혈색소를 예측하기 위한 기존 연구에는 PPG 신호의 특성을 이용한 비침습적 헤모글로빈 수치 예측이 있다. Kavsaoglu et al.(2015)은 PPG 센서 신호와 환자의 간단한 신체 정보를 이용하여 혈색소 예측을 진행하였으며, 헤모글로빈 수치를 예측했을 때 성능은 RFS(Relief-based Feature Selection)를 통해 선정된 10가지 PPG 신호와 신체 정보를 사용한 SVR(Support Vector Regression)모델이 매우 좋은 결과를 보여주었다. 하지만 PPG 광신호를 사용한 데이터를 수집하고 이용하기 어려운 문제점이 존재한다.

Yun(2020)의 말기 신부전 환자에서 순환 신경망을 이용한 혈색소 수치 예측과 조혈제 용량 권고 알고리즘 개발 연구가 있다. 이 연구에서는 수도권의 7개 대학병원에서 외래 혈액투석 중인 환자 466명을 대상으로 최대 5년간의 임상 데이터를 사용하였다. 그리고 혈색소 예측을 위해 MLR, MLP, GRU 그리고 XGBoost을 이용하여 예측 모형을 제작하고 성능을 비교 분석하였다. 연구 결과, GRU와 Gaussian noise layer를 결합한 모델이 가장 높은 성능을 보였지만, MLR을 제외한 다른 알고리즘들은 비슷한 성능을 보였다. 하지만 데이터가 특정 환자 층에 한정되어 있고 추적 연구의 특성상 시계열 데이터를 사용했기에 보편적으로 수집하기 어려운 변수들이 사용되었다. Ghosh et al.(2023)의 연구에서는 다양한 머신 러닝 알고리즘들을 사용하여 혈색소 수치를 추정하고 빈혈의 중증도를 예측하였다. 데이터는 BSMMU(Bangabandhu Sheikh Mujib Medical University)에서 수집한 전혈구계산치(Complete Blood Count, CBC)를 사용하였으며, 데이터 전처리 후 회귀 및 분류 기반 모델을 개발하여 비교했다. 신경망 모델이 혈색소 수치 추정에서 가장 높은 정확도와 낮은 오차로 우수한 성능을 보였고, RF를 이용한 모델이 빈혈 중증도 예측에서 가장 좋은 성능을 보여주었다. Dhakal et al.(2023)의 연구는 5세 이하 아동의 CBC 보고서를 사용하여 빈혈을 예측하기 위한 모델을 설계하였다. 데이터는 Kanti Children Hospital에서 수집한 700개의 데이터 기록으로 구성되었으며, 데이터 전처리 후 다양한 머신 러닝 알고리즘들을 적용하여 모델을 개발하였다. RF가 98.4%의 정확도로 최고 성능을 보였다. 그러나 특정 연령대의 데이터에 국한되었고 일반화의 어려움이 있었다. Aghajanian et al.(2024)의 연구는 산전 임상 데이터와 실험실 측정을 사용하여 출산 후 혈색소 수치를 예측하기 위해 머신 러닝 알고리즘들을 적용하였다. 데이터는 두 개의 학술 의료 센터에서 수집되었으며, 데이터 전처리 후 RF에 기반한 변수 선택을 거쳐 다양한 머신 러닝 알고리즘들을 사용하여 출산 후 혈색소 수치를 예측하였다. 신경망 모델이 가장 예측 좋은 예측 정확도를 보였다. 그러나 다양한 인구 기반 샘플을 통한 추가 연구가 필요하였고 특정 산모 집단에 국한되어 일반화가 어려운 한계점이 있다.

