노인성 치매의 전 임상단계인 경도인지장애(MCI)를 조기 진단하고, 조기 개입한다면, 치매의 발병률을 줄일 수 있다. 본 연구는 우리나라 지역사회 노인의 MCI 예측 모형을 개발하고 노년기 인지장애의 예방을 위한 기초자료를 제공하였다. 연구대상은 2012년 Korean Longitudinal Survey of Aging(KLoSA)에 참여한 65세 이상 지역사회 노인 3,240명(남성 1,502명, 여성 1,738명)이다. 결과변수는 MCI유병으로 정의하였고, 설명변수는 성, 연령, 혼인상태, 교육수준, 소득수준, 흡연, 음주, 주1회 이상의 정기적인 운동, 월평균 사회활동 참여시간, 주관적 건강, 고혈압, 당뇨병을 포함하였다. 예측모형의 개발은 Restricted Boltzmann Machine(RBM) 인공신경망을 이용하였다. RMB 인공신경망을 이용하여 우리나라 지역사회 노인의 MCI 예측 모형을 구축한 결과, 유의미한 요인은 연령, 성별, 최종학력, 주관적 건강, 혼인상태, 소득수준, 흡연, 규칙적 운동이었다. 이 결과를 기초로 MCI 고위험군의 특성을 고려한 맞춤형 치매 예방 프로그램의 개발이 요구된다.
노인성 치매의 전 임상단계인 경도인지장애(MCI)를 조기 진단하고, 조기 개입한다면, 치매의 발병률을 줄일 수 있다. 본 연구는 우리나라 지역사회 노인의 MCI 예측 모형을 개발하고 노년기 인지장애의 예방을 위한 기초자료를 제공하였다. 연구대상은 2012년 Korean Longitudinal Survey of Aging(KLoSA)에 참여한 65세 이상 지역사회 노인 3,240명(남성 1,502명, 여성 1,738명)이다. 결과변수는 MCI유병으로 정의하였고, 설명변수는 성, 연령, 혼인상태, 교육수준, 소득수준, 흡연, 음주, 주1회 이상의 정기적인 운동, 월평균 사회활동 참여시간, 주관적 건강, 고혈압, 당뇨병을 포함하였다. 예측모형의 개발은 Restricted Boltzmann Machine(RBM) 인공신경망을 이용하였다. RMB 인공신경망을 이용하여 우리나라 지역사회 노인의 MCI 예측 모형을 구축한 결과, 유의미한 요인은 연령, 성별, 최종학력, 주관적 건강, 혼인상태, 소득수준, 흡연, 규칙적 운동이었다. 이 결과를 기초로 MCI 고위험군의 특성을 고려한 맞춤형 치매 예방 프로그램의 개발이 요구된다.
Early diagnosis of mild cognitive impairment (MCI) can reduce the incidence of dementia. This study developed the MCI prediction model for the elderly in Korea. The subjects of this study were 3,240 elderly (1,502 men, 1,738 women) aged 65 and over who participated in the Korean Longitudinal Survey ...
Early diagnosis of mild cognitive impairment (MCI) can reduce the incidence of dementia. This study developed the MCI prediction model for the elderly in Korea. The subjects of this study were 3,240 elderly (1,502 men, 1,738 women) aged 65 and over who participated in the Korean Longitudinal Survey of Aging (KLoSA) in 2012. Outcome variables were defined as MCI prevalence. Explanatory variables were age, marital status, education level, income level, smoking, drinking, regular exercise more than once a week, average participation time of social activities, subjective health, hypertension, diabetes Respectively. The prediction model was developed using Restricted Boltzmann Machine (RBM) neural network. As a result, age, sex, final education, subjective health, marital status, income level, smoking, drinking, regular exercise were significant predictors of MCI prediction model of rural elderly people in Korea using RBM neural network. Based on these results, it is required to develop a customized dementia prevention program considering the characteristics of high risk group of MCI.
Early diagnosis of mild cognitive impairment (MCI) can reduce the incidence of dementia. This study developed the MCI prediction model for the elderly in Korea. The subjects of this study were 3,240 elderly (1,502 men, 1,738 women) aged 65 and over who participated in the Korean Longitudinal Survey of Aging (KLoSA) in 2012. Outcome variables were defined as MCI prevalence. Explanatory variables were age, marital status, education level, income level, smoking, drinking, regular exercise more than once a week, average participation time of social activities, subjective health, hypertension, diabetes Respectively. The prediction model was developed using Restricted Boltzmann Machine (RBM) neural network. As a result, age, sex, final education, subjective health, marital status, income level, smoking, drinking, regular exercise were significant predictors of MCI prediction model of rural elderly people in Korea using RBM neural network. Based on these results, it is required to develop a customized dementia prevention program considering the characteristics of high risk group of MCI.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 빅데이터 기반 연구는 우리나라의 지역사회에 거주하는 노인을 대상으로 수행된 빅데이터 자료를 이용하여 RBM 기반 MCI예측 모형을 개발하고 성능을 평가하였다.
