서비스연구 (Journal of Service Research and Studies)

  • 제13권1호
  • /
  • Pages.63-75
  • /
  • 2023
  • /
  • 2234-2850(pISSN)
  • /
  • 2466-1813(eISSN)
서비스사이언스학회 (The Society of service Science)
권호 표지
DOI QR코드

DOI QR Code

대기오염물질 농도에 따른 천식 응급환자 수 예측 연구

A prediction study on the number of emergency patients with ASTHMA according to the concentration of air pollutants

  • 투고 : 2023.02.03
  • 심사 : 2023.03.01
  • 발행 : 2023.03.31
PDF 다운로드
⟨ 이전 논문 다음 논문 ⟩

초록

산업이 발전하면서 대기오염물질에 대한 관심도는 높아졌다. 대기오염물질은 환경오염, 지구 온난화 등 다양한 분야에 영향을 미쳤다. 그 중 환경성 질환은 대기오염물질에 의해 영향을 받은 분야 중 하나이다. 대기오염물질은 분자의 크기가 작아 인체의 피부나 호흡기를 통해 영향을 미칠 수 있다. 이러한 점 때문에 대기오염물질과 환경성 질환에 대한 연구가 다양하게 진행됐다. 환경성 질환의 일환인 천식은 증상이 심해져 천식발작을 일으킬 경우 생명에 위협을 줄 수 있고 성인 천식의 경우 한번 발병을 하면 완치가 어렵다. 천식을 악화시키는 요인에는 황사, 대기오염이 포함된다. 전 세계적으로 천식은 유병률이 증가하고 있는 추세이다. 본 논문에서는 대기오염물질이 천식 환자의 응급실 입원 건수와 어떤 상관관계를 가지는지 연구하고 상관관계가 높은 대기오염물질을 이용하여 미래의 천식 환자 수를 예측했다. 대기오염물질은 아황산가스(SO2), 일산화탄소(CO2), 오존(O3), 이산화질소(NO2)와 미세먼지(PM10) 5가지 대기오염물질의 농도를 이용하고 환경성 질환은 천식 환자의 응급실 입원 건수 데이터를 이용하였다. 대기오염물질과 천식의 응급환자 수에 대한 데이터는 2013년 1월1일 부터 2017년 12월 31일 까지 총 5년 치의 데이터를 이용하였다. 모델은 Informer와 LTSF-Linear의 두 가지 모델을 이용하여 예측을 진행하였고 모델의 성능을 측정하기 위해 MAE, MAPE, RMSE 의 성능지표를 이용했다. 천식의 응급환자 수 예측은 응급환자 수를 포함하여 예측을 진행한 경우와 포함하지 않고 진행한 두 가지 경우 모두 진행하여 결과를 비교했다. 본 논문은 Informer와 LTSF-Linear 모델을 이용한 천식 응급환자 수의 예측에 모델의 성능을 향상 시키는 대기 오염물질을 제시한다.

Due to the development of industry, interest in air pollutants has increased. Air pollutants have affected various fields such as environmental pollution and global warming. Among them, environmental diseases are one of the fields affected by air pollutants. Air pollutants can affect the human body's skin or respiratory tract due to their small molecular size. As a result, various studies on air pollutants and environmental diseases have been conducted. Asthma, part of an environmental disease, can be life-threatening if symptoms worsen and cause asthma attacks, and in the case of adult asthma, it is difficult to cure once it occurs. Factors that worsen asthma include particulate matter and air pollution. Asthma is an increasing prevalence worldwide. In this paper, we study how air pollutants correlate with the number of emergency room admissions in asthma patients and predict the number of future asthma emergency patients using highly correlated air pollutants. Air pollutants used concentrations of five pollutants: sulfur dioxide(SO2), carbon monoxide(CO), ozone(O3), nitrogen dioxide(NO2), and fine dust(PM10), and environmental diseases used data on the number of hospitalizations of asthma patients in the emergency room. Data on the number of emergency patients of air pollutants and asthma were used for a total of 5 years from January 1, 2013 to December 31, 2017. The model made predictions using two models, Informer and LTSF-Linear, and performance indicators of MAE, MAPE, and RMSE were used to measure the performance of the model. The results were compared by making predictions for both cases including and not including the number of emergency patients. This paper presents air pollutants that improve the model's performance in predicting the number of asthma emergency patients using Informer and LTSF-Linear models.

