막으로 사망자의 비율이 생존자의 비율보다 매우 작아 학습이 편중되는 것을 막기 위해 생존자의 비율을 무작위로 제거하여 전체 사망자 수와의 비율을 9대1로 맞추었다.
- 본 연구는 응급실을 방문한 65세 이상의 노인 환자의 사망률을 지지벡터기계와 인공신경망 모형을 설계하여 사망률 예측 시스템을 설계하며, Fig. 1은 시스템을 구축하는 과정을 나타낸다.
- 본 연구는 환자의 연령, 성별, 증상 명 등 기본적인 정보와 과거 병력, 피검사, 균 배양검사 등 총 89가지의 자질을 이용하여 사망률 예측에 신경망 모형을 설계한다. 하지만 관련 연구에서처럼 지정한 기간 동안 환자의 정보를 기록한 시계열 데이터를 갖고 있지 않다.
- 환자를 나타내는 지표는 질병이 발생한 시점부터 3개월 혹은 12개월까지의 순차적으로 표현되며, 병원을 방문하는 횟수나, 의사와 간호사와의 진단 건수가 포함된다. 생존, 사망 데이터 집합의 불균형을 맞추기 위해 up-sampling, down-sampling을 하며, 무작위로 뽑은 학습집합을 튜닝집합으로 매개변수를 최적화하고 검증집합으로 평가한다. 랜덤 포레스트의 경우 1,000개의 트리를 사용하였고, 인공신경망의 경우 2개의 은닉층을 사용하였으며, 지지 벡터기계의 경우 rbf(Radial Basis Function) 커널을 사용하여 각 분류기의 모델을 최적화한다.
- 먼저 과거 응급실을 방문한 노인 환자의 의료 데이터를 수집한다. 수집한 의료 데이터로부터 사망률 예측에 기여할 수 있는 적절한 자질들을 추출한 후, 추출된 자질들은 벡터 공간으로 사상시키고 심층망을 설계하여 사망률을 학습시킨다. 최종적으로 학습된 신경망을 이용하여 사망률을 예측한다.
- 실험에 사용되는 자질의 수는 89이고, 이를 이용하여 얻은 벡터는 836차원이다. 실험에서 사용되는 FFNN의 은닉층 수는 0, 1, 2 총 3가지의 경우로 나누어 실험한다. 은닉층의 수를 증가할수록 학습의 속도가 저하되고 특히 3개 이상의 은닉층을 사용하는 경우 과적합(over-fitting)이 발생한다.
- 의학계에서는 진단율과 오진단율 모두를 낮추는 것이 중요한 평가 척도이며 AUC(Area Under Curve)로 시스템의 성능을 주로 평가한다. 실험은 5-fold 교차검증(Cross Validation) 을 수행하여 시스템 성능을 병원내 사망률과 병원내 생존율을 기준으로 각각 다르게 측정하며, 정확률(P), 재현율(R), F1, 정확도(Acc), AUC로 평가한다.
- 우리는 사망률 예측을 기본적으로 회귀분석(regression) 문제로 보고 효과적으로 이항분류를 할 수 있는 지지벡터기계와 Feed Forward Neural Network(FFNN)를 사망률 예측 모형에 적용하여 두 시스템의 성능을 비교하였다. Fig.
- 또, 경험이 많지 않은 의사와 간호사 들의 적절한 처치에 도움을 줄 수 있을 것이다. 우리는 응급실을 방문한 65세 이상 노인 환자의 의료 데이터를 지지벡터 기계와 인공신경망을 이용하여 각각 학습한 후, 사망률을 예측하는 시스템을 제안한다.
- 응급실 병원 내 환자의 사망률을 예측하기 위해 환자의 성별, 연령, 내원일시와 같은 기초적인 정보 뿐 아니라, 증상 명, 심박 수, 체온 등의 초기 정보, 과거 병력, 다양한 혈액 측정 검사 결과, 배양 검사 결과, CT 촬영 정보 등 최대한 많은 측정값 들을 회귀분석(Logistic Regression), 지지벡터기계(Support Vector Machine), 인공신경망(Artifitial Neural Network)등을 이용하여 학습한다. 학습집합에 사용되는 데이터는 각 병원내의 입원한 환자의 기록된 정보나, MIMIC(Multi parameter Intelligent Monitoring in Intensive Care) Ⅱ Clinical Database 등 이미 측정한 환자의 정보, PubMed, EMBASE 등의 의학사전정보를 이용하여 구축한다.
