[논문]머신러닝 기반 중노년층의 기능성 위장장애 예측 모델 구현

이범주

doi:10.17703/jcct.2020.6.4.289

머신러닝 기반 중노년층의 기능성 위장장애 예측 모델 구현
Prediction model of peptic ulcer diseases in middle-aged and elderly adults based on machine learning 원문보기

Journal of the convergence on culture technology : JCCT = 문화기술의 융합, v.6 no.4, 2020년, pp.289 - 294

초록
AI-Helper

기능성 위장장애는 Helicobacter pylori 감염 및 비 스테로이드성 항염증제의 사용 등의 원인으로 발생하는 소화기 계통 질환이다. 그동안 기능성 위장장애의 위험요인에 대한 많은 연구들이 수행되어졌으나, 한국인에 대한 기능성 위장장애 예측 모델 제시에 대한 연구는 없는 실정이다. 따라서 본 연구의 목적은 중년 및 노년층을 대상으로 인구학적정보, 비만정보, 혈액정보, 영양성분 정보를 바탕으로 머신러닝을 이용하여 기능성위장장애 예측 모델을 구현하고 평가하는 것이다. 모델생성을 위해 wrapper-based variable selection 메소드와 naive Bayes 알고리즘이 사용되었다. 여성 예측 모델의 분류 정확도는 0.712의 the area under the receiver operating characteristics curve(AUC) 값을 나타냈고, 남성에서는 여성보다 낮은 0.674의 AUC값이 나타났다. 이러한 연구결과는 향후 중년 및 노년층의 위장장애 질환의 예측과 예방에 활용될 수 있다.

Abstract ▼ AI-Helper

Peptic ulcer disease is a gastrointestinal disorder caused by Helicobacter pylori infection and the use of nonsteroid anti-inflammatory drugs. While many studies have been conducted to find the risk factors of peptic ulcers, there are no studies on the suggestion of peptic ulcer prediction models for Koreans. Therefore, the purpose of this study is to implement peptic ulcer prediction model using machine learning based on demographic information, obesity information, blood information, and nutritional information for middle-aged and elderly people. For model building, wrapper-based variable selection method and naive Bayes algorithm were used. The classification accuracy of the female prediction model was the area under the receiver operating characteristics curve (AUC) of 0.712, and males showed an AUC of 0.674, which is lower than that of females. These results can be used for prediction and prevention of peptic ulcers in the middle and elderly people.

주제어

표/그림 (3)

표 표 1. 여성과 남성에서 기능성 위장장애 예측모델의 정확도 Table 1. Accuracy of prediction models of peptic ulcers in men and women
표 표 2. 여성에서 기능성 위장장애 예측 모델에 사용된 변수 분석 결과 Table 2. Analysis of selected variables used in prediction model in women
표 표 3. 남성에서 기능성 위장장애 예측 모델에 사용된 변수 분석 결과 Table 3. Analysis of selected variables used in prediction model in men

AI 본문요약
AI-Helper

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

문제 정의

예측 모델 구현을 위한 인공지능 및 머신러닝은 최근에 이르러 의학, 비즈니스, 전력 등 다양한 연구에 활용되어지고 있다 [10-12]. 따라서, 본 연구에서는 머신러닝을 기반으로 한국인 중년 및 노년을 대상으로 인구학적 정보, 비만 정보, 혈액 및 영양성분 정보를 이용한 기능성 위장장애 예측모델을 개발하는 것을 목적으로 한다. 이러한 예측 모델은 향후 위장장애에 예방을 위한 정보로 활용 가능할 것이다.
본 연구에서는 인구학적 정보, 비만정보, 양양성분 정보, 혈액 정보를 활용하여 머신러닝 기반 기능성 위장장애 예측 모델을 제시하였다. 최근까지 국내외 주요 선행연구들 중에서 본 연구와 동일한 기능성 위장장애 예측 관련 연구는 거의 없는 실정이다.
위십이지장 궤양 등에 의해 발생하는 기능성 위장장애는 전 세계적으로 매우 일반적으로 발생하는 소화기 계통 질환이다. 본 연구에서는 한국인 중년 및 노년층을 대상으로 기능성 위장장애 예측모델을 생성하였고 성능평가를 수행하였다. 또한 남녀 각각의 모델에 선택된 최종 변수들에 대한 분석을 통하여 변수들과 기능성 위장장애와의 연관성 분석 결과를 도출하였다.

