[논문]건강수준의 측정 및 평점화 모형의 설계

오필재; 김현철; 권혁성

doi:10.5351/kjas.2020.33.3.239

건강수준의 측정 및 평점화 모형의 설계
A method for evaluating and scoring of health status 원문보기

응용통계연구 = The Korean journal of applied statistics, v.33 no.3, 2020년, pp.239 - 256

오필재 (숭실대학교 정보통계.보험수리학과) , 김현철 (삼정 KPMG Digital 본부) , 권혁성 (숭실대학교 정보통계.보험수리학과)

초록
AI-Helper

최근 기대수명의 증가로 건강에 대한 관심이 늘어나고 있으며 이에 따라 건강관련 산업 및 서비스에 대한 수요도 증가하고 있다. 개인의 건강상태를 다양한 요소들을 이용하여 평가하고 분류할 수 있는 방법을 통해 다양한 건강관련 프로그램 및 서비스를 보다 합리적으로 운영할 수 있을 것이다. 본 연구에서는 기존 연구를 통해 잘 알려진 건강상태 관련 요인들을 이용하여 건강수준을 측정하고 평점화하는 방안을 제시하였다. 이를 위해 신용평가모형의 변수 선정과 범주화, 모형 도출, 평점화로 이어지는 일련의 과정에서 사용하는 방법론을 도입하였고 모형의 적합을 위해서 국민건강보험공단에서 제공하는 표본 코호트 DB를 이용하였다. 본 연구에서 도출된 건강수준 평가모형은 헬스케어 및 건강관련 서비스에 대한 구조 설계 및 운영에 적절하게 활용될 수 있을 것으로 기대된다.

Abstract ▼ AI-Helper

Health is an important issue due to increased life expectancy. As a result, the demand for industry and services associated with individual health, health-related programs and services will be facilitated by a method to evaluate and classify the health level of an individual based on various factors. This study suggests a methodology to measure and score an individual health level. A credit scoring model was introduced to implement the categorization of variables, construct a prediction model, and to score individual health level. Cohort DB provided by National Health Insurance Service was used to illustrate overall procedures. It is expected that the suggested model can be utilized in designing and managing health care services as well as other health-related programs.

주제어

표/그림 (11)

그림 Figure 3.1. Crude rate of health accident by sex and age group.
표 Table 3.1. Information on the variables obtained from health examination
표 Table 3.2. Result of regrouping of age groups
표 Table 4.1. Estimated parameters in logistic regression models (male)
표 Table 4.2. Estimated parameters in logistic regression models (female)
표 Table 4.3. Testing predictive power of the developed models
그림 Figure 4.1. Graphical checking of the developed models.
표 Table 5.1. Classification based on the developed scoring method (male)
표 Table 5.2. Classification based on the developed scoring method (female)
그림 Figure 5.1. Crude rate of health accident calculated by score (male).
그림 Figure 5.2. Crude rate of health accident calculated by score (female).

AI 본문요약
AI-Helper

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

문제 정의

어떤사람의 건강상태는 주요 질병발생 및 사망에 영향을 미치는 중요한 두 요소인 성별과 연령, 그리고 건강과 관련한 행동요소들인 흡연여부, 음주여부, 규칙적 운동여부, 식습관 등의 영향을 받는다. 결과적으로 어떤 개인의 건강상태는 일반적으로 실시하는 건강검진에서 측정하는 다양한 항목(비만도, 혈압, 콜레스테롤 등)들의 결과 수치 및 최근에 이용한 의료기록으로 나타나게 되는데, 그러한 수치들을 종합적으로 고려한 결과를 바탕으로 건강 수준을 측정할 수 있는 지표를 개발해 보고자 한다.
따라서, 본 연구에서는 표본 코호트 DB를 이용하여 건강상태를 평가하고 분류할 수 있는 모형을 설계 하는 방안을 제시하고자 한다. 우선 건강상태를 나타낼 수 있는 적절한 지표인 건강사고(health accident)를 정의하고, 개인의 다양한 건강 관련 정보들을 이용해 건강사고 발생가능성을 추정할 수 있는 통계모형을 적합한 후, 이를 통해 유사한 건강리스크에 노출된 사람들의 건강상태를 평가하는 방안을 제시하고자 한다.
이러한 변수들은 모형에 반영되지 않았는데, 관련 후속 연구들을 위하여 이러한 결과가 나타난 원인을 규명해 볼 필요가 있다. 또한, 본 연구에서는 건강사고 발생 건수를 충분히 확보하여 모형의 신뢰도를 향상시키기 위해 건강사고를 관찰하기 위한 4년의 추적기간을 설정하였다. 그러나, 건강관련 지표는 시간에 따라 변화하기 때문에 도출된 모형을 이용하면 추적기간 동안 건강관련 지표의 변화를 고려하지 못한다는 한계가 있으며, 데이터에 포함되어 있는 결측치로 인해 적합모형에 대한 결과가 왜곡되어 모형의 적합도 및 요인선택에 영향을 받을 수 있다.
본 연구는 개인의 건강상태를 나타낼 수 있는 지표를 정의하고, 신용평가모형에서 일반적으로 이용되는 통계기법을 이용하여 해당 지표를 여러 설명변수들을 통해 도출하는 방안을 제시하는데 목적이 있다. 우선 개인의 건강상태를 나타내는 지표로 건강나이에 관한 국내외 선행연구 내용을 참고할 수 있다.
기존의 다양한 분야의 실증연구에서 앞서 언급했던 요소들은 사망률이나 암, 심장질환, 뇌혈관질환과 같은 여러 만성질환에 직, 간접적으로 영향을 미치는 것으로 확인되었다. 본 연구에서는 개인의 건강 수준을 질병에 의한 사망에 더하여 적극적인 치료를 요하는 질병의 발생 가능성을 적절한 통계모형을 이용하여 측정해보고 이를 바탕으로 건강의 수준을 분류할 수 있는 모형을 설계하여 보았다.
본 연구에서는 건강 수준을 평점화하고 분류하기 위한 모형을 설계하는 방안에 대하여 논의하였다. 건강 수준을 나타내는 지표로 건강사고의 개념을 정의하고 건강사고 발생에 영향을 미치는 요인들을 이용 하여 건강사고 발생 가능성을 추정하는 모형을 도출하였으며, 해당 모형을 바탕으로 건강 수준을 평점화하였다.
본 연구의 분석대상은 2009년과 2010년의 건강검진 수검자 352,896명으로 대상자들의 건강검진 결과 에 대한 정보와 자료의 충분성을 확보하기 위해 수검 이후 4년의 기간 동안 건강사고가 발생하였는지의 여부를 관찰하였다. 그 결과 관찰기간 내 총 121,242건의 건강사고(34.
따라서, 본 연구에서는 표본 코호트 DB를 이용하여 건강상태를 평가하고 분류할 수 있는 모형을 설계 하는 방안을 제시하고자 한다. 우선 건강상태를 나타낼 수 있는 적절한 지표인 건강사고(health accident)를 정의하고, 개인의 다양한 건강 관련 정보들을 이용해 건강사고 발생가능성을 추정할 수 있는 통계모형을 적합한 후, 이를 통해 유사한 건강리스크에 노출된 사람들의 건강상태를 평가하는 방안을 제시하고자 한다.

