데이터마이닝 기법을 이용한 심방세동 유형예측

Abstract

최근의 근거중심의학, 주임상경로분석 등을 통한 의료의 질적 향상과 의료자원의 효율적 사용을 위한 노력은 다양한 임상자료의 효과적 분석을 요구하고 있다. 본 연구는 이러한 분석의 한 방법으로 데이터마이닝 기법을 임상자료에 적용하여 그 결과를 평가해봄으로써 임상자료 분석에 데이터마이닝 기법 적용의 유용성을 확인하고자 하였다. 심방세동은 심방기질의 변화와 유발인자의 상호관계 속에서 임상적으로 다양한 양상을 나타낸다. 본 연구는 임상가에 의한 임상적 유형의 분류와 임상 일상에서 흔히 접하는 심방세동의 임상적 유발인자들간의 연관성 규명에 데이터마이닝 기법을 적용함으로써 그 유용성을 확인하고자 하였다. 부정맥 연구회의 심방세동 등록사업에 등록된 환자의 증례기록데이터1,917건을 연구재료로 사용하였으며, 연구방법으로는 심방세동 유발인자로 일반적으로 알려진 항목들 중 심방세동 유형 구별에 유용한 인자를 규명한 후 규명된 인자들을 데이터마이닝 재료로 삼아 심방세동 유형예측 모형을 개발하고 개발된 예측 모형을 평가한 후 임상에 적용 가능한 심방세동 유형예측표를 제시함으로써 임상자료에 데이터마이닝과 같은 고급통계기법 적용의 유용성을 판단하고자 하였다. 연구결과 심방세동의 임상적 형태를 구분할 수 있는 13개의 유의한 인자를 식별할 수 있었으며, 이들 13개 인자들을 독립변수로 삼아 데이터마이닝을 실시하여 최소깊이 2, 최대깊이 22로 된 678개의 심방세동 유형결정 경로를 가진 의사결정나무 형태의 심방세동 임상적 유형 예측모형을 구축할 수 있었다. 구축된 모형의 유효성을 평가한 다음, 모형을 이용하여 678개의 심방세동 유형예측표를 작성하였으며, 임상에서 유형 판단시 중요하게 고려하여야 할 7개의 중요 유발인자를 규명하였다. 그리고 난 후 연구결과에 근거하여 대용량의 임상데이터를 이용한 진단의사결정 규칙의 개발에 데이터마이닝 도구의 유용성을 고찰하였다. 축적된 임상자료에 본 연구에 사용된 데이터마이닝과 같은 고급 통계기법은 다양한 형태의 임상자료나 다양한 의미를 갖는 임상변수들을 객관적이고 합리적으로 분석하는데 도움이 되는 유용한 도구로 활용할 수 있다. The recent efforts for quality Improvement in medicine and effective use of medical resources through evidence based medicine or clinical pathway analysis require effective analysis of various clinical data. In this study, we tested the applicability of a data-mining tool in analysis of massive clinical data for the purpose of developing diagnostic decision rules. For the study we analysed 1,917 Atrial fibrillation (AF) case reports database. AF is represented by various clinical types depending on the interrelations between the changes in atrium nature and trigger factors. We attempted to find the relationship between clinical type and trigger factors by developing AF type prediction model using a data-mining tool. We identified 13 significant trigger factors for AF type classification through the statistical analysis process and developed AF type prediction decision rules using data-mining methodology. After evaluating validity of the prediction rules, we presented 678 AF type prediction table and 7 important prediction trigger factors in clinic. Based on the results we discussed the applicability of data-mining tool in developing diagnostic decision rules from massive clinical data. We can usefully use high level statistical tools like data mining tool that can help analyze accumulated various clinical data type or clinical variables which have various meanings.