Disease Prediction System based on WEB

WEB 기반 질병 예측 시스템

Abstract

The Ministry of Environment recently analyzed the output data of 10 fine dust measuring stations and, as a result, announced that about 60% had an error that the existing atmospheric measurement concentration was higher. In order to accurately predict fine dust, the wind direction and measurement position must be corrected. In this paper, in order to solve these problems, fuzzy rules are used to solve these problems. In addition, in order to calculate the fine particulate sensation index actually felt by pedestrians on the street, a computer simulation experiment was conducted to calculate the fine particulate sensation index in consideration of weather conditions, temperature conditions, humidity conditions, and wind conditions.

코로나바이러스 감염은, 21세기, 아무리 현대 의학이 발전하였지만, 특별한 약이나 치료제가 없는 매우 난감한 상황이다. 그러므로, 세계 여러 나라에서, 코로나바이러스를 일차적으로 간단하게 파악하기 위해서, 유동 인구가 많이 이동하는 기차역, 버스터미널, 공항 터미널에는 발열 측정용 적외선 카메라가 설치하고, 이른 시간에 비접촉식 체온계를 사용해서, 37.5 도 이상의 고열로 분류되면, 코로나바이러스 감염 의심 환자로 1차 판단하고 있다. 그러나, 발열 측정 적외선 체온계는 체온측정 신뢰도가 75- 80% 정도이므로, 신뢰도를 높이는 방안을 간구해야만 된다는 지적이 많이 나오고 있다. 본 논문에서는, 이러한 문제점을 해결하기 위해서, 적외선 체온측정 신뢰도를 향상하게 시키기 위해서, 체온 조건, 기침 조건, 혈압 조건, 당뇨 조건, 산소포화도 조건, 맥진 조건, 설진 조건을 이용해서, 기계학습 기반 및 fuzzy 추론 기반, 코로나바이러스 감염조건 위험도를 예측하는 알고리즘을 제안하고 모의실험 하였다.

Ⅰ. 서론

전 세계로 확산 중인 신종 코로나바이러스 감염증(코로나 19) 의심 증상 중 하나는 발열이다. 이 때문에 다중이용시설에선 체온계를 배치해 시설 이용자들이 수시로 체온을 측정하도록 하고 있다. 그러나 각국에서 일반적으로 사용 중인 비접촉식 적외선 체온계가 체온을 제대로 측정하지 못한다는 보도가 발표되었다. 최근 영국 과학 저널 연구결과 논문에 의거하면, 공항 입출국 관리소에서 실시한 발열검사가 코로나바이러스 검사 환자의 절반가량을 정확하게 판단하지 못한 것으로 발표되었다. 또한 전문가들은 발열 증상이 나타나지 않으면, 발열 검사만으로는 코로나19 확산 방지에 효과적이지 않다고 지적했다^[1-2]. 특히, 뉴잉글랜드 메디슨지 저널에 발표된 연구에 따르면, 코로나19 발원지인 중국 후베이(湖北)성에서 전세기로 철수한 독일인 126명 중 2명이 전세기 탑승 전에는 코로나바이러스 감염자가 아니라는 판정을 받았지만, 귀국 후에, 코로나바이러스 감염자 확진 판정을 받았다는 기사가 발표되었다^[1]. 코로나바이러스 중증 환자는 평균 37.9도로 다른 환자의 입원 체온인 평균 37.3 도보다 높다는 연구 결과가 발표되었으며, 중증 환자는 분당 23.1회 호흡하지만, 정상인은 20.4회인 것으로 발표되었으며, 손가락 혈관에서 측정하는 말초산소포화도는 중증 환자는 87.7%로, 정상인 95.8%에 비해 낮다는 연구 결과가 발표되었다^[1-2].

특히, 코로나바이러스와 심장의 손상 정도를 나타내는 CK-MB 수치 기준도 연구되고 있다. 심장이 손상되면 사망할 가능성이 커지기 때문이다.

연구팀은 “코로나19 바이러스는 앤지오텐신전환 효소2(ACE2)를 통해서만, 세포에 침입하는데 ACE2는 폐, 심장, 식도, 신장, 방광 등에 나타난다”라며 “ACE2를 내는 기관은 코로나19 감염에 취약하므로 심장 손상 측정이 코로나19 환자의 중증 예후에 필요하다”라고 분석했다^[3-5].

