[논문]순환신경망을 이용한 질병발생건수 예측

이승현; 여인권

doi:10.5351/kjas.2020.33.5.627

순환신경망을 이용한 질병발생건수 예측
Predicting the number of disease occurrence using recurrent neural network 원문보기

응용통계연구 = The Korean journal of applied statistics, v.33 no.5, 2020년, pp.627 - 637

초록
AI-Helper

본 논문에서는 건강보험심사평가원에서 제공한 약 120만명의 2014년 고령환자의료자료(HIRA-APS-2014-0053)과 기상자료를 일반화추정방정식(generalized estimating equation; GEE) 모형과 long short term memory (LSTM) 기반 순환신경망(recurrent neural network; RNN) 모형으로 분석하여 기상 조건에 따른 주요 주상병의 발생 빈도를 예측한다. 이를 위해 환자가 의료 서비스를 받은 기관의 지역을 이용하여 환자의 거주지를 추정하고 해당 지역의 주별 기상 관측소 자료와 의료자료를 병합하였다. 질병 발생 상태를 세 개의 범주(질병에 걸리지 않음, 관심 주상병 발생, 다른 질병 방생)로 나누었으며 각 범주에 속할 확률을 GEE 모형과 RNN 모형으로 추정하였다. 각 범주별 발생 건수는 해당 범주의 속할 추정확률의 합으로 계산하였으며 비교분석결과 RNN을 이용한 예측이 GEE를 이용한 예측보다 정확도가 높은 것으로 나타났다.

Abstract ▼ AI-Helper

In this paper, the 1.24 million elderly patient medical data (HIRA-APS-2014-0053) provided by the Health Insurance Review and Assessment Service and weather data are analyzed with generalized estimating equation (GEE) model and long short term memory (LSTM) based recurrent neural network (RNN) model to predict the number of disease occurrence. To this end, we estimate the patient's residence as the area of the served medical institution, and the local weather data and medical data were merged. The status of disease occurrence is divided into three categories(occurrence of disease of interest, occurrence of other disease, no occurrence) during a week. The probabilities of categories are estimated by the GEE model and the RNN model. The number of cases of categories are predicted by adding the probabilities of categories. The comparison result shows that predictions of RNN model are more accurate than that of GEE model.

주제어

표/그림 (8)

표 Table 2.1. Summary of samples
표 Table 2.2. List of HIRA’s variables
표 Table 2.3. The number of major disease patients
그림 Figure 3.1. Structure of RNN based on LSTM. RNN = recurrent neural network; LSTM = long short term memory.
표 Table 4.1. GEE estimates for respiratory diseases
그림 Figure 4.1. The comparison of GEE and RNN via calender heat map. GEE = generalized estimating equation; RNN = based recurrent neural network.
표 Table 4.2. The comparison of GEE and RNN
표 Table 4.3. The comparison of GEE and RNN

AI 본문요약
AI-Helper

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

문제 정의

9%(768만5천명)를 차지한다. 고령인구의 지속적인 증가로 인하여 사회경제적인 변화가 필요할 것으로 보여 연구를 진행하게 되었다. 이 논문에서는 우리나라 환자의 상당 부분을 차지하고 있는 고령환자들의 건강보험심사평가원(이하 심평원) 의료보험 청구자료를 분석하여 성과 연령과 같은 인구생태학적 정보와 거주 지역의 기상 자료가 특정 주상병에 걸릴 확률에 어떻게 영향을 주는지를 모형화하고 해당 지역에 발생한 환자의 수를 예측해 본다.
본 논문에서는 기상 자료와 질병 발생과의 연관성을 이용하여 질병 발생 건수를 예측해 보았다. 분석에는 기계학습 방법 중 LSTM 기반 RNN 모형과 통계학습 방법 중 GEE 모형을 사용하였으며 환자를 주별로 지역, 성별, 연령으로 나누고 관심 질병을 호흡기 질환, 순환기 질환, 피부 및 피하조직 질환에 대한 질병 발생 건수 예측하였다.
고령인구의 지속적인 증가로 인하여 사회경제적인 변화가 필요할 것으로 보여 연구를 진행하게 되었다. 이 논문에서는 우리나라 환자의 상당 부분을 차지하고 있는 고령환자들의 건강보험심사평가원(이하 심평원) 의료보험 청구자료를 분석하여 성과 연령과 같은 인구생태학적 정보와 거주 지역의 기상 자료가 특정 주상병에 걸릴 확률에 어떻게 영향을 주는지를 모형화하고 해당 지역에 발생한 환자의 수를 예측해 본다.
이 논문의 분석 목적은 개별 환자에 대한 각 범주별 확률이 아니라 특정 연령, 지역, 성별에 따라 해당 주의 기상상태에 따라 몇 명의 환자가 발생했는지를 알아보기 위함으로 각 범주의 확률에 해당 분류 그룹의 인원수를 곱한 기댓값을 구하는 것이다. 즉, n_ij를 i번째 주의 j번째 그룹(160)에 속하는 전체 환자수라 하고 #를 i번째 주의 j번째 그룹의 k번째 범주(k = 1, 2, 3)에 해당하는 확률의 추정값이라고 하면 동일 지역에 대해서는 동일 기상자료가 사용되기 때문에 j번재 그룹 내의 모든 환자들에 대한 세범주의 확률은 동일한다.
4/M4버전에서 명목형 다항분포에 대한 ‘PROC GEE’를 사용할 수 있었으며 다항분포인 경우에는 가상관행렬(working correlation matrix)은 독립 형태만 가능했다. 이러한 이유로 본 연구에서는 GEE와 RNN을 비교하는 연구를 진행하였다. GEE 모형과 RNN 모형에 대한 내용은 기존 문헌에 방대하게 나와 있어 별도로 내용을 설명하지 않고 해당모형에서 변수를 어떻게 설정했는지를 중심으로 설명하고자 한다 (GEE는 Diggle 등 (2002), Hardin과 Hilbe (2003)).

