인문학
사회과학
자연과학
공학
의약학
농수해양학
예술체육학
복합학
DBpia AI
AI 에이전트
AI 아이디어
AI 리더
AI 뷰어
Citeasy
크롬 서지관리 다운로드
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 박은주
- 발행연도
- 2021
- 저작권
- 경남대학교 논문은 저작권에 의해 보호받습니다.
이용수97
초록· 키워드
상세정보 수정요청해당 페이지 내 제목·저자·목차·페이지정보가 잘못된 경우 알려주세요!
백내장은 수정체가 혼탁해지는 질환으로 시력 감퇴와 실명의 주요 원인이며, 고령화 사회에서 중대한 건강상의 문제이다. 백내장의 원인은 연령, 성별 외에 다양한 내·외부의 자극이 있으며, 노년기의 영양불량도 중요한 원인으로 제시되고 있다. 최근 시각 체계의 산화 기전의 작용이 밝혀짐에 따라 수정체의 산화적 손상을 예방하기 위해 항상화 영양소의 관심이 증가하였다. 이에 백내장과 관련된 선행연구는 대부분 항산화 영양소에 초점이 맞춰져 있거나 외국 문헌으로 조사되었다. 따라서 본 연구에서는 국민건강영양조사(2015-2017년) 자료를 이용하여 60세 이상 한국인의 식이 섭취와 백내장 유병의 관련성을 조사하였다. 본 연구에서 60세 이상 한국인의 백내장 유병률은 51.8%(정상군 781명, 백내장군 838명)이며, 여성이 남성보다 높은 유병률을 보였다. 다량영양소의 섭취 결과 에너지 대비 탄수화물 섭취가 많으면 백내장 위험도가 높게 나타났으나, 에너지 대비 단백질과 지방 섭취가 많을 땐 오히려 백내장 위험도가 낮아졌다. 비타민 및 무기질에서는 레티놀(retinol), 리보플라빈(riboflavin), 나이아신(niacin)의 섭취가 백내장 위험도를 낮게 하는 결과를 보였다. 나트륨 섭취량은 에너지섭취량에 따라 분석하였으며, 그 결과 전체 대상자와 여성에서 에너지섭취량이 적고 나트륨 섭취량이 적을 때 백내장 위험이 각각 약 0.5배, 약 0.3배 낮은 결과를 보였다. 그러나 여성에서 에너지섭취량을 많고 나트륨 섭취량이 많을수록 백내장 위험도가 높아지는 경향을 보였다. 식품군에서는 백내장군이 버섯과 우유 및 유제품의 섭취량이 적고 과일은 많이 섭취하는 것으로 나타났다. 과일의 섭취량을 공복혈당에 따라 분석한 결과 정상 혈당을 가진 남성은 적정량 과일을 섭취하였을 때 백내장의 위험도가 낮게 나타났으나, 당뇨가 있는 여성이 과일을 많이 섭취하였을 때 오히려 백내장 위험도가 높아진 결과를 보였다.
최근 인공지능(AI)의 발전으로 일상생활에서도 이를 활용하고 질병을 예측하는 연구가 활발히 진행되고 있다. 또한, 인공지능(AI)을 기반으로 한 질병 예측은 많은 양의 데이터를 정확하게 변별할 수 있어 맞춤형 의료서비스를 실현할 뿐만 아니라 막대한 사회적 비용을 줄여 노년층의 삶의 질을 향상할 수 있다는 선행연구가 보고되었다. 따라서 본 연구에서는 인공지능(AI) 기반인 머신러닝을 적용하여 백내장 예측모델을 구축하였으며, 국민건강영양조사(2015-2017년)에 참여한 60-79세 여성은 총 190명(정상군 66명, 백내장군 124명)으로 나타났다. 본 연구의 변수중요도 결과 랜덤포레스트는 “칼슘”이 가장 우수한 변수로 나타났으며, 다음으로 “포화지방산(SFA)”, “단일불포화지방산(MUFA)”, “카로틴(carotene)” 등이 해당하였다. XGBoost는 “비만 여부”가 가장 우수한 변수로 나타났으며, 다음으로 “현재 경제 활동상태”, “당화혈색소(HbA1c)”, “나이아신(niacin)” 등이 해당하였다. 머신러닝을 기반으로 한 예측모델의 성능평가는 F1-score 79%, 정확도 71%, AUROC 65%, AUPRC 81% 값을 얻은 SVM 모델이 가장 우수한 성능을 보였다.
