• 한국방사선학회논문지
• /
• 제13권3호
• /
• pp.381-389
• /
• 2019

약물용출 스텐트(drug-eluting stents, DES)는 일반 금속 스텐트에 비하여 재협착을 현저하게 줄였지만, 여전히 관상동맥 스텐트 재협착은 비율이 높다. 2012년 11월부터 2016년 12월까지의 일 대학교병원 심혈관센터에서 경피적 관상동맥 스텐트 삽입술 후 관상동맥 조영술에서 스텐트 재협착 환자 187명 그룹 I (약물코팅 풍선카테터 사용, n=127명), 그룹 II (약물용출 스텐트 사용, n=60명)로 분류하여 치료효과, 주요심장사건, 사망 발생률, 심근경색, 표적병변 재개통술 그리고 스텐트 혈전 등을 2년 동안 추적 분석하였다. 임상적 특성은 두 그룹간 차이는 없었고($21.1{\pm}5.3$ vs. $25.3{\pm}9.6 mm$, p<0.002), 혈관조영검사에서 약물코팅 풍선카테터 사용 그룹에서 스텐트 재협착 길이가 짧았다. 주요심장사건은 8.7%vs.10.0%, p=0.789, 사망발생률 0%vs. 0%,p=1.000, 심근경색 1.6%vs.6.7%, p=0.085, 표적병변 재개통술 8.7% vs. 10.0%, p=0.789 그리고 스텐트 혈전증 0% vs. 0%, p=1000에서 양군 간에 차이를 보이지 않았다. 약물코팅 풍선카테터가 약물방출 스텐트와 비교하여 2년 추적 검사 결과 주요심장사건에서 차이가 없었고, 약물코팅 풍선카테터는 스텐트 재협착 병변에서 약물방출 스텐트와 함께 선택할 수 있는 좋은 치료방법이라고 사료된다.

• 지능정보연구
• /
• 제23권4호
• /
• pp.127-146
• /
• 2017

상품자산(Commodity Asset)은 주식, 채권과 같은 전통자산의 포트폴리오의 안정성을 높이기 위한 대체투자자산으로 자산배분의 형태로 투자되고 있지만 주식이나 채권 자산에 비해 자산배분에 대한 모델이나 투자전략에 대한 연구가 부족한 실정이다. 최근 발전한 기계학습(Machine Learning) 연구는 증권시장의 투자부분에서 적극적으로 활용되고 있는데, 기존 투자모델의 한계점을 개선하는 좋은 성과를 나타내고 있다. 본 연구는 이러한 기계학습의 한 기법인 SVM(Support Vector Machine)을 이용하여 상품자산에 투자하는 모델을 제안하고자 한다. 기계학습을 활용한 상품자산에 관한 기존 연구는 주로 상품가격의 예측을 목적으로 수행되었고 상품을 투자자산으로 자산배분에 관한 연구는 찾기 힘들었다. SVM을 통한 예측대상은 투자 가능한 대표적인 4개의 상품지수(Commodity Index)인 골드만삭스 상품지수, 다우존스 UBS 상품지수, 톰슨로이터 CRB상품지수, 로저스 인터내셔날 상품지수와 대표적인 상품선물(Commodity Futures)로 구성된 포트폴리오 그리고 개별 상품선물이다. 개별상품은 에너지, 농산물, 금속 상품에서 대표적인 상품인 원유와 천연가스, 옥수수와 밀, 금과 은을 이용하였다. 상품자산은 전반적인 경제활동 영역에 영향을 받기 때문에 거시경제지표를 통하여 투자모델을 설정하였다. 주가지수, 무역지표, 고용지표, 경기선행지표 등 19가지의 경제지표를 이용하여 상품지수와 상품선물의 등락을 예측하여 투자성과를 예측하는 연구를 수행한 결과, 투자모델을 활용하여 상품선물을 리밸런싱(Rebalancing)하는 포트폴리오가 가장 우수한 성과를 나타냈다. 또한, 기존의 대표적인 상품지수에 투자하는 것 보다 상품선물로 구성된 포트폴리오에 투자하는 것이 우수한 성과를 얻었으며 상품선물 중에서도 에너지 섹터의 선물을 제외한 포트폴리오의 성과가 더 향상된 성과를 나타남을 증명하였다. 본 연구에서는 포트폴리오 성과 향상을 위해 기존에 널리 알려진 전통적 주식, 채권, 현금 포트폴리오에 상품자산을 배분하고자 할 때 투자대상은 상품지수에 투자하는 것이 아닌 개별 상품선물을 선정하여 자체적 상품선물 포트폴리오를 구성하고 그 방법으로는 기간마다 강세가 예측되는 개별 선물만을 골라서 포트폴리오를 재구성하는 것이 효과적인 투자모델이라는 것을 제안한다.