키워드

과제정보

이 논문은 환경부 "기후변화특성화대학원사업"의 지원에 의한 결과임.

참고문헌

  1. Airkorea (2023), ''아황산가스", 2023년 02월 24 일 접속, https://www.airkorea.or.kr/web/airMatter?pMENU_NO=130
  2. Cao, Q., Liang, Y., and Niu, X. (2017), China's air quality and respiratory disease mortality based on the spatial panel model, International Journal of Environmental Research and Public Health, 14(9), 1081.
  3. Cho, Il H., Ju, H. J., and Kwon, G. H.(2013), The Impact Analysis of Air Pollutants on Increasing Environmental Disease : Focusing on Allergic Rhinitis and Asthma in Seoul Metropolitan City, Seoul Studies, 14(2), 97-114. https://doi.org/10.23129/SEOULS.14.2.201306.97
  4. Kim, M.J. and Lim, G.L. (2020), Bigdata Analysis of Fine Dust Theme Stock Price Volatility According to PM10 Concentration Change, Journal Of Service Research and Studies, 10(1), 55-67. https://doi.org/10.18807/JSRS.2020.10.1.055
  5. Lee, K.H. (2020), "Effects of Psychological and Physiological Factors on Asthma in Korean Adults", Science of Emotion & Sensibility, 23(2), 13-22. https://doi.org/10.14695/KJSOS.2020.23.2.13
  6. Park, H.K. (2018), Air pollution and climate change: Effects on asthmatic patients, Allergy, Asthma & Respiratory Disease, 6(2), 79-84. https://doi.org/10.4168/aard.2018.6.2.79
  7. Park, J.H., Park, Y.Y., Lee, E.J., and Lee, K.S. (2020), Analysis on the effects of particular matter distribution on the number of outpatient visits for allergic rhinitis, Health Policy and Management, 30(1), 50-61. https://doi.org/10.4332/KJHPA.2020.30.1.50
  8. Parker, J.D., Akinbami, L.J. and Woodruff, T.J. (2009), Air pollution and childhood respiratory allergies in the United States, Environmental Health Perspectives, 117(1), 140-147 https://doi.org/10.1289/ehp.11497
  9. Polezer, G., Tadano, Y.S., Siqueira, H.V., Godoi. A.F.. Yamamoto, C.I., de Andre, P.A......, and Godoi, R.H. (2018), Assessing the impact of PM2.5 on respiratory disease using artificial neural networks, Environmental Pollution, 235, 394-403 https://doi.org/10.1016/j.envpol.2017.12.111
  10. Pruss-Ustun, A., Wolf, J., Corvalan, C., Bos, R., and Neira, M. (2016), Preventing disease through healthy environments: a global assessment of the burden of disease from environmental risks, World Health Organization
  11. Qiu, H., Yu, I., Tian, L. T., Wang, X., Tse, L. A., Tam, W., and Wong, T. (2012), Effects of coarse particulate matter on emergency hospital admissions for respiratory diseases: a time-series analysis in Hong Kong, Environmental Health Perspectives, 120(4), 572-576. https://doi.org/10.1289/ehp.1104002
  12. Seo, H. J. and Lee, H. S. (2019), How air pollutants influence on Environmental diseases : Focused on Seoul Metropolitan Area, Seoul Studies, 20(3), 39-59 https://doi.org/10.23129/SEOULS.20.3.201909.39
  13. Seoul national university hospital, 천식의 증상, 2023년 02월 24일 접속, http://www.snuh.org/health/nMedInfo/nView.do?category=DIS&medid=AA000398
  14. World Health Organization (2006), Preventing disease through health environments
  15. Yara D. S.T., Siqueira, H.V., and Alves, T.A. (2016), Unorganized machines to predict hospital admissions for respiratory diseases, IEEE Latin American Conference on Computational Intelligence(LA-CCI), 1-6
  16. Zeinab, N. S., Karimi, M., and Alesheikh, A. (2020), Environmental and infrastructural effects on respiratory disease exacerbation: a LBSN and ANN-based spatio-temporal modelling, Environmental Monitoring and Assessment, 192, 1-17 https://doi.org/10.1007/s10661-019-7904-3
  17. Zeng, A., Chen M., Zhang, L. and Xu, Q. (2022), Are transformers effective for time series forecasting?, arXiv preprint.