Independent-Capstone-Design

개별연구(CSC 다양한 관점에서의 보건영양데이터 분석 및 결과 도출) - 2024년도 1학기 진행

연구 주제: 머신러닝 기반 당뇨병 분류 모델 구현 및 XAI 기법을 활용한 유발 인자 분석

2024년도 1학기에 진행한 개별연구이다. 연구 주제는 머신러닝(XGBoost) 기반 당뇨병 분류 모델 구현, XAI 기법(SHAP)을 활용한 유발 인자 분석이다.

1. 머신러닝(XGBoost) 기반 당뇨병 분류 모델 구현

개요

공중보건의 발전에 있어 데이터 과학과 인공지능 기술은 중대한 역할을 하고 있다. 본 연구는 국민건강영양조사의 원시자료를 활용하여 머신러닝 기법을 이용한 당뇨병 분류 모델을 구축하고, 이를 더욱 심층적으로 분석하기 위해 SHAP 기반의 설명 가능한 인공지능(XAI) 기법을 도입한다. 이 연구의 목적은 당뇨병을 유발하는 주요 인자들을 명확하게 식별하고 이를 통해 당뇨병의 조기 발견 및 관리에 기여하고자 하는 데에 있다.

선정 데이터 및 전처리

• 선정 데이터: 국민건강영양조사 8기(2019-2021) 원시자료

본 연구에서 활용할 데이터는 질병관리본부에서 제공하는 국민건강영양조사 8기(2019-2021) 원시자료이다. 이 중, 2019 – 2021년도의 데이터인 8기 데이터를 활용하였다. 조사는 총 576조사구, 14,400가구를 대상으로 진행되었고, 총 976개의 변수와 22559개의 응답 데이터가 존재하는 것을 확인하였다.

• 데이터 전처리

  1. 변수 선정

  국민건강영양조사 데이터셋의 976개의 변수를 대상으로 대한당뇨병학회에서 정의한 위험 인자 중에서 조절 불가 인자, 만성 질환 인자, 생활 습관 인자를 중심으로 리스트를 구성하였다.

  대한당뇨병학회에서 정의한 위험 인자 리스트	모델 학습용으로 선정한 변수 리스트

  2. 결측치 처리

  결측치 처리는 Knn 알고리즘을 적용하여 결측치를 채우는 과정을 진행하였음.

  3. 유효 데이터 생성

  당뇨병 판정

  당뇨병 여부를 판단하는 로직은 다음과 같다.

  • 정상:

    • DE1_31(인슐린 주사 치료 여부) != 1
    • DE1_32(당뇨병약 치료 여부) != 1
    • DE1_dg(당뇨병 의사진단 여부) != 1
    • HE_glu(공복혈당) < 126
    • HE_HbA1c(당화혈색소) < 6.5

  • 당뇨병: 그 외의 경우

  음주 정도 판정

  남성과 여성의 폭음 여부를 판단하는 로직은 다음과 같다.

  • 남성 (sex = 1):
    • BD1_11(1년간 음주빈도) == 3, 4, 5, 6
    • BD2_1(한 번에 마시는 음주량) == 4, 5
  • 여성 (sex = 2):
    • BD1_11(1년간 음주빈도) == 3, 4, 5, 6
    • BD2_1(한 번에 마시는 음주량) == 3, 4, 5

  걷기 실천도 판정

  걷기 실천도를 판단하는 로직은 다음과 같다.

  • BE3_31(걷기 일수) >= 5
  • BE3_32(걷기 지속 시간(시간)) >= 1 OR BE3_33(걷기 지속 시간(분)) >= 30

  에너지 섭취 분율

  대한당뇨병학회에서 정의한 계산 공식을 이용하여 각 영양소 별 섭취분율을 계산함.

  $$\text{영양소 에너지 섭취분율} = \frac{\text{영양소 섭취량} \times (\text{영양소 1g당 kcal})}{(\text{단백질 섭취량} \times 4) + (\text{지방 섭취량} \times 9) + (\text{탄수화물 섭취량} \times 4)}$$

데이터 전처리 결과

No.	변수명	전체 데이터 수	남성 데이터 수	여성 데이터 수	자료형
1	sex	17272	-	-	category
2	age	17272	7669	9603	float
3	heavy_drink	17272	7669	9603	category
4	smoke	17272	7669	9603	category
5	genetic_diabetes	17272	7669	9603	category
6	Hypercholesterolemia	17272	7669	9603	category
7	hypertriglyceridemia	17272	7669	9603	category
8	high_bloodpressure	17272	7669	9603	category
9	stroke	17272	7669	9603	category
10	myocardial_infarction	-	7669	9603	category
11	BMI	17272	7669	9603	float
12	walking_practice	17272	7669	9603	category
13	pregnancy_count	-	-	9603	float
14	protein_energy_ratio	17272	7669	9603	float
15	carbohydrate_energy_ratio	17272	7669	9603	float
16	energy	17272	7669	9603	float
17	diabetes	17272	7669	9603	category

데이터 전처리 코드

• 전체 데이터 전처리
• 남성 데이터 전처리
• 여성 데이터 전처리

모델 학습 및 평가

모델 평가 기법은 k-fold 기법을 이용하였고 k=5로 설정하여 모델 평가를 진행함. 평가 지표는 AUC, 정확도, F1-score를 채택하였음. 아래 표는 각 데이터 셋 별 평균값이다.

	전체 데이터셋	남성 데이터셋	여성 데이터셋
AUC	0.92	0.93	0.96
정확도	0.83	0.84	0.88
F1-score	0.83	0.84	0.88
ROC curve

2. XAI 기법(SHAP)을 활용한 유발 인자 분석

SHAP

SHAP(SHapley Additive exPlanations)는 Shapley Value를 이용하여 예측에 영향을 미치는 변수들을 파악할 수 있는 기법으로, 머신러닝 모델에서의 Shapley Value는 예측 결과에 대한 각 변수의 기여도를 의미한다. Shapley Value는 변수간의 의존성을 확인할 수 있고 변수 중요도를 측정할 때 기존의 방법으로는 양의 영향력만 측정할 수 있었으나 SHAP를 적용하면 음의 영향력 또한 측정할 수 있다. 그리고 SHAP는 전체 데이터셋에 대한 해석뿐만 아니라 하나의 데이터에 대한 해석도 제공한다는 특징이 존재한다.

분석 결과

1. 변수중요도

전체 데이터셋	남성 데이터셋	여성 데이터셋

2. 모델 기반 SHAP 분석 beeswarm 그래프

전체 데이터셋	남성 데이터셋	여성 데이터셋

모델 학습 및 SHAP 분석 코드

• 전체 데이터 셋 기반 코드
• 남성 데이터 셋 기반 코드
• 여성 데이터 셋 기반 코드