가설 설정

모수 θijk는 i번째 환자가 j 시점에서 k번째 상태에 있을 확률로 이 환자의 연령과 성별, 거주지역의 기상자료에 영향을 받을 것이라고 가정한다.

제안 방법

기상자료와 심평원 자료를 주별(2주차에서 52주차 까지)로 나누어 기상자료는 각 변수의 주간 평균을 계산하였고 심평원 자료는 각 환자별로 51개 주에서 질병감염상태에 대한 세 범주로 구분하였다. 한 주의 시작은 일요일로 하고 주별 분석이기 때문에 한 주가 7일이 되지 않는 1월의 첫 번째 주와 12월의 마지막 주는 분석에 제외하였다.
매주 동안의 전국에서 발생하는 관심 주상병의 발생건수를 예측해보기 위해 #를 구하고 실제 환자수와 비교해 보았다. Figure 4.
LSTM 기반 RNN을 수행하기 위해서는 활성화 함수(activate function), 학습률(learning rate), 최적화 알고리즘(optimizer), 손실함수(loss function), 은닉층(hidden layers), 출력층 포함여부 등을 정해야 한다. 본 연구에 적용된 RNN에서는 51주 자료이기 때문에 순차적으로 읽는 단계는 51개이며 반응변수의 형태에 맞게 손실함수는 교차엔트로피(cross-entropy)를 적용했다. 다양한 세팅 하에서의 실험을 진행하여 은닉층은 8개, 학습률은 0.
본 논문에서는 기상 자료와 질병 발생과의 연관성을 이용하여 질병 발생 건수를 예측해 보았다. 분석에는 기계학습 방법 중 LSTM 기반 RNN 모형과 통계학습 방법 중 GEE 모형을 사용하였으며 환자를 주별로 지역, 성별, 연령으로 나누고 관심 질병을 호흡기 질환, 순환기 질환, 피부 및 피하조직 질환에 대한 질병 발생 건수 예측하였다. 본 연구에 사용된 자료에는 환자의 거주지 정보가 없어 방문 의료기관의 소재지 정보를 활용하여 일관된 원칙대로 할당하였다 이 결과를 통해 해당 질병의 발생 건수가 인구생태학적 요인과 기상 인자와의 연관성을 가지고 있다는 점을 확인했다.
본 연구에서는 이 포털에서 제공한 2014년 1월 1일부터 2014년 12월 31일까지의 관측소별 자료를 16개 시도로 묶어 주별 평균값을 구하였다. 분석에서는 통상적으로 보건 및 질병에 영향을 줄 것으로 예상되는 기온, 습도, 기압, 일조와 관련된 8개 변수를 선택하였다. 일반적으로 질병은 이전 주의 기상 상황에도 영향을 받을 수 있기 때문에 분석에서는 해당 주의 자료뿐만 아니라 이전 주의 자료도 설명변수에 포함 시켰다.
분석할 자료는 어떤 환자에 대해 51 주간 세 상태(질병에 걸리지 않음, 관심 질병 발생, 그 외의 질병 발생) 중 어떤 상태였는지를 반응변수, 해당 주의 기상 데이터와 환자의 인구생태학적 정보를 설명변수로 구성한 것이다. 이는 전체적으로 개별 환자 내에서는 종속성이 있고 환자들 간에는 독립이라고 가정할 수 있는 경시적 자료(longitudinal data)로 볼 수 있다.