그러므로 본 논문에서는, 적외선 체온측정 신뢰도를 향상하게 시키기 위해서, 체온 조건, 기침 조건, 혈압 조건, 당뇨 조건, 산소포화도 조건, 맥진 조건, 설진 조건을 이용해서, 기계학습 기반 및 funny 추론 기반, 코로나바이러스 감염조건 위험도를 예측하는 알고리즘을 제안하고 모의실험 하였다.

본 논문의 구성은 다음과 같다. 2장에서는 베이지안확률이론에 관해서 알아본다. 3장에서는 기계학습 기반환자의 건강 상태를 진단 및 판단하는 환자 진단 및 판단이론을 살펴본다. 4장은 한 양방치료시스템 모의실험을 설명하고 5장에서는 결론을 맺는다.

Ⅱ. 베이지안 확률이론

베이즈 정리는 데이터라는 조건을 줬을 때의 조건부확률을 구하는 공식이다. 베이즈 정리를 쓰면 데이터를 주기 전의 사전 확률 값이 데이터를 주면서 어떻게 변하는지 계산할 수 있다.

따라서 데이터를 주기 전에 이미 어느 정도 확률값을 예측할 때 이를 새로 수집한 데이터와 합쳐서 최종 결과에 반영할 수 있다. 데이터의 개수가 부족한 경우 아주 유용하다. 데이터를 매일 추가로 얻는 상황에서도 매일 전체 데이터를 대상으로 새로 분석 작업을 할 필요 없이 어제 분석 결과에 오늘 들어온 데이터를 합쳐서 업데이트만 하면 되므로 유용하게 활용할 수 있다.

우리가 콧물을 흘리는 사람을 보고 감기에 걸렸다고 단정하는 것은 반드시 옳다고 판단할 수는 없지만, 추정은 할 수 있다. 즉 병원에서 의사가 환자를 진단할 때 감기 증상인 콧물, 재채기, 기침 등이 있는가를 우선 환자에게 물어보듯이 어떠한 사실(추론)은 원인(causality)과 밀접한 관계가 있다.

즉, ( cause ? X ? Y) : X가 Y의 원인이고

? Y : Y가 사실이라면

? X : X는 Y를 설명하는 가설이다.

만일 환자의 증상과 일치하는 모든 사람의 정보를 수집할 수 있고 그들의 병명이 일치한다면 쉽게 진단을 내릴 수 있다. 그러나 이것은 불가능한 일이다. 왜냐하면 콧물을 흘린다고 해서 꼭 감기에 걸린 것은 아니다. 즉 축농증이 있을 수도 있고 뜨거운 음식을 먹어서 콧물이 나올 수도 있기 때문이다.

P(콧물/감기) = 60%

P(콧물/축농증) = 20%

P(콧물/음식) = 30%

그러므로 콧물이 나는 현상을 조건부 확률이론 Bayes 의 정리를 사용하면

\(P(d l S)=\frac{P(d) \cdot P(S l d)}{P(S)}\)       (1)

수식 1로 표시할 수 있다.

본 논문에서는 조건부 확률을 이용하여 병 진단의 오진확률을 계산해보고, 병 진단과 관련된 확률을 변경 시켜 봄으로써 오진확률에 영향을 미치는 중요한 요인을 알아보고자 한다.

첫 번째로는, 어떤 병에 걸릴 확률이 0.5% 정도로 낮은 경우에는 검사를 통해 질병이 있을 때 환자에게 질병이 생겼다고 정확하게 진단할 확률이 95%이고, 질병이 없는 경우에, 환자에게 질병이 발생하지 않는 건강한 상태라고 정확하게 진단할 가능성이 99%로 높은 편이다. 그러나, 병원에서, 최종 건강진단 검사 결과 질병이 있는 것으로 판정받았더라고 실제로 그러한 질병에 걸렸을 확률은 32.3%로 높지 않다는 점이다.

