26465 강원도 원주시 혁신로 60(반곡동) 건강보험심사평가원 www.hira.or.kr I R A
빅
데
이
터
브
리
프
– 제 2 호 –H
I
R
A
빅 데 이 터
브
리
프
H I R A B i g D a t a B r i e f
제 2 호
-CONTENTS
08
보건의료 빅데이터 동향1. HIRA 지능정보기술 활용 기반 구축 방안
_82. 보건의료 분야의 인공지능 개발
ㆍ활용 동향
_1324
보건의료 빅데이터 분석1. 이슈 분석
_24 최근 10년간 소아ㆍ청소년의 진료 질환 변화 _24 ADHD와 알레르기 관련 질환의 관련성 _29 우울증, 스트레스성 질환 청소년의 과거 다빈도 진료 질환 _32 치아홈메우기 시술의 치아우식증 예방 효과 _352. 연구 소개
_38 어린이 천식 진료 연속성과 입원에 있어 병원 시장 경쟁의 영향 _38 알레르기 질환이 아직 증가하고 있는가? _41 아동 및 청소년의 ADHD 약물 순응도에 미치는 요인 _4348
의료정보 종합 모니터링1. 의료 동향 요약
_482. 건강보험 진료동향
_5159
부록발행월
2017년 6월
발행인
김승택
발행처
[26465] 강원도 원주시 혁신로 60
전 화
1644-2000
홈페이지
www.hira.or.kr
디자인ㆍ기획
디자인아트 T.033-766-7256
H I R A
빅데이터
브 리 프
HIRA Big Data Brief-제2호-04
머 리 말빅데이터는
국가의
미래
성장동력을
이끄는
핵심적인
영역으로
주목받고
있습니다
.
특히
,
보건의료
분야의
빅데이터는
지능정보기술과
결합하여
활용
가능성과
파급
효과
측면에서
긍정적인
평가를
받고
있습니다
.
이러한
보건의료
환경
변화에
맞추어
건강보험심사평가원에서는
보건의료
빅데이터의
가치
창출과
활용
확대를
목표로
2017
년부터
「
HIRA
빅데이터
브리프
(
이하
브리프
)
」를
발간하여
이번에
2
호를
발간
하게
되었습니다
.
브리프는
보건의료
빅데이터
동향
,
보건의료
빅데이터
분석
,
의료정보
종합
모니
터링으로
구성되어
있습니다
.
이번
호의
보건의료
빅데이터
동향
에서는
지능정보기술을
중점적으로
다루고
있으며
,
건강보험심사평가원의
지능정보기술
활용을
위한
방안과
보건의료분야의
인공지능
개발
활용
동향을
소개하였습니다
.
보건의료
빅데이터
분석은
어린이ㆍ청소년을
대상으로
이슈를
선정하여
분석한
결과를
수록하였습니다
.
이번
호의
이슈
분석
주제는
최근
10
년간
소아ㆍ청소년의
진료
질환
변화
, ADHD
와
알레르기
질환의
관련성
,
우울증과
스트레스성
정신질환
청소년의
과거
다빈도
진료
질환
,
치아홈메우기
시술의
치아우식증
예방
효과
분석입니다
.
연구
소개에서는
어린이ㆍ청소년을
대상으로
건강보험심사평가원
빅데이터를
활용한
연구
결과를
선정ㆍ소개하였습니다
.
의료정보
종합
모니터링
에서는
2017
년
1
분기
건강보험
진료
동향과
보건의료
동향
분석
결과를
다루었습니다
.
브리프에
수록된
정보들이
보건의료
빅데이터의
가치와
활용성을
높이고
,
보건
의료
정책에
유용한
자료로
활용되기를
기대합니다
.
아울러
,
건강보험심사평가원은
국민
,
보건의료
연구자
등
다양한
이해관계자로부터
빅데이터
분석
아이디어
제안을
받고
있으며
,
분석
결과는
브리프
등을
통하여
제공될
예정입니다
.
분석
아이디어는
빅데이터개방시스템
(http://opendata.hira.or.kr)
내
「국민통계
&
이슈제안」을
통하여
수시로
제안할
수
있습니다
.
머리말
Ⅰ
HIRA 지능정보기술 활용 기반 구축 방안
_ 8보건의료 빅데이터 동향에서는 빅데이터 개발ㆍ활용 최신 현황을 소개합니다.
이번 호에서는 4차 산업혁명을 이끄는 핵심 동력인 지능정보기술을 다루고 있습니다.
지능정보기술은 인공지능(Artificial Intelligence, AI)과 데이터 네트워크 기술인
ICBM(Internet of Things, Cloud Computing, Big Data, Mobile)에 기반하여
생성ㆍ수집ㆍ축적된 정보가 종합적으로 결합된 기술을 의미합니다.
이 장에서는 보건의료 분야에서의 지능정보기술 개발 현황,
그리고 지능정보기술 적용을 위한 건강보험심사평가원의 방향 등을 소개하고 있습니다.
보건의료
빅데이터
동향
08
Ⅰ보건의료 빅데이터 동향
HIRA 지능정보기술 활용 기반 구축 방안
1.
들어가는
말
•
지능정보기술은
인공지능
(AI, Artificial Intelligence)
과
데이터ㆍ네트워크
기술인
ICBM(Internet of Things, Cloud Computing, Big Data, Mobile)
에
기반하여
생성ㆍ수집ㆍ축적된
정보가
종합적으로
결합된
기술을
의미함
•
제
4
차
산업혁명의
핵심
동력인
지능정보기술은
특정
분야에
한정되지
않고
산업
전반
,
생활
전반에
걸친
보편적
기술로
급속하게
확산되고
있음
•
특히
의료분야는
지능정보기술을
통한
혁신이
일어나고
있는
가장
대표적
분야로
정부는
‘지능형
의료서비스를
통한
혁신
가치
창출’을
지능정보사회
중장기
종합대책의
추진과제
중
하나로
선정함
•
본
고에서는
건강보험심사평가원이
향후
지능정보기술을
고도로
활용하기
위해
요구되는
내용과
방향을
검토함
[그림 1] 지능정보기술 개념 및 특징 개념 특징 • (무인의사결정) 기계가 인간의 고차원적 판단기능을 수행하여 독립된 주체로 활동함으로써자동화및무인화가확산 • (실시간반응) 정보수집, 데이터 분석, 판단ㆍ추론 등 일련의 과정들이 ICT 기술(IoT,Cloud, Big Data, Mobile)을 통해 즉각 처리되어 기계가 실시간으로 응답ㆍ반응
• (자율진화)딥러닝등기계학습을통해스스로진화하여기계의성능이 기하급수적으로 향상 • (만물의데이터화) 과거에는 보관ㆍ활용이 곤란했던 다양한 데이터(생체ㆍ행태정보, 비정형 정보 등)도 기계 학습 과정을 거쳐 의미 추출 가능 ※ 출처: 지능정보사회 중장기 종합대책(관계부처합동, 2017. 1.) 스마트 공장 자율자동차/스마트 교통 스마트홈 스마트 헬스케어 스마트인프라 생산비용 절감 교통사고 감소 생활의 편의성 향상 의료비지출 감소 안정적 에너지 수급 Cloud Computing 인지, 학습, 추론 A.I. LTE 5G WIFI Big Data Mo-bile CCTV 자동차 스마트가전 의료건강 기반시설 IoT 새로운 가치 판단 · 추론 Data 분석 Data 축적 전송 정보 취합 데이터를 활용한 빠른 학습으로 기계가 지능화 되고 새로운 가치 창출 정보처리능력 고도화로 데이터 축적분석 능력 강화 기계-기계, 기계-인간 등 모든 객체의 연결을 통한 정보교류 및 데이터 수집
[그림 2] 전 산업의 지능정보화 ※ 출처: 지능정보사회 중장기 종합대책(관계부처합동, 2017. 1.)