- 비시계열(non-time series) 데이터인 정적인 의료 데이터로부터 추출한 수치 데이터와 단어 데이터를 함께 활용하는 것은 이전 연구에서는 시도되지 않은 방법이다. 환자의 주 증상명과 배양 검사 결과 정보는 문장으로 되어 있으며, 이를 Word2Vec을 사용하여 벡터로 변환하여 다른 수치 데이터들과 함께 사망률 예측에 사용하였다.
대상 데이터
- 먼저 과거 응급실을 방문한 노인 환자의 의료 데이터를 수집한다. 수집한 의료 데이터로부터 사망률 예측에 기여할 수 있는 적절한 자질들을 추출한 후, 추출된 자질들은 벡터 공간으로 사상시키고 심층망을 설계하여 사망률을 학습시킨다.
- 수집된 환자는 총 1,661명이며 사망자는 86명이다. 이 중 사망률을 예측에 크게 기여하는 자질이 없는 환자는 제외시킨다.
- 실험에 사용되는 자질의 수는 89이고, 이를 이용하여 얻은 벡터는 836차원이다. 실험에서 사용되는 FFNN의 은닉층 수는 0, 1, 2 총 3가지의 경우로 나누어 실험한다.
- 실험에 사용한 컴퓨터 사양은 Ubuntu 16.04 LTS, Intel(R) Core(TM) i5-7500 3.40GHz, 16GB DDR4, GeForce GTX 1080이었으며, 지지벡터기계와 FFNN은 각각 scikit-learn과 Tensorflow-gpu 1.4를 이용하여 구현하였다.
- 실험에는 총 758명의 데이터 중 681명이 생존자의 데이터이며 77명이 사망자의 데이터를 사용하였으며, Table 2는 5-fold 교차검증에 사용된 환자의 수를 나타낸다.
- 응급실 병원 내 환자의 사망률을 예측하기 위해 환자의 성별, 연령, 내원일시와 같은 기초적인 정보 뿐 아니라, 증상 명, 심박 수, 체온 등의 초기 정보, 과거 병력, 다양한 혈액 측정 검사 결과, 배양 검사 결과, CT 촬영 정보 등 최대한 많은 측정값 들을 회귀분석(Logistic Regression), 지지벡터기계(Support Vector Machine), 인공신경망(Artifitial Neural Network)등을 이용하여 학습한다. 학습집합에 사용되는 데이터는 각 병원내의 입원한 환자의 기록된 정보나, MIMIC(Multi parameter Intelligent Monitoring in Intensive Care) Ⅱ Clinical Database 등 이미 측정한 환자의 정보, PubMed, EMBASE 등의 의학사전정보를 이용하여 구축한다.
이론/모형
- 먼저, 데이터의 특성이 수치인 경우 관찰된 수치 중 가장 낮은 값과 가장 높은 값을 0과 1 사이로 변환하며, 이때 미등록 데이터의 가중치를 구분하기 위해 Equation (2)의 스무딩 기법을 적용한다.
- 응급실 방문 노인 환자의 사망률 예측을 위해 이전에는 주로 활력징후(vital sign)에 의존한 통계적 기법과 규칙을 이용한 채점 시스템이 주로 이용되었다. 본 연구는 대표적인 기계 학습방법인 지지벡터기계와 Feed Forward Neural Network (FFNN)를 이용하여 응급실 방문 노인 환자의 사망률을 예측한다. 비시계열(non-time series) 데이터인 정적인 의료 데이터로부터 추출한 수치 데이터와 단어 데이터를 함께 활용하는 것은 이전 연구에서는 시도되지 않은 방법이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.