이 논문에서 사용된 의료자료는 심평원에서 공개한 2014년 의료보험청구(HIRA-APS-2014-0053) 자료이며 기상자료는 기상청 홈페이지에서 다운로드 받은 것으로 분석에는 Ballester 등 (2003)에서 사용되었던 기온, 습도, 기압, 바람, 강수 등의 기상인자를 고려하였다. 요즘 종속성을 가지는 자료를 분석할 때 많이 사용되고 있는 신경망 모형 중 순환신경망(recurrent neural network; RNN) 방법을 이용하여 지역별 기상정보와 인구상태학적 정보가 호흡기질환, 순환기질환, 피부질환 발병 확률에 미치는 영향을 분석하고 이를 토대로 지역별 환자수를 예측해 본다. 자료를 훈련자료(training data)와 시험자료(test data)로 나누고 훈련자료를 이용하여 질병에 걸릴 확률을 RNN으로 모형 적합을 시키고 시험자료를 이용하여 실제 환자수와 예측된 환자 수를 비교하였다.
이 데이터는 명세서 일반내역, 진료내역, 상병, 처방전 상세내역 그리고 요양기관 현황 파일이 별도로 있으나 개인정보보호를 위해 각 환자에 대해 ‘명세서 연결코드’라는 변수에 일련번호를 무작위 부여하고 이 번호를 통해 각 환자들의 데이터를 연결할 수 있도록 하였다.
3은 이들 주상병에 대해 성별과 연령을 구분하여 표시한 것으로 각 칸의 빈도는 해당 주상병이 한 번 이상 발병한 환자들의 수를 의미한다. 자료 분석은 각 질환별로 나누어 분석하였으며 각 질환에 대해 반응변수를 3개의 범주(질병에 걸리지 않음, 해당 질병 발생, 그 외의 질병 발생)로 나누어 분석하였다. 호흡계총 질환은 질병코드 I에 해당하고 질병코드 J와 L은 순환계통 질환과 피부 및 피하조직의 질환 코드로 자세한 상세내역은 한국표준질병사인 분류(www.
요즘 종속성을 가지는 자료를 분석할 때 많이 사용되고 있는 신경망 모형 중 순환신경망(recurrent neural network; RNN) 방법을 이용하여 지역별 기상정보와 인구상태학적 정보가 호흡기질환, 순환기질환, 피부질환 발병 확률에 미치는 영향을 분석하고 이를 토대로 지역별 환자수를 예측해 본다. 자료를 훈련자료(training data)와 시험자료(test data)로 나누고 훈련자료를 이용하여 질병에 걸릴 확률을 RNN으로 모형 적합을 시키고 시험자료를 이용하여 실제 환자수와 예측된 환자 수를 비교하였다. RNN에 의한 성능이 어느 정도 되는지 알아보기 위해 동일 자료를 통계적 모형인 일반화추정방정식(generalized estimating equation; GEE)으로 모형 적합과 환자 수를 예측하고 결과를 비교하였다.