제안 방법

3장에서 정의된 변수들을 고려하여 각 성별과 연령군에 해당하는 건강사고 발생확률을 추정하고, 유의 한 설명변수들을 토대로 건강 수준을 분류할 수 있는 모형을 도출하고자 한다. 이를 위해 3.
각 고려대상의 변수들 중 정량적인 수치로 나타나는 연속형 변수들의 경우에는 WoE값이 단조 증가 또 는 감소하도록 하는 범주 구분(fine classing)을 먼저 수행하고, 범주별 해당되는 충분한 자료를 확보하 기 위하여 처음 구분된 범주들을 재범주화(coarse classing) 하였다. 재범주화 과정에서는 각 범주별로건강사고 발생건수와 미발생건수가 각각 100건 이상이고, WoE값이 유사하게 나타나는 범주들을 서로 통합하였다.
각 모형별로 설명변수들을 데이터의 충분성 및 건강사고 발생률 등을 고려하여 적절하게 범주화하였으 며, 척도가 다른 변수들의 척도 단일화 과정을 통해 해당 변수들의 설명력을 증가시켰다. 이 과정을 통 해 이상치(outlier)의 영향을 줄일 수 있었으며, 결측치(missing value)는 하나의 범주로 포함되었다.
각 성별로 동일한 연령군에 포함되는 사람들의 건강 수준을 분류할 수 있는 모형 구분을 위해 건강사고 의 패턴이 유사하다고 판단되는 연령군을 재범주화하였다. 구체적으로, 건강검진연도 기준으로 5세 단 위로 범주화한 연령군의 자료를 기초로 새로 범주화되는 연령군의 데이터 충분성을 확보하고 (각 성별 전체 인원수의 최소 10%이상) 같은 범주에 포함되는 5세 단위 연령군의 건강사고 발생률이 현저한 차이를 보이지 않는 (10%p 이내) 두 조건을 만족하는 연령군으로 재범주화 한 결과 남성의 경우 4개, 여 성의 경우 5개의 연령군을 도출하였다 (Table 3.
본 연구에서는 건강 수준을 평점화하고 분류하기 위한 모형을 설계하는 방안에 대하여 논의하였다. 건강 수준을 나타내는 지표로 건강사고의 개념을 정의하고 건강사고 발생에 영향을 미치는 요인들을 이용 하여 건강사고 발생 가능성을 추정하는 모형을 도출하였으며, 해당 모형을 바탕으로 건강 수준을 평점화하였다. 이를 위해 국민건강보험공단에서 제공하는 표본 코호트 DB를 이용하였고 모형의 설계는 신용 평가모형에서 적용하는 방법론을 적용하였다.
표본 코호트 DB에 포함된 건강검진자료 내 여러 고려 대상 변수들을 범주화하여 성별과 연령군으로 구분된 9개의 집단에 대하여 모형을 각각 도출하였다. 건강사고가 발생하지 않을 확률을 로지스틱 회귀모형을 이용하여 추정하고 모형의 예측력을 평가하는 과정에 대하여 논의하였다. 최종적으로 도출된 모형을 이용하여 PDO의 개념을 바탕으로 건강 수준을 평점화하고 분류하는 방안을 제시하였다.
그러나 각 변수별로 범주화 과정에서 도출되는 IV값 을 비교하여 보았을 때, 성별과 연령의 경우 다른 변수들에 비하여 IV값이 상대적으로 매우 높은 값을 갖기 때문에 모형 내 설명변수로 포함된다면 변별력 있는 정교한 모형 개발이 어렵다. 따라서 성별과 연령에 따라서 분리된 집단의 리스크 속성 및 데이터의 충분성 등을 고려하여 성별과 연령을 모형 내 설명 변수로 포함하지 않고 모형 구분을 통해 각 성별과 적절한 연령군에 대응하는 모형을 별도로 도출하였다.
이 과정을 통 해 이상치(outlier)의 영향을 줄일 수 있었으며, 결측치(missing value)는 하나의 범주로 포함되었다. 또한 설명변수별로 IV값이 작거나, 의학과 역학 분야의 기존연구에서 나타났던 설명력이 뚜렷하게 나타나지 않는 변수들은 고려대상에서 제외하기로 하였으며, 상관성이 높은 변수들의 경우에는 그들 중 IV값이 가장 크게 나타나는 변수를 모형 설계과정에서 고려하기로 하였다.
는 어떤 사람의 건강정보를 토대로 j번째 변수에서 관측된 범주에 해당하는 회귀계수이다. 마지막으로 건강 수준이 가장 좋은 상태를 1,000점, 가장 좋지 않은 상태를 300점으로 하는 점수체계 하에서 의 점수 S를 다음의 수식을 이용하여 변환하였다.
