[논문]고혈압 예측을 위한 노모그램 구축 및 비교

김민호; 신민석; 이제영

doi:10.5351/kjas.2020.33.5.555

고혈압 예측을 위한 노모그램 구축 및 비교
Comparison of nomograms designed to predict hypertension with a complex sample 원문보기

응용통계연구 = The Korean journal of applied statistics, v.33 no.5, 2020년, pp.555 - 567

김민호 (영남대학교 통계학과) , 신민석 (영남대학교 통계학과) , 이제영 (영남대학교 통계학과)

초록
AI-Helper

고혈압은 발병률이 꾸준히 증가하고 있을 뿐 아니라, 심혈관 질환과 같은 2차 질병의 주된 위험 요인이 되었다. 게다가 고혈압은 뇌졸중, 혈관성 치매와 같은 다른 합병증을 유발하는 질병이다. 따라서 고혈압 발병률을 예측하는 것은 중요한 일이다. 본 연구에서, 고혈압 발병률을 예측할 수 있는 노모그램을 구축하였다. 데이터는 2013년부터 2016년까지의 국민건강영양조사로부터 얻어졌다. 복합 표본의 특성을 고려하여 Rao-Scott chi-squared test를 통해 고혈압에 영향을 미치는 10가지 요인을 규명하였다. 하지만 로지스틱 회귀분석 시, 흡연 상태와, 운동 유무는 유의하지 않았다. 따라서 8개의 주 효과를 고혈압의 위험요인으로 최종 선별하였다. 그리고 최종 선별된 위험 요인들로 로지스틱 노모그램과 베이지안 노모그램을 제시 및 비교하였다. 마지막으로 ROC curve 그래프와 calibration plot을 통해 노모그램을 검증하였다.

Abstract ▼ AI-Helper

Hypertension has a steadily increasing incidence rate as well as represents a risk factors for secondary diseases such as cardiovascular disease. Therefore, it is important to predict the incidence rate of the disease. In this study, we constructed nomograms that can predict the incidence rate of hypertension. We use data from the Korean National Health and Nutrition Examination Survey (KNHANES) for 2013-2016. The complex sampling data required the use of a Rao-Scott chi-squared test to identify 10 risk factors for hypertension. Smoking and exercise variables were not statistically significant in the Logistic regression; therefore, eight effects were selected as risk factors for hypertension. Logistic and Bayesian nomograms constructed from the selected risk factors were proposed and compared. The constructed nomograms were then verified using a receiver operating characteristics curve and calibration plot.

주제어

표/그림 (7)

표 Table 3.1. Logistic regression analysis results considering interactions
그림 Figure 3.1. Nomogram for hypertension using logistic regression with complex sample.
그림 Figure 3.2. Nomogram for hypertension using naive Bayesian classifier model with complex sample.
표 Table 3.2. The results of nave Bayesian classifier model for hypertension and nomogram points
그림 Figure 3.3. Comparison of logistic nomogram and left-aligned Bayesian nomogram.
그림 Figure 3.4. ROC curve and calibration plot of the nomograms.
표 Table 3.3. AUC of ROC and R² of calibration plot for each model

AI 본문요약
AI-Helper

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

문제 정의

본 논문에서는 고혈압의 위험요인을 이용하여 로지스틱 회귀모형과 베이지안 분류기 모형을 만들고 이를 시각화 하기 위한 통계적 도구인 노모그램을 구축하였다. 사용된 데이터는 한국 국민의 건강 행태를 파악할 수 있는 국민건강영양조사 2013–2016년 자료이며, 사용한 데이터는 22,368명이었다.

