[논문]공공빅데이터를 활용한 기계학습 기반 뇌졸중 위험도 예측

정선우; 이민지; 유선용

doi:10.12673/jant.2021.25.1.96

[국내논문] 공공빅데이터를 활용한 기계학습 기반 뇌졸중 위험도 예측
Machine Learning-based Stroke Risk Prediction using Public Big Data 원문보기

한국항행학회논문지 = Journal of advanced navigation technology, v.25 no.1, 2021년, pp.96 - 101

정선우 (전남대학교 ICT융합시스템공학과) , 이민지 (전남대학교 IoT인공지능융합전공) , 유선용 (전남대학교 ICT융합시스템공학과)

초록
AI-Helper

본 논문은 빅데이터를 이용하여 심방세동 환자의 뇌졸중 발병을 예측하는 기계 학습 모델을 제시한다. 학습 데이터로는 국민 건강 보험공단에서 제공하는 대한민국 전수에 해당하는 심방세동 환자의 정보를 수집하였다. 수집된 정보는 인구사회학, 과거 병력, 건강검진을 포함한 68개 독립변수로 구성된다. 본 연구의 목표는 기존 심방세동 환자의 뇌졸중 위험도 예측에 사용되던 통계적 모델 (CHADS2, CHA2DS2-VASc)의 성능을 검증하고 기계 학습 모델을 적용하여 기존 모델보다 높은 정확도를 가지는 모델을 제시하는 것이다. 제안하는 모델의 정확도, AUROC (area under the receiver operating characteristic)를 검증한 결과 제안하는 기계 학습 기반의 모형이 심방세동 환자의 뇌졸중 위험도를 사용한 모델이 기존의 통계적 모델보다 높은 정확도, 민감도, 특이도를 가지는 것을 확인할 수 있었다.

Abstract ▼ AI-Helper

This paper presents a machine learning model that predicts stroke risks in atrial fibrillation patients using public big data. As the training data, 68 independent variables including demographic, medical history, health examination were collected from the Korean National Health Insurance Service. To predict stroke incidence in patients with atrial fibrillation, we applied deep neural network. We firstly verify the performance of conventional statistical models (CHADS2, CHA2DS2-VASc). Then we compared proposed model with the statistical models for various hyperparameters. Accuracy and area under the receiver operating characteristic (AUROC) were mainly used as indicators for performance evaluation. As a result, the model using batch normalization showed the highest performance, which recorded better performance than the statistical model.

Keyword

표/그림 (7)

표 표 1. CHADS2 score의 위험요소와 점수표 Table 1. Risk factors and their CHADS₂ scores.
표 표 2. CHA2DS2-VASc score의 위험요소와 점수표 Table 2. Risk factors and their CHA₂DS₂-VASc scores.
그림 그림 1. 심층 신경망 개요 Fig. 1. Overview of deep neural network model.
표 표 3. Batch size 32의 성능 평가표 Table 3. Evaluation of batch size 32.
표 표 4. Batch size 64의 성능 평가표 Table 4. Evaluation of batch size 64.
표 표 5. Batch size 128의 성능 평가표 Table 5. Evaluation of batch size 128.
표 표 6. CHA₂DS₂-VASc의 성능 평가표 Table 6. Evaluation of the CHA₂DS₂-VASc score.

AI 본문요약
AI-Helper

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

문제 정의

해당 독립변수에는 인구사회학적 요소와 진료역, 과거력 정보를 포함하며, 기존 통계적 방법보다 더 포괄적으로 위험 인자를 고려할 수 있게 하였다. 따라서 본 연구의 목적은 기존 통계적 방법보다 더욱 개선된 성능을 가지며, 심방세동 환자의 뇌졸중 발병에 관한 인구 사회학적, 과거력 등의 요소들을 종합적으로 고려하여 학습하는 딥러닝을 통한 뇌졸중 예측 기법 개발을 목적으로 한다.
본 연구에서는 심방세동 환자의 뇌졸중 여부를 예측하기 위해 딥러닝을 이용한 모델을 개발하였으며, 이는 기존의 통계적모델보다 개선된 성능을 보여주고 있다. 그러나 실제 환자에게적용하기엔 다소 낮은 성능을 보이는 것이 사실이므로 실제 도입을 위해서는 모델을 더 개선해야 할 필요가 있다.