2절에서 재범주 화되어 고려대상으로 선정된 변수들을 나타낸다. 모든 변수들은 범주화되었으므로 각 변수별로 범주의 수 만큼의 가변수를 정의하되, 종속변수 설정의 경우와 마찬가지로 평점화 과정을 위해 건강사고 미발생 확률을 가장 낮도록 추정하는 범주를 기준 그룹으로 설정하였다. 이후의 논의는 성별, 연령군별로 도출 된 총 9개의 모형 중 데이터의 비중이 가장 큰 남성 35–49세 연령군과 여성 45–54세 연령군에 해당하는 대표모형 및 그 결과들을 중심으로 기술하였다.
건강사고 발생여부에 대한 자료를 이용하여 건강사고 발생확률 예측을 위한 모형으로 앞에서 언급한 바와 같이 로지스틱 회귀모형을 이용하였다. 모형의 종속변수는 5장에 논의할 평점 화를 용이하게 하기 위하여 향후 4년 이내 건강사고가 발생하지 않을 확률을 q로 설정하였으며, 로지스 틱 회귀모형은 다음의 수식으로 표현된다.
수식 (5.2)에 의하여 변환된 점수를 50점 구간별로 나누어 각 연령군에 포함된 사람들의 건강 수준을 분류하고 각 점수구간별 건강사고 발생 비율의 경험치를 비교해 보았다 (Table 5.1, Table 5.2). 남성과 여성 모두 높은 점수구간에 데이터의 비중이 집중되는 현상을 보이며, 점수가 낮아짐에 따라 건강사고 발생률이 뚜렷하게 높아지는 것을 확인할 수 있다.
실증자료를 이용하여 건강사고에 영향을 미치는 요인들을 탐색해 보고, 해당 요인들에 대한 개인 정보를 바탕으로 건강사고의 발생 확률을 도출하여 개인의 건강 수준을 측정하고 분류하는 모형을 설계하였다.
이후의 논의는 성별, 연령군별로 도출 된 총 9개의 모형 중 데이터의 비중이 가장 큰 남성 35–49세 연령군과 여성 45–54세 연령군에 해당하는 대표모형 및 그 결과들을 중심으로 기술하였다.
전체적으로 건강 수준을 나타내는 점수의 체계는 모형을 통해 도출되는 건강 수준이 가장 높은 경우 (건강사고 발생확률이 가장 낮게 추정되는) 1,000점을 부여하고, 건강 수준이 가장 낮은 경우 (건강사고 발 생 확률이 가장 높게 추정되는) 300점을 부여할 수 있도록 설계하였다. 따라서, PDO방법을 이용하여 최고점수는 700점, 최저점수는 0점이고, 50점이 상승하면 건강사고 발생하지 않을 확률에 대한 오즈비율이 두 배가 되는 점수체계를 도출한 후 기본점수 300점을 더하여 평점화하였다.
건강사고가 발생하지 않을 확률을 로지스틱 회귀모형을 이용하여 추정하고 모형의 예측력을 평가하는 과정에 대하여 논의하였다. 최종적으로 도출된 모형을 이용하여 PDO의 개념을 바탕으로 건강 수준을 평점화하고 분류하는 방안을 제시하였다.
추가적으로 건강사고 미발생 확률이 작은 순서대로 자료를 정렬한 뒤 예측된 확률값과 실제 사고 발생여 부를 나타내는 그래프를 이용하여 모형의 성능을 평가해 보았다. Figure 4.
표본 코호트 DB에 포함된 건강검진자료 내 여러 고려 대상 변수들을 범주화하여 성별과 연령군으로 구분된 9개의 집단에 대하여 모형을 각각 도출하였다. 건강사고가 발생하지 않을 확률을 로지스틱 회귀모형을 이용하여 추정하고 모형의 예측력을 평가하는 과정에 대하여 논의하였다.
해당 자료는 국민건강보험의 데이터베이스를 통해 표본 추출된 약 100만명의 건강보험 및 의료급여권자들의 연도별 진료내역, 상병내역, 처방전 내역, 건강검진 내역 등의 의료이용 정보를 포함하고 있는 패널 자료이다. 표본추출은 층별 계통 추출법으로 성별, 연령, 소득수준, 지역에 따른 1,476개의 층을 이용하였고, 표본의 대표성을 평가하는 목표변수로 연간 총의료비를 이용하였다. 또한, 표본의 모집단 대표성 평가 결과 대표성이 확보되었다 고 평가되었다.
신용평가모형에서 다양한 요인들을 반영하여 신용도를 나타내는 점수를 도출하는 방법론은 Durand (1941)의 개인 신용도를 평가하여 점수화하는 연구를 시작으로 발전해 왔다. 해당 연구에서는 여러 금융기관의 개인의 신용정보를 이용하여 우, 불량 고객을 구분하고, 판별분석에 따른 주요변수의 가중치를 구하는 방안을 제시하였다. 신용평가모형은 개인이 아닌 기업의 신용도를 평가하는 모형으로도 활용되었는데, Altman (1968), Ohlson (1980), Hamer (1983), Huang 등 (2004)의 연구에서는 판별분석, 로 지스틱 모형, 신경망 모형 등 다양한 통계모형을 이용하여 기업의 부실예측모형을 제시하였다.