가설 설정
입력 변수중요도는 Table 2에 제시하였다. 본 RBM 인공신경망에서 연령, 성별, 최종학력, 주관적 건강, 혼인상태,소득수준, 흡연, 규칙적 운동은 MCI의 가중치가 높은 주요변수로 가정되었다.
제안 방법
설명변수는 성, 연령(65세 부터 75세, 75세 이상), 교육수준(고등학교 이하, 고등학교 이상), 소득수준(가구 총 소득), 혼인상태(배우자 있음, 이혼/별거, 사별) 흡연(비흡연, 과거흡연, 현재흡연), 음주습관(비음주, 과거음주, 현재음주), 주1회 이상의 정기적인 운동(한다, 안한다), 월평균 사회활동 참여시간(1시간 미만, 1시간 이상), 주관적 건강(좋음, 보통, 나쁨), 당뇨병(네, 아니오), 고혈압(네, 아니오)을 포함하였다.
예측을 위한 결과변수는 KLoSa의 원시데이터에 제시되어 있으며 건강검진에 의해 조사된 이분형의 MCI 유병(네, 아니오)으로 설정하였다. 설명변수는 성, 연령(65세 부터 75세, 75세 이상), 교육수준(고등학교 이하, 고등학교 이상), 소득수준(가구 총 소득), 혼인상태(배우자 있음, 이혼/별거, 사별) 흡연(비흡연, 과거흡연, 현재흡연), 음주습관(비음주, 과거음주, 현재음주), 주1회 이상의 정기적인 운동(한다, 안한다), 월평균 사회활동 참여시간(1시간 미만, 1시간 이상), 주관적 건강(좋음, 보통, 나쁨), 당뇨병(네, 아니오), 고혈압(네, 아니오)을 포함하였다.
대상 데이터
본 연구의 자료원은 2012년도 Korean Longitudinal Survey of Aging(KLoSA)에 참여한 65세 이상 총 3,240명(남성 1,502명, 여성 1,738)의 데이터이다. KLoSA는 한국노동연구원의 주관 하에 조사 수행기관인 TNS Korea가 위탁을 받아서 2012년 7월 7일부터 2012년 12월 31일까지 조사를 수행하였다[11]. 조사표본에 대한 모집단은 전수조사인 2005년 인구주택총조사를 기반으로 하였고, 261,237의 구역이 표본단위(sampling units)로 설정되었다.
본 연구의 자료원은 2012년도 Korean Longitudinal Survey of Aging(KLoSA)에 참여한 65세 이상 총 3,240명(남성 1,502명, 여성 1,738)의 데이터이다. KLoSA는 한국노동연구원의 주관 하에 조사 수행기관인 TNS Korea가 위탁을 받아서 2012년 7월 7일부터 2012년 12월 31일까지 조사를 수행하였다[11].
KLoSA는 한국노동연구원의 주관 하에 조사 수행기관인 TNS Korea가 위탁을 받아서 2012년 7월 7일부터 2012년 12월 31일까지 조사를 수행하였다[11]. 조사표본에 대한 모집단은 전수조사인 2005년 인구주택총조사를 기반으로 하였고, 261,237의 구역이 표본단위(sampling units)로 설정되었다. 설문 조사 방법은 노트북을 사용한 대면조사 방법인 computer-assisted personal interviews(CAPI)를 이용하였다.
데이터처리
경도인지장애 발병 예측모형 개발을 위해 KLoSA자료를 학습용자료(training data) 70%, 평가용자료(test data) 30%로 분할하였다. 예측모형의 개발은 RBM 인공신경망 알고리즘을 활용하였고, 개발된 예측 모형의 결과는 정분류율과 민감도 및 특이도를 이용하여 성능을 평가하였다.
이론/모형
조사표본에 대한 모집단은 전수조사인 2005년 인구주택총조사를 기반으로 하였고, 261,237의 구역이 표본단위(sampling units)로 설정되었다. 설문 조사 방법은 노트북을 사용한 대면조사 방법인 computer-assisted personal interviews(CAPI)를 이용하였다.
성능/효과
05). 75세이상(43.7%), 여성(38.6%), 사별(42.3%), 중학교졸업 이하(36.4%), 주관적 건강이 나쁜 노인(43.9%), 고혈압 유병 노인(34.3%), 비흡연자(34.6%), 비음주자(35.6%), 정기적인 운동을 하지 않는 노인(35.9%), 월 평균 사회활동 참여시간이 1시간 미만인 노인(31.8%)에서 MCI의 유병률이 각각 높았다.
