TEMEP Wiki

Prediction of Hypertension Complications Risk Using Classification Techniques

Wonji Lee, 이정혜, Hyeseon Lee, Chi-Hyuck Jun, Il-su Park, Sung-Hong Kang (2014) · industrial-engineering-and-management-systems 13(4):449-453 · DOI ↗

한국 국민건강보험 코호트 10,814명 의 고혈압 합병증 발생 위험 을 로지스틱 회귀, linear-discriminant-analysis, classification-and-regression-tree 3 가지 분류 기법으로 예측·비교. 세 방법의 정확도·민감도·특이도 차이가 미세하나 로지스틱 회귀가 marginal 우위. 이정혜 1기 POSTECH 박사 시기 의 의료 AI 출발점.

  • RQ: 한국 고혈압 환자의 합병증 발생 을 인구통계·임상 지표로 예측 가능한가? 어떤 분류 기법이 우월한가?
  • 방법론: 로지스틱 회귀 (LR), linear-discriminant-analysis (LDA), classification-and-regression-tree (CART) 3 기법 비교
  • 데이터: 한국 국민건강보험 코호트 10,814 명 고혈압 환자 + 인구통계 + 임상 지표 + 합병증 발생 추적
  • 주요 발견: (1) 세 기법의 정확도·민감도·특이도 유사. (2) LR 이 marginal 우위 — 해석 가능성 + 추정 안정성. (3) LDA 는 정규성 가정 위반 시 부정확. CART 는 비선형 패턴 포착하나 표본 크기 sensitive.
  • 시사점: 만성질환 위험 예측에 단순한 LR 이 복잡한 ML 만큼 효과적. 한국 국민건강보험 데이터의 정책 활용 잠재력.

요약

이 paper 는 이정혜 의 1 기 (POSTECH 박사 2014-2018) 시기의 의료 AI 출발점. 동료 Wonji Lee 가 제 1 저자, 지도교수 Chi-Hyuck Jun (POSTECH 산업경영공학) 의 공저. 한국 국민건강보험공단의 표본 코호트 (10,814 명) 를 활용한 최초의 합병증 예측 연구.

방법론적 핵심은 3 기법 체계 비교. (i) 로지스틱 회귀 — 선형 결합 + 로지스틱 link, 해석 가능. (ii) linear-discriminant-analysis — Gaussian 가정 + class boundary 선형. (iii) classification-and-regression-tree — 비선형 splits + 해석 가능. 동일 train/test split 으로 정확도·민감도·특이도 비교.

핵심 발견: 세 기법이 유사한 성능 을 보이지만 LR 이 marginal 우위. 이는 고혈압 합병증 데이터 가 (i) 선형 패턴이 지배적, (ii) Gaussian 가정 부분적 위반 (LDA 약간 손해), (iii) 비선형 상호작용은 약함 — 의 특성 시사. 정책 활용: 한국 보험 데이터 기반 합병증 위험 식별 + 조기 개입 의 가능성.

이정혜 의 연구 궤적 안에서 이 paper 는 실타래 3 (Healthcare AI) 의 출발점, 후속 Risk assessment for hypertension and hypertension complications incidences using a Bayesian network (베이지안 네트워크 위험 평가) 와 함께 의료 AI 시리즈. 1 기 박사연구의 MB 특성 선택 라인 과는 독립적이지만, 후속 PhD thesis 와 UCSD 포닥의 프라이버시 보존 ML 의 의료 도메인 기반 제공.

핵심 결과

기법정확도민감도특이도
Logistic Regression(marginal best)비슷비슷
LDA비슷비슷비슷
CART비슷비슷비슷
  • N=10,814 (한국 국민건강보험 표본 코호트)
  • 세 방법 모두 실용 정확도 도달
  • LR 의 해석 가능성 + 추정 안정성 우위

방법론 노트

로지스틱 회귀:

P(y=1∣x)=11+exp⁡(−(β0+β′x))P(y=1|x) = \frac{1}{1 + \exp(-(\beta_0 + \beta'x))}

linear-discriminant-analysis: P(y=k∣x)∝πkexp⁡(−12(x−μk)′Σ−1(x−μk))P(y=k|x) \propto \pi_k \exp(-\frac{1}{2}(x-\mu_k)' \Sigma^{-1} (x-\mu_k)) — Gaussian + 공통 공분산 가정.

classification-and-regression-tree: 재귀적 binary split (Gini impurity 또는 정보이득).

식별 가정: (i) 보험 코호트의 대표성, (ii) 합병증 발생의 측정 정확성, (iii) LR/LDA 의 선형 가정 적합성.

연구 계보

이 paper 는 (i) Hastie, Tibshirani, Friedman (2009) ESL 의 분류기 비교 전통, (ii) 한국 국민건강보험 데이터의 정책 분석 라인, (iii) Chi-Hyuck Jun 의 POSTECH 산업경영공학 통계학 라인 — 의 결합. 이정혜 의 연구 궤적 안에서 1 기 박사 시기 의료 AI 라인 의 출발점.

See also

인접 그래프

1-hop 이웃 10개
  • 인물 6
  • 방법론 1
  • 논문 3
이정혜Chi-Hyuck JunHyeseon LeeIl-su ParkSung-Hong KangWonji Lee로지스틱 회귀 Prediction of Hyperte…
휠 = 확대/축소 · 드래그 = 이동 · hover = 라벨 · 클릭 = 페이지 이동