또한 Hong and Hong(2021a)의 건강검진 빅데이터를 이용한 MLR 기반 혈색소 추정 방법에 관한 연구가 있다. 이 연구에서 그들은 건강보험공단에서 제공하는 국민건강검진 데이터(2014, 2015, 2017)를 이용하였고, MLR을 기반으로 하는 혈색소 추정 방법을 제안하였다. 피어슨 상관계수를 통해 혈색소와 높은 상관성을 보이는 7개의 변수를 선정하였고 그 7가지 변수 모두를 사용한 MLR이 가장 낮은 오차율을 보여주었다. 하지만 선형 상관관계를 통한 변수 선택을 진행하고 있어 비선형 상관관계를 고려하지 않은 문제점과 예측 모델로 MLR만 고려하고 있다는 한계가 존재하였다. Hong and Hong(2021b)의 다른 기존 연구는 신체 및 건강 정보를 이용한 회귀분석 기반 혈색소 추정이 있다. 이 연구에서는 국민건강검진 데이터(2014-2018)를 이용하였고, 기존 연구와 동일한 변수를 사용했지만 성별, 나이, 흡연의 유무로 집단을 구분함으로써 기존 연구와 차별화된 MLR을 기반으로 한 혈색소 추정 방법을 제안하였다. 남성 청년 흡연자 집단에서 가장 낮은 오차율이 계산되었고, 그 3가지 특징을 가진 집단들이 다른 집단들보다 더 낮은 오차율을 보였다. 하지만 이전 연구와 같이 변수 선택의 불편함과 MLR에 대한 한계점이 존재하였다.

우리는 기존 Hong and Hong(2021a) 연구와 같은 국민건강검진 데이터를 이용하되, MLR 대신 머신 러닝 및 딥러닝 알고리즘들을 적용하여 기존 연구 결과의 성능을 향상시킨 모델을 제안한다. 더 상세하게 설명하면 그들의 기존 연구에서 혈색소와 독립변수 간 상관계수를 활용하여 변수 선택을 고려하는 MLR과는 달리, 가능한 모든 변수를 고려하면서 머신 러닝 및 딥러닝 알고리즘들을 적용하여 최적의 예측모델을 구축하고자 한다. 이는 변수 간 복잡한 상호작용을 반영할 수 있게 하며 다양한 연령층과 건강 상태를 포함하는 데이터를 모두 사용하여 모델의 범용성을 높일 수 있다. Yun(2020)의 기존 연구에서 가장 예측 성능이 좋은 모델인 GRU 모델은 시계열 데이터에 효과적인 성능을 보여주는 신경망 모델이다. 그러나 본 연구에서는 시계열 데이터를 고려하지 않으므로 GRU는 제외하고 GBDT(LightGBM, XGBoost, CatBoost), RF, MLP 기법들을 이용하여 예측 모델을 구축한다.

본 연구는 Figure 1과 같이 진행되며 Hong and Hong(2021a)이 고려한 국민건강검진데이터(2014, 2015, 2017)를 훈련, 검증, 실험 데이터로 나누어 실험을 진행하고 다양한 예측 정확도를 평가하여 가장 예측 성능이 좋은 모델을 관찰한다.

CatBoost는 범주형 데이터를 처리하는 새로운 방법을 제시하고 있으며, 특히 CatBoost는 알고리즘에 내장된 기능을 통해 범주형 변수를 처리하는 데 있어 좋은 성능을 보인다. Prokhorenkova et al.(2017)에 따르면 CatBoost는 범주형 특성과 수치형 특성을 모두 처리할 수 있는 새로운 기능인 TS(Target Statistics)를 제공하고 범주형 자료의 중요도를 자동으로 추정할 수 있는 새로운 알고리즘을 이용하였다. 또한 기존의 Gradient boosting 방법들은 손실 함수를 예측치에 대해 편미분한 기울기(Gradient) 값을 활용하므로, 발생하는 타겟누수(Target leakage)로 인한 과적합을 갖는다. 그래서 CatBoost가 트리를 학습하는 매 단계마다 다른 독립적인 데이터 세트를 이용하기 위해 임의의 순열에 따라 데이터 세트를 추출하여 독립적인 데이터 세트를 활용하는 Ordered boosting을 이용하고 있다. 또한 CatBoost는 트리를 구성할 때 의사결정나무(Decision tree)의 층마다 동일한 조건을 부여하여 좌우대칭의 형태로 만들어 과적합을 방지하는 ODT(Oblivious Decision Tree)를 구성한다.

XGBoost는 GBDT 알고리즘 중 빠른 속도를 보여주며 내부 알고리즘을 통해 높은 확장성을 보여준다. 이와 같은 이유로 데이터 분석 경진대회에서 좋은 성능을 보여 우승 알고리즘으로 자주 선정되었다. Chen and Guestrin(2016)에 따르면 XGBoost는 기본적으로 약한 학습기인 의사결정나무를 이용하여 강력한 학습기로 예측을 진행하는 앙상블 기법의 알고리즘이다. XGBoost는 변수 선택, 변수 중요도 추정, 결측치 처리 등의 다양한 기능을 제공하고 규제(regularization)를 고려하고 과적합을 방지하여 모델의 성능을 향상시킬 수 있다. XGBoost는 대용량 데이터 세트에서도 뛰어난 성능을 보여주며 파이썬에서 병렬 처리 및 그래픽 처리 장치(Graphics Processing Unit, GPU) 가속화를 지원하여 빠른 학습과 예측이 가능하다.

