• Proceedings of the Korean Society of Computer Information Conference
• /
• 2021.07a
• /
• pp.321-322
• /
• 2021

본 연구는 누구나 일상생활에서 개인의 체력상태를 진단하고 평가하여 건강을 유지할 수 있도록 체력측정이 가능한 스텝박스를 개발하고 이를 통해 본인의 체력수준을 예측하고 수집된 데이터를 활용하여 이력을 관리함으로서 체력저하에 따라 유발될 수 있는 질환이나 질병을 예방하고 개선하는데 목적이 있다. 저비용, 실용성, 반복성, 휴대성 등의 이점을 지닌 IT기반의 스텝박스는 현재 국내 개발되어 있는 건강체력 측정 장비의 한계점을 보완하여 체력상태 및 결과 진단뿐만 아니라 연령대별 건강 척도를 제시함으로서 신체활동 참여를 유도할 수 있다.

• Proceedings of the Korean Society of Computer Information Conference
• /
• 2021.01a
• /
• pp.289-290
• /
• 2021

본 연구는 코로나-19 이후로 미지의 질병과 맞닥뜨렸을 때의 소비 경향에 중요한 영향을 끼치는 요소를 데이터베이스화하여 다각적인 방면에서 분석하고 성향 측정방법을 제시하였다. 포스트 코로나 시대는 디지털 혁명이 일어난 후 경제활동에 참여하고 있는 사람들 중 그 누구도 피해갈 수 없는 흐름이다. 또한, 소비의 흐름에 있어서 모바일을 통한 배달이 주류가 될 것이라는 것은 누구든 손쉽게 알 수 있을 것이다. 후에 제2의 포스트 코로나 이후 방대하고 구체적인 데이터를 사용하여 똑같은 방법으로 재분석 한다면 기업의 입장에서 발 빠른 대응으로 경제 침체 속의 호황을 맞이할 수 있을 것이라 기대된다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2007.11a
• /
• pp.733-736
• /
• 2007

최근 생명 공학 기술의 발달로 마이크로 단위의 실험이 가능해지고 하나의 칩상에 수 만개의 유전자들의 발현 양상을 보다 쉽게 관찰할 수 있게 되었다. DNA 칩 기술에 의해 얻어지는 마이크로어레이(microarray) 데이터는 세포나 조직 내의 유전자 발현도(expression level)를 측정한 것으로 질병 진단이나 유전자 기능 예측 등에 이용되고 있다. 본 논문에서는 대량의 시계열 마이크로어레이 데이터 분석을 위해 효율적으로 데이터의 차원을 판단하는 점진적 주성분 분석을 이용하여 데이터의 차원을 축소 한다. 제안된 방법은 실제 시계열 마이크로어레이 데이터인 yeast cell cycle 데이터에 적용되었고, 데이터 차원 축소에 대한 효율성을 검증하기 위해 클러스터링을 수행하였다. 그 결과 데이터를 축소하여 클러스터링을 수행한 경우 학습 성능이 향상 된 결과를 보였다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2024.05a
• /
• pp.652-655
• /
• 2024

COPD(Chronic Obstructive Pulmonary Disease)는 장기간에 걸쳐 기도가 좁아지는 폐질환으로, 규칙적 운동은 호흡을 용이하게 하고 증상을 개선할 수 있는 주요 자가관리 중재법 중 하나이다. 건강정보 데이터와 인공지능을 사용하여 규직적 운동 이행군과 불이행군을 선별하여 자가관리 취약 집단을 파악하는 것은 질병관리 측면에서 비용효과적인 전략이다. 하지만 많은 양의 데이터를 확보하기 어렵고, 규칙적 운동군과 그렇지 않은 환자의 비율이 상이하기 때문에 인공지능 모델의 전체적인 선별 능력을 향상시키기 어렵다는 한계가 있다. 이러한 한계를 극복하기 위해 본 연구에서는 국민건강영양조사 데이터를 사용하여 머신러닝 모델인 XGBoost와 딥러닝 모델인 MLP에 오버샘플링, 언더샘플링, 가중치 부여 등 불균형 데이터 처리 기법을 적용 후 성능을 비교하여 가장 효과적인 불균형 데이터 처리 기법을 제시한다.

• Journal of the Korea Academia-Industrial cooperation Society
• /
• v.13 no.6
• /
• pp.2672-2679
• /
• 2012

The study was done to provide basic data of medical quality evaluation after developing the comorbidity disease mortality measurement modeled on the severity-adjustment method of AMI. This study analyzed 699,701 cases of Hospital Discharge Injury Data of 2005 and 2008, provided by the Korea Centers for Disease Control and Prevention. We used logistic regression to compare the risk-adjustment model of the Charlson Comorbidity Index with the predictability and compatibility of our severity score model that is newly developed for calibration. The models severity method included age, sex, hospitalization path, PCI presence, CABG, and 12 variables of the comorbidity disease. Predictability of the newly developed severity models, which has statistical C level of 0.796(95%CI=0.771-0.821) is higher than Charlson Comorbidity Index. This proves that there are differences of mortality, prevalence rate by method of mortality model calibration. In the future, this study outcome should be utilized more to achieve an improvement of medical quality evaluation, and also models will be developed that are considered for clinical significance and statistical compatibility.

• Journal of the Korea Society of Computer and Information
• /
• v.16 no.1
• /
• pp.175-182
• /
• 2011

This study proposes CAOPI(Computer Aided Organ Prediction Index) system based on APACHE II(Acute Physiology And Chronic Health Evaluation) for classifying disease severity and predicting the conditions of patients' major organs. The existing ICU disease severity evaluation is mostly about calculating risk scores using patients' data at certain points, which has limitations on making precise treatments. CAOPI system is designed to provide personalized treatments by classifying accurate severity degrees of emergency patients, predicting patients' mortality rate and scoring the conditions of certain organs.