제안 방법

기계학습의 소분류로 포함될 수 있으며, 여러 개의 인공 신경망을 이용한 깊은 레이어 계층을 이용해 학습한다. 기계학습의 경우 학습에 필요한 특징 (feature)를 선별해 줄 필요가 있지만, 딥러닝의 경우 이러한 특징 역시 알고리즘이 자체적으로 선별해 학습한다는 차이점이 있다.
자료원의 수집 기간은 2011년~2018년까지이고, 관찰대상 수는 754, 949 명이다. 본 연구에서는 성별, 나이와 같은 인구 사회학적 요소와 혈관 질환, 비만, 간 질환, 폐혈전 색전증, 고혈압, 당뇨, 울혈성 심부전 등을 포함한 50가지 항목의 진료 및 과거력 내역을포함한 총 68개의 독립변수를 사용하였고, 종속변수로는 뇌졸중 발병 여부를 나타내는 1개의 변수를 사용하였다.
인간의 시냅스와 마찬가지로 이전 노드에서 값을 받아 다음 노드로 전달하게 되는데, 이때 입력받은값의 총합을 하나의 출력값으로 변환하는 활성화 함수를 사용한다. 주로 사용되는 활성화 함수는 주로 sigmoid, ReLU, tanh 등이며 [7], 본 연구에서는 히든 레이어의 활성화 함수로는 ReLU, 출력 레이어의 활성화 함수로는 sigmoid를 사용하였다. Sigmoid 함수는 실수를 취해 0에서 1 사이의 값을 반환한다.
모델 성능은 accuracy, precision, recall, F1 score, AUROC (area under receiver operating characteristic), AUPR (precision/recall cur ve)을 포함한 총 6가지 방법으로 평가한다. 정확도는 모델이 예측한 결과가 얼마나 실제 결과에 부합하는지를 측정하는 척도이다.
모델의 성능을 높일 수 있도록 모델에 적용될 기법을 선정하기 위해 다른 조건들은 동일하게 유지한 채 기법을 다르게 적용한 3가지 모델을 만들어 비교하였다.
모델 1은 dropout 기법만, 모델 2는 batch normalization과 dro pout 기법을 혼용, 모델 3은 batch normalization 기법만을 추가하여 각각의 모델을 구성하였다. 그 결과, 가장 성능이 좋은 bat ch normalization 기법만을 추가한 모델3을 선정하였다.
각각의 모델을 구성하였다. 그 결과, 가장 성능이 좋은 bat ch normalization 기법만을 추가한 모델3을 선정하였다.
딥러닝 모델의 성능을 높이기 위해, 노드 수 및 파라미터 조절하여 성능을 비교하였다. 레이어 노드 수에 변화를 주어 실험해 본 결과, 최적의 결과로 첫 번째와 두 번째 은닉층은 64개, 출력 레이어의 노드 수는 1개로 선정하였다.
본 논문에서 제안하고자 하는 딥러닝 방식의 성능을 입증하기 위해, 기존의 심방세동 환자의 뇌졸중 여부를 예측하기 위해사용되던 통계적 방식과 비교 실험을 하였다. 통계적 모델의 경우에는 표 6과 같이 정확도와 AUROC 두 가지 방법으로 평가하였으며, 정확도는 CHA₂DS₂-VASc score의 총점이 n 이상일경우 발병으로 간주하여 계산하였다.

대상 데이터

본 연구에서 사용된 자료원은 국민건강보험공단 데이터베이스의 심방세동 환자의 청구 및 건강검진 자료이다. 자료원의 수집 기간은 2011년~2018년까지이고, 관찰대상 수는 754, 949 명이다.
자료원의 수집 기간은 2011년~2018년까지이고, 관찰대상 수는 754, 949 명이다. 본 연구에서는 성별, 나이와 같은 인구 사회학적 요소와 혈관 질환, 비만, 간 질환, 폐혈전 색전증, 고혈압, 당뇨, 울혈성 심부전 등을 포함한 50가지 항목의 진료 및 과거력 내역을포함한 총 68개의 독립변수를 사용하였고, 종속변수로는 뇌졸중 발병 여부를 나타내는 1개의 변수를 사용하였다.
성능을 비교하였다. 레이어 노드 수에 변화를 주어 실험해 본 결과, 최적의 결과로 첫 번째와 두 번째 은닉층은 64개, 출력 레이어의 노드 수는 1개로 선정하였다.

데이터처리

통계적 방식과 비교 실험을 하였다. 통계적 모델의 경우에는 표 6과 같이 정확도와 AUROC 두 가지 방법으로 평가하였으며, 정확도는 CHA₂DS₂-VASc score의 총점이 n 이상일경우 발병으로 간주하여 계산하였다. ne 9부터 1까지 존재하며, 모든 경우의 정확도를 계산한 결과는 표 6과 같다.

이론/모형

과거 연구에서는 심방세동 환자의 뇌졸중 발병 예측을 위해주로 CHADS₂ score를 사용했다. 그러나 의학적 발전이 거듭됨에 따라 CHADS₂ score만으로 뇌졸중 고위험군을 정의하기엔부족하다는 사실이 밝혀지며 이를 보완해 새로운 분류 기준이세워졌다.
한다. 본 연구에서 사용한 모델의 손실 함수는 binary cross e ntropy 함수를 이용하였다.
가중치를 최적화하는 방법으로는 Adam optimizer을 사용한다. Adame 확률적 경사 하강법 기법 중 하나로 Momentum 기법과 AdaGrad의 장점을 융합한 기법이다 [9].