다시 말해서, 어떤 질병에 걸릴 확률이, 1, 000명 중 5 명이 걸린다고 가정하면, 병원에서 코로나바이러스 질환에 걸렸는지 판정하는 검사 도구를 개발했는데, 검사의 정확도는 실제로 질병이 있는 경우에 질병이 있다고 정확히 진단할 확률’이 95%이고, 실제로 병이 없는 경우에 병이 없다고 정확히 판정할 확률’이 99%라고 가정하면, 어떤 사람이 검사를 받은 결과 병이 있는 것으로 양성판정을 받았을 때, 이 사람이 실제로 병에 걸려 있을 확률은 다음과 같다.

다시 말해서, 질병에 걸렸을 사건을 DD라 표기하고, 질병에 걸렸다고 양성판정을 하는 사건을 PP, 질병에 걸리지 않았다고 음성판정을 하는 사건을 NN 으로 가정하게 되면, 질병이 있을 때 병이 있다고 양성 판정할 확률은 수식 2로 표시할 수 있다.

p(P|D)pr(P|D)       (2)

병이 없을 때 병이 없다고 음성 판정할 확률은

p(N|Dc) pr(N|Dc)      (3)

수식 3으로 표시할 수 있다.

이런 경우, 확률을 구하면 다음과 같다.

우선 병에 걸릴 확률은

Pr(D)=51000=0.005       (4)

수식 4로 표시할 수 있다.

그리고 주어진 조건에 의하여 각각의 확률은 다음과 같이 된다.

질병이 있는 경우에, 질병이 있다고 판정할 확률

Pr(P|D)=0.95

Pr(P|D)=0.95       (5)

수식 5로 표시할 수 있다.

질병이 없는 경우에, 질병이 없다고 판정할 확률

Pr(N|Dc)=0.99

Pr(N|Dc)=0.99      (6)

수식 6으로 표시할 수 있다.

그리고 이 확률로부터 다음 확률도 알 수 있다. 질병이 있는 경우에, 질병이 없다고 판정할 확률

Pr(N|D)=0.05

Pr(N|D)=0.05      (7)

수식 7로 표시할 수 있다.

질병이 없는 경우에, 질병이 있다고 판정할 확률

Pr(P|Dc)=0.01Pr(P|Dc)=0.01      (8)

수식 8로 표시할 수 있다.

본 논문에서는 연관규칙을 사용해서 코로나 예측 판단 시스템 모의실험 하였다.

Ⅲ. 한방 맥진 및 설진 질병 진단 이론

2장에서 설명한 것과 같이, 신종 코로나바이러스 감염증(코로나 19) 의심 증상 중 하나는 발열 증상이다. 그러므로, 공항 터미널, 버스터미널, 다중이용시설에선 체온계를 배치해 시설 이용자들이 수시로 체온을 측정하도록 하고 있다.

그러나 각국에서 일반적으로 사용 중인 비접촉식 적외선 체온계가 체온을 제대로 측정하지 못한다는 보도가 발표되었다. 그러므로 본 논문에서는, 코로나바이러스감염 확률이 높은 고혈압, 당뇨병, 환자를 간단하게 판단할 수 있는 맥진 및 설진 원리를 이용해서, 환자의 면역력을 판단하고, 코로나바이러스 감염조건 위험도를 예측하는 알고리즘을 제안하고 모의실험 하였다.

그림 1 에서는, 맥진 EMR 도표 실행화면을 설명하고 있다. 한의학에서는 환자의 건강 상태를 판단하기 위해서, 환자의 맥 파형을 진단해서 환자의 5장 6부 건강 상태를 판단한다. 맥진 EMR 도면 알고리즘은 혈관 노화도 맥파 7단계 및 가속도 맥파 알고리즘을 이용해서, 환자의 맥진 건강 상태를 건강, 보통 위험의 3가지로 분류하였다. 그럴 뿐만 아니라, 맥진의 기본 개념인 맥진 파형 속도를 저장하고, 맥진의 최고파형, 최저 파형을 기록하는 EMR 도표 알고리즘을 제안하고 모의 실험하였다.

그림 1. 맥진 EMR 도표 실행화면

Fig. 1. Pulse EM chart execution screen

그림 2에서는 환자가 사상체질 건강 설문 및 혈압, 맥진, 혀 색깔 설문조사 질문에 기재하면, 자동으로 환자의 건강 문제로 발생한 사태를 추론하고 설진 기초 건강 상태를 점수로 판단하는 알고리즘을 개발하고 모의실험 하였다.