LightGBM은 복잡하고 데이터 크기가 클 때 효율성과 확장성을 다른 기법에 비해 상당히 발전시킨 알고리즘이다. 다른 GBDT 알고리즘의 효율성과 확장성이 낮은 이유는 각 특성에 대해 모든 데이터를 읽어 가능한 모든 분할 지점의 정보를 추정해야 하기 때문이며, 이 문제를 해결하기 위해 LightGBM은 GOSS(Gradient-based One-Side Sampling)과 EFB(Exclusive Feature Bundling)라는 새로운 기술을 통해 기존 GBDT의 단점을 보완하였다.

LightGBM은 XGBoost와 유사한 알고리즘을 사용한다. 그러므로 LightGBM의 차별점인 GOSS와 EFB를 주로 설명하고자 한다. Ke et al.(2017)의 연구에서 LightGBM의 GOSS는 효율적인 데이터 샘플링 기법으로, Gradient 정보를 기반으로 한 샘플링을 수행한다. 큰 기울기를 가진 샘플을 유지하면서 작은 기울기를 가진 샘플에 대해 무작위 샘플링을 수행하는 것이 GOSS의 주요 목표이다. 또한 LightGBM의 EFB는 특정 조건에서 함께 분할되는 변수들을 묶어서 처리하여 학습 속도를 향상시키는 방법이며, 특정 변수가 다른 변수와 함께 분할될 때 이들을 하나로 묶어서 처리하고 업데이트한다. 이를 통해 효율적인 분할을 수행하고 모델의 학습 속도를 높인다.

Breiman(2001)에 따르면 RF는 배깅(Bagging)을 기반으로 하는 앙상블 트리 알고리즘이다. 분류 모델의 경우 Decision tree들이 전체 데이터에서 중복이 허락되고, 무작위로 선택된 데이터로 반복적으로 학습되어지는 과정을 배깅이라고 한다. 이 때 각각의 트리의 노드에서는 분할에 사용할 변수를 랜덤으로 선택한다. 마지막으로 최종 예측은 예측한 결과 중 가장 많이 선택된 클래스로 결정이 된다. 분류 모델과 유사하게 회귀 모델의 경우 의사결정나무들이 배깅에 의해 학습이 되고 모든 의사결정나무들의 예측값들의 평균을 최종 예측치로 고려한다.

MLP는 신경망의 한 유형으로, 입력층, 은닉층, 출력층으로 이루어진 구조를 가지고 있다. Lee(2021)의 연구에서 MLP는 현실에 존재하는 많은 문제들은 비선형 경계를 가지므로 선형 경계만으로 모든 관계를 표현하는 것은 불가능하다고 지적하였다. 이런 한계점을 극복하고자 MLP는 선형 결합을 활성화 함수를 이용해 비선형으로 변환하여 계산한다. 각 층의 노드는 데이터의 특성을 나타내며, 활성화 함수를 통해 비선형성을 도입하여 복잡한 패턴을 학습할 수 있게 하였다. 학습은 출력값에 대한 입력값의 기울기를 출력층에서부터 계산하여 거꾸로 전파시키는 역전파(Backpropagation) 알고리즘을 통해 이루어지며 최적화를 위해 경사 하강법과 같은 알고리즘이 사용된다. MLP는 이미지 분류, 음성 인식 등 다양한 분야에서 활용되며, 적절한 Hyper parameter tuning과 규제를 통해 모델의 성능을 향상시킬 수 있다. 하지만 데이터와 모델 특성에 따라 조절이 필요하며, 주의 깊은 모델 설계와 학습이 필요하다.