대상 데이터

본 연구에서 분석한 데이터(HIRA-APS-2014-0053)는 건강보험 청구자료로 진료 개시일 기준 1년 동안 진료를 받은 환자를 대상으로 표본 추출한 이차 자료이다. 환자의 성별과 연령구간(60세부터 5세 단위)에 따라 층화계통추출된 자료이며 추출 비율은 10%이며 연령과 성별 정보가 없거나 60세 미만인 자료를 제외하고 분석에 사용되는 데이터의 환자 수는 1,293,538명이다.
기상청의 기상자료 개방포털에는 전국의 관측 지점들에서 종관기상관측장비(automated surface observing system; ASOS)를 이용하여 수집된 일별 평균기온, 일교차, 일 강수량, 평균 풍속, 평균 상대습도, 평균 증기압, 평균 현지기압, 평균 해면기압, 합계 일조시간 자료를 제공하고 있다. 본 연구에서는 이 포털에서 제공한 2014년 1월 1일부터 2014년 12월 31일까지의 관측소별 자료를 16개 시도로 묶어 주별 평균값을 구하였다. 분석에서는 통상적으로 보건 및 질병에 영향을 줄 것으로 예상되는 기온, 습도, 기압, 일조와 관련된 8개 변수를 선택하였다.
분석에서는 연산의 효율성을 고려하여 데이터를 한꺼번에 입력하지 않고 적절한 크기로 나누어 학습을 시키는데 이를 위한 배치(batch)의 크기와 epoch을 정해야 하는데 훈련 데이터의 배치는 433이며, Epoch은 세 질환 모두 2,000번으로 했다. 2,000번의 epoch이 실행되고 추정된 계수값을 이용해 평가 데이터에 적용할 때에도 배치를 이용하여 해당 관측값에서의 세 가지 범주에 대한 확률값을 얻을 수 있다.
이 논문에서 사용된 의료자료는 심평원에서 공개한 2014년 의료보험청구(HIRA-APS-2014-0053) 자료이며 기상자료는 기상청 홈페이지에서 다운로드 받은 것으로 분석에는 Ballester 등 (2003)에서 사용되었던 기온, 습도, 기압, 바람, 강수 등의 기상인자를 고려하였다. 요즘 종속성을 가지는 자료를 분석할 때 많이 사용되고 있는 신경망 모형 중 순환신경망(recurrent neural network; RNN) 방법을 이용하여 지역별 기상정보와 인구상태학적 정보가 호흡기질환, 순환기질환, 피부질환 발병 확률에 미치는 영향을 분석하고 이를 토대로 지역별 환자수를 예측해 본다.
전체 데이터 중 70%를 무작위로 선택하여 훈련자료로 사용하였고 나머지 30%는 모형비교를 위한 검정 자료로 사용하였다. Table 4.
본 연구에서 분석한 데이터(HIRA-APS-2014-0053)는 건강보험 청구자료로 진료 개시일 기준 1년 동안 진료를 받은 환자를 대상으로 표본 추출한 이차 자료이다. 환자의 성별과 연령구간(60세부터 5세 단위)에 따라 층화계통추출된 자료이며 추출 비율은 10%이며 연령과 성별 정보가 없거나 60세 미만인 자료를 제외하고 분석에 사용되는 데이터의 환자 수는 1,293,538명이다. Table 2.

데이터처리

자료를 훈련자료(training data)와 시험자료(test data)로 나누고 훈련자료를 이용하여 질병에 걸릴 확률을 RNN으로 모형 적합을 시키고 시험자료를 이용하여 실제 환자수와 예측된 환자 수를 비교하였다. RNN에 의한 성능이 어느 정도 되는지 알아보기 위해 동일 자료를 통계적 모형인 일반화추정방정식(generalized estimating equation; GEE)으로 모형 적합과 환자 수를 예측하고 결과를 비교하였다.

이론/모형

현재 자료와 같이 분석자료가 시간순으로 순차적으로 만들어져 있고 자료들간 관련성이 존재하는 경우 사용되는 대표적인 기계학습 방법으로는 RNN이 있다. RNN은 Hopfield (1982)에 의해 고안된 알고리즘이며 본 연구에서는 Hochreiter와 Schmidhuber (1997)이 제안한 long short term memory (LSTM) 기반 RNN을 이용하여 시간의 순서에 따른 주요 질병의 발병 빈도수를 예측하였다.
본 연구에 적용된 RNN에서는 51주 자료이기 때문에 순차적으로 읽는 단계는 51개이며 반응변수의 형태에 맞게 손실함수는 교차엔트로피(cross-entropy)를 적용했다. 다양한 세팅 하에서의 실험을 진행하여 은닉층은 8개, 학습률은 0.0002으로 선택하였으며 Adam Optimizer를 이용하였다.

