[2018 Bigdata win-win conference] 3
- 1. 인공지능–빅데이터 응용 시스템 개발 방법론
- 2. 1. 과제 배경 〮인체 건강을 심각하게 위협하는 이상기후 현상 이 잦아짐 〮이상기후에 의한 다양한 질병을 예측하고 대응 능력 강화를 위한 대책마련이 시급 〮날씨와 질병에 관한 기존의 연구 존재 - 선행연구는 사망자수 예측, 날씨와 질병의 상 관관계를 도출하여 리스크 관리의 필요성 주장 〮기후변화로 인한 환자수 예측 연구 부재 〮프로젝트 수행을 위한 전수 자료 존재 - 질병 발생현황(2001~2017년, 건강보험공단) - 통계청사망원인통계(1983~2016년, 통계청) - 온·습도, 체감온도, 강수량 등(1904~2018년, 기상 청) 〮빅데이터 분석을 위한 다양한 도구 존재 - 빅데이터 DB(구글 트렌드, 네이버 트렌드) 기후변화는 질병 발생의 중요한 요인 정보공개 확대와 분석 기법 고도화 환자수 예측의 중요성 폭염환자 연평균 1.7만명 진료비 5년 새 1.6배 증가 (한겨레,2018.08.02) 매서운 동장군에 한랭질환 급증 한 달 새 7명 숨져 (YTN,2018.01.10)
- 3. 2. 과제 목표 기존의 연구나 과제들이 단순히 질병과 기후의 관계를 보는 연구에 집중 되어 있다면, 본 연구는 이러한 질병과 기후 관계 뿐만 아니라 다양한 빅 데이터를 추가하여, 인공지능 및 머신러닝 방법으로 통한 독감, 폐렴, 수 족구 등과 같은 질병에 대한 실시간 예측 모델을 구축하고자 함 이러한 모델을 통해 질병에 대해 기존 방식보다 빠르게 환자수를 예측할 수 있는 장점이 있고, 이에 대한 선제 대응이 가능하기 때문에 실시간 시 스템을 구축할 경우 조기경보, 사전 예방 관리할 수 있는 장점이 존재함
- 4. 과제 단계별 목표 환자수 실시간 예측 모델 계획, 구축 및 활용방안 구상 빅데이터를 이용한 실시간 환자수 예측 모델 활용 질병 선제 대응 조기 경보 시스템 구축 1차 목표 2차 목표 기대효과
- 5. 3. 과제 내용 Data 기상 자료 질병 관련 데이터 구글& 네이버 빅데이터 출처: 기상청 기간: 2016.01~현재 내용:기온,체감온도, 강수량,습도, 열지수 등 출처: 통계청 기간: 2016.01~현재 내용: 질병 발생현황 사망원인통계 출처: 구글 / 네이버 기간: 2016.01~현재 내용: 검색어 그래프, CSV파일(검색량) / 성별, 연령 등
- 6. 3.1. 질병 발생 현황 데이터 (통계청 자료) 연령별, 성별, 지역별, 월별, 전염병 군별 등 발생·사망 현황 조회 가능
- 7. 질병 발생 현황 연령별 예시
- 8. 3.1. 사망원인 데이터 (통계청 자료) 연령별, 성별, 연도별, 사망원인별 사망자수· 사망률 조회 가능
- 9. 사망원인통계 예시
- 10. 사망원인통계 예시
- 11. 3.2. 기상청 데이터 기상청은 기상자료개방포털을 통해 다양한 기상자료를 제공함
- 12. 3.3. 빅데이터 수집(구글 트렌드)
- 13. 3.3. 빅데이터 수집(네이버 트렌드)
- 14. 4. 과제 추진 방법 관련 검색어, 기후인자, 각 질병에 대한 환자 데이터 수집 각 질병에 따라 새롭게 추가되어야 할 요인에 대한 탐 색과 변수 투입을 거친 알고리즘 개발 및 예측 모델 구축
- 15. 독감 환자 예측 모델 예시 출처: 우종필 외(2018). 빅데이터를 이용한 독감, 폐렴 및 수족구 환자수 예측 모델. 한국경영정보학회 학술대회
- 16. 모델의 구성 보건의료 빅데이터 개방시스템에서 인플루엔자 환자수에 대한 월별 데이터 를 얻음 (2016년 부터 2017년 8월까지 학습 후, 현재까지 예측) 이 데이터를 바탕으로 독감에 영향을 미칠 다양한 빅데이터를 네이버, 구글, 기상청에서 추출 한 후, 인공지능을 이용하여 환자수를 예측 예측모델의 경우, 하나의 분석기법에 의존하지 않고 다양한 분석을 이용하 여 환자수를 예측하여 오차율을 최소화 함(구글 트렌드에서의 실패를 최소 화 하려 노력) 월별 제공 데이터를 일별 환자수로 예측 가능한 수준으로 향상 시킴 분석 툴: SPSS, Modeler
- 17. 데이터 프로세스 과정 기존 독감환자 데이터 실시간 환자 예측 데이터 환자 알고리즘 환자 예측