2. HIRA
지능정보기술
활용의
미래
모습
•
(
대외적
)
정밀의료
등
고품질
의료서비스
제공을
위한
기반
제공
정부는 건강보험심사평가원, 병원 등의 데이터를 연계해 기계 학습용으로 가공한 AI 지식베이스를 구축하여 지능형 맞춤 의료가 가능하도록 추진할 계획임 의료기관 등 보건의료서비스 공급자의 정밀 의료를 지원하고, 국민의 건강증진을 돕는 지능정보기술 서비스가 HIRA 빅데이터에 기반하여 제공될 수 있음•
(
대내적
)
건강보험심사평가원
업무
혁신의
동력으로
활용
방대한 업무량(’16년 기준, 진료비 청구건수 15억건)을 보다 신속하게 효율ㆍ효과적으로 처리하기 위해 지능정보기술 활용 방안을 모색할 필요가 있음 국방 치안 바이오 의료 로봇 제조 교통 보안 금융 에너지 유통 행정 복지 선제적 투자 국가 서비스 활용 신산업 육성 규제재편지능정보
기술
AI IoT Mobile Big Data Cloud 유전자 분석 기반 개별 치료법 및 맞춤형 신약 개발 지능형CCTV, 빅데이터를 활용한 국제범죄, 테러 등의 범죄를 사전에 예측하여 신속하게 대응 블록체인기술의 금융권 도입 확대 등으로 다양한 분야의 보안체계 및 신뢰성 강화 사람의 개입 없는 로보어드바이저 기반 개인자산 분석, 금융 사기 탐지 및 대응 진단의 정확도 증가, 약물의 오남용 방지 등 맞춤형 정밀 의료 서비스 제공 생애주기별 실업, 주거, 돌봄, 질병 등 사회적 위험에 대응하는 통합형 복지서비스 제공 3D 프린팅 등으로 생산기간 단축 및 수요 맞춤형 다품종 소량생산 사고없이 안전하게 운행하는 무인버스, 무인택시의 상용화 필요한 에너지는 자가 생산 및 충족하고, 잉여 에너지는 판매하는 ‘E(Energy)-프로슈머’ 등장 청소, 요리, 육아, 간병 등에 특화된 감성형 가사로봇 보편화 법률, 세금 등 다양한 분야에 걸친 실시간 대화형 통합민원상담 서비스 어디서든 사용자가 원하는 물건을 구입하는 무노력 쇼핑 (Zero-Effort Shopping) 실현10
Ⅰ보건의료 빅데이터 동향 [그림 3] HIRA의 지능정보 기술 기반 업무 혁신 HIRA 빅데이터 기반 지능정보기술 서비스 HIRA 빅데이터 기반 지능정보기술 서비스 보건의료 서비스 공급자 국민 정 밀 의 료 지능 정보 기술 기반 업무 혁신3.
지능정보기술
활용
기반
구축
: 빅데이터 품질 제고
•
지능정보기술
특히
딥러닝
등
기계
학습을
통해
비약적으로
성능이
향상되는
인공지능을
활용하기
위해서는
그에
적합한
빅데이터가
요구됨
•
지능정보기술
활용을
위한
빅데이터는
①
상세성
,
②
정확성
,
③
완결성
,
④
연계성을
갖춘
고도화된
고품질
데이터이어야
함
데이터의 상세성은 작은 단위로 상세하게 데이터가 갖추어져야 하는 것을 의미함. 예를 들어 업무 처리 과정에 대한 상세한 로그 데이터를 축적하지 않으면 지능정보기술을 활용한 업무 자동화를 모색하기 어려움데이터의 정확성은 Garbage in, garbage out이라는 컴퓨터 과학의 오랜 격언처럼 정확한 데이터를 수집해 축적하지 않으면 이를 활용한 지능정보기술의 결과물은 부정확하고 가치가 낮을 수밖에 없음을 의미함 데이터의 완결성은 데이터가 기계 판독이 가능한 형태로 빠짐없이 확보되어야 함을 의미함. 예를 들어 특정 환자에 대한 의료 데이터 중 일부가 서면 등 비전자적 형태로만 존재한다면 그 환자에 대한 의료 데이터의 완결성은 낮은 것임 데이터의 연계성은 수평적으로 여러가지 데이터가 연계될 수 있어야만 빅데이터의 활용성이 높아질 수 있음을 의미함
•
HIRA
보건의료
빅데이터가
지능정보기술
활용에
적합해지기
위해서는
보다
상세하고
정확한
데이터를
수집하여야
하고
,
완결성을
저해하는
비전자
자료를
전자화하며
,
연계성을
고도화해야
함
[그림 4] HIRA 보건의료 빅데이터 품질 제고 상세성
품질 제고
완결성 연계성 정확성 HIRA 보건의료 빅데이터 지능정보 기술 활용 적합 HIRA 보건의료 빅데이터4.
지능정보기술
활용
기반
구축
: 전문가 양성 및 데이터의 지식화ㆍ자산화
•
HIRA
빅데이터를
활용한
지능정보기술의
개발은
내부와
외부의
전문가를
풍부하게
확보하여
활발한
활동을
촉진함으로써
달성
가능함
•
건강보험심사평가원의
업무와
데이터
체계에
대한
이해도가
높은
내부
직원을
지능정보기술
전문가로
적극
양성하고
,
외부
전문가의
데이터
접근성을
향상시켜
대내ㆍ외
역량을
함께
활용해야
함
•
전사적으로
보유한
모든
형태의
데이터
자원을
활용하여
업무
관련
지식을
생성하는
‘데이터의
지식화’를
강화해야
함
•
전사적으로
진행한
데이터
지식화의
결과물
(
전처리
데이터
,
분석
결과
,
인공지능모델
등
)
을
재활용이
용이한
형태로
저장ㆍ관리하는
‘데이터의
지식자산화’
체계를
구축하여
활용의
효율성을
높일
수
있음
12
Ⅰ보건의료 빅데이터 동향 [그림 5] 지능정보기술 활용기반 강화 내부 외부 전문가 지식화 자산화 HIRA 빅데이터 기반 지능정보기술 활용5.
맺는
말
•
지능정보기술의
성패는
그
근간을
이루는
고품질
빅데이터의
축적과
관리에
의해
결정됨
•
상세성
,
정확성
,
완결성
,
연계성을
높이는
HIRA
빅데이터
품질
향상은
제도적
뒷받침과
보건의료
이해관계자들의
협력이
필요한
영역임
•
지능정보기술
활용에
적합한
데이터
품질향상과
빅데이터
거버넌스의
구축
,
내부
전문가의
양성과
다양한
파일럿
프로젝트의
수행을
통한
지식자산화를
장기적인
계획을
토대로
지속적으로
추진해
나갈
필요가
있음
보건의료 분야의 인공지능 개발ㆍ활용 동향
1.
들어가는
말
•
4
차
산업혁명
시대를
맞이하여
빅데이터에
이어
인공지능
(Artificial Intelligence)
과
기계학습
(Machine Learning)
이라는
키워드가
주목
받음
•
데이터가
폭증하고
복잡해짐에
따라
데이터
집합
내에
숨어있는
통찰을
얻기가
역부족인
상황에서
데이터로부터
알고리즘을
찾아내는
일반적
해법
마련이
요구됨
•
인간이
경험과
학습을
토대로
통찰을
얻고
미래를
예측하듯이
컴퓨터도
경험과
학습을
토대로
연관
관계나
추이를
밝혀내는
능력이
점점
강화되는
상황임
2.
