• 대한임상독성학회지
• /
• 제21권2호
• /
• pp.69-80
• /
• 2023

Purpose: Suicide ranks among the top causes of death among youth in South Korea. This study aimed to identify the characteristics of suicidal individuals treated at emergency departments between 2011 and 2020. Methods: A retrospective analysis was conducted using data from January 2011 to December 2020 in the Injury Surveillance Cohort, a prospective registry. Patients' sex, age, mortality, methods of self-harm, and previous suicide attempts were analyzed. The methods of self-harm were categorized into falls, asphyxiation, blunt injuries, penetrating injuries, poisoning, and others. Sub-groups with and without poisoning were compared. Results: The proportion of self-harm/suicide attempts increased from 2.3% (2011) to 5.0% (2020). The mortality rate decreased from 10.8% (2011) to 6.3% (2020). Poisoning was the most common method (61.7%). Mortality rates ranged from 42.0% for asphyxiation to 0.2% for blunt injuries. Individuals in their 20s showed a marked increase in suicide/self-harm attempts, especially in the last three years. A large proportion of decedents in their 70s or older (52.6%) used poisoning as a method of suicide. The percentage of individuals with two or more previous attempts rose from 7.1% (2011) to 19.7% (2020). The death rates by poisoning decreased from 7.7% (2011) to 2.5% (2020). Conclusion: Our findings underscore the urgent need for targeted interventions and suicide prevention policies. Managing and reducing suicide and self-harm in emergency settings will require a focus on poisoning, the 10-29 age group, and the elderly. This paper will be valuable for future policies aiming to reduce the societal burden of suicide and self-harm.

• 지능정보연구
• /
• 제21권4호
• /
• pp.1-16
• /
• 2015

교통사고의 원인을 규명하고 미래의 사고를 방지하기 위한 노력의 일환으로 데이터 마이닝 기법을 이용한 교통 데이터 분석의 연구가 이루어지고 있다. 하지만 기존의 교통 데이터를 이용한 마이닝 연구들은 학습된 결과를 사람이 이해하기 어려워 분석에 많은 노력이 필요하다는 문제가 있었다. 본 논문에서는 많은 속성들로 표현된 교통사고 데이터로부터 유용한 패턴을 발견하기 위해 규칙 학습 기반의 데이터 마이닝 기법인 연관규칙 학습기법과 서브그룹 발견기법을 적용하였다. 연관규칙 학습기법은 비지도 학습 기법의 하나로 데이터 내에서 동시에 많이 등장하는 아이템(item)들을 찾아 규칙의 형태로 가공해 주며, 서브그룹 발견기법은 사용자가 지정한 대상 속성이 결론부에 나타나는 규칙을 학습하는 지도학습 기반 기법으로 일반성과 흥미도가 높은 규칙을 학습한다. 규칙 학습 시 사용자의 의도를 반영하기 위해서는 하나 이상의 관심 속성들을 조합한 합성 속성을 만들어 규칙을 학습할 수 있다. 규칙이 도출되고 나면 후처리 과정을 통해 중복된 규칙을 제거하고 유사한 규칙을 일반화하여 규칙들을 더 단순하고 이해하기 쉬운 형태로 가공한다. 교통사고 데이터를 대상으로 두 기법을 적용한 결과 대상 속성을 지정하지 않고 연관규칙 학습기법을 적용하는 경우 사용자가 쉽게 알기 어려운 속성 사이의 숨겨진 관계를 발견할 수 있었으며, 대상 속성을 지정하여 연관규칙 학습기법과 서브그룹 발견기법을 적용하는 경우 파라미터 조정에 많은 노력을 기울여야 하는 연관규칙 학습기법에 비해 서브그룹 발견기법이 흥미로운 규칙들을 더 쉽게 찾을 수 있음을 확인하였다.