제안 방법

고혈압은 발병률이 꾸준히 증가하고 있을 뿐 아니라 심혈관 질환의 큰 주요원인이 되었다. 그래서 고혈압의 발병을 예측하는 도구로서 고혈압 노모그램을 구축하였다. 노모그램을 통해 의료 분야에서 통계적 지식이 없는 의료진들이나 일반인들이 간편하게 질병을 진단할 수 있다.
이처럼 고혈압에서도 위험 요인을 선별하는데 다양한 선행연구가 진행 되었지만 실제로 통계학적 지식이 부족한 비전공자들은 분석 결과만으로 실제 고혈압의 위험 정도를 인지하는데 어려움이 있다. 그래서 본 연구에서는 고혈압의 노모그램을 로지스틱 회귀모형과 순수 베이지안 분류기 모형으로 각각 구축하였고 (Kim, 2020; Kim과 Lee, 2020), 비교를 통해 두 노모그램의 유용성을 분석하였다. 본 논문의 2절에서는 고혈압의 위험요인을 선별하고 위험도를 추정하는 방법인 Rao-Scott chi-squared test와 복합 표본 하에서 로지스틱 회귀모형과 순수 베이지안 분류기 모형을 이용한 노모그램 구축과 검증 방법을 소개한다.
고혈압 가족력 유무는 부모 및 형제 중 누구 한 명이라도 고혈압이 있을 경우를 yes로, 그렇지 않으면 no로 범주화 시켰다. 당뇨병 유무는 공복 혈당이 126mg/dL 이상이거나 의사 진단을 받았거나 혈당 강하제를 복용 중이거나 인슐린 주사를 투여 받은 사람을 yes로, 그렇지 않으면 no로 범주화 하였다. 음주 유무는 음주 경험이 없으면 no, 그렇지 않으면 yes로 범주화 하였다.
먼저 10개의 위험요인의 주 효과만 고려한 모형을 분석한 결과, 흡연 상태, 운동 유무 두 개의 위험요인은 회귀계수가 유의하지 않게 나타났다. 따라서 두 개의 위험요인을 제외한 8개 위험요인을 최종적인 고혈압 발병 예측 변수로 설정하였다. 추가로 각 모든 2차 상호작용을 포함한 모형을 분석한 결과 나이와 성별, 나이와 BMI, 성별과 이상지질혈증, 성별과 음주 유무 4가지 항이 유의수준 5%에서 유의하였다.
4와 같다. 복합 표본 하에서 로지스틱 회귀모형과 순수 베이지안 분류기 모형의 적합도를 비교하였다. 그 결과는 Table 3.
그래서 본 연구에서는 고혈압의 노모그램을 로지스틱 회귀모형과 순수 베이지안 분류기 모형으로 각각 구축하였고 (Kim, 2020; Kim과 Lee, 2020), 비교를 통해 두 노모그램의 유용성을 분석하였다. 본 논문의 2절에서는 고혈압의 위험요인을 선별하고 위험도를 추정하는 방법인 Rao-Scott chi-squared test와 복합 표본 하에서 로지스틱 회귀모형과 순수 베이지안 분류기 모형을 이용한 노모그램 구축과 검증 방법을 소개한다. 3절에서는 국민건강영양조사 데이터에 대한 설명과 2절에서 설명한 방법을 적용한 고혈압의 발병률을 예측하는 노모그램을 구축하고 검증한다.
의료 분야에서 질병이나 사망과 관련된 위험 요인을 선별하고, 질병 발생률을 예측하는 연구들이 활발하게 진행되고 있다. 위험을 예측하기 위해 질병 또는 사망에 영향을 주는 위험인자를 선별하고, 어느 정도 영향을 주는지 계산을 하는 통계적 기법들을 사용한다. 하지만 비 전공자들이 통계적 결과 만으로 위험률을 계산한다는 것은 다소 어려움이 있다.
뇌졸중 유무는 의사 진단 여부에 따라 범주화 하였다. 이상 지질혈증 유무는 의사 진단을 받았거나, 총 콜레스테롤이 240mg/dL 이상이거나 콜레스테롤 강하제를 복용하거나 HDL콜레스테롤이 40mg/dL 미만이거나 고중성지방이 200mg/dL 이상인 경우 중 하나라도 해당되면 yes로, 그렇지 않으면 no로 범주화 하였다.
나이는 20세 이상 44세 이하, 45세 이상 64세 이하, 65세 이상으로 범주화 하였다. 흡연 상태는 현재 흡연을 하는 그룹(present), 과거에 흡연을 했던 그룹(past), 그리고 흡연을 한적이 없는 그룹(no)으로 나누었다. BMI는 25 미만을 정상(normal), 25 이상 30 미만을 과체중(overweight), 그리고 30 이상은 비만(obese)으로 범주화 하였다.