보건의료부문과
인공지능
•
보건의료
부문에서
인공지능이
각광받는
이유는
의료
데이터의
방대하고
복잡한
속성에
기인함
의료 부문에서 전문가가 되기 위해서는 여러 해 동안 교육을 받고 현장에서 풍부한 경력을 쌓아야 하는데, 그 과정에서 수많은 데이터를 접하고 미묘하게 구분되는 특정 패턴을 찾기 위해 비교 평가하는 작업을 반복함 반복적으로 학습하고 판단하는 작업은 인공지능과 기계학습이 잘하는 분야임•
의료
데이터의
특성은
데이터
다양성
,
비구조적인
형식
,
전문가
/
환자의
개인
편차로
인한
다양한
데이터
해석
가능성
,
여러
변수로
인한
복잡성
,
법적인
규제
등으로
요약됨
의료 관련 데이터는 텍스트, 사진, 동영상과 같이 형태가 다양하며, 동일한 형태에서도 정형과 비정형이 혼재된 비구조적인 형식을 따르며 통일성이 결여되어 있음 환자의 개별 특성으로 인해 여러 환자 사이에서 동일한 데이터라도 개인별 해석이 달라질 수 있으며, 의료진의 전문 분야와 경험에 따라 해석이 달라질 가능성도 높음 환자 보호를 위한 개인 정보 비식별화와 같은 법적인 규제는 상황을 더욱 복잡하게 만듬14
Ⅰ보건의료 빅데이터 동향3.
보건의료부문에
적용가능한
인공지능
기술
•
데이터가
늘어날수록
알고리즘이
정확해지고
분석
,
추론
,
예측
능력이
향상되므로
지능적인
고부가가치
서비스
제공이
가능함
•
보건의료
부문과
밀접한
인공지능
기술
동향을
(1)
마스터
알고리즘
, (2)
데이터와
활용
분야
, (3)
기계학습
알고리즘
부문을
중심으로
살펴봄
마스터 알고리즘
•
페드로
도밍고스가
주창한
‘마스터
알고리즘’은
범용적으로
사용
가능한
보편
타당한
알고리즘을
의미함
해결하고자 하는 문제의 맥락에 맞춰 알고리즘을 매번 새로 개발하는 대신 실제 수집한 데이터와 정보만 넣으면 우리가 원하는 통찰을 얻을 수 있는 어떤 절대적이고 궁극적인 알고리즘을 개발한다면 마치 마스터키와 같은 프로그램의 완성을 볼 수 있다는 주장임 “ 세상의 모든 지식, 즉 과거, 현재, 미래의 모든 지식은 단 하나의 보편적 학습 알고리즘으로 데이터에서 얻어낼 수 있다. 나는 이 머신러닝을 마스터 알고리즘(master algorithm)이라 부른다.”•
마스터
알고리즘은
기호주의자
,
연결주의자
,
진화주의자
,
베이즈주의자
,
유추주의자라는
5
개
방식으로
나눠져
있으며
최종적으로는
이를
통합해
궁극적
알고리즘으로
발전할
수
있음
(기호주의자) 1980년대에 지식 공학이라는 이름으로 출발한 기호주의자는 전문 분야의 지식을 컴퓨터에 저장해 지식 기반 추론 엔진인 전문가 시스템을 만들어내기 시작함. 예를 들어, 의료 분야에서 증상을 입력하면 병명을 알아내는 소프트웨어가 해당됨 (베이즈주의자) 1990년대에서 2000년대에는 베이즈주의자가 등장해서 확률적인 이론으로 원인과 결과를 학습해 이상 유무를 파악하는 시스템을 만듬. 학습을 통해 스팸 편지를 걸러내는 필터링 소프트웨어가 대표적인 사례임 (연결주의자) 2010년대 중반까지는 연결주의자가 등장해서 뇌과학과 확률을 바탕으로 이미지와 음성을 인식하고 변환하는 시스템을 만듬. 예를 들어, 의료 분야에서 영상 이미지를 판독해 병명을 알아내는 소프트웨어가 해당됨 (통합) 2010년대 후반부터는 여러 가지 알고리즘을 결합한 형태가 등장하는데, 연결주의자와 기호주의자가 연합해서 다양한 도메인 지식 시스템을 통합해 지식을 공유하고 이를 토대로 예측하는 시스템을 만들기 시작함. 2020년대에는 연결주의자와 기호주의자와 베이즈주의자가 연합하는 방향으로 기술이 발전될 것으로 예상됨데이터와 활용 분야
•
인공지능
기계학습에
있어
가장
중요한
요소는
데이터의
양과
질임
매년 개최되는 ImageNet Large Scale Visual Recognition Challenge (ILSVRC) 대회는 학계에서 사용 가능한 방대한 이미지 데이터베이스 구축을 통하여 해마다 놀라운 결과를 보여 줌. 이를 토대로 학습한 결과, 몇 년 전에 이미 사람을 압도하는 이미지 인식용 인공지능 소프트웨어가 개발됨
•
의료
부문에서도
이미
임상적으로
분석이
완료된
데이터를
제공하므로
이를
토대로
경쟁적으로
학습할
경우
빠른
기술
발전이
기대됨
예를 들어, 스탠포드 대학에서 주도하고 있는 의료 이미지 넷(Medical Image Net)은 의료와 관련된 다양한 이미지와 방사선 보고서 등의 의료용 텍스트를 제공함
ILSCVRC와 마찬가지로 다양한 연구기관이 경쟁을 벌여 질병에 대한 진단 능력을 높이려는 목적으로 데이터를 점진적으로 확대할 예정임
•
특정
질병에
대한
공개
대회도
개최되고
있는데
, 2015
년과
2016
년도에
심장
기능
이상을
파악하는
알고리즘
개발
대회에
이어
Data Science Bowl 2017
은
“폐암
탐지를
개선할
수
있습니까
?
”라는
주제로
개최됨
미국 국립 암연구소가 제공한 고해상도 폐 사진 2천장을 활용해 폐의 병변이 암인지를 정확하게 판단하는 알고리즘을 개발하는 대회임 고가의 의료 이미지 특성상 상대적으로 적은 이미지로 학습을 해야 하기 때문에 의료 이미지 대회 참석자들은 ILSVRC 대회와 비교해 악조건임 [그림 1] 미국국립 암센터의 고해상도 폐 CT 사진16
Ⅰ보건의료 빅데이터 동향
•
스탠포드와
국립
암연구소뿐만
아니라
다양한
기관에서
다양한
형태의
의료용
데이터를
공개하고
있으며
,
깃허브에
올라온
Medical Data for Machine
Learning
데이터
모음집을
살펴보면
특히
의료용
영상과
관련된
자료가
많음
의료용 영상이 많은 이유는 영상 자료를 활용한 진단 부문의 발전 가능성이 높기 때문임. 이와 연관하여 이미지를 분류하고 특정 객체를 찾아내는 기술 경향이 우세함•
스탠포드에서는
전자의무기록
(EHR, EMR)
자료나
서술식
보고서로부터
연결고리를
찾아
분류하고
핵심만
추출해서
자동화된
방사선
전문의
기술을
개발
중
임
지도 학습 알고리즘과 더불어 방사선 보고서의 주석을 활용해 지능적으로 보고서를 요약하고 방사선 전문의를 위한 실시간 의사 결정 지원이 가능한 표준 파이프라인을 구축 중임 [그림 2] 방사선 보고서로부터 정보를 획득하는 스탠포드 시스템 사례Information Extraction from Narrative Radiology Reports
Information model
Annotated radiology reports
Machine learning/NLP
• Stanford Part of Speech Tagger
• Porter stemmer • Word shape from Stanford
CoreNLP toolkit • NegEx to detect negation • RadLex ontology class
Report information extraction system
Information linkage, summarization real-time decision support for radiologists
“A 1㎝ calcified mass probably is present in the anterior right upper lobe”
Unannotated radiology reports
Hassanpour, S & Langlotz, CP. Artif Intell Med 23(1):84-9, 2016.
