earticle

영어

This study was conducted to develop a model for predicting the length of stay for premature infants through machine learning. For the development of this model, 6,149 cases of premature infants discharged from the hospital from 2011 to 2016 of the discharge injury in-depth survey data collected by the Korea Centers for Disease Control and Prevention were used. The neural network model of the initial hospitalization was superior to other models with an explanatory power (R²) of 0.75. In the model added by converting the clinical diagnosis to CCS(Clinical class ification software), the explanatory power (R²) of the cubist model was 0.81, which was superior to the random forest, gradient boost, neural network, and penalty regression models. In this study, using national data, a model for predicting the length of stay for premature infants was presented through machine learning and its applicability was confirmed. However, due to the lack of clinical information and parental information, additional research is needed to improve future performance.

한국어

본 연구는 미숙아의 재원일수 예측 모형을 머신러닝 기법을 통해 개발하기 위해 수행 되었다. 모형 개발을 위해 질병관리본부에서 수집한 퇴원손상심층조사 자료의 2011년부터 2016년까지 퇴원한 미숙아 6,149건을 이용하였다. 입 원 초기 신경망 모형은 설명력(R²)이 0.75로 다른 모형에 비해 우수 하였다. 입원 초기 변수에 임상진단을 CCS(Clinical class ification software)로 변환하여 추가 투입한 모형은 큐비스트(Cubist) 모형의 설명력(R²)이 0.81로 랜덤 포레스 트(Random Forests), 그라디언트 부스트(Gradient boost), 신경망(neural network), 벌점화 회귀(Penalty regression) 모형에 비해 성능이 우수 하였다. 본 연구는 전국단위 데이터를 이용한 미숙아의 재원일수 예측 모형을 머신러닝을 통해 제시하고 그 활용 가능성을 확인하였다. 하지만 임상정보, 부모정보 등 데이터의 한계로 향후 성능 향 상을 위한 추가 연구가 필요하다.