• 보건행정학회지
• /
• 제34권3호
• /
• pp.334-346
• /
• 2024

연구배경: 주관적 건강상태와 미충족 의료필요의 연관성에 관한 심층적 연구는 국내·외에 거의 없었다. 본 연구는 주관적 건강상태가 나쁜 인구 비율이 세계에서 가장 높은 수준인 한국의 경우 주관적 의료필요 여부와 의료필요 충족 여부가 주관적 건강상태에 어떤 영향을 주는지를 분석하고 정책과제를 도출하였다. 방법: Coronavirus disease 2019의 영향을 배제하기 위해 2014-2018년 한국의료패널조사의 경시적 자료를 활용해 19세 이상 성인 16,535명에 대한 총 68,930건의 관찰치를 분석하였다. 종속변수인 주관적 건강상태는 '나쁨'(나쁨 또는 매우 나쁨)과 '나쁘지 않음'(보통, 좋음, 또는 매우 좋음)으로 이분하였다. 주요 관심 변수는 주관적 의료필요 여부와 의료필요 충족 여부였으며, 통제변수로는 14개의 사회인구학적, 건강 및 기능 상태 특성을 포함하였다. 복합 표본추출 설계를 고려하여, 성별에 따라 인구 비율 분석 및 다변수 2수준 이분형 로지스틱 회귀분석을 사용하였다. 결과: 2018년에 건강상태가 '나쁨'이라고 보고한 인구 비율은 남성이 8.7% (95% confidence interval [CI], 8.0%-9.5%), 여성이 14.7% (95% CI, 13.8%-15.6%)였다. 건강상태가 '나쁨'이라고 보고할 가능성은, 의료필요가 충족되었던 사람과 비교했을 때, 의료필요가 없었던 사람들은 매우 낮았으나(남성: adjusted odds ratio [AOR], 0.58; 95% CI, 0.39-0.86; 여성: AOR, 0.59; 95% CI, 0.37-0.93), 의료필요가 미충족 되었던 사람들은 높았다(남성: AOR, 2.31; 95% CI, 2.01-2.65; 여성: AOR, 2.19; 95% CI, 1.98-2.43). 정책효과 시뮬레이션에 따르면, 건강상태가 '나쁨'이라고 보고할 가능성을 낮추기 위해서는 의료필요의 경험을 줄이는 정책이 의료필요의 미충족 경험을 줄이는 정책보다 약 다섯 배 더 효과적이었다. 결론: 주관적 건강상태는 주관적 의료필요 여부 및 의료필요 충족 여부와 유의적으로 관련이 있었다. 객관적 건강지표는 세계 최고 수준인데 반해 주관적 건강지표는 세계 최저 수준인 한국의 경우, 국민의 주관적 건강수준을 향상시키고 의료가 적절히 이용되도록 하기 위해서는 주관적 의료필요를 관리하는 정책들이 시급하다. 이들 정책에는 (1) 국민 개개인이 스스로 건강을 적극적으로 관리하도록 유도, (2) 선진국 수준의 1차 의료 및 보건의료전달체계 확립, (3) 국민 건강관리·운영체계의 지방 분권화, (4) 국민들이 의료가 필요하다고 오인할 가능성을 최대한 방지하는 제도적 방안 등이 포함되어야 할 것이다.

• 지능정보연구
• /
• 제18권2호
• /
• pp.29-45
• /
• 2012

회사채 신용등급은 투자자의 입장에서는 수익률 결정의 중요한 요소이며 기업의 입장에서는 자본비용 및 기업 가치와 관련된 중요한 재무의사결정사항으로 정교한 신용등급 예측 모형의 개발은 재무 및 회계 분야에서 오랫동안 전통적인 연구 주제가 되어왔다. 그러나, 회사채 신용등급 예측 모형의 성과와 관련된 가장 중요한 문제는 등급별 데이터의 불균형 문제이다. 예측 문제에 있어서 데이터 불균형(Data imbalance) 은 사용되는 표본이 특정 범주에 편중되었을 때 나타난다. 데이터 불균형이 심화됨에 따라 범주 사이의 분류경계영역이 왜곡되므로 분류자의 학습성과가 저하되게 된다. 본 연구에서는 데이터 불균형 문제가 존재하는 다분류 문제를 효과적으로 해결하기 위한 다분류 기하평균 부스팅 기법 (Multiclass Geometric Mean-based Boosting MGM-Boost)을 제안하고자 한다. MGM-Boost 알고리즘은 부스팅 알고리즘에 기하평균 개념을 도입한 것으로 오분류된 표본에 대한 학습을 강화할 수 있으며 불균형 분포를 보이는 각 범주의 예측정확도를 동시에 고려한 학습이 가능하다는 장점이 있다. 회사채 신용등급 예측문제를 활용하여 MGM-Boost의 성과를 검증한 결과 SVM 및 AdaBoost 기법과 비교하여 통계적으로 유의적인 성과개선 효과를 보여주었으며 데이터 불균형 하에서도 벤치마킹 모형과 비교하여 견고한 학습성과를 나타냈다.