• Anatomy: “right upper lobe” • Anatomy modifier: “anterior” • Observation: “mass”
• Obsevation modifiers: “calcified”, “1㎝” • Uncertatinty: “probably is present”
•
아이칸
의과대학에서는
딥
페이션트라는
기술을
개발해
EHR
을
토대로
1
년
안에
심각한
질병이
진행될
환자를
판별함
이 기술은 12년 동안 수집된 70만 건의 환자의 전자의무기록을 토대로 심부전, 암, 중증 당뇨병 등 수십 가지 질병의 위험성을 예측함
기계학습 알고리즘
•
양질의
데이터를
확보하고
이를
활용할
적용
분야를
찾았다면
기계학습을
위한
알고리즘을
고안해야
함
.
이미지
,
시계열
데이터
,
텍스트와
관련해
가장
유망한
알고리즘을
살펴봄
가. 이미지
•
먼저
이미지에서
관심있는
영역
(RoI, Region of Interest)
을
찾아내야
하고
,
다음으로
찾아낸
영역이
어떤
클래스인지를
결정하는
알고리즘이
필요함
예를 들어, 병변의 위치를 찾고 나서 어느 정도 심각한지(양성인지 음성인지)를 파악하는 절차를 인공지능으로 구현해야 함•
이미지
판독을
위해
고정된
특질
(features)
추출
알고리즘을
사용한다면
,
물체별로
매번
새롭게
알고리즘을
개발해야
함
.
하지만
특질을
학습할
수
있다면
,
데이터만으로
클래스
분류
시스템을
만들
수
있어
자동화가
가능함
사람의 두뇌가 이미지를 파악할 때 처음에는 저수준의 특질에서 점점 여러 연결을 활용한 고수준의 특질을 파이프라인 방식으로 처리하는데, 마스터 알고리즘에서 소개한 연결주의자들의 이론에 따라 이를 모사하는 방식이 강력해짐•
딥러닝
부문에서
CNN(Convolution Neural Networks)
이라는
기법은
특화된
연결
구조로
만든
신경망으로
,
특질을
추출하는
여러
단계를
층층이
쌓아
인간
두뇌를
모사함
상위층으로 갈수록 인간의 두뇌와 마찬가지로 전역적인 불변 특질을 구분해내며, 가장 마지막 층에서 실제 객체를 분류하고, 충분한 이미지만 공급하여 학습시키면 알고리즘 변경없이 자동으로 클래스 분류가 가능한 시스템이 등장함 CNN은 2014년에 이미 안면 인식 부문에서 정확도 97.35%를 기록하여 인간과 비슷한 수준(97.5%)까지 이름 [그림 3] 알파벳을 인식하기 위한 CNN 아키텍처18
Ⅰ보건의료 빅데이터 동향•
연구개발주제는
클래스
분류에
있어
큰
성공을
거두면서
관심
영역
분리
부문으로
초점이
옮겨짐
과거에는 경계선 추출 방식을 사용해 관심있는 객체를 분리하는 방식이 일반적이었는데, 환경적인 요인으로 인해 정확도가 떨어지는 문제점이 있음 미리 정해진 알고리즘이 아니라 영상으로부터 영역을 분리하기 위한 방법을 기계학습 으로 구현하고 방대한 학습 데이터로 정확도를 높인다면 문제해결이 가능함•
관심
영역
분리
연구에서
가장
먼저
등장한
해법은
객체
탐지를
위한
심층
신경망
활용이었고
,
이와
관련된
알고리즘이
지속적으로
발전함
CNN을 사용해 클래스별로 화면 위치(x, y, w, h)를 출력하는 네트워크를 따로 학습하는 방법이 등장함. 이렇게 학습으로 관심 영역을 분리할 수 있다는 가능성이 확인되어 기존에 연구된 클래스 분류와 결합하기 위한 연구가 진행되었고, R-CNN(Region with CNN)이라는 기법으로 발전함 R-CNN은 물체 위치를 사각형으로 표현하는 바운딩박스 제안, 각 바운딩박스 내에서 픽셀/특질 재샘플링, 분류기와 바운딩박스 회귀 모듈이라는 각 단계를 파이프라인으로 연결해서 원하는 클래스의 위치와 분류를 동시에 수행할 수 있게 만들어 줌 [그림 4] 영역을 기반으로 동작하는 R-CNN1. Input image 2. Extract region
proposals (~2k) 3. Compute CNN features 4. Classify regions
R-CNN: Region-based Convolutional Network
acroplane? no. person? yes. tvmonitor? no. warped region 초기 R-CNN은 마스터 알고리즘에서 유추주의자 방식인 SVM(Support Vector Machine)을 사용해 바운딩 박스 관련 단계를 처리했는데, 성능과 속력을 높이기 위해 신경망 기술로 대체한 Fast R-CNN과 더욱 빠른 처리를 위한 Faster R-CNN이 등장함으로써 완결성을 갖추게 됨
최근에는 SSD(Single Shot MultiBox Detector) 알고리즘이 등장하여 감지 파이프라인을 사용하지 않고 바운딩 박스 위치에서 작은 컨볼루션 필터만을 사용해 객체 클래스와 오프셋을 찾아낼 수 있게 됨
나. 시계열 데이터
•
혈압
,
뇌파
,
심장
박동처럼
생체
데이터
중
일부는
시간과
연관이
있으며
,
이를
시계열성
데이터라고
함
.
시계열
데이터는
시간에
따라
변하는
경향이
중요하므로
데이터
순서에
따른
상태
기억이
필요함
•
RNN(Recurrent Neural network)
은
글
,
음성
신호
,
생체
신호
,
주가
,
날씨와
같이
시계열성
데이터에서
패턴을
인식하는
신경망임
CNN과 다르게 RNN은 연이어 등장한 데이터의 패턴을 기억하는 능력이 있음. RNN은 현재 들어오는 입력과 과거의 출력을 입력으로 받아 은닉층에 기억을 저장하고 결과를 출력하는 신경망 형태로 구성됨. 출력단에서 산출한 오차를 최소화하기 위한 역전파는 CNN과는 달리 시간을 거슬러 올라가는 방식으로 진행됨 RNN은 짧은 시간 동안에는 기억을 비교적 잘 유지하지만 시간이 흐름에 따라 그라디언트 소실이라는 문제가 있음 [그림 5] RNN을 풀어서 나타낸 그림=
...
h
tX
tX
0X
1X
2X
th
0h
1h
2h
tA
A
A
A
A
•
RNN
을
변형한
LSTM(Long Short Term Memory)
은
장기
의존성을
학습할
수
있는
특수한
형태의
순환
신경망으로서
1990
년대
중반에
등장함
RNN의 단위는 곱하기로 구성된 반면 LSTM의 피드백은 더하기(아래 그림에서 [+]로 표현된 부분)로 구성되어 있어 그라디언트 소실에 강함
20
Ⅰ보건의료 빅데이터 동향 [그림 6] LSTM의 내부 구조h
t 2h
tC
2 1C
th
t×
×
×
1
o
2
3
o
+
tanh
tanh
X
to
o
다. 텍스트
•
최근
다양한
분야에서
인기를
끄는
AI
챗봇이
등장함으로써
다시
한번
텍스트에
대한
중요성이
강조되고
있음
.
