• Journal of Chest Surgery
• /
• 제41권5호
• /
• pp.610-618
• /
• 2008

배경: 동맥경화성 하지 동맥 폐색증의 치료는 보존적 운동 요법, 약물 요법, 수술 방법 등으로 증상의 완화 및 혈류 개선을 기대할 수 있는데 그 중 동맥간 우회로 수술이 가장 효과적이라고 알려져 있다. 본 연구는 본원에서 시행한 우회로 수술의 단기 추적 결과를 조사하여 그 효과를 평가하고 개존율에 영향을 미치는 인자를 분석하여 향후 치료의 지표로 삼고자 한다. 대상 및 방법: 2002년 6월에서 2006년 4월까지 본원 흉부외과에서 동맥경화성 하지 동맥 폐색증으로 진단받고 동맥간 우회로 수술을 받았던 환자 96명을 대상으로 하였다. 증상과 Ankle-brachial index (ABI)의 변화를 통해 우회로 수술의 효용성을 파악하고 수술 후 합병증, 하지 절단율 그리고 이식편 개존율 등을 통해 단기 결과를 확인하였다. 성별, 연령, 흡연 유무, 동반 질환, 문합 위치, 이식편의 크기와 종류 등의 항목으로 개존율에 미치는 위험인자를 확인하였다. 이외에 폐색 부위, 약 복용 등을 각 의무기록을 바탕으로 후향적으로 조사하였다. 전체 평균 추적 기간은 $29.4{\pm}13.1$개월이었다. 결과: 대상 환자들의 평균 연령은 $65.95{\pm}9.61$세로 남성이 88예였으며 허혈성 하지 통증이 가장 많은 증상이었다. 동반 질환으로는 고혈압(61%), 당뇨병(42%), 심장 질환(35%) 순이었고 흡연자는 88명(91.7%)이었다 동맥 폐색 부위 중 가장 많은 부위는 표재성 대퇴동맥으로 44예(40%) 이었다. 수술 방법 중 이식편으로 Polytetra-fluoroethylene (PTFE) 인조 혈관을 이용한 대퇴-슬와동맥간 우회로술을 가장 많이 시행하였으며 대복재정맥도 11예에서 사용하였다. ABI는 수술 전 $0.30{\pm}0.11$에서 수술 후 $0.63{\pm}0.11$으로 의미 있는 증가를 보였다(p<0.001). 수술 후 1년, 3년 이식편 개존율은 각각 86.4%, 68.0%이었다. 개존 실패를 보인 경우는 29예(30.21%)였으며 남성, 흡연 그리고 고혈압이 동반되어 있는 경우가 실패군에서 유의하게 높았고 이 중 고혈압이 위험인자로 유의한 결과를 보였다(p=0.042). 결론: 동맥경화성 하지 동맥 폐색증의 동맥간 우회로 수술은 하지 통증, 파행증의 호전과 하지 절단을 예방하는데 비교적 효과적인 치료 방법이다. 장기적인 이식편 개존율을 유지하기 위해서는 남성 흡연자의 금연을 적극 유도하고 고혈압 환자의 철저한 혈압 조절이 동반됨과 동시에 수술시 적절한 이식편의 선택, 규칙적인 약물 복용, 꾸준한 외래 추적관찰 등의 효과적인 관리가 필요할 것으로 사료된다.

• 지능정보연구
• /
• 제24권2호
• /
• pp.111-124
• /
• 2018

본 연구는 만성질환 중의 하나인 고지혈증 유병을 예측하는 분류모형을 개발하고자 한다. 이를 위해 SVM과 meta-learning 알고리즘을 이용하여 성과를 비교하였다. 또한 각 알고리즘에서 성과를 향상시키기 위해 변수선정 방법을 통해 유의한 변수만을 선정하여 투입하여 분석하였고 이 결과 역시 각각 성과를 비교하였다. 본 연구목적을 달성하기 위해 한국의료패널 2012년 자료를 이용하였고, 변수 선정을 위해 세 가지 방법을 사용하였다. 먼저 단계적 회귀분석(stepwise regression)을 실시하였다. 둘째, 의사결정나무(decision tree) 알고리즘을 사용하였다. 마지막으로 유전자 알고리즘을 사용하여 변수를 선정하였다. 한편, 이렇게 선정된 변수를 기준으로 SVM, meta-learning 알고리즘 등을 이용하여 고지혈증 환자분류 예측모형을 비교하였고, TP rate, precision 등을 사용하여 분류 성과를 비교분석하였다. 이에 대한 분석결과는 다음과 같다. 첫째, 모든 변수를 투입하여 분류한 결과 SVM의 정확도는 88.4%, 인공신경망의 정확도는 86.7%로 SVM의 정확도가 좀 더 높았다. 둘째, stepwise를 통해 선정된 변수만을 투입하여 분류한 결과 전체 변수를 투입하였을 때보다 각각 정확도가 약간 높았다. 셋째, 의사결정나무에 의해 선정된 변수 3개만을 투입하였을 때 인공신경망의 정확도가 SVM보다 높았다. 유전자 알고리즘을 통해 선정된 변수를 투입하여 분류한 결과 SVM은 88.5%, 인공신경망은 87.9%의 분류 정확도를 보여 주었다. 마지막으로, 본 연구에서 제안하는 meta-learning 알고리즘인 스태킹(stacking)을 적용한 결과로서, SVM과 MLP의 예측결과를 메타 분류기인 SVM의 입력변수로 사용하여 예측한 결과, 고지혈증 분류 정확도가 meta-learning 알고리즘 중에서는 가장 높은 것으로 나타났다.