• Communications for Statistical Applications and Methods
• /
• v.18 no.1
• /
• pp.79-87
• /
• 2011

A spatial time series model was used for analyzing the method of spatial time series (not the ARIMA model that is popular for analyzing spatial time series) by using chicken pox data which is a highly contagious disease and grid data due to ARIMA not reflecting the spatial processes. Time series model contains a weighting matrix, because that spatial time series model influences the time variation as well as the spatial location. The weighting matrix reflects that the more geographically contiguous region has the higher spatial dependence. It is hypothesized that the weighting matrix gives neighboring areas the same influence in the study of the spatial time series model. Therefore, we try to present the conclusion with a weighting matrix in a way that gives the same weight to existing neighboring areas in the study of the suitability of the STARMA model, spatial time series model and STBL model, in the comparative study of the predictive power for statistical inference, and the results. Furthermore, through the Kalman-Filter method we try to show the superiority of the Kalman-Filter method through a parameter assumption and the processes of prediction.

• Journal of the Korea Academia-Industrial cooperation Society
• /
• v.10 no.11
• /
• pp.3480-3486
• /
• 2009

This research was based on the purpose of establishing predicted model of prematurely discharged patients using the mandatory information data, recorded in the medical institutes based on discharged patients of a University Hospital for the period of 1 year, from July. The result showed that the regression analysis model was the most excellent method of application model for preventing discharged patients, and when this is applied to discharged patients who are outpatients, the possibility of discharge can be less than staying in the emergency room. In addition, based on threshold 0.7, when we expect the discharged patients, out of 920 discharged patients, the actual patients who are discharged can become 136, showing the extract effectiveness of 14.78%. Based on the perspective of lift value, compared to random extract, this is 2.9 times (14.78/5.15) more effective.

• Proceedings of the Korean Society for Bioinformatics Conference
• /
• 2006.02a
• /
• pp.91-96
• /
• 2006

현대의학의 발전으로 많은 질병들의 치료율이 개선되고 있으나, 암은 여전히 낮은 치료율과 약제 내성 및 부작용으로 많은 환자들이 의학적 고통 뿐 아니라 정신적, 경제적 문제점들을 호소하고있다. 이와같은 문제점은 동일한 병리학적 특성을 가지는 종양이라도 사람마다 그 생물학적 특성이 다르며, 동일한 환자안에서도 종양의 시기에 따라 다양한 특성의 세포들이 공존하며 다양한 문제를 발생하는 tumor heterogeneity에서 기인하게된다. 다행히 최근의 분자생물학의 발전과 인간유전체연구들의 활성화로 이와같은 다양한 암의 특성과 환자들의 특성을 이해하는 연구 방법들의 개발로 환자의 특성에 맞는 항암제를 효율적으로 투여하는 맞춤치료를 향한 노력을 지속하고 있다. 이와같은 맞춤치료의 일환으로 약제의 환자에서의 반응과 부작용을 예측하고자 최신의 high-throughput 기법을 도입한 것이 Pharmacogenomics이다. 즉, 지금까지의 항암치료는 암의 종류에 따라 임상연구 결과에 근거한 항암제를 선택하고 있다. 그러나 앞서 설명한 것처럼 암의 특성과 환자 반응의 다양화로 실제 항암효과는 기대에 미치지 못하여 많은 수의 환자들이 치료에 내성을 보일 뿐 아니라 치명적인 부작용으로 새로운 문제에 대면하게 되었다. 따라서 각 항암제011 최대의 효과를 보이며 최소의 부작용을 나타내는 최선의 치료책을 선정하는 것이 중요한 과제이다. 이를 위해서 암환자의 치료 단계에서 정확한 진단 및 병기 설정, 생물학적 특성 이해 뿐 아니라, 치료 반응을 예측할 수 있는 생물학적 표지자를 찾고자 하는 노력의 결과로 현재 임상에 사용되는 몇 가지 종양표지자를 포함하여 다양한 유전자 칩들이 연구단계에 있다. 특히 다양한 생물학적 현상이 많은 유전자들의 변화에 의한다는 근거하여 약제의 효과와 부작용을 예측할 수 있는 표지자 발굴도 DNA chip 등의 high-throughput technology를 사용하여 그 특이도와 민감도가 향상된 표지자 발굴이 시도되고 있다. 아직은 시작단계이고 많은 검증이 필요하나 여러 가지 가능성의 증거들로 멀지않은 시기에 맞춤치료가 가능하리라 기대하며, 암 연구에 있어서 pharmacogenomics의 현황을 소개하고자 한다.

• Journal of Digital Convergence
• /
• v.19 no.7
• /
• pp.271-282
• /
• 2021

This study was conducted to develop a model for predicting the length of stay for premature infants through machine learning. For the development of this model, 6,149 cases of premature infants discharged from the hospital from 2011 to 2016 of the discharge injury in-depth survey data collected by the Korea Centers for Disease Control and Prevention were used. The neural network model of the initial hospitalization was superior to other models with an explanatory power (R²) of 0.75. In the model added by converting the clinical diagnosis to CCS(Clinical class ification software), the explanatory power (R²) of the cubist model was 0.81, which was superior to the random forest, gradient boost, neural network, and penalty regression models. In this study, using national data, a model for predicting the length of stay for premature infants was presented through machine learning and its applicability was confirmed. However, due to the lack of clinical information and parental information, additional research is needed to improve future performance.