대상 데이터

한 개인이 가지고 있는 결측치의 경우, 수치형 자료는 평균으로, 범주형 자료는 결측치 처리하려는 변수와 가장 관련이 깊은 2개의 변수를 chi-squared test를 통해 선정하고, 그 2개의 변수를 기준으로 그룹화 했을 때 결측치 변수의 최빈값을 구해 값을 대체하였습니다. 그 후 모형의 예측력을 판단하기 위해 데이터를 무작위로 7 : 3의 비율로 나누어 Training data (n = 15659)는 모형을 만들어 노모그램을 구축하는데 사용하였고 Test data (n = 6709)는 검증하는데 사용하였다.
본 연구에 사용된 데이터는 국민건강영양조사(Korean National Health and Nutrition Examination Survey; KNHANES) 2013∼2016년도 자료이다.
사용된 데이터는 한국 국민의 건강 행태를 파악할 수 있는 국민건강영양조사 2013–2016년 자료이며, 사용한 데이터는 22,368명이었다.
사용된 위험요인은 총 10개로 고혈압 발병에 중요한 영향을 미치는 여러 선행 연구에서 선정하였다(Kshirsagar 등, 2010). 위험요인은 나이, 성별, 흡연 상태, BMI, 고혈압 가족력, 당뇨병, 음주 유무, 운동 유무, 뇌졸중, 이상지질혈증이다.
반면 순수 베이지안 분류기 모형은 위험요인만 사용해 노모그램의 해석적 측면에서 유리하다고 할 수 있다. 실제 예시로, 50세 남성이고 과체중(overweight), 고혈압 가족력이 있고, 당뇨가 없으며 음주 경험이 있고 이상지질혈증과 뇌졸중을 앓는 사람을 두 노모그램에 적용하였다. Figure 3.
사용된 위험요인은 총 10개로 고혈압 발병에 중요한 영향을 미치는 여러 선행 연구에서 선정하였다(Kshirsagar 등, 2010). 위험요인은 나이, 성별, 흡연 상태, BMI, 고혈압 가족력, 당뇨병, 음주 유무, 운동 유무, 뇌졸중, 이상지질혈증이다. 나이는 20세 이상 44세 이하, 45세 이상 64세 이하, 65세 이상으로 범주화 하였다.
조사대상자는 20세 이상 성인 총 24,095명 중 건강설문조사에 참여하지 않은 1,727명을 제외한 22,368명이였다. 한 개인이 가지고 있는 결측치의 경우, 수치형 자료는 평균으로, 범주형 자료는 결측치 처리하려는 변수와 가장 관련이 깊은 2개의 변수를 chi-squared test를 통해 선정하고, 그 2개의 변수를 기준으로 그룹화 했을 때 결측치 변수의 최빈값을 구해 값을 대체하였습니다.

데이터처리

이 때 Pearson chi-squared test를 사용하면 검정통계량 값이 과도하게 커지므로 귀무가설을 쉽게 기각한다고 알려져 있다 (Rao와 Scott, 1981; Sung, 2012). 따라서 층, 집락, 가중치 등 설계 효과를 고려한 Rao-Scott chi-squared 통계량을 사용한다. Rao-Scott chi-squared 통계량은 다음과 같다.
따라서 복합 표본조사 방법이 더 유용하고 합리적이라고 할 수 있었다. 복합 표본의 특성에 맞는 고혈압의 위험요인을 선별하기 위한 방법으로 Rao-Scott chi-squared test를 시행한 결과, 모든 위험요인이 통계적으로 유의하였다. 하지만 로지스틱 회귀분석시, 흡연 상태와, 운동 유무는 유의하지 않았다.
우리는 10개의 위험요인을 바탕으로 표본 가중치를 고려한 로지스틱 회귀분석을 적합시켰다. 먼저 10개의 위험요인의 주 효과만 고려한 모형을 분석한 결과, 흡연 상태, 운동 유무 두 개의 위험요인은 회귀계수가 유의하지 않게 나타났다.