대상 데이터

우선, 모형의 과적합 여부를 판단할 수 있도록 전체 자료 중 70%(남성 47,059명, 여성 32,572명)를 무작위로 추출하여 적합데이터로 사용하고, 나머지 30% (남성 20,168명, 여성 13,959명)의 자료는 모형의 검증을 위하여 자료를 분리(검증데이터)하였다. 이 과정에서 적정한 모형의 성능 평가가 이루어질 수 있도록 분리된 자료 내의 각 성별, 연령군별 건강사고 발생률이 동일하게 유지되도록 분리하였다.
적합된 모형의 성능평가를 위한 지표로 신용평가모형에서 일반적으로 모형의 변별력을 검증하는 지표로 사용되는 area under ROC (AUROC), accuracy ratio (AR) 및 Kolmogorov-Smirnov (K-S) 통계량을산출하여 확인하였으며, 모형의 성능평가는 적합데이터와 분리된 검증데이터 및 건강사고 발생률을 동 일하게 유지되도록 30%를 무작위로 추출한 100개의 샘플데이터를 이용하였다.
앞 절에서 정의한 건강사고에 영향을 미치는 요인과 건강사고의 발생 확률을 평가할 수 있는 모형(이하 건강 수준 평가모형)의 설계를 위한 자료로의 접근을 위해 S대학교 생명윤리심의위원회(IRB승인번호: SSU-201908-HR-139-01)에서 연구계획 심의면제 승인을 받은 뒤 국민건강보험공단에서 제공하는 표본 코호트 DB(연구관리번호: NHIS-2019-2-244) 사용 승인을 받았다. 해당 자료는 국민건강보험의 데이터베이스를 통해 표본 추출된 약 100만명의 건강보험 및 의료급여권자들의 연도별 진료내역, 상병내역, 처방전 내역, 건강검진 내역 등의 의료이용 정보를 포함하고 있는 패널 자료이다. 표본추출은 층별 계통 추출법으로 성별, 연령, 소득수준, 지역에 따른 1,476개의 층을 이용하였고, 표본의 대표성을 평가하는 목표변수로 연간 총의료비를 이용하였다.

데이터처리

, \(β^{max}_k\) 가 반영되는 경우이고, 건강 수준이 가장 좋지 않은 상태는 상수항만 반영되는 경우이다. 회귀계수는 가변수에 해당하는 범주가 건강사고가 발생하지 않을 확률에 대한 오즈비율에 미치는 영향력을 나타내므로 수식 (4.1)의 우변의 값을 이용하여 평점화하였다. 우선 점수가 50점 상승 할수록 건강사고 미발생 확률에 대한 오즈값이 두 배로 상승하게 되는 원점수를 도출하기 위해 각 회귀 계수에 50/ln₂의 값을 곱한 뒤 다음과 같이 원점수 S₀ 를 도출하였다.

이론/모형

2 절에서 논의한 바와 같이 남성의 경우 4개의 연령군, 여성의 경우 5개의 연령군에 대한 총 9개의 건강사고 발생확률 모형이 필요하다. 건강사고 발생여부에 대한 자료를 이용하여 건강사고 발생확률 예측을 위한 모형으로 앞에서 언급한 바와 같이 로지스틱 회귀모형을 이용하였다. 모형의 종속변수는 5장에 논의할 평점 화를 용이하게 하기 위하여 향후 4년 이내 건강사고가 발생하지 않을 확률을 q로 설정하였으며, 로지스 틱 회귀모형은 다음의 수식으로 표현된다.
그리고 분류기준값(cut off point)을 결정하는 방법으로 ROC곡선을 이용하였다. 로지스틱 회귀모형으로 도출된 건강사고 발생확률이 정해진 분류기준값 이상일 경우 건강사고가 발생하지 않을 것으로 예측한다고 할 때, 민감도(sensitivity)는 실제로 건강사고가 발생하지 않은 경우에 대해 건강사고가 발생하지 않을 것으로 예측한 상대도수, 특이도(specificity)는 실제로 건강사고가 발생한 경우에 대해 건강사고가 발생할 것으로 예측한 상대도수로 정의한다.
모형의 구분과 모형에 포함될 변수를 선택하는 과정에서 신용평가 모형의 변수 선정 및 범주화에서 일반 적으로 사용되는 지표인 Weight of Evidence (WoE)와 Information Value (IV)의 개념을 적용하였다. 예를 들어 어떤 변수의 범주화 결과 개의 범주를 얻었다고 하자.
본 연구 모형은 개인의 건강상태를 추정하는 통계모형으로 금융회사에서 활용하고 있는 신용평가모형에서 사용하는 로지스틱 회귀모형(logistic regression model)을 이용하였다. 이는 신용정보(상환이력, 신용거래 및 부채 정보 등)를 통해 부도발생 가능성인 신용도를 평점(score) 형태로 측정하는 모형인 신용 평가모형이 본 연구에서 제시하고자 하는 개인의 건강관련 정보를 통해 건강사고 발생가능성을 추정하는 기법과 유사하며, 많은 연구를 통해 여러 금융 분야에서 널리 이용되고 있기 때문이다.
4장에서 얻은 모형을 이용하여 개인의 건강관련 정보들을 바탕으로 건강상태를 평점화할 수 있는 방안을 제시하고자 한다. 신용평가모형에서는 다양한 평점화 방법을 고려할 수 있는데, 본 연구에서는 Woo 등 (2013)에서 소개된 평점화 방법 중 오즈를 두 배로 만드는 점수구간의 정의에 따른 points to double the odds (PDO) 방법을 적용하여 건강 수준을 평점화하였다.
건강 수준을 나타내는 지표로 건강사고의 개념을 정의하고 건강사고 발생에 영향을 미치는 요인들을 이용 하여 건강사고 발생 가능성을 추정하는 모형을 도출하였으며, 해당 모형을 바탕으로 건강 수준을 평점화하였다. 이를 위해 국민건강보험공단에서 제공하는 표본 코호트 DB를 이용하였고 모형의 설계는 신용 평가모형에서 적용하는 방법론을 적용하였다.
이 과정에서 적정한 모형의 성능 평가가 이루어질 수 있도록 분리된 자료 내의 각 성별, 연령군별 건강사고 발생률이 동일하게 유지되도록 분리하였다. 이를 통해 얻은 적합데이터를 이용하여 단계적 변수 선택 방법(stepwise variable selection)을 통하여 유의한 변수들을 도출하였다.