백내장은 수정체가 혼탁해지는 질환으로 시력 감퇴와 실명의 주요 원인이며, 고령화 사회에서 중대한 건강상의 문제이다. 백내장의 원인은 연령, 성별 외에 다양한 내·외부의 자극이 있으며, 노년기의 영양불량도 중요한 원인으로 제시되고 있다. 최근 시각 체계의 산화 기전의 작용이 밝혀짐에 따라 수정체의 산화적 손상을 예방하기 위해 항상화 영양소의 관심이 증가하고 있다. 이에 백내장과 관련된 선행연구는 대부분 항산화 영양소에 초점이 맞춰져 있거나 외국 문헌으로 조사되었다. 따라서 본 연구에서는 국민건강영양조사(2015-2017년) 자료를 이용하여 항산화 영양소를 포함한 식이 섭취에 따른 백내장 유병의 관련성을 조사하였다. 본 연구에서 60세 이상 한국인의 백내장 유병률은 51.8%(정상군 781명, 백내장군 838명)이며, 여성이 남성보다 높은 유병률을 보였다. 다량영양소의 섭취 결과 에너지 대비 탄수화물 섭취가 많으면 백내장 위험도가 높게 나타났으나, 에너지 대비 단백질과 지방 섭취가 많을 땐 오히려 백내장 위험도가 낮아졌다. 비타민 및 무기질에서 레티놀(retinol), 리보플라빈(riboflavin), 나이아신(niacin)의 섭취가 많으면 백내장 위험이 약 0.5-0.7배 낮은 결과를 보였다. 나트륨 섭취량은 에너지섭취량에 따라 분석한 결과 전체 대상자와 여성에서 에너지섭취량이 적고 나트륨 섭취량이 적을 때 백내장 위험이 각각 약 0.5배, 약 0.3배 낮은 결과를 보였다. 그러나 여성에서 에너지섭취량과 나트륨 섭취량이 많을수록 백내장 위험도가 높아지는 경향을 보였다. 식품군에서는 백내장군이 버섯과 우유 및 유제품의 섭취량이 적고 과일 섭취량이 많은 것으로 나타났다. 과일 섭취량을 공복혈당에 따라 분석한 결과 정상 혈당을 가진 남성은 적정량 과일을 섭취하였을 때 백내장의 위험도가 낮게 나타났으나, 당뇨가 있는 여성이 과일을 많이 섭취하였을 때 백내장 위험도가 오히려 높아진 결과를 보였다.
최근 인공지능(AI)의 발전으로 일상생활에서도 이를 활용하고 질병을 예측하는 연구가 활발히 진행되고 있다. 또한, 인공지능(AI)을 기반으로 한 질병 예측은 많은 양의 데이터를 정확하게 변별할 수 있어 맞춤형 의료서비스를 실현할 뿐만 아니라 막대한 사회적 비용을 줄여 노년층의 삶의 질을 향상할 수 있다는 선행연구가 보고되었다. 따라서 본 연구에서는 인공지능(AI) 기반인 머신러닝을 적용하여 백내장 예측모델을 구축하였으며, 국민건강영양조사(2015-2017년)에 참여한 60-79세 여성은 총 190명(정상군 66명, 백내장군 124명)으로 나타났다. 본 연구의 변수중요도 결과 랜덤포레스트는 “칼슘”이 가장 우수한 변수로 나타났으며, 다음으로 “포화지방산(SFA)”, “단일불포화지방산(MUFA)”, “카로틴(carotene)” 등이 해당하였다. XGBoost는 “비만 여부”가 가장 우수한 변수로 나타났으며, 다음으로 “현재 경제 활동상태”, “당화혈색소(HbA1c)”, “나이아신(niacin)” 등이 해당하였다. 머신러닝을 기반으로 한 예측모델의 성능평가는 F1-score 79%, 정확도 71%, AUROC 65%, AUPRC 81% 값을 얻은 SVM 모델이 가장 우수한 성능을 보였다.