이론/모형

구축한 노모그램을 검증하기 위해 ROC curve와 calibration plot을 사용하였다. 복합표본 하에서의 로지스틱 회귀모형과 순수 베이지안 모형의 각 ROC curve와 calibration plot은 Figure 3.
본 연구에 사용된 데이터는 국민건강영양조사(Korean National Health and Nutrition Examination Survey; KNHANES) 2013∼2016년도 자료이다. 국민건강영양조사는 표본의 대표성 및 추정의 정확성 향상을 위해 복합 표본 설계 방식인 2-staged stratified cluster sampling method을 사용하였다 (Korea Centers for Disease Control and Prevention, 2016). 고혈압의 진단 기준은 수축기 혈압이 140mmHg 이상이거나 이완기 혈압이 90mmHg 이상이거나 고혈압 약을 복용 중이거나 의사의 진단을 받은 사람으로 선정하였다.
노모그램을 구축한 뒤, 노모그램의 정확성을 검증하기 위해 receiver operating characteristics (ROC) curve와 calibration plot을 사용하였다 (Akobeng, 2007; Cook, 2008). ROC curve는 X축은 1 − Specificity, Y 축은 Sensitivity로 구성되어 있으며, curve 아래 면적의 넓이(area under curve; AUC)는 예측 정확도의 지표로 사용된다.
순수 베이지안 분류기 모형은 점수가 −100∼100점이므로 left-aligned 방법을 적용한다.