의료
분야에서도
전자의무기록이나
서술식
보고서가
모두
텍스트로
구성됨
인공지능과 기계학습을 사용해 텍스트를 해석하는 연구가 최근 결실을 맺고 있음. 구글의 번역 시스템(https://translate.google.com/)은 사람이 이해하기 힘들게 단어들의 집합을 뒤죽박죽으로 나열하는 대신 사람에 가깝게 번역 작업을 수행하며, 아마존 에코와 애플의 시리는 사람의 말을 정확하게 알아듣고 의미에 맞춰 동작함•
RNN
과
LSTM
은
순서가
중요한
인간의
글을
분석하는
주요
기술로
자리잡고
있음
세익스피어의 작품을 학습시키면 세익스피어처럼 글을 쓸 수 있고, 원문과 번역문을 학습시키면 고품질의 번역이 가능함 RNN과 LSTM은 형태소 분석 등의 전처리 과정을 거치는 대신 원문 데이터에서 패턴을 찾는 방식으로 동작함•
구글은
문장에서
의미를
분석할
수
있는
시스템인
SyntaxNet
을
오픈소스로
공개함
SyntaxNet은 다양한 영어 문헌을 학습시켜 언어의 의미를 파악할 수 있게 구글이 만든 자연어 해석기이며, 자동 요약이나 번역과 같은 작업에 최적화된 결과를 제공함 분석 과정에서 모호성이 가장 큰 문제로 부각되지만, SyntaxNet은 신경망을 사용해 단어들 사이의 의존성을 분석해 정확도를 높여줌4.
맺음말
•
보건의료
부문에
적용
가능한
인공지능기술을
대상으로
마스터
알고리즘
,
데이터와
활용
분야
,
기계학습
알고리즘이라는
세
가지
관점에서
살펴봄
•
현재
최첨단으로
불리는
인공지능과
머신러닝도
점점
더
일반적인
기술로
변할
것이며
,
이에
따라
사람들이
크게
의식하지
않고
자연스럽게
이를
활용하는
시점이
조만간
도래할
것으로
예상됨
•
인공지능과
기계학습의
발전
속도는
점차
가속화되고
있기
때문에
,
이에
대한
지속적인
관심이
필요한
시점임
본 고는 엑셈 CTO 박재호 상무가 작성하였습니다. 참고 문헌의료 인공지능 현황 및 과제, KhIDI Brief 보건산업브리프 Vol. 219, 2016년 8월
마스터 알고리즘: 머신러닝은 우리의 미래를 어떻게 바꾸는가, 페드로 도밍고스 지음,
비즈니스북스, 2016년 7월
Machine learning evolution (infographic), PWC, 2017년 4월,
http://usblogs.pwc.com/emerging-technology/machine-learning-evolution-infographic/
Medical Image Net, http://langlotzlab.stanford.edu/projects/medical-image-net/ Data Science Bowl 2017,
데이터 사이언스 볼, 암 탐지 알고리듬을 만들기 위해 경쟁하는 데이터 과학자 대회,
http://www.itworld.co.kr/news/104665 Medical Data for Machine Learning,
“Deep Patient: An Unsupervised Representation to Predict the Future of Patients from the Electronic Health Records”, Nature, 2016년 5월
“당뇨병성 망막증 진단…AI, 의사 수준 됐다”, ZDNet, 2017년 4월,
http://www.zdnet.co.kr/news/news_view.asp?artice_id=20170427154402&type=det& re=
Deep Convolutional Neural Networks for Image Classification http://web.engr.illinois.edu/~slazebni/spring14/lec24_cnn.pdf
Deep Object Detectors, Word2vec,
Ⅱ
1. 이슈 분석
최근 10년간 소아ㆍ청소년의 진료 질환 변화 _ 24 ADHD와 알레르기 관련 질환의 관련성 _ 29 우울증, 스트레스성 질환 청소년의 과거 다빈도 진료 질환 _ 32 치아홈메우기 시술의 치아우식증 예방 효과 _ 352. 연구 소개
어린이 천식 진료 연속성과 입원에 있어 병원 시장 경쟁의 영향 _ 38 알레르기 질환이 아직 증가하고 있는가? _ 41 아동 및 청소년의 ADHD 약물 순응도에 미치는 요인 _ 43보건의료 빅데이터 분석에서는 HIRA 빅데이터를 활용한
연구 결과를 소개하며, 이슈 분석과 연구 소개로 구성됩니다.
이슈 분석에서는 각 분기별로 영ㆍ유아, 청소년, 중ㆍ장년층, 노인을 대상으로
보건의료 이슈 주제와 국민에게 도움이 되는 질환을 선정하여 분석 결과를 제공합니다.
연구 소개에서는 국내ㆍ외 학회지에 발표된 연구 사례를 소개하여
보건의료 연구자에게 연구 주제와 설계 등 연구 방향에 대한 정보를 제공합니다.
이번 호에서는 어린이ㆍ청소년을 대상으로 한 빅데이터 분석 결과를 수록하였습니다.
보건의료
빅데이터
분석
24
Ⅱ보건의료 빅데이터 분석1. 이슈 분석
최근 10년간 소아ㆍ청소년의 진료 질환 변화
1.
분석배경
•
식습관과
생활습관의
변화
,
대기
오염
등
보건의료
환경
변화는
진료
질환의
변화를
가져옴
•
18
세
미만
소아ㆍ청소년의
입원과
외래
진료
현황을
시계열적으로
분석하여
보건의료
환경
변화가
미친
영향을
파악함
2.
분석
방법과
내용
•
대상
:
입원과
외래
진료
(
의과만
해당
)
를
받은
18
세
미만
소아ㆍ청소년
대상
•
자료원
: 2007
년
~2016
년
건강보험
진료비
청구자료
•
분석
방법
:
질환을
대분류와
중분류로
구분하여
진료
질환
대비
다빈도
질환의
비중
분석
3.