본 연구를 통해 60세 이상 한국인의 백내장 위험요인을 파악할 수 있었다. 특히 에너지 대비 탄수화물, 단백질, 지방의 섭취와 나트륨 및 과일 섭취량이 백내장 발생위험과 높은 관련성을 보였다. 따라서 탄수화물 섭취를 줄이고 단백질을 보충하며, 건강한 지방인 견과류와 올리브오일 등의 섭취를 늘리는 식습관이 필요할 것으로 사료된다. 이와 더불어 적당한 양의 채소와 과일을 섭취한다면, 백내장 발생을 늦추거나 예방하는 데 도움이 될 것으로 사료된다. 지금까지 백내장의 위험요인을 파악한 연구는 국내 일부 변수들에 한정하여 진행된 소수의 연구만 진행되었으며, 식품군과 영양소섭취량을 전체적으로 분석한 연구는 없었다. 또한, 인공지능(AI)을 활용한 연구에서도 영양소섭취량을 포함하여 백내장을 예측한 모델은 없으므로 본 연구는 의의가 있다고 할 수 있다. 본 연구결과는 60세 이상 한국인의 백내장 발생을 늦추거나 실명을 예방하는데 기여할 수 있을 것으로 사료되며, 향후 국내외 대규모 스크리닝 및 대중 보건 연구에서 질병 예측 분야의 정보로 활용될 것으로 사료된다.
Cataract is a major cause of a loss of eyesight, blindness, and is a major health issue in an aging society. The cause of cataract is various exterior/interior stimuli and age and gender, and malnutrition is also an important cause. Therefore, recently the increased interest in antioxidant nutrients prevents oxidative damage to the lens, but studies related to cataract have focused on antioxidant nutrients or mostly on foreign literature. This study examined the relationship of cataract diseases according to the nutritional status, including antioxidant nutrients, using the data from the KNHANES(2015-2017). The prevalence rate of cataract among Koreans aged 60 or older was 51.8% (normal 781, cataract 838), with women a higher prevalence rate than men. Carbohydrate, protein, and fat energy ratio was a high of carbohydrate energy in the cataract increased the cataract risk, but a high proportion of protein and fat-reduced cataract risk. In vitamins and minerals, retinol, riboflavin, and niacin were low in cataract risk. In sodium intake, the risk of cataract was 0.5 times lower when energy and sodium intake were low. However, women were at higher risk of cataract when they take more sodium in the energy intake Q4. Analysis of consumption in the food group that mushroom and milk intake in the cataract group was low, but the fruits were high. Associations between fasting blood sugar-adjusted with fruit intake and cataract were analyzed. As a result, men with normal blood sugar had a lower risk of cataract when they intake the right amount of fruit, but women with diabetes had a higher risk of cataract if they intake much fruit.
Recently developing artificial intelligence (AI), research is being actively conducted to utilize it in everyday life and predict disease. Furthermore, disease prediction based on AI can accurately differentiate large amounts of data, thereby realizing customized medical services and improving older people''s quality of life by reducing substantial social costs. Therefore, in this study, a cataract prediction model was established by applying machine learning based on AI to women aged 60 to 79 using the data from the KNHANES(2015-2017). This study''s cataract prediction model was for a total of 190 older women aged 60-79 (normal 66, cataract 124). The study''s variable importance in a random forest that “calcium” was the best variable, followed by “saturated fatty acid (SFA)”, “monounsaturated fatty acid (MUFA)”, and “carotene”. XGBoost was the best variable for “obesity”, followed by “current economic activity status”, “HbA1c”, and “niacin”. The SVM algorithm showed accuracy 71%, F1-score 79%, AUROC 65%, AUPRC 81%, which was the best among machine learning.
The women need dietary habits, which reduce carbohydrate intake, supplement protein, and increase healthy fats such as nuts and olive oil. Also, the intake of vegetables and moderated fruits could be effective in preventing cataract.