성능/효과

(a)의 로지스틱 노모그램의 경우 AGE선에서 45–64세에 해당하는 점수인 54점과, SEX선에서 남자에 해당하는 점수 41점과 두 개의 교호작용선인 AGE∗SEX선에서 45–64세이면서 남자일 때의 점수 0점, BMI선에서 overweight에 해당하는 점수인 37점, AGE∗BMI선에서 45–64세이면서 BMI가 overweight일 때의 점수 14점, FH HTN선에서 Yes점수 29점, DM선에서 o.w점수 0점, ALCOHOL선에서 Yes점수 6점, SEX∗ALCOHOL선에서 o.w점수 10점, STROKE선에서 Yes점수 21점, DYSLIPI-DEMIA선에서 Yes점수 11점, SEX∗DYSLIPIDEMIA선에서 o.w점수 0점을 합한 점수 223점이 최종 점수가 된다.
(b)의 left-aligned 베이지안 노모그램의 경우 AGE선에서 45–64세에 해당하는 점수인 57점과 SEX선에서 남자에 해당하는 점수 9점, BMI선에서 overweight선에서 overweight에 해당하는 점수 31점, FH HTN선에서 Yes점수 14점, DM선에서 Normal점수 0점, ALCOHOL선에서 Yes점수 0점, STROKE선에서 Yes점수 58점, DYSLIPIDEMIA선에서 Yes점수 46점을 합한 점수 215점이 최종 점수가 된다.
고혈압 유무에 따라 10개의 위험요인의 Rao-Scott chi-squared test 결과, 나이가 많을수록 고혈압 발병률이 증가함을 알 수 있었다. 성별에 따라 남자가 여자보다 발병률이 더 높고, 흡연 경험이 있거나 BMI가 높거나 가족력, 당뇨, 뇌졸중, 이상지질혈증이 있을 경우 고혈압 발병률이 증가한다는 것을 알 수 있었다.
그 다음으로 고혈압 발병률에 큰 영향을 미치는 요인은 가족력(FH HTN)으로 부모나 형제 중 한 사람이라도 고혈압이 있는 사람이 그렇지 않은 사람보다 29점 더 높은 점수를 얻는 것으로 나타났다. 그 다음으로 DM, STROKE, DYSLIPIDEMIA, ALCOHOL 순으로 고혈압 발병률에 큰 영향을 미친다는 것을 알 수 있다. 상호작용 중에서는 AGE∗SEX가 고혈압 발병률에 가장 큰 영향을 주는 것을 알 수 있었고 65세 이상 여성일 경우 45점으로 가장 높은 점수를 받아 고혈압 발병률이 더 높아진다는 것을 알 수 있다.
그리고 주 효과 중에서 성별이 나이와 BMI 뒤를 이어 가장 큰 영향을 미치는 것으로 나타났으며, 여자보다 남자가 41점 더 높은 점수를 받아 남자가 고혈압 발병률이 더 높다는 것을 알 수 있다. 그 다음으로 고혈압 발병률에 큰 영향을 미치는 요인은 가족력(FH HTN)으로 부모나 형제 중 한 사람이라도 고혈압이 있는 사람이 그렇지 않은 사람보다 29점 더 높은 점수를 얻는 것으로 나타났다. 그 다음으로 DM, STROKE, DYSLIPIDEMIA, ALCOHOL 순으로 고혈압 발병률에 큰 영향을 미친다는 것을 알 수 있다.
그리고 뇌졸중(STROKE)이 나이의 뒤를 이어 가장 큰 영향을 미치는 것으로 나타났으며, 뇌졸중을 앓는 사람이 그렇지 않은 사람보다 58점 더 높은 점수를 얻는 것으로 나타났다. 그 다음으로 고혈압 발병률에 큰 영향을 미치는 요인은 당뇨(DM)로 당뇨가 있는 사람이 그렇지 않은 사람보다 53점 더 높은 점수를 얻는 것으로 나타났다. 다음으로 DYSLIPIDEMIA, BMI, ALCOHOL, FH HTN, SEX 순으로 고혈압 발병률에 큰 영향을 미치는 것으로 나타났다.
2(b)를 보면 나이의 노모그램 점수 범위가 0∼100점으로 고혈압 발병 유무에 가장 큰 영향을 미치는 위험요인이라는 것을 알 수 있다. 그리고 뇌졸중(STROKE)이 나이의 뒤를 이어 가장 큰 영향을 미치는 것으로 나타났으며, 뇌졸중을 앓는 사람이 그렇지 않은 사람보다 58점 더 높은 점수를 얻는 것으로 나타났다. 그 다음으로 고혈압 발병률에 큰 영향을 미치는 요인은 당뇨(DM)로 당뇨가 있는 사람이 그렇지 않은 사람보다 53점 더 높은 점수를 얻는 것으로 나타났다.
그리고 BMI가 비만(obese)인 경우가 68점, 과체중(overweight)인 경우 37점으로 고혈압에 두 번째로 가장 큰 영향을 미치는 것으로 나타났다. 그리고 다음으로 성별(SEX), 가족력(FH HTN), 당뇨(DM), 뇌졸중(STROKE), 이상지질혈증(DYSLIPIDEMIA), 음주 유무(ALCOHOL) 순으로 큰 영향도를 보였다. 그리고 베이지안 노모그램의 경우 나이(AGE)가 45–64세인 경우 57점, 65세 이상인 경우 100점으로 가장 크게 나타났다.
나이가 많을수록 더 높은 점수를 받아 고혈압 발병률이 더 높아지고, BMI 지수가 높을수록 역시 고혈압 발병률이 더 높아진다는 것을 알 수 있다. 그리고 주 효과 중에서 성별이 나이와 BMI 뒤를 이어 가장 큰 영향을 미치는 것으로 나타났으며, 여자보다 남자가 41점 더 높은 점수를 받아 남자가 고혈압 발병률이 더 높다는 것을 알 수 있다. 그 다음으로 고혈압 발병률에 큰 영향을 미치는 요인은 가족력(FH HTN)으로 부모나 형제 중 한 사람이라도 고혈압이 있는 사람이 그렇지 않은 사람보다 29점 더 높은 점수를 얻는 것으로 나타났다.
1을 보면 AGE와 BMI가 고혈압에 가장 큰 영향을 주는 것을 알 수 있다. 나이가 많을수록 더 높은 점수를 받아 고혈압 발병률이 더 높아지고, BMI 지수가 높을수록 역시 고혈압 발병률이 더 높아진다는 것을 알 수 있다. 그리고 주 효과 중에서 성별이 나이와 BMI 뒤를 이어 가장 큰 영향을 미치는 것으로 나타났으며, 여자보다 남자가 41점 더 높은 점수를 받아 남자가 고혈압 발병률이 더 높다는 것을 알 수 있다.
그 다음으로 고혈압 발병률에 큰 영향을 미치는 요인은 당뇨(DM)로 당뇨가 있는 사람이 그렇지 않은 사람보다 53점 더 높은 점수를 얻는 것으로 나타났다. 다음으로 DYSLIPIDEMIA, BMI, ALCOHOL, FH HTN, SEX 순으로 고혈압 발병률에 큰 영향을 미치는 것으로 나타났다. Figure 3.
그리고 뇌졸중(STROKE) 진단을 받은 경우가 58점으로 고혈압에 두 번째로 가장 큰 영향을 미치는 것으로 나타났다. 다음으로 당뇨(DM), 이상지질혈증(DYSLIPIDEMIA), BMI, 음주 유무(ALCOHOL), 가족력(FH HTN), 성별(SEX) 순으로 큰 영향도를 보였다. 두 노모그램 모두 나이 변수가 발병에 가장 큰 영향을 나타내었다.
로지스틱 회귀모형의 경우 최종적으로 선정된 위험요인은 8개의 주 효과 (AGE, SEX, BMI, FH HTN, DM, ALCOHOL, STROKE, DYSLIPIDEMIA)와 4개의 상호작용(AGE∗SEX, AGE∗BMI, SEX∗DYSLIPIDEMIA, SEX∗ALCOHOL)으로 선정되었다.
우리는 10개의 위험요인을 바탕으로 표본 가중치를 고려한 로지스틱 회귀분석을 적합시켰다. 먼저 10개의 위험요인의 주 효과만 고려한 모형을 분석한 결과, 흡연 상태, 운동 유무 두 개의 위험요인은 회귀계수가 유의하지 않게 나타났다. 따라서 두 개의 위험요인을 제외한 8개 위험요인을 최종적인 고혈압 발병 예측 변수로 설정하였다.
먼저 발병에 영향을 주는 개별적인 위험요인을 살펴 보면, 로지스틱 노모그램의 경우 나이(AGE)가 45–64세인 경우 54점, 65세 이상인 경우 100점으로 가장 크게 나타났다.
상호작용 중에서는 AGE∗SEX가 고혈압 발병률에 가장 큰 영향을 주는 것을 알 수 있었고 65세 이상 여성일 경우 45점으로 가장 높은 점수를 받아 고혈압 발병률이 더 높아진다는 것을 알 수 있다.
고혈압 유무에 따라 10개의 위험요인의 Rao-Scott chi-squared test 결과, 나이가 많을수록 고혈압 발병률이 증가함을 알 수 있었다. 성별에 따라 남자가 여자보다 발병률이 더 높고, 흡연 경험이 있거나 BMI가 높거나 가족력, 당뇨, 뇌졸중, 이상지질혈증이 있을 경우 고혈압 발병률이 증가한다는 것을 알 수 있었다. Rao-Scott chi-squared test 결과 고혈압 발병 유무 변수와 10개의 위험 요인 모두 p-value가 0.
이 점수에 대응되는 확률을 구하면 이 사람의 고혈압 발병 확률은 91%라고 할 수 있다. 최종적으로 두 노모그램이 비슷한 예측 확률을 도출한다는 것을 확인하였다.
따라서 두 개의 위험요인을 제외한 8개 위험요인을 최종적인 고혈압 발병 예측 변수로 설정하였다. 추가로 각 모든 2차 상호작용을 포함한 모형을 분석한 결과 나이와 성별, 나이와 BMI, 성별과 이상지질혈증, 성별과 음주 유무 4가지 항이 유의수준 5%에서 유의하였다. 따라서 8개의 위험요인과 4개의 상호작용을 모두 고려하여 총 12개의 위험요인이 최종적인 회귀 계수로 사용되었다.

