---
type: paper
slug: junghye-lee-2016-bayesian-network-hypertension
title: >-
  Risk assessment for hypertension and hypertension complications incidences
  using a Bayesian network
authors:
  - '[[junghyelee]]'
  - '[[wonji-lee]]'
  - '[[il-su-park]]'
  - '[[hun-sung-kim]]'
  - '[[hyeseon-lee]]'
  - '[[chi-hyuck-jun]]'
year: 2016
venue: '[[health-policy-and-technology]]'
doi: ''
categories:
  - '[[medical-ai]]'
methods:
  - '[[bayesian-network]]'
  - '[[cox-regression]]'
themes:
  - '[[hypertension-risk-assessment]]'
  - '[[health-risk-prediction]]'
  - '[[causal-graphical-model]]'
aliases: []
last_updated: '2026-05-20T02:01:15+09:00'
---
# Risk assessment for hypertension and hypertension complications incidences using a Bayesian network

*[[junghyelee]], [[wonji-lee]], [[il-su-park]], [[hun-sung-kim]], [[hyeseon-lee]], [[chi-hyuck-jun]] (2016)*

> 한국 국민건강보험 표본 코호트 (>10,000 명, 2002-2010) 의 *고혈압 + 합병증 발생* 을 [[bayesian-network]] (BN) 으로 모델링. (i) [[cox-regression]] 으로 유의 변수 선택 → (ii) under-sampling → (iii) BN topology 구성 → (iv) 관심 노드 (target = 고혈압/합병증) 의 *조건부 확률* 추론. **그래프 기반 *질적 + 양적* 동시 분석** 가능. 베이지안 네트워크의 *국가 보건 데이터* 적용성 입증.

- **RQ**: 한국 국민건강보험 데이터의 *고혈압 + 합병증* 위험을 [[bayesian-network]] 으로 시각화·추론 가능한가? BN 이 단순 분류기 ([[wonji-lee-2014-hypertension-classification]]) 대비 어떤 추가 가치를 주는가?
- **방법론**: [[cox-regression]] 변수 선택 + under-sampling + [[bayesian-network]] structure learning + 조건부 확률 추론
- **데이터**: 한국 NHIC 표본 코호트 2002-2010, >10,000 명 (인구통계, 건강검진 기록, 의료비, 치료 정보)
- **주요 발견**: (1) **BN 이 변수 간 *인과 그래프* + *조건부 확률* 동시 산출** — 시각적 해석 + 정량 추론. (2) Cox regression 으로 *유의 변수 선택* 후 BN 적용. (3) 다양한 query (예: "흡연자가 비만일 때 고혈압 발생 확률?") 에 즉시 답변 가능. (4) 새로운 의학적 발견은 없으나 *방법론 적용성* 입증.
- **시사점**: 베이지안 네트워크가 *국가 보건 데이터* 의 *위험 평가 + 정책 query* 도구로 활용 가능. 향후 2011-2013 데이터 + 더 긴 follow-up 으로 검증 + 2010 이후 고혈압 관리 가이드라인 변경 반영 필요.

![국민건강보험 코호트의 고혈압·합병증 위험을 베이지안 네트워크로 모델링한 절차.](/papers/201610_LeeJ_Risk_assessment_for_hypertension_and_hypertension_complications_incidences_using_a_Bayesian_network/fig1.png)

## 요약

이 paper 는 [[junghyelee]] 의 *1 기 박사 시기* 의 *의료 AI 라인* 의 발전 — [[wonji-lee-2014-hypertension-classification]] (분류기 비교) 후속으로 *그래프 모델* 도입. [[bayesian-network]] 으로 변수 간 *인과 구조* 와 *조건부 확률* 동시 처리.

방법론적 핵심: *3 단계 protocol*. (i) [[cox-regression]] 으로 시간-종속 변수 (lifetime hypertension/complication risk) 의 *유의 predictor* 선택. (ii) class imbalance 처리를 위한 *under-sampling* (희귀 사건 = 합병증 발생). (iii) BN topology learning (e.g. Hill-Climbing + BIC score) 으로 변수 간 *causal graph* 학습 → conditional probability inference.

핵심 발견: BN 이 단순 분류기보다 *추론 query 의 유연성* 우월. "고혈압 환자 중 비만 + 흡연자의 합병증 확률?" 같은 conditional query 가 *즉시* 가능. *시각화 (DAG)* + *정량 (CPT) 동시* 가 임상 의사결정 지원에 적합. 다만 *완전히 새로운 의학적 발견* 은 없음 — *방법론 적용성* 입증.

[[junghyelee]] 의 *연구 궤적* 안에서 이 paper 는 *1 기의 의료 AI 라인*, 후속 [[junghye-lee-2018-data-driven-hypertension]] (data-driven 건강증진 프로그램) + [[junghye-lee-2018-privacy-patient-similarity]] (UCSD 포닥 후 federated patient similarity) 로 발전. *베이지안 네트워크 + 의료 데이터* 의 결합은 [[junghyelee]] 의 *전 시기 의료 AI 라인* 의 일관된 도구.

## 핵심 결과

| 단계 | 출력 |
|---|---|
| Cox regression | 유의 predictor 선택 |
| Under-sampling | class imbalance 처리 |
| BN topology learning | causal DAG |
| BN inference | 조건부 확률 (다양한 query) |

- N > 10,000 (NHIC 표본 코호트, 2002-2010)
- 시각화 (DAG) + 정량 (CPT) 동시
- 새로운 의학적 발견 없음, *방법론 적용성* 입증

## 방법론 노트

[[bayesian-network]] 의 joint distribution:

$$
P(X_1, \ldots, X_n) = \prod_{i=1}^n P(X_i | \text{Parents}(X_i))
$$

Structure learning: Hill-Climbing + BIC score (Heckerman et al. 1995). Parameter learning: MLE 또는 Bayesian (Dirichlet prior).

[[cox-regression]] (Cox 1972) for variable pre-screening:

$$
h(t|X) = h_0(t) \exp(\beta' X)
$$

식별 가정: (i) BN 의 Faithfulness, (ii) Cox 비례위험, (iii) under-sampling 의 *대표성 보존*.

## 연구 계보

이 paper 는 (i) Pearl (1988) BN 본가, (ii) Cox (1972) 비례위험, (iii) [[wonji-lee-2014-hypertension-classification]] 직접 선행, (iv) Aliferis et al. (2010) 의 *medical BN* 응용 라인 — 의 결합. [[junghyelee]] 의 *연구 궤적* *1 기 의료 AI 라인*.

## See also

- [[junghyelee]]
- [[wonji-lee]]
- [[chi-hyuck-jun]]
- [[bayesian-network]]
- [[cox-regression]]
- [[medical-ai]]
- [[hypertension-risk-assessment]]
- [[wonji-lee-2014-hypertension-classification]]