그림 2. EMR 도표 실행화면

Fig. 2. EM chart result screen

설진은 한의원에서 한의사가 환자의 혀의 상태를 관찰하여 환자의 질병 상태를 판단하는 중요한 방법으로 사용되고 있다. 그러므로 설진은 기혈의 많고 적은 상태를 판별하거나, 소화기 상태를 판별할 수 있는 주요 지표가 된다. 그럴 뿐만 아니라, 설진 검사는 맥진 검사와 비교해서 한의사가 직접 맨눈으로 관찰하는 방법이므로, 아직도, 한의원에서는 환자의 건강 상태를 판단하는 방법으로 사용되고 있다. 설태는 혀의 표면에 생기는 이끼 모양의 부착물을 말한다.

환자가 건강하면 얇은 백태가 끼지만, 몸에 습한 기운이 차게 되거나 환자가 건강의 악화하여서, 만성질환이 발병하거나, 염증이 발병하면 혀에, 두꺼운 백태가 끼게 된다. 그럴 뿐만 아니라, 혀의 색깔로 병을 판단할 수 있다. 건강 상태가 좋은 사람은, 혀의 색깔이 엷은 붉은색이지만, 반면에 혀의 색깔이 노란색이면, 간장질환 질병이 발생할 가능성이 크다. 만약, 혀의 색깔이 보라색이면 순환기질환 질병이 발생할 가능성이 크다.

그림 3에서는 코로나바이러스 감염 환자를 맥진 및 설진으로 위험을 확률을 예측하는 것은 신뢰도가 떨어지므로, 이러한 문제점을 개선하기 위해서, 코로나바이러스감염환자를 판단하는 데에, 가장 중요한 체온 조건을 위험 조건으로 판단하고, 고혈압, 당뇨 기저질환이 있는 환자에게는 위험 가중치를 부여하는 연관성 규칙을 적용해서, 코로나 바이러스 감염 확률을 예측하는 모의시험을 진행하였다. 아무리 건강한 정상 환자도 2박 3일 휴식을 충분히 자지 않고, 급한 작업을 하면, 아무리 건강한 사람이라도, 어지럽거나, 혓바닥에 돌기가 생기고, 어지럽고 맥 파형 그래프가 불균형 하게 바뀌게 된다. 다시 말해서, 맥진은 환자의 건강 상태를 판단하는 기본 진단과정이며, 환자의 맥박 데이터 정보, 환자의 혀 색깔 기본정보를 EMR 도표에 저장하고, 연관규칙을 이용해서 환자의 건강 상태를 판단하는 알고리즘을 개발하고 모의실험하였다. 그럴 뿐만 아니라, 3장에서는 코로나바이러스를 일차적으로 판단하는 데에 환자의 체온 조건 및 당뇨 환자 및 고혈압 환자와 같은 면역력이 떨어지는 기저질환 환자를 더 정확하게 판단 할 수 있는 건강 상태를 판단하는 알고리즘을 개발하고 모의 실험하였다.

그림 3. 질병 예측 실행화면

Fig. 3. Disease prediction screen

Ⅳ. 모의실험

본 논문에서는 코로나바이러스 감염 위험 환자를 판단하기 위해서, 체온 조건, 기침 조건, 혈압 조건, 기저 환자기반 당뇨 조건, 산소포화도 조건, 맥진 조건, 설진 조건을 이용해서, 코로나바이러스 감염조건 위험도를 예측하는 알고리즘을 제안하고 모의실험 하였다. 뿐만 아니라, 코로나바이러스 진단을 하기 위해서, 딥 러닝 기반 텐서플로 공개 소스를 이용해서 코로나바이러스 감염 위험 환자를 판단하는 모의실험을 수행하였다.

표 1에서는, 코로나바이러스 진단을 하기 위해서, 입력 데이터를 설명하고 있다.

표 1. 코로나바이러스 진단용 입력 데이터

Table 1 Input data for corona virus diagnosis

입력변수 는 전 처리용 데이터 8 가지와 후처리용 데이터 2가지 총 10가지를 설명하고 있다.