분석결과
입원 진료 질환 변화
•
최근
10
년간
‘특정
감염성
및
기생충성
질환’의
입원
진료
비중은
증가하고
,
‘손상
,
중독
및
외인에
의한
특정
기타
결과’와
‘소화기계통
질환’은
감소하는
추세임
[그림 1] 입원 진료 질환 변화 (단위: %) 특정 감염성 및 기생충성 질환 손상, 중독 및 외인에 의한 특정 기타 결과 호흡계 질환 기타 소화계통 질환 ■ 46.3 27.0 ■ 27.5 ■26.6■ 23.4 ■ 24.4■ ■ 17.1 ✚ 18.4 4.7 ✽ ✚ 21.5 4.4 ✽ ✚ 17.3 ✽ ✽ ✚ 19.4 28.4 ✚ 43.449.0 51.1 51.4 49.547.650.0 49.2 47.6 24.5 ■23.3■ 60 50 40 30 20 10 0 07 년 08 년 09 년 10 년 11 년 12 년 13 년 14 년 15 년 16 년 07 년 08 년 09 년 10 년 11 년 12 년 13 년 14 년 15 년 16 년 07 년 08 년 09 년 10 년 11 년 12 년 13 년 14 년 15 년 16 년 35.0 ■ 41.2 ■ ■ 33.333.8■32.2■ 36.2 ■ 38.5 ■ ■ 34.030.7■ ■ 30.3 34.5 ■35.3■33.2■34.3■ 35.4 ■ 37.0 ■ 39.4 ■38.3■38.2■ 37.5■ ● 29.826.7● 35.8 ● 35.8 ● 39.4 ● ● 33.631.2● 38.3 ● 44.0 ●41.2● 18.1 ●22.9● ✚ 3.7 2.2 ✚ 2.8✚ 3.6 3.6✚ ✚ ✚ 3.8 4.3✚ 4.8✚ 5.1✚ 5.7✚ 6.7✚ ✚ 5.2 4.5✚ 4.6✚ 5.0✚ 5.9✚ ✚ 6.6 ✚9.7 ✚ 6.6 ✚ 17.0 14.8 14.3 14.5 13.6 14.2 14.313.0 11.0 12.4 27.7 ● 27.425.1 27.4 25.1 ✽ 16.415.2✽14.3✽ ✽ 13.512.9✽12.4✽11.5✽ 10.2 ✽ ✽ 17.7 ● 20.820.0● 20.0●21.0● 19.1 ●17.8● 27.1 26.7 25.6 24.8 ● 21.5 ■ ■ 22.2 ✽2.6 ✚ ✽ ✽ ✽ ✽ ✽ 3.5 3.2 3.2 2.6 2.7 2.6 2.6 2.5 2.3 4.3 ✚ 21.5 ✚ ✚ 22.4 21.5✚ ✽ 14.512.1✽12.0✽11.3✽ ✽ 9.8 ✽10.0✽9.5✽8.1✽6.8 ✽6.5 24.4 ✽ 10.3 6세 미만 13세 미만 18세 미만•
세부
질환별로는
,
‘특정 감염성 및 기생충성 질환’ 입원 진료 비중은 모든 연령대에서 증가하였고, 특히, ‘장 감염 질환‘의 비중이 높음(그림 2-1) ‘소화기계통의 질환’ 중에서 6세 미만은 ‘탈장’, 7~18세 미만은 ‘충수 질환’으로 진료받은 비중이 높음(그림 2-2) ‘손상, 중독 및 외인에 의한 특정 기타 결과’로 인한 입원 진료 비중은 연령이 많아질수록 높아지며, 주로 ‘머리의 손상’ 비중이 높음(그림 2-3) [그림 2-1] 세부질환별 입원 진료 변화(특정 감염성 및 기생충성 질환) (단위: %) [그림 2-2] 세부질환별 입원 진료 변화(소화기계통의 질환) (단위: %) ※세부질환별값은부록 1. 참조 100 80 60 40 20 0 07 년 08 년 09 년 10 년 11 년 12 년 13 년 14 년 15 년 16 년 07 년 08 년 09 년 10 년 11 년 12 년 13 년 14 년 15 년 16 년 07 년 08 년 09 년 10 년 11 년 12 년 13 년 14 년 15 년 16 년 6세 미만 13세 미만 18세 미만 ● ● ● ● ● ● ■ ● ● ● ■ ■ ● ● ● ■ ● ● ● ■ ● ● ● ■ ● ● ● ■ ● ● ● ■ ● ● ● ■ ● ● ● ■ ■ ■ ■ ■ ■ ■■■■■■■ ■ ■ ■■■■■■ 장감염 질환 피부 및 점막병변이 특징인 바이러스감염 ■ 60 40 20 0 07 년 08 년 09 년 10 년 11 년 12 년 13 년 14 년 15 년 16 년 07 년 08 년 09 년 10 년 11 년 12 년 13 년 14 년 15 년 16 년 07 년 08 년 09 년 10 년 11 년 12 년 13 년 14 년 15 년 16 년 6세 미만 13세 미만 18세 미만 ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ✚ ■ ■ ✚ ✚ ■ ■ ✚ ✚ ■ ■ ✚ ✚ ■ ■ ✚ ✚ ■ ■ ✚ ✚ ■ ■ ✚ ✚ ■ ■ ✚ ✚ ■ ■ ✚ ✚ ■ ■ ✚ ✚ ■ ■ ✚ 충수 질환 탈장 장외 기타 질환 ■ ✚ ● ● ■ ✚ ● ■ ✚ ■ ✚ ● ■ ✚ ● ■ ✚ ● ■ ✚ ● ■ ✚ ● ■ ✚ ● ■ ✚ ● ■ ✚26
Ⅱ보건의료 빅데이터 분석 화상 및 부식 ■ ■ 팔꿈치 및 아래팔 손상 ■ 발목 및 발 손상 어깨 및 위팔 손상 ■ 손목 및 손 손상 ■ [그림 2-3] 세부질환별 입원 진료 변화(손상, 중독 및 외인에 의한 특정 기타 결과) (단위: %)외래 진료 질환 변화
•
외래
진료
질환의
질환구성은
입원과
큰
차이는
없으나
,
‘눈
및
눈
부속기
질환’
,
‘피부
및
피하조직
질환’이
다빈도
진료
질환으로
분석됨
•
외래
진료
질환
중에서는
‘호흡계
질환’의
비중이
높았고
,
다른
다빈도
진료
질환은
연령대별로
다름
6세 미만은 ‘특정 감염성 및 기생충성 질환’, ‘피부 및 피하조직 질환’, ‘귀 및 유약 돌기 질환’이 다빈도 외래 진료 질환이며, 7~18세 미만은 ‘눈 및 눈 부속기 질환’, ‘손상, 중독 및 외인에 의한 특정 결과 질환’ 비중이 높음 [그림 3] 외래 진료 질환 변화 머리 손상 무릎 및 아래다리 손상 ■ 35 30 25 20 15 10 5 0 07 년 08 년 09 년 10 년 11 년 12 년 13 년 14 년 15 년 16 년 07 년 08 년 09 년 10 년 11 년 12 년 13 년 14 년 15 년 16 년 07 년 08 년 09 년 10 년 11 년 12 년 13 년 14 년 15 년 16 년 6세 미만 13세 미만 18세 미만 30.8 31.4 31.9 30.6 29.1 29.0 28.5 29.5 29.1 28.6 27.9 29.0 32.1 29.6 27.6 27.7 27.7 28.5 28.2 28.5 14.7 14.3 14.7 15.3 14.9 15.3 15.7 15.8 16.0 16.2 17.4 8.8 9.1 9.4 9.5 9.9 10.0 8.0 6.4 6.0 6.7 7.0 7.2 7.6 7.4 7.8 10.4 10.4 10.6 10.5 11.3 11.1 10.8 10.8 10.5 10.3 10.6 10.6 5.0 5.1 4.9 5.2 5.2 5.0 4.9 4.6 4.5 4.8 3.3 3.5 3.3 3.4 3.6 3.5 3.4 3.3 3.2 3.2 10.5 11.0 11.7 11.8 11.8 11.8 11.5 11.0 