최근 인공지능(AI)의 발전으로 일상생활에서도 이를 활용하고 질병을 예측하는 연구가 활발히 진행되고 있다. 또한, 인공지능(AI)을 기반으로 한 질병 예측은 많은 양의 데이터를 정확하게 변별할 수 있어 맞춤형 의료서비스를 실현할 뿐만 아니라 막대한 사회적 비용을 줄여 노년층의 삶의 질을 향상할 수 있다는 선행연구가 보고되었다. 따라서 본 연구에서는 인공지능(AI) 기반인 머신러닝을 적용하여 백내장 예측모델을 구축하였으며, 국민건강영양조사(2015-2017년)에 참여한 60-79세 여성은 총 190명(정상군 66명, 백내장군 124명)으로 나타났다. 본 연구의 변수중요도 결과 랜덤포레스트는 “칼슘”이 가장 우수한 변수로 나타났으며, 다음으로 “포화지방산(SFA)”, “단일불포화지방산(MUFA)”, “카로틴(carotene)” 등이 해당하였다. XGBoost는 “비만 여부”가 가장 우수한 변수로 나타났으며, 다음으로 “현재 경제 활동상태”, “당화혈색소(HbA1c)”, “나이아신(niacin)” 등이 해당하였다. 머신러닝을 기반으로 한 예측모델의 성능평가는 F1-score 79%, 정확도 71%, AUROC 65%, AUPRC 81% 값을 얻은 SVM 모델이 가장 우수한 성능을 보였다.
백내장은 수정체가 혼탁해지는 질환으로 시력 감퇴와 실명의 주요 원인이며, 고령화 사회에서 중대한 건강상의 문제이다. 백내장의 원인은 연령, 성별 외에 다양한 내·외부의 자극이 있으며, 노년기의 영양불량도 중요한 원인으로 제시되고 있다. 최근 시각 체계의 산화 기전의 작용이 밝혀짐에 따라 수정체의 산화적 손상을 예방하기 위해 항상화 영양소의 관심이 증가하고 있다. 이에 백내장과 관련된 선행연구는 대부분 항산화 영양소에 초점이 맞춰져 있거나 외국 문헌으로 조사되었다. 따라서 본 연구에서는 국민건강영양조사(2015-2017년) 자료를 이용하여 항산화 영양소를 포함한 식이 섭취에 따른 백내장 유병의 관련성을 조사하였다. 본 연구에서 60세 이상 한국인의 백내장 유병률은 51.8%(정상군 781명, 백내장군 838명)이며, 여성이 남성보다 높은 유병률을 보였다. 다량영양소의 섭취 결과 에너지 대비 탄수화물 섭취가 많으면 백내장 위험도가 높게 나타났으나, 에너지 대비 단백질과 지방 섭취가 많을 땐 오히려 백내장 위험도가 낮아졌다. 비타민 및 무기질에서 레티놀(retinol), 리보플라빈(riboflavin), 나이아신(niacin)의 섭취가 많으면 백내장 위험이 약 0.5-0.7배 낮은 결과를 보였다. 나트륨 섭취량은 에너지섭취량에 따라 분석한 결과 전체 대상자와 여성에서 에너지섭취량이 적고 나트륨 섭취량이 적을 때 백내장 위험이 각각 약 0.5배, 약 0.3배 낮은 결과를 보였다. 그러나 여성에서 에너지섭취량과 나트륨 섭취량이 많을수록 백내장 위험도가 높아지는 경향을 보였다. 식품군에서는 백내장군이 버섯과 우유 및 유제품의 섭취량이 적고 과일 섭취량이 많은 것으로 나타났다. 과일 섭취량을 공복혈당에 따라 분석한 결과 정상 혈당을 가진 남성은 적정량 과일을 섭취하였을 때 백내장의 위험도가 낮게 나타났으나, 당뇨가 있는 여성이 과일을 많이 섭취하였을 때 백내장 위험도가 오히려 높아진 결과를 보였다.
