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 논문에서는 미세먼지와 진료과목의 상관관계 분석을 통한 연관성 예측을 하였다. 2016년도 진료내역정보에서 진료횟수가 가장 많은 TOP10 진료과목을 분류하고, 월별 진료과목의 진료 횟수와 월별 미세먼지농도의 평균값을 통합하였다.
- 본 논문에서는 성별과 연령에 따른 미세먼지와 진료과목의 상관관계 분석을 통해 연관성 예측에 대한 방법을 제안한다. 본 논문에서 사용된 진료내역정보 데이터는 공공데이터 포털 사이트의 국민건강정보 데이터 셋을 활용하였다.
- 본 절에서는 TOP10 진료과목의 월별 진료횟수와 월별 미세먼지 농도와의 상관 분석을 기술한다. 진료과목과 미세먼지농도가 서로 얼마나 밀접하게 선형적 관계를 맺고 있는지를 상관이라고 하며, 상관관계가 어떤 관련성을 가지고 변화하는지 연관성을 분석하는 것을 상관 분석이라고 한다.
- 본 절에서는 다른 군에 비해 미세먼지와 가장 강한 상관관계를 가진 여성(W)-중년(middle) 군을 대상으로 미세먼지와 진료과목과의 회귀 분석을 수행한다. 회귀 분석은 한 개 또는 그 이상의 독립변수들에 대하여 다른 종속변수 사이의 관계를 수학적인 모형을 이용하여 설명하고 예측하는 통계적 분석기법이다.
- 본 절에서는 앞에서 제안한 방법을 더 세분화하여 성별과 연령에 따른 TOP10 진료과목의 월별 진료횟수와 월별 미세먼지농도와의 상관 분석을 기술한다. 미세먼지로 인해 노인과 여성의 사망이 증가되었다는 관련연구를 바탕으로 성별과 연령별로 세분화하여 상관 분석을 하였다.
제안 방법
- 국민건강보험가입자 중 해당 연도에 요양기관으로부터의 진료내역이 1건 이상인 가입자 100만 명을 무작위로 선별하고, 항목 선정 과정을 거쳐 선정된 해당 가입자의 기본정보와 진료 정보를 추출하여 진료 내역정보 데이터 셋을 1차적으로 구성하였다. 1차적으로 구성된 진료내역정보 데이터 셋의 최적화를 위해 구간분포비율을 최대한 유지한 상태에서 데이터 정제 작업을 거쳐 최종 진료내역정보 데이터 셋을 구성하였다. 국가중점 모든 개방데이터 셋은 매년 12월에 2년 전 데이터를 추가하는 방식으로 1년 단위로 데이터를 갱신한다[12].
- 2016년 진료내역정보 데이터와 미세먼지 데이터를 활용하여 두 가지 데이터를 분류한 후 피어슨 상관계수를 이용하여 상관관계를 분석하고, 더 세분화하여 성별과 연령대에 따라 상관관계를 분석한 후 강한 양의 상관관계가 있는 성별의 연령대는 2011년부터 2015년까지 과거 5년의 데이터와 2016년 데이터를 회귀 분석을 통해 연관성을 예측하는 방법을 제안한다.
- 본 논문에서는 미세먼지와 진료과목의 상관관계 분석을 통한 연관성 예측을 하였다. 2016년도 진료내역정보에서 진료횟수가 가장 많은 TOP10 진료과목을 분류하고, 월별 진료과목의 진료 횟수와 월별 미세먼지농도의 평균값을 통합하였다. 통합한 데이터로 진료과목별 진료횟수와 미세먼지농도와의 상관관계를 분석하였고, 뚜렷한 양의 상관관계가 있는 내과, 소아청소년과, 이비인후과, 가정의학과에 대하여 성별과 연령으로 세분화하여 상관관계를 분석하였다.
- 진료내역정보 데이터에서 진료횟수가 많은 TOP10 진료과목을 분류하고, 진료과목별로 월별 진료횟수를 합산하였다. 그리고 미세먼지 데이터에서 월별 미세먼지농도의 평균을 계산하여 두 데이터를 통합하였다. 표 3은 TOP10 진료과목의 월별 진료 횟수와 미세먼지농도를 통합한 데이터의 일부이다.