제안 방법

첫째, 인구학적 정보로는 나이, 교육수준, 결혼 여부, 직업, 생활수준, 경제활동, 월평균 가구소득, 개인별 소득 4분위수, 가구별 소득 4분위수, 주관적 건강인식, 건강에 대한 염려도, 슬픔/우울증, 흡연여부, 음주여부, 체중변화 정도, 평소 운동여부, 운동시간, 하루평균 수면시간, 피로 인식도, 평소 스트레스 정도, 관절염 진단, 요통 및 좌골통 진단, 디스크 진단, 만성간염, 당뇨병 진단, 고혈압 진단, 소화불량 진단이 사용되었다. 둘째, 인체계측정보에서는, 체중, 신장, 허리둘레, 엉덩이 둘레, 허리와 신장의 비율, 맥박수, 수축기 및 이완기 혈압이 사용되었다. 셋째, 혈액정보에서는 헤모글로빈, 헤마토크릿, 적혈구, 백혈구, 혈소판, AST, ALT, 총콜레스테롤, 중성지방, 공복시혈당, 당화혈색소, 혈중요소 질소, 크레아티닌, B형간염항원 및 항체가 사용되었다.
본 연구에서는 한국인 중년 및 노년층을 대상으로 기능성 위장장애 예측모델을 생성하였고 성능평가를 수행하였다. 또한 남녀 각각의 모델에 선택된 최종 변수들에 대한 분석을 통하여 변수들과 기능성 위장장애와의 연관성 분석 결과를 도출하였다. 이러한 연구 결과는 향후 중년 및 노년층의 위장장애 질환 예방 및 예측을 위한 정보로 활용 가능할 것이다.

대상 데이터

기능성 위장장애 예측 모델 구축을 위하여 본 연구에서는 질병관리본부 국민건강영양조사 1기 데이터를 활용하였다. 본 연구를 위하여 한국한의학연구원 생명 윤리심의위원회로부터 IRB 승인을 획득하였다(IRB No.
I-2007/006-003). 본 연구에서는 중년 및 노년층 연령대 (41-70) 남녀를 대상으로 연구를 수행한다. 최종 분석 데이터로 여성에서는 정상군 1376개 샘플, 기능성 위장 장애군 223개 샘플, 남성에서는 정상군 1182개 샘플, 기능성 위장장애군 134개 샘플이 사용되었다.
본 연구에서는 중년 및 노년층 연령대 (41-70) 남녀를 대상으로 연구를 수행한다. 최종 분석 데이터로 여성에서는 정상군 1376개 샘플, 기능성 위장 장애군 223개 샘플, 남성에서는 정상군 1182개 샘플, 기능성 위장장애군 134개 샘플이 사용되었다.

데이터처리

모델 평가는 10-fold cross-validation을 사용하였고, 정확도 평가를 위하여 the area under the receiveroperating characteristics curve (AUC)를 제시하였고, 세부 성능평가를 위하여 sensitivity, 1-spcificity, precision, F-measure를 제시하였다. 또한 variable subset selection 실험을 통하여 선택된 변수들의 분석을 위하여, 연속형 변수들은 독립표본 t-test를 이용하여 분석하였고, 범주형 변수들은 Chi-square test를 이용하여 분석결과를 제시하였다.
이러한 메소드 선택의 이유는 SVM, decision tree, random forest 등의 다양한 분류 알고리즘들과 filter 기반 및 embeded 기반 variable subset selection 메소드들을 활용한 선행 연구의 결과를 바탕으로 wrapper 기반 naive Bayes 분류 알고리즘이 가장 좋은 성능을 나타내었기 때문이다. 모델 평가는 10-fold cross-validation을 사용하였고, 정확도 평가를 위하여 the area under the receiveroperating characteristics curve (AUC)를 제시하였고, 세부 성능평가를 위하여 sensitivity, 1-spcificity, precision, F-measure를 제시하였다. 또한 variable subset selection 실험을 통하여 선택된 변수들의 분석을 위하여, 연속형 변수들은 독립표본 t-test를 이용하여 분석하였고, 범주형 변수들은 Chi-square test를 이용하여 분석결과를 제시하였다.