최근 인공지능(AI)의 발전으로 일상생활에서도 이를 활용하고 질병을 예측하는 연구가 활발히 진행되고 있다. 또한, 인공지능(AI)을 기반으로 한 질병 예측은 많은 양의 데이터를 정확하게 변별할 수 있어 맞춤형 의료서비스를 실현할 뿐만 아니라 막대한 사회적 비용을 줄여 노년층의 삶의 질을 향상할 수 있다는 선행연구가 보고되었다. 따라서 본 연구에서는 인공지능(AI) 기반인 머신러닝을 적용하여 백내장 예측모델을 구축하였으며, 국민건강영양조사(2015-2017년)에 참여한 60-79세 여성은 총 190명(정상군 66명, 백내장군 124명)으로 나타났다. 본 연구의 변수중요도 결과 랜덤포레스트는 “칼슘”이 가장 우수한 변수로 나타났으며, 다음으로 “포화지방산(SFA)”, “단일불포화지방산(MUFA)”, “카로틴(carotene)” 등이 해당하였다. XGBoost는 “비만 여부”가 가장 우수한 변수로 나타났으며, 다음으로 “현재 경제 활동상태”, “당화혈색소(HbA1c)”, “나이아신(niacin)” 등이 해당하였다. 머신러닝을 기반으로 한 예측모델의 성능평가는 F1-score 79%, 정확도 71%, AUROC 65%, AUPRC 81% 값을 얻은 SVM 모델이 가장 우수한 성능을 보였다.
본 연구를 통해 60세 이상 한국인의 백내장 위험요인을 파악할 수 있었다. 특히 에너지 대비 탄수화물, 단백질, 지방의 섭취와 나트륨 및 과일 섭취량이 백내장 발생위험과 높은 관련성을 보였다. 따라서 탄수화물 섭취를 줄이고 단백질을 보충하며, 건강한 지방인 견과류와 올리브오일 등의 섭취를 늘리는 식습관이 필요할 것으로 사료된다. 이와 더불어 적당한 양의 채소와 과일을 섭취한다면, 백내장 발생을 늦추거나 예방하는 데 도움이 될 것으로 사료된다. 지금까지 백내장의 위험요인을 파악한 연구는 국내 일부 변수들에 한정하여 진행된 소수의 연구만 진행되었으며, 식품군과 영양소섭취량을 전체적으로 분석한 연구는 없었다. 또한, 인공지능(AI)을 활용한 연구에서도 영양소섭취량을 포함하여 백내장을 예측한 모델은 없으므로 본 연구는 의의가 있다고 할 수 있다. 본 연구결과는 60세 이상 한국인의 백내장 발생을 늦추거나 실명을 예방하는데 기여할 수 있을 것으로 사료되며, 향후 국내외 대규모 스크리닝 및 대중 보건 연구에서 질병 예측 분야의 정보로 활용될 것으로 사료된다.
Cataract is a major cause of a loss of eyesight, blindness, and is a major health issue in an aging society. The cause of cataract is various exterior/interior stimuli and age and gender, and malnutrition is also an important cause. Therefore, recently the increased interest in antioxidant nutrients prevents oxidative damage to the lens, but studies related to cataract have focused on antioxidant nutrients or mostly on foreign literature. This study examined the relationship of cataract diseases according to the nutritional status, including antioxidant nutrients, using the data from the KNHANES(2015-2017). The prevalence rate of cataract among Koreans aged 60 or older was 51.8% (normal 781, cataract 838), with women a higher prevalence rate than men. Carbohydrate, protein, and fat energy ratio was a high of carbohydrate energy in the cataract increased the cataract risk, but a high proportion of protein and fat-reduced cataract risk. In vitamins and minerals, retinol, riboflavin, and niacin were low in cataract risk. In sodium intake, the risk of cataract was 0.5 times lower when energy and sodium intake were low. However, women were at higher risk of cataract when they take more sodium in the energy intake Q4. Analysis of consumption in the food group that mushroom and milk intake in the cataract group was low, but the fruits were high. Associations between fasting blood sugar-adjusted with fruit intake and cataract were analyzed. As a result, men with normal blood sugar had a lower risk of cataract when they intake the right amount of fruit, but women with diabetes had a higher risk of cataract if they intake much fruit.