성능/효과

각 성별로 동일한 연령군에 포함되는 사람들의 건강 수준을 분류할 수 있는 모형 구분을 위해 건강사고 의 패턴이 유사하다고 판단되는 연령군을 재범주화하였다. 구체적으로, 건강검진연도 기준으로 5세 단 위로 범주화한 연령군의 자료를 기초로 새로 범주화되는 연령군의 데이터 충분성을 확보하고 (각 성별 전체 인원수의 최소 10%이상) 같은 범주에 포함되는 5세 단위 연령군의 건강사고 발생률이 현저한 차이를 보이지 않는 (10%p 이내) 두 조건을 만족하는 연령군으로 재범주화 한 결과 남성의 경우 4개, 여 성의 경우 5개의 연령군을 도출하였다 (Table 3.2).
본 연구의 분석대상은 2009년과 2010년의 건강검진 수검자 352,896명으로 대상자들의 건강검진 결과 에 대한 정보와 자료의 충분성을 확보하기 위해 수검 이후 4년의 기간 동안 건강사고가 발생하였는지의 여부를 관찰하였다. 그 결과 관찰기간 내 총 121,242건의 건강사고(34.4%)가 발생한 것으로 나타났다.
혈압의 경우 남성 대표모형은 이완기 혈압, 여성 대표모형은 수축기 혈압을 고려하였으며, 혈압을 제외 하면 공통적으로 체질량지수, 공복혈당, 트리글리세라이드, HDL콜레스테롤, 혈색소, 혈청지피티, 감마 지티피, 요단백, 연간 내원일수, 연간 처방일수, 연간 건강보험 급여비용, 흡연여부, 입원여부를 모형에 포함될 후보변수들로 고려하였다. 그리고 앞서 언급한 후보변수들은 단순 로지스틱 회귀분석에서 종속 변수인 건강사고 발생과 모두 유의한 관련성을 보였다.
기존의 다양한 분야의 실증연구에서 앞서 언급했던 요소들은 사망률이나 암, 심장질환, 뇌혈관질환과 같은 여러 만성질환에 직, 간접적으로 영향을 미치는 것으로 확인되었다. 본 연구에서는 개인의 건강 수준을 질병에 의한 사망에 더하여 적극적인 치료를 요하는 질병의 발생 가능성을 적절한 통계모형을 이용하여 측정해보고 이를 바탕으로 건강의 수준을 분류할 수 있는 모형을 설계하여 보았다.
2). 남성과 여성 모두 높은 점수구간에 데이터의 비중이 집중되는 현상을 보이며, 점수가 낮아짐에 따라 건강사고 발생률이 뚜렷하게 높아지는 것을 확인할 수 있다. 또한, 동일한 점수 구간대의 남성과 여성의 건강사고발생률을 비교해보면 전반적으로 여성의 건강사고 발생률이 남성의 건강사고 발생률보다 다소 높게 나 타나고 있다 (Figure 5.
전체적으로 건강 수준을 나타내는 점수의 체계는 모형을 통해 도출되는 건강 수준이 가장 높은 경우 (건강사고 발생확률이 가장 낮게 추정되는) 1,000점을 부여하고, 건강 수준이 가장 낮은 경우 (건강사고 발 생 확률이 가장 높게 추정되는) 300점을 부여할 수 있도록 설계하였다. 따라서, PDO방법을 이용하여 최고점수는 700점, 최저점수는 0점이고, 50점이 상승하면 건강사고 발생하지 않을 확률에 대한 오즈비율이 두 배가 되는 점수체계를 도출한 후 기본점수 300점을 더하여 평점화하였다.
자료에서 고려하는 변수들의 상관성을 관찰해 본 결과 체위와 관련하여 비만도를 나타내 줄 수 있는 체질량지수와 허리둘레 간, 혈압의 경우에는 수축기 혈압과 이완기 혈압 간, 콜레스테롤 수치의 경우에는 총 콜레스테롤과 저밀도 지단백(LDL) 콜레스테롤 간, 간기능과 관련한 수치인 AST와 ALT 간 상관성 이 높은 것으로 나타났다. 비만도의 경우에는 허리둘레의 결측치가 많이 나타났기 때문에 체질량지수를 고려대상 변수로 선택하였고, 나머지 변수들의 경우에는 앞서 설명한 각 변수별 IV값이 높은 변수를 모 형 설계과정에서 고려하기로 하였다.
평가결과 AUROC는 남성 모형의 경우 0.7을 약간 상회하는 수준이며, 여성 모형의 경우 0.7을 약간 하회하는 수준으로 유사하게 유의한 수준으로 나타났으며, AR, K-S 통계량은 남자 모형 및 여자 모형 모 두 변별력을 확보하는 수준으로서 결론적으로 모형의 적합도가 양호한 수준으로 평가되었다.