본 연구에서 RBM 인공신경망의 예측력은 훈련 표본 85.3%, 검정 표본 82.8%, 검증 표본 83.9%로 83%에서 85%의 높은 정확도를 보였다. 이는 RBM 인공신경망의 알고리즘이 각 층마다 최대한 오차를 줄이는 방향으로 학습이 이루어지는 층별 탐욕 비지도 선행학습(layerwise, greedy unsupervised pre-training)에 기인했기 때문으로 추측된다[10].
MCI는 치매를 조기에 발견할 수 있는 전임상 단계이자 조기 발견을 통해서 인지 감퇴를 지연시킬 수 있는 질병 전단계라는 점에서 임상적으로 매우 중요하다. 본 연구에서는 RBM 인공신경망 알고리즘에 기반한 예측모형을 개발한 결과, 연령, 성별, 최종학력, 주관적 건강, 혼인상태, 소득수준, 흡연, 규칙적 운동은 MCI의 주요 위험요인이었다. 고령, 교육수준 등의 인구사회학적 요인과 흡연, 음주 등의 건강위험행위는 이미 잘 알려진 MCI의 위험요인이다[2,4].
카이제곱검정 결과, 건강한 노인과 MCI는 성, 연령, 혼인상태, 소득수준, 교육수준, 흡연, 음주, 주1회 이상의 정기적인 운동, 주관적 건강, 고혈압, 월평균 사회활동 참여시간에서 유의미한 차이가 있었다(p<0.05).
특히, 본 연구모형에서 흡연은 연령, 성별 등 변경이 불가능한 인구사회학적 요인을 제외한 변수들 중에서 중요도가 가장 높은 변수로 도출되었다. 우리나라에 거주하는 만 65세 이상 남성의 흡연율은 23.
훈련 표본 59.2%, 검정 표본 30.4%, 검증 표본 10.4%에대한 RBM 인공신경망을 분석한 결과, 데이터의 오차를 최소한으로 감소시키는 은닉층의 수는 총 8개가 도출되었고,제곱합 오차는 230.5, 분류정확도는 훈련 표본 85.3%, 검정 표본 82.8%, 검증 표본 83.9%로 도출되었다. Fig.
후속연구
이는 RBM 인공신경망의 알고리즘이 각 층마다 최대한 오차를 줄이는 방향으로 학습이 이루어지는 층별 탐욕 비지도 선행학습(layerwise, greedy unsupervised pre-training)에 기인했기 때문으로 추측된다[10]. 향후 continuous RBM 등의 방법을 이용하여 인공신경망의 예측모형의 성능을 보다 높일 수 있는 연구가 요구된다.
질의응답
핵심어
질문
논문에서 추출한 답변
데이터마이닝이란?
한편, 컴퓨터의 발달로 인해 빅데이터 분석이 확산되면서, 데이터마이닝을 이용한 예측모형의 개발이 주목받고 있다. 데이터마이닝은 훈련 데이터를 이용하여 이미 알려진 속성을 기초로 빅데이터 자료에 대해 예측하는 분석방법이다[9]. 최근 컴퓨터의 발달과 함께 비선형 분석 방법 중 하나인 인공신경망에 대한 연구도 활발히 진행되었는데, 그 중에서도 그 중에서도 제한된 볼츠만 기계학습 (Restricted Boltzmann Machine; RBM) 인공신경망은 구조가 단순함에도 불구하고, 심층 신뢰 신경망(Deep Belief Network; DBN)을 구성하므로 예측력이 높다[10].
제한된 볼츠만 기계학습 인공신경망의 장점은?
데이터마이닝은 훈련 데이터를 이용하여 이미 알려진 속성을 기초로 빅데이터 자료에 대해 예측하는 분석방법이다[9]. 최근 컴퓨터의 발달과 함께 비선형 분석 방법 중 하나인 인공신경망에 대한 연구도 활발히 진행되었는데, 그 중에서도 그 중에서도 제한된 볼츠만 기계학습 (Restricted Boltzmann Machine; RBM) 인공신경망은 구조가 단순함에도 불구하고, 심층 신뢰 신경망(Deep Belief Network; DBN)을 구성하므로 예측력이 높다[10].
MCI를 조기에 감별하고 치료해야 하는 이유는?
이들은 향후 치매의 발병 가능성이 정상 노인에 비해서 매우 높은 것으로 알려져 있다[5]. 즉, MCI는 임상적으로 치매를 가장 빠른 시기에 발견할 수 있는 단계이다. MCI를 조기에 감별하고 치료를 하면, 치매로의 진행을 지연시킬 가능성이 높기 때문에 MCI의 예측은 치매 중재의 일차적인 목표로서 중요하다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.