후속연구

Pearson chi-squared test는 고혈압과 위험 요소로 구성된 분할표에서 각 셀에 들어갈 빈도가 독립이라는 가정이 필요하다. 그러나 본 연구에서 사용된 데이터는 2단계 층화집락추출법을 사용했으므로, 분할표의 각 셀이 독립이라는 가정을 만족하지 못한다. 이 때 Pearson chi-squared test를 사용하면 검정통계량 값이 과도하게 커지므로 귀무가설을 쉽게 기각한다고 알려져 있다 (Rao와 Scott, 1981; Sung, 2012).
노모그램을 통해 의료 분야에서 통계적 지식이 없는 의료진들이나 일반인들이 간편하게 질병을 진단할 수 있다. 이에 본 연구에서 구축한 노모그램이 데이터를 이용한 증거 기반 의료의 요구가 갈수록 매우 커지고 있는 의학분야에서 향후 치료계획을 수립하는데 도움이 될 수 있다고 할 수 있다.

참고문헌 (19)

Akobeng, A. K. (2007). Understanding diagnostic tests 3: receiver operating characteristic curves, Acta Paediatrica, 96, 644-647.
Cook, N. R. (2008). Statistical evaluation of prognostic versus diagnostic models: beyond the ROC curve, Clinical Chemistry, 54, 17-23.

