초록 열기/닫기 버튼
전통 의학에서 환자에게 적합한 처방을 선정하는 과정은 복잡한 임상 의사결정 과정이 필요하고, 이러한 의사결정을 지원하기 위한 다수의 연구가 수행되고 있다. 그러나 기존의 연구에서는 한의학의 다양한 이론 체계 및 진단 방식을 반영하고 있는 학파별 특징을 반영한 알고리즘 연구가 수행되지 않았다. 이에 본 논문에서는 학파별 처방 추천을 위해서 입력층, 임베딩층, 분류기층, 출력층으로 구분된 기계학습 모델을 설계하였다. 그리고 만성호흡계질환을 대상으로 3개 학파의 전문가가 참여하여 480건의 학습데이터를 생성하고 전처리하였다. 제안된 기계학습 모델의 성능은 5개 처방을 추천할 때의 정확도를 5 folds cross-validation 방법으로 측정하였다. 증상명 임베딩을 위해서 fastText 인코더를 적용한 모델이 가장 좋은 성능을 보였으며, 분류기로는 SVM을 사용한 모델이 가장 성능이 우수한 것으로 밝혀졌다. 그리고 학파별 처방 추천 성능은 대한상한금궤의학회 모델이 99.29%로 가장 높았으며, 대한형상의학회가 86.87%였고, 사상체질의학회가 70.71%로 가장 낮았으며 마지막으로 세 학파의 평균은 85.42%였다. 본 연구는 한의 처방 추천 기계학습 모델을 설계하고 개발하는 새로운 접근법을 제시했다는 의의가 있다.
In traditional medicine, the process of selecting appropriate prescriptions for the patients requires a complex clinical decision-making process, and a number of studies are being conducted to support these decision-making process. However, in previous studies, algorithmic studies reflecting the characteristics of each TKM (Traditional Korean Medicine) school are not carried out. Therefore, in this paper, we proposed a machine learning model which is divided into an input layer, an embedding layer, a classifier layer, and an output layer to recommend prescriptions for each TKM school. Also, experts from 3 TKM schools participated in building 480 machine learning data for chronic respiratory diseases. The performance of the proposed machine learning model was measured by the 5 folds cross validation method with the accuracy of recommending five prescriptions. For symptoms embedding, the model applied fastText encoder showed the best performance, and for the classifier, the model using SVM was found to have the best performance. In addition, the accuracy of each TKM school was the highest at 99.29% for the Sanghan-Geumgwe medical school and the average of the three schools was 85.42%. This study is meaningful in that is showed a novel approach to developing a machine learning model which is capable of recommending prescriptions for each TKM school.