전 처리 데이터는 체온, 기침, 혈압, 산소포화도, 당뇨, 심전도, 설진, 맥진 딥러닝 기반 텐서플로 공개 소스를 이용해서 프로그램을 작성하였다.

그림 4에서는, 적외선 체온측정 신뢰도를 향상하게 시키기 위해서, 8가지 입력조건 : 체온 조건, 기침 조건, 혈압 조건, 당뇨 조건, 산소포화도 조건, 심전도 조건, 맥진 조건, 설진 조건을 이용해서, 신경망 기반에서 코로나바이러스 감염조건 위험도를 예측하는 알고리즘을 제안하고 모의실험 하였다.

그림 4. 코로나바이러스 예측 결과 화면

Fig. 4. Corona-virus prediction result screen

그림 5에서는 요인 분석 화면 결과를 설명하고 있다. 3장에서 설명한 8가지 입력조건 : 체온 조건, 기침 조건, 혈압 조건, 당뇨 조건, 산소포화도 조건, 심전도 조건, 맥진 조건, 설진 조건을 요인 분석하는 과정을 설명하고 있다. 코로나바이러스 정확도 요인 분석을 수행하면 예측율이 70% 정도로 예측된다. 왜냐하면, 같은 환자라도, 나이 조건 및 BMI 조건기반 혈관 노화도 조건이 틀리기 때문에, 전 처리 기반 8가지 입력조건으로는 신뢰도를 향상하게 시키기 어렵기 때문이다. 본 논문에서는 이러한 문제점을 개선하기 위해서, 후처리로 퍼지 기법 알고리즘을 제안하고 모의실험 하였다.

그림 5. 요인 분석 화면

Fig. 5. Factor analysis screen

<딥러닝 기반 코로나바이러스 예측 알고리즘 >

Y : 코로나 바이러스 위험도 ==> 자동판단

Y = \(\beta_{0}+\beta_{1} X_{1}+\beta_{2} X_{2}+\beta_{3} X_{3}+\cdots+\varepsilon\)

X₁ : 종속변수에 영향을 주는 요인1

X₂ : 종속변수에 영향을 주는 요인2

X₃ : 종속변수에 영향을 주는 요인3⋮

X₈: 종속변수에 영향을 주는 요인 8

(1) offsets, weight를 초기화한다.

(2) input, target의 패턴을 신경망에 제시

(3) 출력 신경세포들의 에러와 델터를 구해서 은닉층으로 역 전파 한다.

ej = tj - aj

δj = aj ( 1 - aj ) ej

(4) 역 전파된 델타로부터 은닉층 신경세포들의 에러와 델타를 구해서 역 전파한다.

ej = ∑ wjk δk

k

δj = aj ( 1 - aj )ej

(5) 델타 규칙에 의해서 연결가중치를 조절한다.

W(new)ij = W(old)ij + αδiaj + βΔwij(old) bias(new)ij = bias(old)ij + αδ. 1 + βΔ biasij(old)

그림 6에서는 질병 예측 흐름 도표 결과를 설명하고 있다. 입력 전 처리 데이터 8가지와 후처리용 데이터 2가지 총 10가지를 설명하고 있다. 전처리 데이터는 체온, 기침, 산소포화도, 당뇨, 심전도, 설진, 맥진 8개 데이터를 연관규칙을 이용해서 판단하고, 후처리로, 나이 조건, 환자 면역력 및 기저질환을 객관적으로 판단할 수 있는 산소포화도를 퍼지 규칙으로 추른 해서, 코로나바이러스 환자를 일차적으로 체온으로 위험도를 예측하고, 나머지 전 처리 조건으로 환자의 위험도를 예측하더라도, 환자의 면역력 및 기저질환 환자의 체력은 달라서, 후처리 조건으로 체온 조건, 산소포화도, 나이 조건을 고려해서 코로나바이러스 감염환자를 정확하게 예측하는 알고리즘을 제시하고 모의 실험하였다. 퍼지 생성규칙 결론이 두 개 이상의 서로 다른 믿음 값을 갖게 된다. 이러한 경우에 결론의 믿음 값을 다시 계산하기 위해 사용하는 함수가 믿음 값 결합함수이다. 예컨대 어떤 환자가 코로나바이러스 감염 위험이 적고 면역력이 강한 환자의 확률을 0.3 라고 한다면, 반대로, 코로나바이러스 감염 위험이 많고 면역력이 약한 환자의 0.7 이 된다. 그런데 이 애매한 상황에서 퍼지 측도는 실액 확률이 가능성이 0.3 라고 해서 실 맥 증세가 아닌 확률(허증세)이 반드시 0.7이라고 확정 판단할 수는 없는 것이다. 왜냐하면 허증 확률은 0.5일 수도 있고 0.7일 수도 있고 0.6 일수도 있다는 것이다. 왜냐하면 환자의 신체조건, 환자의 건강 조건, 기타 질환의 유무 등의 수많은 변수가 있기 때문이다.