성능/효과

Table 4.2에 제시된 결과를 보면 세 가지 질병에 대하여 GEE 분석결과보다 RNN 분석결과가 더 적합을 잘하는 것으로 나타났다.
분석에는 기계학습 방법 중 LSTM 기반 RNN 모형과 통계학습 방법 중 GEE 모형을 사용하였으며 환자를 주별로 지역, 성별, 연령으로 나누고 관심 질병을 호흡기 질환, 순환기 질환, 피부 및 피하조직 질환에 대한 질병 발생 건수 예측하였다. 본 연구에 사용된 자료에는 환자의 거주지 정보가 없어 방문 의료기관의 소재지 정보를 활용하여 일관된 원칙대로 할당하였다 이 결과를 통해 해당 질병의 발생 건수가 인구생태학적 요인과 기상 인자와의 연관성을 가지고 있다는 점을 확인했다. 비교분석 결과 GEE 모형보다는 LSTM 기반 RNN 모형이 예측력이 높은 것으로 나타났다.
본 연구에 사용된 자료에는 환자의 거주지 정보가 없어 방문 의료기관의 소재지 정보를 활용하여 일관된 원칙대로 할당하였다 이 결과를 통해 해당 질병의 발생 건수가 인구생태학적 요인과 기상 인자와의 연관성을 가지고 있다는 점을 확인했다. 비교분석 결과 GEE 모형보다는 LSTM 기반 RNN 모형이 예측력이 높은 것으로 나타났다. 하지만 RNN을 이용한 분석에서는 인구생태학적 요인과 기상에 따른 영향이나 해석이 어렵고 GEE모형에 상호작용항 등을 추가하여 예측력을 높일 수 있다는 여지가 여전히 남아 있다.
1은 호흡기 질환 자료에 대한 GEE의 분석결과로 대부분의 공변량은 유의한 것으로 나타났으며 지역, 성별, 연령의 요인은 기준 수준과 차이가 있는 것으로 나타났다. 순환질환과 피부질환에서도 모수 추정값에 차이가 있을 뿐 대부분 유의한 것으로 분석되었다.
순환기 질환의 경우 RNN의 경우 1분기 일부 주에서 실제보다 약간 높은 예측값이 있는 반면 4분기에는 대체서 낮게 예측하고 있으며 GEE의 경우 전반적으로 실제보다 적은 발생빈도를 예측하고 있다. 피부 및 피하조직 질환의 경우에도 GEE의 예측값은 실제보다 낮게 예측하 RNN의 경우 일부 주에서 차이가 있는 것으로 분석되었다.
호흡기 질환의 경우 RNN은 전반적으로 실제보다 조금 높게 나타났으며 GEE의 경우 RNN보다도 대체로 높고 1분기와 4분기의 예측값이 실제보다 현저히 높은 빈도를 보이고 있다. 순환기 질환의 경우 RNN의 경우 1분기 일부 주에서 실제보다 약간 높은 예측값이 있는 반면 4분기에는 대체서 낮게 예측하고 있으며 GEE의 경우 전반적으로 실제보다 적은 발생빈도를 예측하고 있다.

후속연구

하지만 RNN을 이용한 분석에서는 인구생태학적 요인과 기상에 따른 영향이나 해석이 어렵고 GEE모형에 상호작용항 등을 추가하여 예측력을 높일 수 있다는 여지가 여전히 남아 있다. 향후 연구과제로 관심 질병을 전문가와 상의하여 더 세부적으로 또는 더 포괄적으로 지정하고 질병 발생 건수 예측이 가능하다. 향후에 미세먼지, 초미세먼지 등에 대한 데이터를 이용한 질환 발생 건수 예측이 가능할 것이라 기대된다.
향후 연구과제로 관심 질병을 전문가와 상의하여 더 세부적으로 또는 더 포괄적으로 지정하고 질병 발생 건수 예측이 가능하다. 향후에 미세먼지, 초미세먼지 등에 대한 데이터를 이용한 질환 발생 건수 예측이 가능할 것이라 기대된다.

참고문헌 (9)

Ballester, F., Michelozzi, P., and Iniquez, C. (2003). Weather, climate, and public health, Journal of Epidemiology & Community Health, 57, 759-760.

상세보기
Basu, R. and Samet, J. M. (2002). Relation between elevated ambient temperature and mortality, A Review of the Epidemiologic Evidence, 24, 190-202.
Diggle, P., Heagerty, P., Liang, K. Y., and Zeger, S. L. (2002). Analysis of Longitudinal Data (2nd ed), Oxford University Press, Oxford.
Hardin, J. W. and Hilbe, J. M. (2003). Generalized Estimating Equations, Chpman & Hall/CRC, FL.
Hochreiter, S. and Schmidhuber, J. (1997). Long short-term memory, Neural Computation, 9, 1735-1780.

상세보기
Hopfield, J. J. (1982). Neural networks and physical systems with emergent collective computational abilities. In Proceedings of the National Academy of Sciences of the United States of America, 79, 2554-2558.

상세보기
Touloumis, A., Agresti, A., and Kateri, M. (2013). Generalized estimating equations for multinomial responses using a local odds ratio parameterization, Biometrics, 69, 633-640.
안혜연, 정주희, 김채희, 윤진아, 김현수, 오인보, 이지호, 원경미, 이영미, 김유근 (2016). 학술논문 분석을 통한 기상민감질환 선정 및 기상 인자와의 관련성 고찰, 한국환경과학회 2016년 정기학술대회 발표논문집, 25, 839-851.
주영수(2008). 기후변화와 건강, 대한내과학회지, 75, 489-491.

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