이론/모형

, Chicago, IL, US)를 사용하였다. 예측 모델 생성 방법으로, variable subset selection 메소드에서는 wrapper-based variable subset selection을 사용하였고, 분류알고리즘으로는 naive Bayes 알고리즘(Best-first search)을 적용하였다. naive Bayes를 이용한 모델 생성 및 평가에 대한 방법은 참고문헌 [13]에 자세히 기술되어있다.

성능/효과

009). 그러나 비록 wrapper-based variable selection 메소드에서 선택되어 최종 모델에 적용되었을지라도 당뇨병 의사진단, 소화불량 의사진단, 간식횟수, 15초간 맥박수, 신장, aspartate transminase, 지방, 티아민 변수는 기능성 위장장애와 연관성이 없는 것으로 나타났다.
셋째, 혈액정보에서는 헤모글로빈, 헤마토크릿, 적혈구, 백혈구, 혈소판, AST, ALT, 총콜레스테롤, 중성지방, 공복시혈당, 당화혈색소, 혈중요소 질소, 크레아티닌, B형간염항원 및 항체가 사용되었다. 넷째, 식생활 지표 및 영양성분에서는 1일 식사횟수, 식사의 규칙성, 과식, 간식횟수, 외식, 영양제 등의 복용여부, 에너지, 수분, 단백질, 지방, 탄수화물, 식이섬유, 회분, 칼슘, 인, 철, 나트륨, 칼륨, 비타민 A, 카로틴, 레티놀, 티아민, 리보플라빈, 나이아신, 비타민 C가 사용되었다. 세부적인 내용은 국민건강영양조사 1기 원시데이터 사용설명서에 기술되어져 있다.
023)이 기능성 위장장애와 연관성이 있는 것으로 나타났다. 비록 최종 모델에 적용되었을지라도 거주지역, 피로 인식도, 영양제 등의 복용여부, B형 간염항체, 15초간 맥박수, 수축기 혈압, 적혈구, HDL 콜레스테롤, 크레아티닌은 기능성 위장장애와 연관성이 없는 것으로 나타났다.
표 2는 여성에서 wrapper-based variable selection 메소드를 통해 선택된 17개의 변수들로써 기능성 위장장애 예측 모델에 적용된 변수들의 세부 분석결과를 나타낸다. 선택된 변수들 중에서 관절염 의사진단, 주관적 건강인식, 피로 인식도, 이완기 혈압, 체중, 주관적 건강인식, 평소 스트레스 정도 변수들은 기능성 위장장애와 매우 높은 연관성이 있는 것으로 나타났다 (p = <0.001). 또한, 인체계측정보 중에서는 복부둘레와 신장의 비율 (p = 0.
둘째, 인체계측정보에서는, 체중, 신장, 허리둘레, 엉덩이 둘레, 허리와 신장의 비율, 맥박수, 수축기 및 이완기 혈압이 사용되었다. 셋째, 혈액정보에서는 헤모글로빈, 헤마토크릿, 적혈구, 백혈구, 혈소판, AST, ALT, 총콜레스테롤, 중성지방, 공복시혈당, 당화혈색소, 혈중요소 질소, 크레아티닌, B형간염항원 및 항체가 사용되었다. 넷째, 식생활 지표 및 영양성분에서는 1일 식사횟수, 식사의 규칙성, 과식, 간식횟수, 외식, 영양제 등의 복용여부, 에너지, 수분, 단백질, 지방, 탄수화물, 식이섬유, 회분, 칼슘, 인, 철, 나트륨, 칼륨, 비타민 A, 카로틴, 레티놀, 티아민, 리보플라빈, 나이아신, 비타민 C가 사용되었다.
표 3는 남성에서 기능성 위장장애 예측 모델에 적용된 15개 변수들의 세부 분석결과를 나타낸다. 주관적 건강인식 변수가 기능성 위장장애와 매우 높은 연관성을 지닌 것으로 나타났고 (p = <0.001), 그 외 인구학적 정보에서는 건강에 대한 염려도 (p = 0.001), 평소 스트레스 정도 (p = 0.021), 나이 (p = 0.027), 비만 지표중에서는 엉덩이 둘레 (p = 0.004), 영양성분 정보에서는 나이아신 (p = 0.023)이 기능성 위장장애와 연관성이 있는 것으로 나타났다. 비록 최종 모델에 적용되었을지라도 거주지역, 피로 인식도, 영양제 등의 복용여부, B형 간염항체, 15초간 맥박수, 수축기 혈압, 적혈구, HDL 콜레스테롤, 크레아티닌은 기능성 위장장애와 연관성이 없는 것으로 나타났다.
모델 생성을 위해 사용된 변수들은 크게 4가지로 구성된다. 첫째, 인구학적 정보로는 나이, 교육수준, 결혼 여부, 직업, 생활수준, 경제활동, 월평균 가구소득, 개인별 소득 4분위수, 가구별 소득 4분위수, 주관적 건강인식, 건강에 대한 염려도, 슬픔/우울증, 흡연여부, 음주여부, 체중변화 정도, 평소 운동여부, 운동시간, 하루평균 수면시간, 피로 인식도, 평소 스트레스 정도, 관절염 진단, 요통 및 좌골통 진단, 디스크 진단, 만성간염, 당뇨병 진단, 고혈압 진단, 소화불량 진단이 사용되었다. 둘째, 인체계측정보에서는, 체중, 신장, 허리둘레, 엉덩이 둘레, 허리와 신장의 비율, 맥박수, 수축기 및 이완기 혈압이 사용되었다.