- 김형근 외(2015) 연구에서는 실내 환경에 따른 미세먼지 흡입량 평가를 위해 미세먼지가 발생하는 실내 공간에서 실제 인체에 침착되는 미세먼지의 양을 분석하기 위하여 호흡기 침착 모델을 도입하였다. 그리고 호흡기 침착 모델을 적용하여 미세먼지가 많이 발생하는 가스레인지 조리 시 분석을 통해 인체 미세먼지 흡입량을 평가하였다. 미세먼지 흡입량 평가를 통하여 입자별 흡입량과 상세한 미세먼지 분포를 확인할 수 있었다[7].
- 손동욱(2016) 연구에서는 성별에 따른 거주 지역에서 대기 중 미세먼지 오염도와 당뇨병 유병 위험도와의 상관관계를 분석하였다. 대표적인 대기오염물질의 하나인 미세먼지와 당뇨병 위험성 증가 사이의 연관성을 분석함으로써 대기오염의 건강상의 유해성에 대한 검증을 시도하였다. 연구 결과 대기중 미세먼지 오염도와 여성의 당뇨병 유병률 증가 사이에 유의미한 상관성이 있음이 확인되었다.
- 그리고 미세먼지로 인해 노인과 여성의 사망이 증가되었다는 관련연구를 바탕으로 성별과 연령대에 따른 상관관계를 분석한 결과 여성-중년군의 진료과목이 미세먼지와 가장 강한 양의 상관관계인 것을 알 수 있었다. 따라서 2011년부터 2015년까지 미세먼지와 여성-중년군의 진료과목과의 상관관계를 분석하고 회귀 분석을 통해 연관성 계수를 추출하여 미세먼지 농도에 따른 진료과목과의 연관성을 예측한다.
- 하지만 미세먼지를 포함한 대기 오염에 관한 데이터의 축적, 활용과 이를 이용한 대응방안은 제대로 이루어지지 못하고 있다[2]. 따라서 본 논문에서는 진료내역정보 공공데이터를 활용하여 2016년도 월별 진료횟수가 가장 높은 진료과목 10개를 분류하고 미세먼지가 어떤 진료과목과 관계가 있는지 분석하기 위해 피어슨 상관계수를 사용했다. 그리고 미세먼지로 인해 노인과 여성의 사망이 증가되었다는 관련연구를 바탕으로 성별과 연령대에 따른 상관관계를 분석한 결과 여성-중년군의 진료과목이 미세먼지와 가장 강한 양의 상관관계인 것을 알 수 있었다.
- 먼저 2011년부터 2015년까지의 진료내역정보 데이터에서 여성(W)-중년(middle) 군의 내과, 소아청소년과, 이비인후과의 진료횟수를 추출하고, 각 연도별 미세먼지농도가 가장 높은 3~5월 데이터와 상관관계를 분석하고 회귀 분석을 진행하였다. 표 6은 2011년부터 2015년까지 과거 5년 데이터의 회귀 분석을 통한 연관성 계수와 2016년도의 연관성 계수를 비교하고 있다.
- 본 절에서는 앞에서 제안한 방법을 더 세분화하여 성별과 연령에 따른 TOP10 진료과목의 월별 진료횟수와 월별 미세먼지농도와의 상관 분석을 기술한다. 미세먼지로 인해 노인과 여성의 사망이 증가되었다는 관련연구를 바탕으로 성별과 연령별로 세분화하여 상관 분석을 하였다. 성별은 남성을 M, 여성을 W로 표시하였다.
- 본 절에서는 2016년 진료내역정보 데이터에서 진료횟수가 가장 많은 진료과목 10개(TOP10)를 분류하고, 월별 미세먼지 농도 데이터와 통합하는 과정을 기술한다. 진료내역정보에서 진료과목별로 진료횟수를 합산하여 순위를 부여했다.
- 본 절에서는 연관성 예측을 위해 2011년부터 2015년까지의 미세먼지 데이터와 여성(W)-중년(middle) 군의 진료과목을 상관 분석하고 회귀 분석을 통한 연관성 계수를 2016년 데이터와 비교하여 예측 값을 추정한다.
- 표 3은 TOP10 진료과목의 월별 진료 횟수와 미세먼지농도를 통합한 데이터의 일부이다. 이 데이터를 이용하여 진료과목과 미세먼지와의 상관관계를 분석한다.