- 18. IBM SPSS 예시
- 19. IBM SPSS (Modeler) 예시
- 20. Model 1 Random Forest
- 21. 실제 환자 및 예측 환자수 예시
- 22. 모델 가중치 예시(인공신경망)
- 23. 모델 가중치 예시
- 24. Model 2 선형 AS
- 25. Model 3 LSVM
- 26. Total Models
- 27. O월 예측 환자수 예시 날짜 (O월 부분) 예측 환자수 2017-00-24 5380 2017-00-25 2230 2017-00-26 3690 2017-00-27 650 2017-00-28 3280 2017-00-29 3230 2017-00-30 1070 O월 예측 환자수 19,530
- 28. 폐렴 환자 모델 예시 출처: 우종필 외(2018). 빅데이터를 이용한 독감, 폐렴 및 수족구 환자수 예측 모델. 한국경영정보학회 학술대회
- 29. Model 1 선형
- 30. 실제 환자 및 예측 환자수 예시
- 31. Model 2 선형 회귀
- 32. Model 3($L1) 선형 AS
- 33. 수족구 및 구내염 환자 모델 예시 출처: 우종필 외(2018). 빅데이터를 이용한 독감, 폐렴 및 수족구 환자수 예측 모델. 한국경영정보학회 학술대회
- 34. Model 1 인공신경망
- 35. 실제 환자 및 예측 환자수 예시
- 36. Model ($L) 선형회귀
- 37. 참고문헌 Kelly H, Grant K (2009) Interim analysis of pandemic influenza (H1N1) 2009 in Australia: surveillance trends, age of infection and effectiveness of seasonal vaccination. Euro Surveill. 14(31): pii=19288. Available:http://www.eurosurveillance.org/ViewArticle.aspx?ArticleId=19288. McMichael, A. J. (2003). Global climate change and health: an old story writ large. Climate change and human health: Risks and responses. Geneva, Switzerland: World Health organization. Wilson N, Mason K, Tobias M, Peacey M, Huang QS, et al. (2009) Interpreting ‘‘GFT’’ Data for Pandemic H1N1: The New Zealand Experience. EuroSurveill 14(44): pii = 19386. Available: http://www.eurosurveillance.org/ViewArticle. aspx?ArticleId = 19386. 김기연, 김언찬, 노상현, 임동욱, 정진우. (2017). 기상 기후 및 질병 빅데이터 기반의 질병 예측 및 건강 정보 어플리케이션의 구현. In Proceedings of KIIT Summer Conference, 496-497. 김동환, 이동성, 문태훈, 정수영, 이경택, 채여라. (2016). 기후변화 대응역량 강화를 위한 시스템다 이내믹스 모델 개발. 사업보고서, 2016(0), 1-121. 김오식. (2017). 기상기후 변화가 인간 질병에 미치는 영향. 환경과학기술, 63-79. 배현주, 정다운, 간순영, 박주영, 임연희. (2017). 이상기온에 따른 건강영향 평가·예측을 통한 기후 변화 대응 전략 마련. 기후환경정책연구, 2017, 1-137. 신호성, 정기혜, 윤시몬, 이수형. (2009). 기후변화와 식중독 발생 예측. 보건사회연구, 29(1), 143- 162. 우종필, 이병욱, 이차민, 이지은, 김민성, 황재원. (2018). 빅데이터를 이용한 독감, 폐렴 및 수족구 환자수 예측 모델. 한국경영정보학회 학술대회, 333-348. 채수미, 김동진, 윤석준, 신호성. (2014). 기온과 지역특성이 말라리아 발생에 미치는 영향. 보건사 회연구, 34(1), 436-455.
- 38. 감사합니다. Q&A