건강 지킴이: 개인 맞춤형 웨어러블 기기 추천 시스템

오늘날, 지속적으로 성장하는 인구 집단의 건강을 모니터링하기 위한 가장 일반적인 방법 중 하나는 사물인터넷(IoT) 센서, 웨어러블 기기, 스마트폰, 소프트웨어 애플리케이션 등 다양한 기술을 활용하는 것입니다. 그러나 현재 시장에 존재하는 다양한 웨어러블 기기의 범위는 주요 과제로 대두되고 있습니다. [1]에 따르면, 2019년까지 약 1억 4천 8백만 개의 건강 모니터링 장치가 연간 출하될 것으로 예상됩니다. Bonato 외 [2]는 임상 응용을 위한 웨어러블 제품 개발에 적극적으로 투자하는 여러 회사의 미래를 논의하며, 이로 인해 개인의 요구에 맞춘 경제적으로 타당하고 포괄적인 웨어러블 기술 세트를 선택하는 것이 점점 더 어려워지고 있음을 지적합니다.

본 논문은 개인화된 방식으로 건강 관리를 개선하기 위해 특정 웨어러블 기술을 추천하는 메커니즘을 향상시키는 것을 목표로 합니다. 제안된 시스템은 세 가지 주요 단계로 구성됩니다. 첫째, 우리는 개인의 특성 및 의료 기록을 질병에 노출될 위험이 있는 사람으로 매핑하는 머신 러닝 분류 모델을 개발했습니다. 둘째, 이러한 질병을 해당 사례를 위한 모니터링 측정값과 연결합니다. 마지막으로, 다양한 웨어러블 기기를 매핑하여 사용 가능한 웨어러블 기기 설명서를 분석하는 텍스트 분석 모델을 개발하여 특정 개인에게 추천되는 웨어러블 기기를 결정합니다. 이를 통해 능동적인 생활 습관 조정을 달성할 수 있습니다. 또한, 해당 웨어러블 기기가 없는 경우 시스템은 이러한 측정에 대한 계산을 트리거하여 기술 개발자에게 피드백을 제공하여 수요에 맞춘 비존재 웨어러블 기술 개발을 촉진할 수 있습니다.

본 논문의 나머지 부분은 다음과 같이 구성됩니다: 제2장에서는 연령, 성별, 거주 지역, 민족 등 인구 통계 정보를 기반으로 한 추천 모델인 HealthAdvisor의 설계 방법론을 설명합니다. 제3장에서는 시스템 결과와 입력 데이터셋을 보여줍니다. 제4장에서는 관련 연구를 검토하고, 제5장에서는 논문의 결론을 제시합니다.

본 절에서 세 가지 단계를 통해 HealthAdvisor 시스템의 작동 방식을 자세히 살펴보겠습니다.

HealthAdvisor의 첫 번째 단계는 머신 러닝 분류기로, 다음과 같은 특징을 사용하여 개인에게 노출될 위험이 있는 질병을 정확하게 예측하기 위해 훈련됩니다: 인구 통계 정보(연령, 성별, 거주 지역, 민족 등), 그리고 개인의 전자 의료 기록(EMR). 이 분류기는 특정 개인에게 위험한 질병을 예측하는 데 사용될 수 있습니다. 아래 제3장에서 실제 데이터 결과를 살펴보겠습니다.

지금까지 본 결과에서, 예를 들어 고스트 도시에서는 인구 통계가 높은 스트레스와 오염 수준을 나타내면, 우리 분류 모델은 혈압과 호흡 검사 같은 측정값을 추천하여 폐 질환을 식별할 수 있습니다. 각 트리 레벨에서 불확실성을 최소화하고 데이터셋을 다른 클래스로 분할하기 위해 정보 획득(Information Gain)이 가장 높은 속성 Ai를 사용하여 속성 Ai로 트리를 분할합니다. 예를 들어, “관상동맥 질환"은 연령 75세 이상인 사람들에게 주요 건강 문제 원인이므로, 이 속성은 해당 트리 가지에 속성 선택으로 연령 그룹 75세 이상을 가진 사람의 최대 정보 획득을 가집니다.

그 후, 개인의 인구 통계 속성을 사용하여 모델을 실행하고, 그 사람이 직면한 주요 건강 문제의 원인을 평가합니다. 모델은 다음과 같은 건강 문제 원인 벡터 yi와 해당 확률 pi를 제공합니다: Y : (y1 : p1, y2 : p2, y3 : p3, …., yn : pn). 이를 통해 개인에게 예측되는 상위 건강 상태를 추론합니다.

우리는 의료 데이터의 텍스트 분석을 위해 의료 서비스 제공자와 임상가의 코퍼스를 구축하여

건강 자문 시스템: 개인 맞춤형 질병 예측 및 웨어러블 기술 추천

본 연구에서는 개인의 질병 위험 요소를 사전에 파악하고, 이를 기반으로 웨어러블 기술을 추천하는 시스템인 HealthAdvisor를 개발했습니다. 이를 위해 질병 위험과 측정값 간의 관계에 대한 엔티티-관계 그래프를 생성하고, 텍스트 분석을 통해 유사한 측정값과 웨어러블 기기를 확장했습니다.

데이터 및 모델링:

공개 데이터베이스[13]에서 웨어러블 기술 제조사의 데이터를 수집하여 분석했습니다. Weka 라이브러리[11]를 사용하여 의사결정 트리, 로지스틱 회귀, LibSVM, OneR 등 다양한 모델을 평가했습니다. 50개의 대상 질병 위험(질병 발생 가능성)에 대해 135,000개의 데이터 포인트를 사용하여 학습시켰으며, 그 결과 의사결정 트리 모델이 가장 낮은 평균 제곱 오차(RMSE: 0.1066)와 모든 질병에 대한 최고 정확도를 보였습니다. 의사결정 트리 모델은 인구통계학적 특성이 건강 위험에 미치는 영향을 시각적으로 표현하여, Fig. 1과 같이 명확한 다이어그램을 제공했습니다.

데이터셋 및 표:

Table 1은 인구통계학적 특성 데이터와 예측되는 고위험 질병(건강 상태)의 예시입니다.

…(본문이 길어 생략되었습니다. 전체 내용은 원문 PDF를 참고하세요.)…