$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

머신러닝을 활용한 식품소비에 따른 대사성 질환 분류 모델
Metabolic Diseases Classification Models according to Food Consumption using Machine Learning 원문보기

한국콘텐츠학회논문지 = The Journal of the Korea Contents Association, v.22 no.3, 2022년, pp.354 - 360  

홍준호 ((주)현대자동차 데이터인텔리전스팀) ,  이경희 (충북대학교 경영정보학과) ,  이혜림 (농촌진흥청 디지털농업추진단) ,  정환석 (농촌진흥청 디지털농업추진단) ,  조완섭 (충북대학교 경영정보학과)

초록
AI-Helper 아이콘AI-Helper

대사성 질환은 국내의 경우 유병률이 26%에 이르는 질환으로 복부비만, 고혈압, 공복혈당장애, 고중성지방, 낮은 HDL 콜레스테롤 5가지 상태 중 3가지를 동시에 가진 상태를 말한다. 본 논문은 농촌진흥청의 소비자패널 데이터와 건강보험공단의 진료 데이터를 연계하여 식품 소비 특성을 통해 대사성 질환자군과 대조군으로 나누는 분류 모델을 생성하고 차이를 비교하고자 한다. 기존의 국내외에서 연구된 많은 대사성 질환과 식품 소비 특성 관련 연구는 특정 식품군이나 특정 성분의 질환 상관성 연구이며, 본 논문은 일반 식사에서 포함하는 모든 식품군을 고려한 로지스틱 회귀를 이용한 분류 모델, 의사결정나무 기반 분류 모델, XGBoost를 활용한 분류 모델을 생성하였다. 세 가지 모델 중 정확도가 높은 모델은 XGBoost 분류 모델이지만, 정확도가 0.7 미만으로 높지 않았다. 향후 연구로 환자군의 식품 소비 관찰 기간을 5년 이상으로 확대하고 섭취한 식품을 영양적 특성으로 변환한 후 대사성 질환 분류 모델 연구가 필요하다.

Abstract AI-Helper 아이콘AI-Helper

Metabolic disease is a disease with a prevalence of 26% in Korean, and has three of the five states of abdominal obesity, hypertension, hunger glycemic disorder, high neutral fat, and low HDL cholesterol at the same time. This paper links the consumer panel data of the Rural Development Agency(RDA) ...

주제어

표/그림 (8)

AI 본문요약
AI-Helper 아이콘 AI-Helper

문제 정의

  • 본 연구에서는 환자군-대조군에서 특징 변수인 식품 소비를 가지고 다양한 연구방법을 제안하였다. 또한, 기존 많은 연구가 하나의 식품이나 특정 기능성 성분의 섭취가 질환 발생이나 관리에 미치는 영향을 분석하였지만, 본 연구는 일반 식사에 포함되는 모든 식품군을 대상으로 환자군-대조군의 식품 소비 특성을 비교하고자 하였다.
  • 기존의 국내외에서 연구된 많은 대사성 질환과 식품 소비 특성 관련 연구는 특정 식품군이나 특정 성분의 질환 상관성 연구가 대부분이다. 본 논문은 개인이 섭취한 다양한 식품군을 모두 고려하여 대사성 질환과 상관성 있는 식품 소비 특성을 찾기 위하여 최대한 많은 변수를 활용하는 통계 분석 및 머신러닝(Machine Learning) 분석기법을 적용하고자 한다.
  • 본 논문은 농촌진흥청의 소비자패널 데이터와 건강보험공단의 진료 데이터를 연계하여 식품 소비 특성을 통해 대사성 질환 환자군과 대조군으로 나누는 분류 모델을 생성하고 차이를 비교하고자 한다. 기존의 국내외에서 연구된 많은 대사성 질환과 식품 소비 특성 관련 연구는 특정 식품군이나 특정 성분의 질환 상관성 연구가 대부분이다.
  • 본 연구에서는 환자군-대조군에서 특징 변수인 식품 소비를 가지고 다양한 연구방법을 제안하였다. 또한, 기존 많은 연구가 하나의 식품이나 특정 기능성 성분의 섭취가 질환 발생이나 관리에 미치는 영향을 분석하였지만, 본 연구는 일반 식사에 포함되는 모든 식품군을 대상으로 환자군-대조군의 식품 소비 특성을 비교하고자 하였다.
본문요약 정보가 도움이 되었나요?