Recently developing artificial intelligence (AI), research is being actively conducted to utilize it in everyday life and predict disease. Furthermore, disease prediction based on AI can accurately differentiate large amounts of data, thereby realizing customized medical services and improving older people''s quality of life by reducing substantial social costs. Therefore, in this study, a cataract prediction model was established by applying machine learning based on AI to women aged 60 to 79 using the data from the KNHANES(2015-2017). This study''s cataract prediction model was for a total of 190 older women aged 60-79 (normal 66, cataract 124). The study''s variable importance in a random forest that “calcium” was the best variable, followed by “saturated fatty acid (SFA)”, “monounsaturated fatty acid (MUFA)”, and “carotene”. XGBoost was the best variable for “obesity”, followed by “current economic activity status”, “HbA1c”, and “niacin”. The SVM algorithm showed accuracy 71%, F1-score 79%, AUROC 65%, AUPRC 81%, which was the best among machine learning.
The women need dietary habits, which reduce carbohydrate intake, supplement protein, and increase healthy fats such as nuts and olive oil. Also, the intake of vegetables and moderated fruits could be effective in preventing cataract.
목차
- 국문요약Ⅰ. 서 론 = 1Ⅱ. 문헌고찰 = 51. 노인의 영양 = 52. 백내장 = 73. 백내장과 영양 = 104. 국민건강영양조사 = 125. 머신러닝 = 131) 서포트벡터머신(Support Vector Machine) = 142) 랜덤포레스트(Random Forest) = 153) XGBoost(eXtreme Gradient Boosting) = 164) 인공신경망(Artificial Neural Network) = 175) 머신러닝 모형 평가 = 19Ⅲ. 연구내용 및 방법 = 23Study 1. 60세 이상 한국인의 식이 섭취와 백내장 유병의 관련성 연구 = 231. 연구대상 및 설계 = 232. 변수정의 = 253. 통계분석 = 30Study 2. 인공지능(AI)을 기반으로 한 백내장 예측모델 개발 = 311. 연구대상 및 자료수집 = 312. 변수정의 = 323. 데이터 전처리 = 364. 계층별 교차검증 = 375. 전체 분석 과정 = 38Ⅳ. 연구결과 = 41Study 1. 60세 이상 한국인의 식이 섭취와 백내장 유병의 관련성 연구 = 411. 한국의 백내장 유병률 추정 = 412. 연구대상자의 일반적인 특성 = 453. 연구대상자의 일반적인 특성에 따른 백내장 위험도 = 504. 생화학적 지표 분석 = 555. 다량영양소 섭취량 분석 = 576. 다량영양소 섭취에 따른 백내장 위험도 = 607. 탄수화물, 단백질, 지방 에너지비 분석 = 698. 탄수화물, 단백질, 지방 에너지비와 백내장 위험도 = 729. 비타민 섭취량 분석 = 7610. 비타민 섭취량에 따른 백내장 위험도 = 7911. 무기질 섭취량 분석 = 8412. 무기질 섭취량에 따른 백내장 위험도 = 8713. 나트륨 섭취량에 따른 백내장 위험도 = 9014. 식품군 섭취 분석 = 9715. 채소 및 과일 섭취량에 따른 백내장 위험도 = 100Ⅴ. 고찰 = 108Study 2. 인공지능(AI)을 기반으로 한 백내장 예측모델 개발 = 1191. 대상자의 일반적인 특성 = 1192. 예측모델 검증 및 평가 = 1211) 서포트벡터머신(Support Vector Machine) = 1212) 랜덤포레스트(Random forest) = 1263) XGBoost(eXtreme Gradient Boosting) = 1334) 다층퍼셉트론(Multi-Layer Perceptron) = 1403. 백내장 예측확률 및 모델별 비교 분석 = 1454. 실무에서의 적용 = 147Ⅵ. 고찰 = 150Ⅶ. 요약 및 결론 = 153참고문헌 = 156APPENDIX = 175ABSTRACT = 177
최근 본 자료