후속연구

일부 보험회사의 경우에는 보험상품 가입자가 충분한 운동량을 달성하는 경우 인센티브를 제공하는 프로그램을 운영하기도 하고, 의료비를 보장해주는 실손형 민영의료보험의 경우 개인의 의료비 관련 보험금 지급 규모에 따라 보험료를 할인 또는 할증하는 제도를 도입하려는 움직임도 나타나고 있다. 개인의 건강상태를 다양한 요인들을 고려하여 측정할 수 있는 합리적인 지표들이 개발되면, 해당 지표를 바탕으로 개인의 건강 향상을 위한 방안을 제시할 수 있고, 이를 건강과 관련한 상품 및 서비스 등의 마케팅에도 활용할 수 있을 것이다.
또한, 민영의료보험이나 대출 등 건강과 관련된 금융상품 또는 계약에서 건강 수준을 계량화하고 그 결과에 따라 집단을 분류하여 서로 다른 집단에 적용되는 가격 (보험료, 대출이율 등) 을 차등화할 수 있다. 결과적으로, 보다 합리적이고 체계적인 가격 체계를 운영하고 그에 따른 위험관리가 가능해지며 고객에게는 건강개선에 대한 동기를 부여할 수 있을 것이다.
그리고 신용평가모형의 경우 판별분석, 신경망모형 및 랜덤 포레스트 모형 등 다양한 모형에 대해 연구가 활발하게 진행되어 각 모형에 대한 추정력 및 안정성에 대한 성능평가가 이루어져 왔으나, 건강 수준에 대한 평가모형은 아직 다양한 통계모형에 대한 성능평가가 이루어지지 않아 이에 대한 추가 연구가 필요해 보인다.
그러나, 건강관련 지표는 시간에 따라 변화하기 때문에 도출된 모형을 이용하면 추적기간 동안 건강관련 지표의 변화를 고려하지 못한다는 한계가 있으며, 데이터에 포함되어 있는 결측치로 인해 적합모형에 대한 결과가 왜곡되어 모형의 적합도 및 요인선택에 영향을 받을 수 있다. 따라서, 보다 충분한 자료를 이용한다면 위 모형을 향상시킬 수 있을 것이다.
우선 건강에 대한 패러다임은 과거의 질병치료 중심에서 질병의 예방과 건강증진 중심으로 변화하고 있다. 따라서, 본 연구에서 도출한 결과와 같은 개인의 건강 수준에 대한 객관적이고 직관적 해석이 용이한 측정지표를 바탕으로 건강에 영향을 미치는 생활습관을 개선할 수 있는 다양한 프로그램을 설계하고 운영할 수 있다. 이를 통해 사회적으로 건강증진에 대한 의식을 제고시킬 수 있는 결과를 기대할 수 있을 것이다.
우선 주요 질병의 진단 및 사망에 영향을 미치는 유의한 변인들과 계량화된 효과를 도출함으로서 건강수준의 향상을 위한 다양한 방안들을 도출할 수 있다. 또한, 건강수준을 평가하고 분류하는 모형은 건강관련 산업 및 서비스 운영에 내재된 리스크를 분석하고 이해하여 새로운 기회를 창출해 내는 데 중요한 정보들을 제공해 줄 수 있을 것으로 기대된다.
또한, 향후 축적되는 자료 또는 다른 종류의 자료들을 이용하여 모형을 개선시킬 수 있는 방안에 대한 고민도 필요할 것으로 보인다. 또한, 본 연구에서 도출한 모형을 적용하여 건강 수준이 다른 집단들에 대하여 건강 수준과 관련한 리스크를 세분화하고자 할 경우 적용할 수 있는 구체적인 방안을 제시하는 것도 중요한 후속 연구과 제가 될 것이다.
보다 합리적인 건강 수준에 대한 지표를 발굴하는 것은 중요한 향후 연구과제가 될 것으로 판단된다. 또한, 향후 축적되는 자료 또는 다른 종류의 자료들을 이용하여 모형을 개선시킬 수 있는 방안에 대한 고민도 필요할 것으로 보인다. 또한, 본 연구에서 도출한 모형을 적용하여 건강 수준이 다른 집단들에 대하여 건강 수준과 관련한 리스크를 세분화하고자 할 경우 적용할 수 있는 구체적인 방안을 제시하는 것도 중요한 후속 연구과 제가 될 것이다.
본 연구에서 정의한 건강사고의 개념은 보다 다양한 방식으로 재정의될 수 있다. 보다 합리적인 건강 수준에 대한 지표를 발굴하는 것은 중요한 향후 연구과제가 될 것으로 판단된다. 또한, 향후 축적되는 자료 또는 다른 종류의 자료들을 이용하여 모형을 개선시킬 수 있는 방안에 대한 고민도 필요할 것으로 보인다.
본 연구의 결과는 다양한 분야에서 활용될 수 있을 것으로 기대된다. 우선 주요 질병의 진단 및 사망에 영향을 미치는 유의한 변인들과 계량화된 효과를 도출함으로서 건강수준의 향상을 위한 다양한 방안들을 도출할 수 있다.
이러한 평점화 과정을 통해 각 점수 구간대에 포함된 사람들에게 적합한 건강 증진 프로그램을 설계하여 사람들의 건강관리에 대한 인식을 제고할 수 있을 것으로 기대되며 헬스케어나 의료보험 등에서는 점수 구간대별로 가격을 차등화하거나, 서비스를 이용하는 사람들의 점수 구간별 분포를 활용하여 위험관리 에 활용할 수 있을 것이다.
따라서, 본 연구에서 도출한 결과와 같은 개인의 건강 수준에 대한 객관적이고 직관적 해석이 용이한 측정지표를 바탕으로 건강에 영향을 미치는 생활습관을 개선할 수 있는 다양한 프로그램을 설계하고 운영할 수 있다. 이를 통해 사회적으로 건강증진에 대한 의식을 제고시킬 수 있는 결과를 기대할 수 있을 것이다.
현재는 표본 코호트 DB 뿐만 아니라 노인 코호트 DB, 건강검진 코호트 DB 등의 데이터를 제공하여 연구자들이 건강 및 질병에 관한 주제들을 대상으로 다양한 연구를 진행하고 있다. 특히, 표본 코호트 DB의 경우 질병 진단 및 사망에 관한 자료와 함께 건강검진 시 측정된 다양한 건강 관련 정보들을 포함하고 있어 건강상태를 측정하고 분류할 수 있는 모형을 설계하는데 유용하게 활용될 수 있을 것으로 판단된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	ROC곡선이란?	그리고 분류기준값(cut off point)을 결정하는 방법으로 ROC곡선을 이용하였다. 로지스틱 회귀모형으로 도출된 건강사고 발생확률이 정해진 분류기준값 이상일 경우 건강사고가 발생하지 않을 것으로 예측한다고 할 때, 민감도(sensitivity)는 실제로 건강사고가 발생하지 않은 경우에 대해 건강사고가 발생하지 않을 것으로 예측한 상대도수, 특이도(specificity)는 실제로 건강사고가 발생한 경우에 대해 건강사고가 발생할 것으로 예측한 상대도수로 정의한다.
	4년의 추적기간 설정은 건강 사고 관찰 시에 어떠한 문제점을 일으키는가?	또한, 본 연구에서는 건강사고 발생 건수를 충분히 확보하여 모형의 신뢰도를 향상시키기 위해 건강사고를 관찰하기 위한 4년의 추적기간을 설정하였다. 그러나, 건강관련 지표는 시간에 따라 변화하기 때문에 도출된 모형을 이용하면 추적기간 동안 건강관련 지표의 변화를 고려하지 못한다는 한계가 있으며, 데이터에 포함되어 있는 결측치로 인해 적합모형에 대한 결과가 왜곡되어 모형의 적합도 및 요인선택에 영향을 받을 수 있다. 따라서, 보다 충분한 자료를 이용한다면 위 모형을 향상시킬 수 있을 것이다.
	로지스틱 회귀모형의 장점은?	이는 신용정보(상환이력, 신용거래 및 부채 정보 등)를 통해 부도발생 가능성인 신용도를 평점(score) 형태로 측정하는 모형인 신용 평가모형이 본 연구에서 제시하고자 하는 개인의 건강관련 정보를 통해 건강사고 발생가능성을 추정하는 기법과 유사하며, 많은 연구를 통해 여러 금융 분야에서 널리 이용되고 있기 때문이다. 또한 Kim 등 (2019)에 의하면 로지스틱 회귀모형은 종속변수가 범주형인 신용평가모형에 적용되는 모형으로 모형에 대한 이해가 쉽고, 적합된 결과에 대한 설명이 편리하며, 가변수(假變數, dummy variable)에 대하여 변수의 중요도 파악이나 평점 형태의 분석에 적합하고, 모형의 안정성, 변별력 등에 대한 모니터링에 더 유리하다고 알려져 있다.

