일반화 선형혼합모형을 이용한 뇌혈관 질환 예측 모형 (Cerebrovascular disease prediction model using generalized linear mixed model)

서지정보

· 발행기관 : 한국데이터정보과학회
· 수록지 정보 : 한국데이터정보과학회지 / 31권 / 5호 / 783 ~ 793페이지
· 저자명 : 김지은, 나종화

초록

뇌혈관 질환은 우리나라에서 암 다음으로 흔한 사망원인이며, 단일 장기질환으로는 가장 높은 사망률을 보이는 질환이다. 뇌혈관 질환은 한번 발생하면 후유증을 남기는 경우가 많아 치료만큼 예방이 중요하다. 뇌혈관 질환의 예방을 위한 기초 분석으로, 본 논문에서는 국내의 상황에 맞는 뇌혈관 질환에 대한 통계적 예측모형을 제시하였다. 건강보험공단으로부터 제공된 전국 16개 시도별 뇌혈관 질환의 진료건수를 반응변수로 하고, 이를 예측하기 위해 기상, 환경 및 소셜미디어 정보를 예측변수로 사용하였다. 특히 뉴스, 블로그, 트윗 등의 소셜미디어 정보는 국민들의 신속한 반응을 살펴볼 수 있는 정보로 관련된 연관 키워드들의 버즈량을 수집하여, 이를 예측변수로 사용하였다. 통계적 예측모형으로는 일반화 선형모형과 일반화 선형혼합모형이 사용되었으며, 여러 가지 평가 척도를 사용하여 이들 모형의 성능을 비교하였다. 그 결과 고려된 모든 범주형 변수들에 대해 임의 기울기를 적용한 일반화 선형혼합모형이 가장 적합한 모형으로 나타났다.

영어초록

Cerebrovascular disease is the second most common cause of death after cancer in Korea, and is a disease with the highest mortality rate as a single long-term disease. Cerebrovascular disease often leaves sequelae once it occurs, so prevention is as important as treatment. As a basic analysis for the prevention of cerebrovascular disease, this paper presents a statistical prediction model for cerebrovascular disease appropriate to the domestic situation. The number of treatments for cerebrovascular diseases in 16 cities and provinces nationwide provided by the Health Insurance Corporation was used as a response variable, and weather, environment and social media information were used as predictive variables to predict the number of cases of cerebrovascular disease. In particular, social media information such as news, blogs, tweets, etc., is information that allows the quick reaction of the people, and the amount of buzz of related keywords was collected and used as a predictor. Generalized linear model and generalized linear mixed model were used as statistical prediction models, and the performance of these models was compared using various evaluation measures. As a result, it was found that the generalized linear mixed model that applied random slope to all considered categorical variables was the most suitable model.

참고자료

· 없음