참고문헌 (16)

  1. 원진기, 한두봉, "식품영양표시와 운동이 고혈압 집단의 식생활패턴에 미친 영향," 농촌경제, Vol.42, No.3, pp.55-84, 2019. 

  2. 강지혜, 유리나, "비만성 염증/대사질환 제어를 위한 기능성 식품성분의 활용 가능성," 대한비만학회지, Vol.21, No.3, pp.132-139, 2012. 

  3. B. Annie, P. Ann-Marie, R. Iwona, L. Simone, and C. Patrick, and V. Marie-Claude, "Associations between dietary patterns and gene expression profiles of healthy men and women: a cross-sectional study," Nutrition journal, Vol.1, No.12, pp.1-13, 2013. 

  4. Czekajlo, Rozanska, Zatonska, Szuba, Regulska-Ilow, "Association between dietary patterns and metabolic syndrome in the selected population of Polish adults-results of the pure Poland study," European journal of public health, Vol.2, No.29, pp.335-340, 2019. 

  5. 정미미, 엄한주, "Two-way ANOVA 분석절차 및 사후검증방법의 이해," 한국체육측정평가학회지, Vol.13, No.2, pp.1-15, 2011. 

  6. Safari, Shariff, Kandiah, Rashidkhani, Fereidooni, "Dietary patterns and risk of colorectal cancer in Tehran Province: a case-control study," BMC Public Health, Vol.13, No.222, 2013. https://doi.org/10.1186/1471-2458/13/222 

  7. T. Mizoue, T. Yamaji, S. Tabata, K. Yamaguchi, S. Ogawa, M. Mineshita, and S. Kono, "Dietary patterns and glucose tolerance abnormalities in Japanese men," The Journal of nutrition, Vol.136, No.5, pp.1352-1358, 2006. 

  8. 유소영, 홍혜숙, 이현숙, 최영주, 허갑범, 김화영, "제2형 당뇨병 환자에서 인슐린저항성과 심혈관질환 위험요인 및 식이요인과의 관계," 한국영양학회지, Vol.40, No.1, pp.31-40, 2007. 

  9. 홍남기, 박혜정, 이유미. "특집 : 당뇨병 및 내분비질환분야 머신러닝 활용," 당뇨병(JKD), Vol.21, No.3, pp.130-139, 2020. 

  10. B. G. Choi, S. W. Rha, S. W. Kim, J. H. Kang, J. Y. Park, and Y. K. Noh, "Machine learning for the prediction of new-onset diabetes mellitus during 5-year follow-up in non-diabetic patients with cardiovascular risks," Yonsei Med J, Vol.60, pp.191-199, 2019. 

  11. W. Seo, Y. B. Lee, S. Lee, S. M. Jin, S. M. Park, "A machinelearning approach to predict postprandial hypoglycemia," BMC Med Inform Decis Mak, Vol.19, p.210, 2019. 

  12. 조우균, "한국 남자 당뇨환자의 식품 섭취 실태 조사," 韓國食品營養學會誌, Vol.6, No.3, pp.143-157, 1993. 

  13. Andreas C. Muller and Sarah Guido, "Introduction to machine learning with Python: a guide for data scientists," O'Reilly Media, Inc, 2016. 

  14. 홍준호, 오민지, 조용빈, 이경희, 조완섭, "다차원 데이터의 군집분석을 위한 차원축소 방법: 주성분분석 및 요인분석 비교," 학술지명 삽입, Vol.5, No.2, pp.135-143, 2020. 

  15. N. V. Chawla, K. W. Bowyer, L. O. Hall, and W. P. Kegelmeyer, "SMOTE: synthetic minority over-sampling technique," Journal of artificial intelligence research, Vol.16, pp.321-357, 2002. 

  16. 홍준호, 머신러닝과 통계적 방법을 이용한 대사성 질환과 식품 소비와의 관계성 연구, 충북대학교, 석사학위논문, 2022. 

저자의 다른 논문 :

관련 콘텐츠

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로