8.3 8.2 8.1 8.0 7.8 7.4 7.1 6.9 6.5 9.5 9.7 9.4 9.7 9.8 9.6 8.9 14.8 14.1 13.6 14.5 14.3 14.1 13.7 13.7 12.4 11.8 11.6 11.2 11.0 11.0 10.3 12.9 13.4 11.7 10.6 29.4 28.1 28.4 27.0 26.8 26.4 26.8 27.0 27.1 26.4 14.4 13.9 14.4 14.0 14.4 14.1 13.3 12.4 10.3 13.3 13.9 12.8 13.1 12.5 11.0 12.9 10.2 12.6 10.1 12.4 10.3 12.5 10.8 12.411.1 13.4 10.6 7.2 8.4 6.2 8.4 7.2 6.0 8.6 6.8 5.9 8.9 6.3 8.5 7.3 8.4 7.6 8.17.2 7.2 7.1 7.4 7.4 11.1 8.7 8.1 11.5 12.1 11.8 12.2 12.6 12.7 13.9 12.9 13.5 13.4 12.9 13.412.7 12.6 13.2 13.8 13.7 13.4 13.6 13.5 12.912.6 10.9 10.6 10.3 11.1 9.2 9.2 11.3 9.9 7.7 (단위: %) 머리 손상 손목 및 손 손상 화상 및 부식 어깨 및 위팔 손상 무릎 및 아래 다리 손상 팔꿈치 및 아래팔 손상 발목 및 발 손상 ■ ✚ ▲ ✽ 30 20 10 0 07 년 08 년 09 년 10 년 11 년 12 년 13 년 14 년 15 년 16 년 07 년 08 년 09 년 10 년 11 년 12 년 13 년 14 년 15 년 16 년 07 년 08 년 09 년 10 년 11 년 12 년 13 년 14 년 15 년 16 년 6세 미만 13세 미만 18세 미만 ● ● ● ● ● ● ● ● ● ● ● ✚ ● ● ● ✚ ▲ ● ● ● ● ✚ ✽ ▲ ● ● ● ● ✚ ■ ▲ ✽ ✚ ■ ▲ ✚ ✽ ■ ▲ ✽ ✚ ■ ▲ ✽ ✚ ■ ▲ ✽ ✚ ■ ▲ ✽ ✚ ■ ▲ ✽ ✚ ■ ▲ ✽ ✚ ■ ▲ ✽ ✚ ■ ▲ ✽ ✚ ✚ ▲ ✚ ▲ ✽ ● ✚ ▲ ✽ ●✽●▲ ✚ ▲ ✽ ✚ ▲ ✚ ▲ ✽✚ ▲ ▲ ✽✽ ✽ ✽ ✽ ■■■ ■■■■ ■ ■ ■ ● ✚ ✽ ▲ ● ✚ ● ✚ ● ✚ ✚ ✽ ▲ ✚ ✽ ▲ ✚ ✽ ▲ ✚ ✽ ▲ ●✚ ✽ ▲ ✽ ✽ ▲ ✽ ▲ ▲ ■ ■ ■ ■ ■ ■ ■ ■■■•
최근
10
년
동안
외래
진료
질환의
구성은
큰
변화가
없었지만
‘특정
감염성
및
기생충성
질환’
진료
비중은
증가하고
,
‘소화기계통
질환’은
감소함
‘특정 감염성 및 기생충성 질환’ 중에서는 주로 ‘장 감염 질환’ 진료 비중이 높고, 특히 13~18세 미만에서 진료 비중의 증가 폭이 큼(그림 4-1) ‘눈 및 눈 부속기 질환’에서 6세 미만 유아는 ‘결막 장애’로 외래 진료를 받는 비중이 높고, 7~13세 미만 소아는 ‘안근, 양안운동, 조절 및 굴절 장애’의 비중이 높음(그림 4-2) ‘손상, 중독 및 외인에 의한 특정 결과’에서 7~18세 미만 청소년 중 ‘발목 및 발 손상’으로 외래 진료를 받는 환자의 비중이 증가함(그림 4-3) [그림 4-1] 세부 질환별 외래 진료 변화(특정 감염성 및 기생충성 질환) (단위: %) [그림 4-2] 세부 질환별 외래 진료 변화(눈 및 눈 부속기 질환) (단위: %) ※ 세부질환별 값은 부록 1. 참조 80 60 40 20 0 07 년 08 년 09 년 10 년 11 년 12 년 13 년 14 년 15 년 16 년 07 년 08 년 09 년 10 년 11 년 12 년 13 년 14 년 15 년 16 년 07 년 08 년 09 년 10 년 11 년 12 년 13 년 14 년 15 년 16 년 6세 미만 13세 미만 18세 미만 장감염 질환 피부 및 점막병변이 특징인 바이러스 감염 ■ ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ■ ■ ■ ■ ■■■■ ■ ■ ■ ■ ■ ■ ■ ■■■ ■ ■ ■ ■ ■ ■ ■ ■ ■ ■ ■ ■ 60 40 20 0 07 년 08 년 09 년 10 년 11 년 12 년 13 년 14 년 15 년 16 년 07 년 08 년 09 년 10 년 11 년 12 년 13 년 14 년 15 년 16 년 07 년 08 년 09 년 10 년 11 년 12 년 13 년 14 년 15 년 16 년 6세 미만 13세 미만 18세 미만 눈꺼풀, 눈물계통 및 안와 장애 결막장애 ■ 안근, 양안운동, 조절 및 굴절 장애 ✚ 공막, 각막, 홍채 및 섬모체 장애 ▲ ■■ ■■ ■ ■ ■ ■ ■ ■ ● ● ●● ● ● ● ● ● ● ✚ ✚ ✚ ✚ ✚ ✚ ✚ ✚ ✚ ✚ ✚✚ ✚ ✚ ✚ ✚ ✚ ✚ ✚ ✚ ■ ■ ■ ■ ■ ■■ ■ ■ ■ ✚ ✚ ✚ ✚ ✚ ✚ ✚ ✚ ✚ ✚ ● ● ● ● ● ● ● ● ● ● ▲ ▲ ▲ ▲ ▲ ▲ ▲ ▲ ▲ ▲ ●● ● ● ● ● ● ● ● ● ▲ ▲ ▲ ▲ ▲ ▲ ▲ ▲ ▲ ▲ ▲ ▲ ▲ ▲ ▲ ▲ ▲ ▲ ▲ ▲ ■ ■ ■ ■ ■■ ■ ■ ■ ■28
Ⅱ보건의료 빅데이터 분석 [그림 4-3] 세부 질환별 외래 진료 변화(손상, 중독 및 외인에 의한 특정 결과) (단위: %)4.
결론
•
최근
10
년
동안
18
세
미만
환자들은
호흡계
질환으로
진료를
가장
많이
받았고
,
그
다음으로
6
세
미만은
감염성
질환
, 6~18
세
미만은
손상으로
인한
진료가
많음
•
손상과
소화계
질환으로
진료를
받은
환자는
감소하는
반면에
감염성
질환
진료
인원이
증가하고
있어
소아ㆍ청소년의
감염성
질환
예방ㆍ관리를
위한
대책이
필요함
※ 세부 데이터는 부록 1. 참조 머리 손상 팔꿈치 및 아래팔 손상 ■ 무릎 및 아래 다리 손상 ✚ 발목 및 발 손상 손목 및 손 손상 ▲ 복부, 아래통, 요추 및 골반 손상 ✽ 40 30 20 10 0 07 년 08 년 09 년 10 년 11 년 12 년 13 년 14 년 15 년 16 년 07 년 08 년 09 년 10 년 11 년 12 년 13 년 14 년 15 년 16 년 07 년 08 년 09 년 10 년 11 년 12 년 13 년 14 년 15 년 16 년 6세 미만 13세 미만 18세 미만 ● ● ● ● ● ● ● ● ● ● ■▲ ■ ■ ■ ■ ■ ■ ■ ■▲ ▲ ▲ ▲ ▲ ▲ ▲ ▲ ■▲ ▲ ▲ ▲ ▲ ▲ ▲ ▲ ▲ ▲ ▲ ▲ ▲ ▲ ▲ ▲ ▲ ▲ ▲ ▲ ▲ ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ✚ ✚ ✚ ✚ ✚ ✚ ✚ ✚ ✚ ✚ ✚ ✚ ✚ ✚ ✚ ✚ ✚ ✚ ✚ ✚ ■■ ■ ■ ■ ■ ■ ■ ■■ ■■ ■ ■ ■ ■ ■ ■ ■■ ✽✽ ✽ ✽ ✽ ✽ ✽ ✽ ✽✽ ✽✽ ✽ ✽ ✽ ✽ ✽ ✽ ✽✽ ✚ ✚ ✚ ✚ ✚ ✚ ✚ ✚ ✚ ✚ ✽✽ ✽ ✽ ✽ ✽ ✽ ✽ ✽✽ADHD와 알레르기 관련 질환의 관련성
1.