상세보기
D'Agostino Sr, R. B., Grundy, S., Sullivan, L. M., Wilson, P., and CHD Risk Prediction Group (2001). Validation of the Framingham coronary heart disease prediction scores: results of a multiple ethnic groups investigation, Jama, 286, 180-187.

상세보기
Iasonos, A., Schrag, D., Raj, G. V., and Panageas, K. S. (2008). How to build and interpret a nomogram for cancer prognosis, Journal of Clinical Oncology, 26, 1364-1370.

상세보기
Kim, M. H. (2020). Nomogram model for predicting the incidence of hypertension with complex sample (Master's thesis), Yeungnam University, Gyeongsan.
Kim, M. H. and Lee, J. Y. (2020). How to construct a nomogram for hypertension using complex sampling data from Korean adults, Communications in Statistics-Theory and Methods, Published online: 07 June 2020.
Kim, M. H., Seo, J. H., and Lee, J. Y. (2019). Nomogram building to predict dyslipidemia using a naive Bayesian classifier model, The Korean Journal of Applied Statistics, 32, 619-630.
Korea Centers for Disease Control and Prevention (2016). The Seventh Korea National Health and Nutrition Examination Survey (KNHANES VII-1).
Korean Statistical Information Service (KOSIS). Census, Statistic Korea, Republic of Korea. Accessed December 2018. Available from: http://kosis.kr/statHtml3/statHtml.do?orgId101&tblIdDT_1IN1503&vw_cdMT_ZTITLE&list_idA11_2015_1_10_10&seqNo&lang_modeko&languagekor&obj_var_id&itm_id&conn_pathMT_ZTITLE
Kshirsagar, A. V., Chiu, Y. L., Bomback, A. S., August, P. A., Viera, A. J., Colindres, R. E., and Bang, H. (2010). A hypertension risk score for middle-aged and older adults, The Journal of Clinical Hypertension, 12, 800-808.

상세보기
Lee, K. M., Kim, W. J., and Yun, S. J. (2009). A clinical nomogram construction method using genetic algorithm and naive Bayesian technique, Journal of Korean Institute of Intelligent Systems, 19, 796-801.
Mozina, M., Demsar, J., Kattan, M., and Zupan, B. (2004). Nomogram for visualization of Naive Bayesian classifier, Knowledge Discovery in Databases: PKDD 2004, 337-348.
Nam, H. R., Pak, S. B., Jung, S. J., Choi, I. Y., and Kim, Y. (2018). Interdependency of Risk Factors for Hypertension: the 2010-2015 Korean National Health and Nutrition Examination Survey, Korean Journal of Family Practice, 8, 372-379.

상세보기
Park, J. C., Kim, M. H., and Lee, J. Y. (2018). Nomogram comparison conducted by logistic regression and naive Bayesian classifier using type 2 diabetes mellitus, The Korean Journal of Applied Statistics, 31, 573-585.
Rao, J. N. K. and Scott, A. J. (1981). The analysis of categorical data from complex sample surveys: chi-squared tests for goodness of fit the independence in two-way tables, Journal of the American Statistical Association, 76, 221-230.
Shin, J., Park, J. B., Kim, K. I., Kim, J. H., Yang, D. H., Pyun, W. B., Kim, Y. G., Kim, G. H., and Chae, S. C. (2015). 2013 Korean Society of Hypertension guidelines for the management of hypertension: part I-epidemiology and diagnosis of hypertension, Clinical Hypertension, 21, 1.

상세보기
Statistics Korea (2018). Causes of death statistics 2017. Policy News. Available from: http://kostat.go.kr/portal/korea/ kor nw/3/index.board?bmoderead&bSeq&aSeq370711&pageNo1&rowNum10&navCount10&currPg&sTargettitle&sTxt2017
Sung, N. K. (2012). Sampling Methodologies (2nd ed), Freedom academy, Seoul.
Van den Berg, E., Kloppenborg, R. P., Kessels, R. P., Kappelle, L. J., and Biessels, G. J. (2009). Type 2 diabetes mellitus, hypertension, dyslipidemia and obesity: a systematic comparison of their impact on cognition, Biochimica et Biophysica Acta - Molecular Basis of Disease, 1792, 470-481.

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