- 진료내역정보 데이터에서 진료횟수가 많은 TOP10 진료과목을 분류하고, 진료과목별로 월별 진료횟수를 합산하였다. 그리고 미세먼지 데이터에서 월별 미세먼지농도의 평균을 계산하여 두 데이터를 통합하였다.
- 연령은 2016년 UN이 재정립한 평생 연령 기준에 0~17세는 미성년자, 18~65세는 청년, 66세~79세는 중년, 80세~99세는 노년, 100세 이후는 장수노인으로 분류된 것을 참고하였다. 진료내역정보에 0세부터 85세 이상까지 5세단위로 그룹화된 연령대 코드와 UN의 평생 연령 기준과 대조하여 4개의 군 즉, 0~19세는 미성년자(minor), 20~64세는 청년(youth), 65~79세는 중년(middle), 80세 이상은 노년(old)으로 분류하였다.
- 2016년도 진료내역정보에서 진료횟수가 가장 많은 TOP10 진료과목을 분류하고, 월별 진료과목의 진료 횟수와 월별 미세먼지농도의 평균값을 통합하였다. 통합한 데이터로 진료과목별 진료횟수와 미세먼지농도와의 상관관계를 분석하였고, 뚜렷한 양의 상관관계가 있는 내과, 소아청소년과, 이비인후과, 가정의학과에 대하여 성별과 연령으로 세분화하여 상관관계를 분석하였다. 다른 군에 비해 여성-중년 군에서 내과, 소아청소년과, 이비인후과가 미세먼지와 강한 양의 상관관계인 것을 볼 수 있었다.
대상 데이터
- 부유분진측정기 관측이란 대기중의 부유하는 공기를 흡입하여 직경이 10㎛이하인 황사가 포함된 먼지가 필터에 침척되고, 동위원소 C-14에서 방출되는 베타선을 필터 여지에 쏘아 감쇄된 베타선을 검출기로 측정하여 농도를 산출한다[13]. 2016년 자료 중에서 월별 대기오염도(도시별) 파일을 이용하여 도시별로 월별 미세먼지 농도를 합산한 후 평균을 계산하여 데이터 셋으로 활용하였다.
- 본 논문에서 사용된 진료내역정보 데이터는 공공데이터 포털 사이트의 국민건강정보 데이터 셋을 활용하였다. 국민건강보험가입자 중 해당 연도에 요양기관으로부터의 진료내역이 1건 이상인 가입자 100만 명을 무작위로 선별하고, 항목 선정 과정을 거쳐 선정된 해당 가입자의 기본정보와 진료 정보를 추출하여 진료 내역정보 데이터 셋을 1차적으로 구성하였다. 1차적으로 구성된 진료내역정보 데이터 셋의 최적화를 위해 구간분포비율을 최대한 유지한 상태에서 데이터 정제 작업을 거쳐 최종 진료내역정보 데이터 셋을 구성하였다.
- 국가중점 모든 개방데이터 셋은 매년 12월에 2년 전 데이터를 추가하는 방식으로 1년 단위로 데이터를 갱신한다[12]. 그중 가장 최근 자료인 2016년도 진료내역정보를 활용하였다. 진료내역정보는 기준년도, 가입자 일련번호, 진료내역 일련번호, 성별 코드, 연령대 코드, 시도 코드, 요양개시일자, 서식코드, 진료과목 코드, 주상병 코드, 부상병 코드, 요양 일수, 입내원 일수 등으로 구성되어 있다.
- 미세먼지 데이터는 기상자료개방 포털 사이트에서 파일셋 조회-부유분진측정을 활용하였다. 파일셋은 황사를 관측할 수 있는 부유분진측정기(PM10) 장비로부터 관측된 연단위의 파일이다.
- 본 논문에서는 성별과 연령에 따른 미세먼지와 진료과목의 상관관계 분석을 통해 연관성 예측에 대한 방법을 제안한다. 본 논문에서 사용된 진료내역정보 데이터는 공공데이터 포털 사이트의 국민건강정보 데이터 셋을 활용하였다. 국민건강보험가입자 중 해당 연도에 요양기관으로부터의 진료내역이 1건 이상인 가입자 100만 명을 무작위로 선별하고, 항목 선정 과정을 거쳐 선정된 해당 가입자의 기본정보와 진료 정보를 추출하여 진료 내역정보 데이터 셋을 1차적으로 구성하였다.