후속연구

또한 남녀 각각의 모델에 선택된 최종 변수들에 대한 분석을 통하여 변수들과 기능성 위장장애와의 연관성 분석 결과를 도출하였다. 이러한 연구 결과는 향후 중년 및 노년층의 위장장애 질환 예방 및 예측을 위한 정보로 활용 가능할 것이다.
따라서, 본 연구에서는 머신러닝을 기반으로 한국인 중년 및 노년을 대상으로 인구학적 정보, 비만 정보, 혈액 및 영양성분 정보를 이용한 기능성 위장장애 예측모델을 개발하는 것을 목적으로 한다. 이러한 예측 모델은 향후 위장장애에 예방을 위한 정보로 활용 가능할 것이다.
이러한 연구들이 선행되었음에도 불구하고 이러한 출혈성 궤양 및 사망률에 대한 예측모델은 본 연구에서 제시한 기능성 위장장애 예측 모델과는 다르기 때문에 상호 결과를 직접적으로 비교 평가하는 것은 어렵다. 향후 연구로는 보다 많은 샘플들을 확보하고 기능성 위장장애와 연관성이 높은 임상지표를 도출하여 보다 정확한 기능성 위장장애 예측 모델을 구현하는 것이다.

참고문헌 (15)

Angel Lanas, Francis K L Chan, "Peptic ulcer disease". The Lancet. Vol. 390, No. 10094, pp. 613-624, 2017. doi.org/10.1016/S0140-6736(16)32404-7

상세보기
Bum Ju Lee, Jihye Kim, Keun Ho Kim, "Association of gastric and duodenal ulcers with anthropometry and nutrients: Korean National Health and Nutrition Examination Survey (KNHANES II-IV) 2001-2009". PLoS ONE. Vol. 13, No. 11, pp. e0207373, 2018. doi.org/10.1371/journal.pone.0207373

상세보기
Bum Ju Lee, Jihye Kim, Keun Ho Kim. "Association of peptic ulcer disease with obesity, nutritional components, and blood parameters in the Korean population". PLoS ONE. Vol. 12, No. 8, pp. e0183777. 2017. doi.org/10.1371/journal.pone.0183777

