A Data-Driven Procedure of Providing a Health Promotion Program for Hypertension Prevention

이정혜, Ryeok-Hwan Kwon, Hyung Woo Kim, Sung-Hong Kang, Kwang-Jae Kim, Chi-Hyuck Jun (2018) · service-science 10(3):289-301 · DOI ↗

고혈압 예방 을 위한 데이터 기반 2 단계 protocol — (1) 고위험군 예측 모델 (로지스틱 회귀) + (2) 개인별 intervention program importance index 4 방법 제안. 한국 국민건강보험 표본 코호트 활용. 자동화된 모델링이 의사의 권고와 유사한 결과 — 인력 절약 + 개인화된 건강증진 프로그램 제공.

RQ: 데이터 기반 2 단계 protocol 으로 고혈압 예방 health promotion program 을 효율적으로 제공할 수 있는가? 자동화된 권고가 임상 전문가 권고와 정합 한가?
방법론: 2 단계 — (1) 위험 예측 (로지스틱 회귀) + (2) 개인별 intervention 중요도 index (4 가지 방법)
데이터: 한국 NHIC 표본 코호트 (>10,000 명)
주요 발견: (1) 예측 모델 (LR) 의 적절한 정확도 — 고위험군 식별 가능. (2) 4 가지 intervention importance index 가 의사 권고와 유사한 결과 — 자동화의 임상적 정합성 입증. (3) 개인별 맞춤 intervention 추천 — 식이, 운동, 금연, 약물 등.
시사점: Service science 관점에서 의료 서비스 자동화 + 개인화. 인력 비용 절감 + 환자별 맞춤. Health promotion program 의 IT 솔루션 으로 확장 가능.

고혈압 예방을 위한 데이터 기반 위험 예측과 개인별 intervention 추천 절차.

요약

이 paper 는 이정혜 의 1 기 박사 시기 → 2 기 UNIST 초기 의 의료 AI 응용 작업. Prediction of Hypertension Complications Risk Using Classification Techniques (분류기) + Risk assessment for hypertension and hypertension complications incidences using a Bayesian network (BN) 의 서비스 응용 완성형 — 분류·추론에서 intervention 권고 로 한 단계 발전.

방법론적 핵심: 2 단계 protocol. (i) Stage 1 — 로지스틱 회귀 으로 고혈압 위험 예측. 고위험군 (risk threshold 초과) 식별. (ii) Stage 2 — 4 가지 방법으로 intervention program importance index 산출. 각 intervention (식이, 운동, 금연, 약물 등) 의 개인별 기여도 추정. 4 방법은 각각 (a) Wald statistic 기반, (b) coefficient magnitude 기반, (c) marginal effect 기반, (d) Shapley value 기반 등.

핵심 발견: 4 방법의 importance index 가 서로 유사한 ranking 산출. 동시에 의사의 임상 권고와 정합 — 즉 데이터 기반 자동화가 전문가 직관 을 재현. 정책 함의 — health promotion program 의 인력 비용 절감 + 환자별 informative + personalized 결과 제공.

이정혜 의 연구 궤적 안에서 이 paper 는 1 기 의료 AI 라인의 service-side 응용 — Service Science journal 발표가 이를 시사. 후속 프라이버시 보존 ML 시리즈와는 parallel track, 의료 도메인의 서비스 자동화 측면.

핵심 결과

단계	출력
Stage 1 (LR 예측)	고위험군 식별
Stage 2 (4 방법 index)	intervention 중요도 ranking
의사 권고와 비교	유사한 결과 (정합성)

N >10,000 (NHIC 코호트)
4 importance methods 유사한 ranking
자동화가 전문가 직관 재현 → 인력 비용 절감

방법론 노트

로지스틱 회귀 for risk prediction:

P(\text{hypertension}|X) = \frac{1}{1+\exp(-\beta'X)}

Intervention importance index (4 방법):

Method 1: Wald statistic $W_j = (\hat\beta_j / \text{SE}(\hat\beta_j))^2$
Method 2: Standardized coefficient magnitude
Method 3: Marginal effect $\partial P / \partial X_j$
Method 4: Shapley value 또는 partial dependence

각 방법으로 개인 $i$ 의 intervention $j$ importance 산출 → ranking → 추천.

식별 가정: (i) LR 의 적합성, (ii) intervention 의 분리 가능 효과, (iii) 임상 권고를 ground truth proxy 로 사용.

연구 계보

이 paper 는 (i) Prediction of Hypertension Complications Risk Using Classification Techniques · Risk assessment for hypertension and hypertension complications incidences using a Bayesian network 직접 선행, (ii) Service science 의 personalized service 라인 — 의 결합. 이정혜 의 연구 궤적 실타래 3 (Healthcare AI) 의 service 측면 발전.

인접 그래프

1-hop 이웃 10개

인물 6
방법론 1
논문 3

휠 = 확대/축소 · 드래그 = 이동 · hover = 라벨 · 클릭 = 페이지 이동

이 문서를 가리키는 페이지

논문 (1)

Machine learning for disease-specific prediction of high-cost patients