참고문헌 (31)

Altman, E. I. (1968). Financial ratios, discriminant analysis and the prediction of corporate bankruptcy, The Journal of Finance, 23, 589-609.

상세보기
Bae, C. Y., Kang, Y. G., Kim, S., et al. (2008). Development of models for predicting biological age (BA) with physical, biochemical, and hormonal parameters, Archives of Gerontology and Geriatrics, 47, 253-265.

상세보기
Choi, J., Jang, J., An, Y., and Park, S. K. (2018). Blood pressure and the risk of death from noncardiovascular diseases: a population-based cohort study of Korean adults, Journal of Preventive Medicine and Public Health, 51, 298-309.

원문보기 상세보기
Durand, D. (1941). Risk Elements in Consumer Installment Financing (Technical Ed), National Bureau of Economic Research, New York.
Evans, M., Roberts, A., Davies, S., and Rees, A. (2004). Medical lipid-regulating therapy, Drugs, 64, 1181-1196.

상세보기
Finlay, S. (2012). Credit Scoring, Response Modeling, and Insurance Rating: A Practical Guide to Forecasting Consumer Behavior, Palgrave Macmillan, New York.
Furukawa, T., Inoue, M., Kajiya, F., Inada, H., Takasugi, S., Fukui, S., Takeda, H. and Abe, H. (1975). Assessment of biological age by multiple regression analysis, Journal of Gerontology, 30, 422-434.