분석
배경
•
주의력
결핍
과잉
행동
장애
(Attention Deficit Hyperactivity Disorder,
ADHD)
는
주의가
산만하고
,
활동량이
많으며
충동성과
학습장애를
보이는
정신적
증후군임
•
ADHD
발생
원인은
신경생물학적
요인
,
유전적
요인
등
복합적인
요인으로
설명되고
있으나
,
일부
연구에서는
면역
반응과
중추신경계의
기능
장애가
충동
행동장애와
ADHD
를
유발한다고
보고됨
•
본
고에서는
알레르기
관련
질환
(
천식
,
아토피
피부염
,
알레르기성
비염
,
알레르기성
결막염
)
과
ADHD
의
관련성을
분석함
2.
분석
방법과
내용
•
대상
: 2008
년
알레르기
관련
질환으로
외래
진료를
받은
3
세
이하
영ㆍ유아
•
자료원
: 2007
년
~2016
년
건강보험
진료비
청구자료
•
분석
방법
2008년에 알레르기 관련 질환으로 2회 이상 외래 진료를 받은 3세 이하 환자를 진료군 으로 선정하여, 2016년까지 ADHD 진료 여부 추적 관찰(콕스-비례위험 모형 적용) 대조군은 2008년에 알레르기 관련 질환으로 외래 진료를 받은 경험이 없는 3세 이하 환자로 설정 진료군과 대조군은 2008년을 기준으로 과거 1년 동안 알레르기 관련 질환 혹은 ADHD 진료 경험이 없는 환자만을 대상3.
분석결과
•
2007
년
ADHD
진료를
받은
9
세
이하
환자는
인구
10
만명
당
556.3
명이며
,
2012
년
(600.9
명
)
이후에
감소하는
추세임
30
Ⅱ보건의료 빅데이터 분석 [그림 1] 연도별 ADHD 진료 환자 수 추이 (단위: 인구 10만명)•
2008
년에
알레르기
관련
진료를
받은
환자가
2016
년까지
ADHD
로
진료받은
비율은
2.38%
로
,
비교
집단
(1.92%)
보다
0.46%p
높음
ADHD 진료 시 환자의 평균 연령은 6.7세(중앙값 7세), 평균적으로 초등학교 입학 초기에 처음으로 진료를 받음 [표 1] 알레르기 관련 질환 여부에 따른 ADHD 진료 현황 (단위: 명) 구분 알레르기관련진료군 대조군 p-value 전체 328,651 390,824 성별 남성 171,726 (52.3) 189,959 (48.6) ≺0.0001 여성 156,925 (47.7) 200,865 (51.4) 평균 연령(중앙값) 1.27 (1.0) 1.17 (0.9) ≺0.0001 ADHD 진료 환자 수 7,836 (2.38) 7,511 (1.92) ≺0.0001 평균 연령(중앙값) 6.71 (7.0) 6.61 (7.0) 0.0002•
알레르기
관련
진료를
받은
환자는
진료받은
경험이
없는
환자에
비해
ADHD
가
발생한
가능성이
1.20
배였고
,
특히
,
여성보다
남성이
ADHD
발생
가능성이
3.74
배
높음
700 600 500 400 300 200 100 0 07년 08년 09년 10년 11년 12년 13년 14년 15년 16년 556.3 ● 488.7 ● 462.5 ● 472.1 ● 531.6 ● 552.8 ● 578.1 ● 600.9 ● 554.0 ● 513.5 ●[표 2] 알레르기 관련 질환과 ADHD 발생 간에 관련성 분석
상대위험비
(Hazard ratio) 95% 신뢰구간 p-value 그룹 대조군 1.00 알레르기관련 진료군 1.20 (1.16-1.24) ≺0.0001 성별 여성 1.00 남성 3.74 (3.60-3.88) ≺0.0001 연령 1.19 (1.17-1.22) ≺0.0001
4.
결론
•
알레르기
관련
질환으로
진료
받은
경험이
있는
유소아는
학령기에
ADHD
가
발생할
위험이
높은
것으로
분석됨
•
소아ㆍ청소년기에는
철저한
알레르기
질환
예방
관리가
요구되며
,
질환
발생
시에는
조기에
진단하고
치료할
필요가
있음
32
Ⅱ보건의료 빅데이터 분석우울증, 스트레스성 질환 청소년의
과거 다빈도 진료 질환
1.
분석배경
•
청소년
시기는
학업
,
교우관계
등으로
인한
우울증
,
정신적
스트레스가
많은
시기지만
사회적
편견으로
정신질환
진료를
꺼리는
경향이
있음
•
우울증
,
스트레스로
진료를
받은
환자의
과거
진료
내역을
분석하여
정신질환
진료
이전에
나타나는
주요
증상을
분석함
2.
분석
방법과
내용
•
2016
년
만
15~19
세
우울증
,
스트레스성
질환
진료
현황
질환코드: 우울증(F32, F33), 신경증성, 스트레스–연관 및 신체형 장애(F40–F48)•
정신질환
신규
진료군과
비진료군
간
과거
다빈도
질환
분석
2016년에 위 질환으로 처음 진단받은 청소년과 비진료 청소년으로 구분하여 과거 다빈도 질환 분석3.
분석
결과
•
2016
년
,
만
15~19
세
청소년
중에서
우울증
혹은
스트레스
관련
진료를
받은
환자는
46,228
명
(
인구
10
만명
당
1,451
명
)
임
이 중에서 과거 5년 동안 해당 질환으로 진료받은 경험이 없는 청소년은 28,717명(신규 진료군)임•
신규
진료군과
비진료군
간에
과거
다빈도
진료
질환을
분석한
결과
,
과거 다빈도 질환은 두 군간에 큰 차이가 없으나, 신규 진료군은 비진료군에 비해 ‘식도, 위 및 십이지장의 질환’, ‘장 감염 질환’의 다빈도 순위가 높은 것으로 분석됨[표 1] 신규 진료군과 비진료군의 과거 다빈도 진료 질환 신규진료군 비진료군 순위 질환명 순위 질환명 1 (J00-J06)급성 상기도감염 1 (J00-J06)급성 상기도감염 2 (J20-J22)기타 급성 하기도감염 2 (J20-J22)기타 급성 하기도감염 3 (K00-K14)구강 침샘 및 턱의 질환 3 (K00-K14)구강 침샘 및 턱의 질환 4 (J30-J39)상기도의 기타 질환 4 (J30-J39)상기도의 기타 질환 5 (K20-K31)식도위및십이지장의질환 5 (L20-L30)피부염및습진 6 (A00-A09)장감염질환 6 (H49-H52)안근 양안운동 조절 및 굴절의 장애 7 (L20-L30)피부염 및 습진 7 (S90-S99)발목 및 발의 손상 8 (H49-H52)안근 양안운동 조절 및 굴절의 장애 8 (A00-A09)장감염질환 9 (S90-S99)발목 및 발의 손상 9 (K20-K31)식도위및십이지장의질환 10 (H10-H13)결막의 장애 10 (S60-S69)손목 및 손의 손상 ※ 2011～2015년 진료인원 합계 순
