Podiatric Clinical Diagnosis using Decision Tree Data Mining

결정트리 데이터마이닝을 이용한 족부 임상 진단

  • Kim, Jin-Ho (Department of Healthcare Engineering, Chonbuk National University) ;
  • Park, In-Sik (Department of Healthcare Engineering, Chonbuk National University) ;
  • Kim, Bong-Ok (Department of Rehabilitation, Chungnam National University College of Medicine) ;
  • Yang, Yoon-Seok (Division of Biomedical Engineering, Chonbuk National University) ;
  • Won, Yong-Gwan (School of Electronics and Computer Engineering, Chonnam National University) ;
  • Kim, Jung-Ja (Division of Biomedical Engineering, Chonbuk National University)
  • 김진호 (전북대학교 헬스케어공학과) ;
  • 박인식 (전북대학교 헬스케어공학과) ;
  • 김봉옥 (충남대학교병원 재활의학과) ;
  • 양윤석 (전북대학교 바이오메디컬공학부) ;
  • 원용관 (전남대학교 공과대학 전자컴퓨터공학과) ;
  • 김정자 (전북대학교 바이오메디컬공학부)
  • Received : 2011.02.14
  • Accepted : 2011.03.07
  • Published : 2011.03.25

Abstract

With growing concerns about healthy life recently, although the podiatry which deals with the whole area for diagnosis, treatment of foot and leg, and prevention has been widely interested, research in our country is not active. Also, because most of the previous researches in data analysis performed the quantitative approaches, the reasonable level of reliability for clinical application could not be guaranteed. Clinical data mining utilizes various data mining analysis methods for clinical data, which provides decision support for expert's diagnosis and treatment for the patients. Because the decision tree can provide good explanation and description for the analysis procedure and is easy to interpret the results, it is simple to apply for clinical problems. This study investigate rules of item of diagnosis in disease types for adapting decision tree after collecting diagnosed data patients who are 2620 feet of 1310(males:633, females:677) in shoes clinic (department of rehabilitation medicine, Chungnam National University Hospital). and we classified 15 foot diseases followed factor of 22 foot diseases, which investigated diagnosis of 64 rules. Also, we analyzed and compared correlation relationship of characteristic of disease and factor in types through made decision tree from 5 class types(infants, child, adolescent, adult, total). Investigated results can be used qualitative and useful knowledge for clinical expert`s, also can be used tool for taking effective and accurate diagnosis.

최근 건강에 대한 관심이 고조 되면서 발과 다리에 대한 진단, 치료, 예방의 전반적인 진료를 맡고 있는 족부의학(Podiatry)이 주목받고 있지만 국내 연구는 미비한 실정이다. 또한 임상 데이터 분석에 있어 대부분의 기존 연구들은 기초 통계적인 방법에 근거한 정량분석만을 수행함으로서, 획득된 정보를 임상에 적용 하는데 있어서는 충분한 신뢰성을 보장할 수 없다. 임상데이터 마이닝은 데이터마이닝의 다양한 분석 방법론을 이용하여 의료 현장에서 발생한 임상 데이터를 분석함으로서 전문가의 진단과 치료 과정의 결정에 도움을 주고 있다. 결정트리(Decision Tree) 알고리즘은 분석과정의 설명과 표현성이 좋고, 결과에 대한 해석이 편리하여 임상에서 적용하기가 용이하다. 본 연구에서는 신뢰성 있는 족부 임상 진단 평가를 위해 충남대학교병원 재활의학과 신발클리닉에 내원한 환자 1310명(남자:633명, 여자:677명)의 2620족(foot)을 대상으로 수집된 진료 데이터에 결정트리를 적용하여 22개의 족부 질환 인자에 따르는 15개의 족부 질환을 분류하고 그에 대한 64개의 진단 규칙을 탐사 하였다. 또한 5개의 클래스(영유아, 소아, 청소년, 노인, 전체)로 분류된 각 그룹들로부터 생성된 결정 트리를 통해 각 클래스의 질환 특징과 질환 주요 인자, 클래스 간 상관관계를 비교, 분석하였다. 탐사된 결과는 족부 임상 전문가의 의사결정에 더욱 정성적이고 유용한 선험적 지식을 제공할 것이고, 효과적이고 정확한 진단과 예측을 위한 임상 도구로써 사용될 수 있다.