상세보기
Goggins, W. B., Woo, J., Sham, A., and Ho, S. C. (2005). Frailty index as a measure of biological age in a Chinese population, The Journals of Gerontology Series A: Biological Sciences and Medical Sciences, 60, 1046-1051.

상세보기
Hamer, M. M. (1983). Failure prediction: sensitivity of classification accuracy to alternative statistical methods and variable sets, Journal of Accounting and Public Policy, 2, 289-307.

상세보기
Hand, D. J. (2009). Measuring classifier performance: a coherent alternative to the area under the ROC curve, Machine learning, 77, 103-123.

상세보기
Hernaez, R., Yeh, H. C., Lazo, M., Chung, H. M., Hamilton, J. P., Koteish, A., Potter, J. J., Brancati, F. L., and Clark, J. M. (2013). Elevated ALT and GGT predict all-cause mortality and hepatocellular carcinoma in Taiwanese male: a case-cohort study, Hepatology international, 7, 1040-1049.

상세보기
Hong, C. S. and Park, Y. S. (2005). Efficiency comparison of statistical credit evaluation models, Research Institute of Applied Statistics Sungkyunkwan University, 13, 93-107.
Huang, Z., Chen, H., Hsu, C. J., Chen, W. H., and Wu, S. (2004). Credit rating analysis with support vector machines and neural networks: a market comparative study, Decision Support Systems, 37, 543-558.

상세보기
Irie, F., Iso, H., Sairenchi, T., et al. (2006). The relationships of proteinuria, serum creatinine, glomerular filtration rate with cardiovascular disease mortality in Japanese general population, Kidney International, 69, 1264-1271.

상세보기
Jeon, H. G., Won, J. Y., Peng, X., and Lee, K. C. (2019). Investigating effects of emotional states on the glucose control of diabetes in Korean adults, Journal of Digital Convergence, 17, 301-311.
Jeon, W. J. and Seo, Y. W. (2018). Analysis of important indicators of TCB using GBM, Journal of Society for e-Business Studies, 22, 159-173.
Kang, Y. G., Suh, E., Lee, J. W., Kim, D. W., Cho, K. H., and Bae, C. Y. (2018). Biological age as a health index for mortality and major age-related disease incidence in Koreans: National Health Insurance Service - Health Screening 11-year follow-up study, Clinical Interventions in Aging, 13, 429-436.

상세보기
Katzmarzyk, P. T., Reeder, B. A., Elliott, S., Joffres, M. R., Pahwa, P., Raine, K. D., Kirkland S. A., and Paradis, G. (2012). Body mass index and risk of cardiovascular disease, cancer and all-cause mortality, Canadian Journal of Public Health, 103, 147-151.

상세보기
Kim, J. Y., Jang, W. J., and Gim, G. Y. (2019). Development of a personal credit scoring model (COMMERCE Score) using on-line commerce data, Journal of Information Technology and Architecture, 16, 45-55.
Klemera, P. and Doubal, S. (2006). A new approach to the concept and computation of biological age, Mechanisms of Ageing and Development, 127, 240-248.

상세보기
Lee, J. Y., Kim, K. H., and Lee, J. S. (2013). Construction of Sample Database from National Health Information Database. Seminar on Application of National Health Information Bigdata.
Martin, M. J., Browner, W. S., Hulley, S. B., Kuller, L. H., and Wentworth, D. (1986). Serum cholesterol, blood pressure, and mortality: implications from a cohort of 361,662 men, The Lancet, 2(8513), 933-936.
Ohlson, J. A. (1980). Financial ratios and the probabilistic prediction of bankruptcy, Journal of Accounting Research, 18, 109-131.

상세보기
Park, C. S. and Kim, M. S. (2011). Credit evaluation model for medical venture business by the analytic hierarchy process, Asia-Pacific Journal of Business Venturing and Entrepreneurship, 6, 133-147.
Park, J., Cho, B., Kwon, H., and Lee, C. (2009). Developing a biological age assessment equation using principal component analysis and clinical biomarkers of aging in Korean men, Archives of Gerontology and Geriatrics, 49, 7-12.

상세보기
Pierleoni, P., Belli, A., Concetti, R., Palma, L., Pinti, F., Raggiunto, S., Sabbatini, L., Valenti, S., and Monteriu, A. (2019). Biological age estimation using an eHealth system based on wearable sensors, Journal of Ambient Intelligence and Humanized Computing, 1-12.
Stocks, T., Van Hemelrijck, M. V., Manjer, J., et al. (2012). Blood pressure and risk of cancer incidence and mortality in the Metabolic Syndrome and Cancer Project, Hypertension, 59, 802-810.

상세보기
Wilson, P. W., Abbott, R. D., and Castelli, W. P. (1988). High density lipoprotein cholesterol and mortality. The Framingham Heart Study, Arteriosclerosis, 8, 737-741.

상세보기
Woo, H. S., Lee, S. H., and Cho, H. J. (2013). Building credit scoring models with various types of target variables, Journal of the Korean Data and Information Science Society, 24, 85-94.

원문보기 상세보기
Yi, S. W., Park, S., Lee, Y. H., Park, H. J., Balkau, B., and Yi, J. J. (2017). Association between fasting glucose and all-cause mortality according to sex and age: a prospective cohort study, Scientific Reports, 7, 1-9.

상세보기
Yoo, J., Kim, Y., Cho, E. R., and Jee, S. H. (2017). Biological age as a useful index to predict seventeen-year survival and mortality in Koreans, BMC Geriatrics, 17, 7.

상세보기

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증