그림 6. 질병 예측 플로 차트

Fig. 6. Disease Prediction Flowchart

그림 7 에서는, 체온이 38도 이상으로 높은 상태인 같은 환자 조건이라도, 코로나바이러스 감염환자 예측은 30% 정도 틀리게 판단 할 수 있다. 왜냐하면, 체온은 38 도 이상으로 똑같은 고온 조건이지만, 나이 조건 및 BMI 조건기반 기저질환을 판단하는 혈관 노화도 조건 이 틀리기 때문에, 전 처리 기반 8가지 입력조건으로는 신뢰도를 향상하게 시키기 어렵기 때문이다. 본 논문에서는 이러한 문제점을 해결하기 위해서 환자의 나이 조건, 혈관 노화도 조건을 후처리 조건으로, MATLAB 기반 퍼지 시뮬레이터 컴퓨터 모의실험을 수행하였다.

그림 7. 퍼지 추론 멤버십 함수 모의실험

Fig. 7. Fuzzy inference membership function simulation

4장에서는 이러한 문제점을 해결하기 위해서, 3장에서 설명한 것 같이, 전 처리로 8가지 입력조건을 이용하였고 후처리 기법으로, 나이, 혈관 노화도 퍼지 기법 2가지를 이용해서 코로나바이러스 감염 위험을 판단 및 신뢰도 개선을 할 수 있는 알고리즘을 제안하고 모의실험하였다. 그럴 뿐만 아니라, 체온 조건 및 나이 조건 혈관 노화도 조건 값에 따라서, 코로나바이러스 위험도가 분류되는 과정을 설명하고 있다. 다시 말해서, 38도 체온이지만, 나이 조건 및 혈관 노화도 조건에 따라서 코로나바이러스 감염 위험도가 다르게 측정되는 것을 확인하였다. 왜냐하면, 나이가 젊은 사람은 면역력이 강하고, 혈관 노화도가 1~2단계이므로 코로나바이러스 위험도는 감소하는 경향을 보이기 때문이다. 반대로, 나이가 많은 사람은, 혈관 노화도가 4 단계 이상이므로 코로나바이러스 위험도는 증가하는 경향을 보이기 때문이다.

Ⅴ. 결론

코로나바이러스 감염은, 21세기, 아무리 현대 의학이 발전하였지만, 특별한 약이나 치료제가 없는 매우 난감한 상황이다. 세계 여러 나라에서, 코로나바이러스를 일차적으로 간단하게 파악하기 위해서, 유동 인구가 많이 이동하는 기차역, 버스터미널, 공항 터미널에는 발열 측정용 적외선 카메라가 설치하고, 이른 시간에 비접촉식 체온계를 사용해서, 37.5 도 이상의 고열로 분류되면, 코로나바이러스 감염 의심 환자로 1차 판단하고 있다. 그러나, 발열 측정 적외선 체온계는 체온측정 신뢰도가 75- 80% 정도이므로, 신뢰도를 높이는 방안을 간구해야만 된다는 지적이 많이 나오고 있다. 본 논문에서는, 적외선 체온측정 신뢰도 조건 향상을 위해서, 체온 조건, 기침 조건, 혈압 조건, 당뇨 조건, 산소포화도 조건, 맥진 조건, 설진 조건을 이용해서, 기계학습 기반 및 fuzzy 추론 기반, 코로나바이러스 감염조건 위험도를 예측하는 알고리즘을 제안하고 모의실험 하였다.