- 진료내역정보는 기준년도, 가입자 일련번호, 진료내역 일련번호, 성별 코드, 연령대 코드, 시도 코드, 요양개시일자, 서식코드, 진료과목 코드, 주상병 코드, 부상병 코드, 요양 일수, 입내원 일수 등으로 구성되어 있다. 표 1은 2016년 진료내역정보의 일부이고 총 1,048,576건을 데이터 셋으로 활용하였다.
데이터처리
- 여기서 미세먼지는 독립변수로 진료과목의 진료횟수는 종속변수로 설정하였다. 미세먼지농도와 뚜렷한 양의 상관관계인 내과, 소아청소년과, 이비인후과와 회귀 분석을 하였다. 그림 4는 미세먼지 농도와 진료과목의 회귀 분석 결과를 시각화하였고, 파란색 그래프로 회귀 직선을 표현하였다.
- 따라서 둘의 관계는 양의 상관관계라고 볼 수 있다. 분석방법으로는 상관 분석으로 가장 많이 사용하는 피어슨 상관계수(Pearson Correlation Coefficient)를 이용하였다. 상관계수는 –1~1 사이의 값을 가지며 0일 경우에는 두 변수 간의 상관관계가 전혀 없다는 것을 뜻한다.
성능/효과
- 그림 4는 미세먼지 농도와 진료과목의 회귀 분석 결과를 시각화하였고, 파란색 그래프로 회귀 직선을 표현하였다. 위쪽부터 (a)내과, (b)소아청소년과, (c)이비인후과를 나타내고 회귀 직선을 통하여 세 진료과목의 진료횟수는 미세먼지 농도와 비례함을 알 수 있었다.
- 이환희 외(2015) 연구에서는 반복 측정 분석을 통한 미세먼지와 고혈압 유병률의 상관관계를 분석하였다. 2009년부터 2013년도까지 지역사회 건강조사 자료를 바탕으로 고혈압 유병률과 미세먼지에 대한 분석 결과 양의 상관관계가 있음이 확인되었다. 2009년에 측정한 미세먼지를 5년간의 고혈압 유병률 자료와 분석한 결과 1㎛의 미세먼지가 증가할 때마다 고혈압 유병률은 1.
- 따라서 본 논문에서는 진료내역정보 공공데이터를 활용하여 2016년도 월별 진료횟수가 가장 높은 진료과목 10개를 분류하고 미세먼지가 어떤 진료과목과 관계가 있는지 분석하기 위해 피어슨 상관계수를 사용했다. 그리고 미세먼지로 인해 노인과 여성의 사망이 증가되었다는 관련연구를 바탕으로 성별과 연령대에 따른 상관관계를 분석한 결과 여성-중년군의 진료과목이 미세먼지와 가장 강한 양의 상관관계인 것을 알 수 있었다. 따라서 2011년부터 2015년까지 미세먼지와 여성-중년군의 진료과목과의 상관관계를 분석하고 회귀 분석을 통해 연관성 계수를 추출하여 미세먼지 농도에 따른 진료과목과의 연관성을 예측한다.
- 통합한 데이터로 진료과목별 진료횟수와 미세먼지농도와의 상관관계를 분석하였고, 뚜렷한 양의 상관관계가 있는 내과, 소아청소년과, 이비인후과, 가정의학과에 대하여 성별과 연령으로 세분화하여 상관관계를 분석하였다. 다른 군에 비해 여성-중년 군에서 내과, 소아청소년과, 이비인후과가 미세먼지와 강한 양의 상관관계인 것을 볼 수 있었다. 또한 회귀 분석을 하고 연관성 계수를 이용하여 이비인후과의 2011년부터 2015년까지 과거 5년의 연관성 계수와 2016년 연관성 계수를 비교한 결과 89.
- 003(95%) 증가했다. 또한 시간과 미세먼지와의 교호작용을 확인할 수 있었다. 미세먼지가 장기간 효과가 있다는 결과에서 2년이 지난 시점에서부터 영향을 준다는 구체적인 기간적 영향을 보여주었다[11].
- 다른 군에 비해 여성-중년 군에서 내과, 소아청소년과, 이비인후과가 미세먼지와 강한 양의 상관관계인 것을 볼 수 있었다. 또한 회귀 분석을 하고 연관성 계수를 이용하여 이비인후과의 2011년부터 2015년까지 과거 5년의 연관성 계수와 2016년 연관성 계수를 비교한 결과 89.21%의 통계적으로 유의한 예측 값이 나왔다. 연관성 계수를 이용하면 미세먼지농도와 진료과목과의 연관성 예측이 가능하다.