성능/효과

특히, 불균형한 데이터로 학습시킨 모델의 성능을 평가할때, F1-score와 AUROC의 결과를 중심으로 평가하게 되는데 그결과, batch size가 64일 때 가장 높은 F1-score와 AUROC 값을가지는 것으로 나타났다.
6448 이라는 결과를 산출하였다. 즉, 통계적 모델의 가장 높은 정확도인 0.92, AUROC는 0.6448이라는 기록과 딥러닝 모델의 정확도는 0.92, AUROC는 0.7이라는 기록을 비교한 결과 딥러닝 모델이 더 우수한 것으로 나타났다.

후속연구

기존 연구에서는 대부분 심방세동 환자의 뇌졸중 위험도를 평가하기 위해 위험 인자들을 고려하여 서로 다른 가중치를 부과한 CHA₂DS₂-VASc score를 이용했으나 본 연구는 더 높은 정확도와 넓은 범용화를 위해 위험 인자들을 종합적인 독립변수로 두어 딥러닝을 통해 뇌졸중 발병 예측을 진행할 것이다. 해당 독립변수에는 인구사회학적 요소와 진료역, 과거력 정보를 포함하며, 기존 통계적 방법보다 더 포괄적으로 위험 인자를 고려할 수 있게 하였다.
개선 후 뇌졸중을 사전 예측해 발병으로 일어나는 후유증이나 사망의 사전 방지를 기대할 수 있다. 향후 추가적인 건강검진 데이터를추가하고 다른 기법을 사용하는 등 모델 성능 개선 관련 연구를지속할 계획이며, 기계학습 기법과의 비교 분석을 통해 딥러닝모델의 우수성을 증명할 수 있기를 기대한다.

참고문헌 (14)

Global Health Estimates: Life expectancy and leading causes of death and disability [Internet]. Available: https://www.who.int/data/gho/data/themes/mortality-and-global-health-estimates
World Health Organization (2005). WHO STEPS Stroke Manual [Internet]. Available: http://whqlibdoc.who.int/chp/steps/Stroke/en/
Korean Statistical Information Service (KOSIS). Annual Report on the Cause of Death Statistics [Internet]. 2016. Available: https://kosis.kr/eng/search/searchList.do
Stroke Risk in Atrial Fibrillation Working Group, "Independent predictors of stroke in patients with atrial fibrillation: a systematic review," Neurology, Vol. 69, No. 6, pp. 546-554, Aug. 2007.

상세보기
J. B. Olesen, C. Torp-Pedersen, M. L. Hansen, and G. Y. H. Lip, "The value of the CHA2DS2-VASc score for refining stroke risk stratification in patients with atrial fibrillation with a CHADS2 score 0 - 1: a nationwide cohort study," Thrombosis and Haemostasis, Vol. 107, No. 6, pp. 1172-1179, 2012.

상세보기
Y. Bengio, A. Courville, and P. Vincent, "Representation learning: A review and new perspectives," IEEE Ttransactions on Pattern Analysis and Machine Intelligence, Vol. 35, No. 8, pp. 1798-1828, Aug. 2013.

상세보기
J. Schmidhuber, "Deep learning in neural networks: An Overview", Neural Networks, Vol. 61, pp. 85-117, Jan. 2015.

상세보기
M. M. Lau and K. Hann Lim, "Review of adaptive activation function in deep neural network," in Proceedings of the 2018 IEEE-EMBS Conference on Biomedical Engineering and Sciences (IECBES), Sarawak: Malaysia, pp. 686-690, 2018.
Q. V. Le, J. Ngiam, A. Coates, A. Lahiri, B. Prochnow, and A. Y. Ng, "On optimization methods for deep learning," in Proceedings of the 28th International Conference on Machine Learning, Bellevue: WA, pp. 265-272, Jun. 2011.
D. M. Powers, "Evaluation: from precision, recall and F-measure to ROC, informedness, markedness and correlation," International Journal of Machine Learning Technology, Vol. 2, No. 1, pp. 37-63, 2011.
J. A. Hanley and J. M. Barbara, "The meaning and use of the area under a receiver operating characteristic (ROC) curve," Radiology. Vol. 143, No. 1, pp. 29-36, 1982.

상세보기
A. P. Bradley, "The use of the area under the ROC curve in the evaluation of machine learning algorithms," Pattern Recognition, Vol. 30, No. 7, pp. 1145-1159, 1997.

상세보기
J. Keilwagen, I. grosse, and J. Grau, "Area under precision-recall curves for weighted and unweighted data", PloS One, Vol. 9, No. 3, Mar. 2014.

상세보기
J. Davis, and M. Goadrich., "The relationship between precision-recall and ROC curves.", in Proceedings of the 23rd international conference on Machine learning, New York: NY, pp. 233-240, Jun 2006.

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