상세보기
Li Z, Zou D, Ma X, Chen J, Shi X, Gong Y, et al. "Epidemiology of peptic ulcer disease: endoscopic results of the systematic investigation of gastrointestinal disease in China". Am. J. Gastroenterol. Vol. 105, No. 12, pp. 2570-2577, 2010. doi.org/10.1038/ajg.2010.324

상세보기
Everhart JE, Byrd-Holt D, Sonnenberg A. "Incidence and risk factors for self-reported peptic ulcer disease in the United States". Am. J. Epidemiol. Vol. 147, No. 6, pp. 529-536, 1998

상세보기
Kalichman L, Livshits G, Kobyliansky E. "Indices of body composition and chronic morbidity: a cross-sectional study of a rural population in central Russia". Am. J. Hum. Biol. Vol. 18, No. 3, pp. 350-358, 2006. doi.org/10.1002/ajhb.20506

상세보기
Ifeanyi OE, Sunday AG. "Some haematological and biochemical parameters in peptic ulcer patients in umudike, abia state, nigeria". World J. Pharm. Pharm. Sci. Vol. 3, No. 4, pp. 294-302, 2014.
Seong Ran Lee. "Factors Related to the Incidence of Perforated Gastric Ulcer and Daily Habits of Adults in the Central Region". Asia-pacific Journal of Multimedia Services Convergent with Art, Humanities, and Sociology. Vol. 9, No. 7, pp. 549-557, 2019.

상세보기
Sang-Jin Hong, Eun-Young Kim. "Relations between Scoliosis and Gastroenteric Disorder". Korean Journal of Health Education and Promotion. Vol. 21, No. 1, pp. 319-328, 2004.
Grace LaiHung Wong, Andy Jinhua Ma, Huiqi Deng, Jessica YuetLing Ching, Vincent WaiSun Wong et al. "Machine learning model to predict recurrent ulcer bleeding in patients with history of idiopathic gastroduodenal ulcer bleeding". Alimentary Pharmacology and Therapeutics. Vol. 49, No. 7, pp. 912-918, 2019. doi.org/10.1111/apt.15145

상세보기
JungHun Yoo, Bum Ju Lee. "Prediction model of osteoporosis using nutritional components based on association". The Journal of the Convergence on Culture Technology (JCCT). Vol. 6, No. 3, pp. 457-462, 2020. doi.org/10.17703/JCCT.2020.6.3.457

원문보기 상세보기
Soonduck Yoo. "A Study on AI Business Ecosystem". The Journal of The Institute of Internet, Broadcasting and Communication. Vol. 20, No. 2, pp. 21-27, 2020. doi.org/10.7236/JIIBC.2020.20.2.21

원문보기 상세보기
Sebastian Okser, Terho Lehtimaki, Laura L. Elo, Nina Mononen, Nina Peltonen et al. "Genetic Variants and Their Interactions in the Prediction of Increased Pre-Clinical Carotid Atherosclerosis: The Cardiovascular Risk in Young Finns Study". PLoS Genetics. Vol. 6, No. 9, pp. e1001146, 2010. doi.org/10.1371/journal.pgen.1001146

상세보기
Philip W. Y. Chiu, Enders K. W. Ng, Frances K. Y. Cheung, Francis K. L. Chan, W. K. Leung et al. "Predicting Mortality in Patients With Bleeding Peptic Ulcers After Therapeutic Endoscopy". Clinical Gastroenterology and Hepatology. Vol. 7, No. 3, pp. 311-316, 2009. doi.org/10.1016/j.cgh.2008.08.044

상세보기
Kenneth Thorsen, Jon Arne Soreide, Kjetil Soreide. "What Is the Best Predictor of Mortality in Perforated Peptic Ulcer Disease? A Population-Based, Multivariable Regression Analysis Including Three Clinical Scoring Systems". Journal of Gastrointestinal Surgery. Vol. 18, pp. 1261-1268, 2014. doi.org/10.1007/s11605-014-2485-5

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