Keywords

References

  1. Kevin Deschamps, Ivan Birch, Kaat Desloovere, Giovanni A. Matricali, "The impact of hallux valgus on foot kinematics : A cross-sectional comparative study", Gait & Posture, Vol. 32, no. 1, pp. 102-106, 2010. https://doi.org/10.1016/j.gaitpost.2010.03.017
  2. Yu-Chi Chen, Shu-Zon Lou, Chen-Yu Huang, Fong-Chin Su, "Effects of foot orthoses on gait patterns of flat feet patients", Clinical Biomechanics, Vol. 25, no. 3, pp. 502-505, 2010.
  3. Joshua Burns, Jack Crosbie, "Weight bearing ankle dorsiflexion range of motion in idiopathic pes cavus compared to normal and pes planus feet", The Foot, Vol. 15, no. 2, pp. 91-94, 2005. https://doi.org/10.1016/j.foot.2005.03.003
  4. 김천식, 홍유식, 정명희, "데이터 마이닝을 이용한 차량 사고자 사망확률 모형", 대한전자공학회논문지, 제43권, 제9호, 15-31쪽, 2006년.
  5. Blum RL. "Displaying clinical data from a time-oriented database", Computers in Biology and Medicine, Vol. 11, no. 4, pp. 197-210, 1981. https://doi.org/10.1016/S0010-4825(81)80022-4
  6. Tiet Q, Ilgen MA, Byrnes HF, Moos RH. "Suicide attempts among substance use disorder patients: an initial step toward a decision tree for suicide management" Alcoholism: Clinical and Experimental Research, Vol. 30, no. 6, pp. 998-1005, 2006. https://doi.org/10.1111/j.1530-0277.2006.00114.x
  7. 이아름, 박용군, 권대규, 김정자, "가중연관규칙 탐사를 이용한 재활훈련운동과 근육 활성의 연관성 분석", 전자공학회논문지, 제46권, CI편 제6호, 7-17쪽, 2009년.
  8. Jiawei Han, Micheline Kamber 공저, 강창완등 옮김, "데이터 마이닝 : 개념과 기법", 사이플러스, 271-290쪽, 2007년.
  9. 최종후, "데이터마이닝 의사결정나무분석", 고려정보산업, 17-31쪽, 1998년.
  10. 이중현, 이영신, 이재옥, 박성하. "Orthotics 착용에 따른 정상, 요족, 평발의 생체역학적 보행분석 및 시뮬레이션", 대한기계학회논문집, 제31권, 제11호, 1115-1123쪽, 2007년.
  11. 송동호, 이윤, 은백린, 이광재, 강상국, 박성진, 유성, 신정빈, 김봉옥. "경골 내염전 환아에서 경비골 역회전 교정장치(TCR)의 치료 효과", 대한소아과학회, 제50권, 제1호, 79-84쪽, 2007년.
  12. Hutter CG, Scott W. "Tibial torsion", J Bone Joint Surg Br, vol. 21, no. A, pp. 511-518, 1949.
  13. McDonough MW. "Angular and axial deformities of legs of children", Clin Podiatry, vol. 1, pp. 601-620, 1984.
  14. Quinlan R., "Induction of decision tree", Machine Learning, Vol. 1, no. 1, pp. 81-106, 1986.
  15. Bohannon RW, Smith MB. "Interrater reliability of a modified Ashworth scale of muscle spasticity" Phys Ther, Vol. 67, pp. 206-207, 1978.
  16. Bao-Ling Adam, Yinsheng Qu, John W. Davis, et al., "Serum protein fingerprinting coupled with pattern-matching algorithm distinguishes prostate cancer from benign prostate hyperplasia and healthy men", Cancer Res, Vol. 62, pp. 3609-3614, 2002.
  17. Yonggwan Won, Ho-Jun Song, Taek Won Kang, Jung-Ja Kim, Byoung-Don Han, Seung-won Lee, "Pattern analysis of serum proteome distinguishes renal cell carcinoma from other urologic diseases and healthy persons", Proteomics, Vol. 3, no. 12, pp. 2310-2316, 2003. https://doi.org/10.1002/pmic.200300590