- 미세먼지에 의한 건강영향은 호흡기질환(폐암, 급성하기도 폐질환, 만성 폐쇄성 질환)과 심혈관계 질환(뇌졸중, 허혈성 심질환)으로 크게 구별되고 건강영향의 정도는 먼지의 크기(지름), 하루 중 활동양성, 노출대상의 취약성 등 다양한 요인에 따라 달라졌다. 메타분석결과를 통해 미세먼지 노출에서 노인과 여성 사망이 증가하고 심부전 환자들에서 입원 및 사망이 증가했다. 모든 분석적 연구에서 총사망은 미세먼지의 장기간 노출과 직접적인 연관성이 있었으며 사망증가는 심혈관 및 호흡기에 원인이 있었다[8].
- 조용민(2014) 연구에서는 미세먼지 노출에 의한 건강영향에 관해 분석하였다. 미세먼지에 의한 건강영향은 호흡기질환(폐암, 급성하기도 폐질환, 만성 폐쇄성 질환)과 심혈관계 질환(뇌졸중, 허혈성 심질환)으로 크게 구별되고 건강영향의 정도는 먼지의 크기(지름), 하루 중 활동양성, 노출대상의 취약성 등 다양한 요인에 따라 달라졌다. 메타분석결과를 통해 미세먼지 노출에서 노인과 여성 사망이 증가하고 심부전 환자들에서 입원 및 사망이 증가했다.
- 대표적인 대기오염물질의 하나인 미세먼지와 당뇨병 위험성 증가 사이의 연관성을 분석함으로써 대기오염의 건강상의 유해성에 대한 검증을 시도하였다. 연구 결과 대기중 미세먼지 오염도와 여성의 당뇨병 유병률 증가 사이에 유의미한 상관성이 있음이 확인되었다. 특히 이러한 상관성은 40세 이상 연령의 여성 인구 집단에서 명확히 확인되고 있었다.
- 표 6은 2011년부터 2015년까지 과거 5년 데이터의 회귀 분석을 통한 연관성 계수와 2016년도의 연관성 계수를 비교하고 있다. 이비인후과의 2011년부터 2015년까지의 연관성 계수는 0.4758이고, 2016년도의 연관성 계수인 0.533과 비교한 결과 89.21%의 예측 값이 나왔고, 평균적으로 86.61%의 통계적으로 유의한 예측 값이 나오는 것을 볼 수 있었다.
- 회귀 분석은 그림 4의 산점도를 가장 잘 설명하는 하나의 선을 구하는 방법인데 그 선이 얼마나 데이터를 잘 설명할 수 있는가에 대한 점수가 연관성 계수인 것이다. 이비인후과의 연관성 계수가 가장 큰 것을 확인할 수 있고, 연관성 계수를 백분율로 환산하여 미세먼지농도와 이비인후과의 진료횟수는 53%의 관련이 있다는 것을 알 수 있다. 연관성 계수를 이용하면 미세먼지농도와 진료과목과의 연관성 예측이 가능하다.
후속연구
- 본 논문에서는 2011년부터 2016년까지의 자료만 실험하였으나, 2008년부터 미세먼지농도 데이터가 존재하므로 연도별 진료내역정보와 미세먼지농도 데이터를 빅데이터 화하여 연관성을 분석한다면 더욱 정확한 예측이 가능할 것이다. 그리고 예측을 통해 각 진료과목별 성별과 연령대를 구분하여 환자에 따른 미세먼지 맞춤 예방서비스도 가능해질 것이다.
- 연관성 계수를 이용하면 미세먼지농도와 진료과목과의 연관성 예측이 가능하다. 본 논문에서는 2011년부터 2016년까지의 자료만 실험하였으나, 2008년부터 미세먼지농도 데이터가 존재하므로 연도별 진료내역정보와 미세먼지농도 데이터를 빅데이터 화하여 연관성을 분석한다면 더욱 정확한 예측이 가능할 것이다. 그리고 예측을 통해 각 진료과목별 성별과 연령대를 구분하여 환자에 따른 미세먼지 맞춤 예방서비스도 가능해질 것이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.