대한민국의 질병관리청에서 관리하고 배포하는 2021년 국민건강영양조사 데이터(KDCA, 2021)를 혈색소를 예측하는 모델을 구축하기 위해 채택하였다. 이는 한국 국민 전연령의 건강검진 데이터와 다양한 데이터를 포함하고 있으며, 기존 Hong and Hong(2021a) 연구에서 사용된 동일한 데이터이다. 데이터 총 3,000,000개의 데이터와 36개의 칼럼이 존재한다. 실험에 제안된 기법들을 사용하기 위해 Hong and Hong(2021a) 연구에서 고려된 전처리 과정을 동일하게 진행하였다. 이들 중 ID와 같이 관측치를 식별하기 위해 이용되는 변수들은 중요도가 낮고 데이터 노이즈가 발생할 수 있어 제외하였으며, ‘구강 검진 수검 여부’, ‘치아 우식증 유무’, ‘치석 유무’ 등 구강검진 관련 변수와 데이터 수집 일자 같은 결측치가 66%가 넘는 변수들은 제외하였다. 또한 피어슨 상관계수 절대값 0.003보다 낮아 종속 변수에 큰 영향을 보이지 않는 변수들은 연구에서 제외하였다. 그 후 사분범위(Inter Quartile Range, IQR)를 기반하여 극단적 이상치를 제외하고 음주 여부, 흡연 상태와 같은 범주형 자료는 One-Hot encoding을 통해 숫자형 자료로 변환하였다. 그 결과 총 2,972,311개의 데이터를 추출하였고 데이터에 사용되는 변수들과 제외된 변수들은 Table 1과 같다.

전체 데이터를 학습, 검증, 테스트 데이터로 나누었으며 학습 데이터를 전체 데이터의 60%, 검증 데이터를 20%, 테스트 데이터를 20%로 분리하여 학습을 진행하였다. 이러한 데이터 전처리를 거치고 XGBoost, LightGBM, CatBoost, RF, MLP를 사용하여 예측 모델링 작업을 수행하였으며, 다양한 알고리즘의 특성을 고려하여 예측 정확도를 극대화하고자 하였다.

전처리된 데이터를 GBDT(XGBoost, LightGBM, CatBoost), RF, MLP를 이용하여 학습을 시킨 후 검증 데이터를 통해 모델의 예측 정확도를 평가하였다. 또한 머신 러닝 및 딥러닝 모델을 학습할 때 필요한 Hyper parameter는 파이썬 기본 설정값 및 베이지안 최적화(Snoek et al.,2012)를 검증 데이터에 적용한 후 테스트 데이터를 통해 최종 예측을 진행하였으나 예측 정확도는 차이가 없었다. 그래서 우리는 머신 러닝 및 딥러닝 모델을 학습할 때 필요한 Hyper parameter에 대해서 파이썬 기본 설정값을 모든 실험에 적용하였고, 최종적으로 Hong and Hong(2021a)이 제안한 MLR 모델과 본 연구에서 제안된 머신 러닝 및 딥러닝 모델들과 비교하였다. 모든 알고리즘과 실험은 파이썬으로 구현되었다. 우리가 제안하는 머신러닝 및 딥러닝 모델은 Hyper parameter에 대해서 파이썬 기본 설정값을 고려하므로 머신 러닝 및 딥러닝 모델에 해당되는 파이썬 함수에 데이터만 입력하여 구현된다.

Hong and Hong(2021a)은 평균 절대 비 오차(MAPE(오차율))만 예측 정확도 지표로 고려하였으나, 우리는 예측 모델을 최적화 후 예측 성능을 평가하기 위해 평균 제곱 오차(MSE), 평균 절대 비 오차(MAE), 평균 제곱근 오차(RMSE), 평균 절대 비 오차(MAPE(오차율))를 고려하였으며 이러한 예측 성능 지표들은 아래의 과정을 통해 산출된다.본 연구에서 제안된 알고리즘들로 학습된 모델을 활용하여 테스트 데이터에 대한 예측치를 산출하였고, 그 결과를 실제 데이터와 비교하여 정확도를 평가한다.

y_i : 예측변수의 실제값

y^i : 예측변수의 예측값

n : 총 데이터의 수

Table 2에 따르면 CatBoost, LightGBM, XGBoost, RF, MLP 등 다양한 모델을 이용한 예측 성능이 Hong and Hong(2021a)의 MLR 보다 향상된 예측 성능을 보여준다. 이는 동일한 데이터를 사용하여 예측 정확도를 비교한 결과이며, 이전 연구와 비교했을 때, 본 연구의 MAPE(오차율) 성능이 약 1.1% 향상되었음을 알 수 있다. 뿐만 아니라, MAE에서도 이전 모델이 0.929인 반면, 본 연구에서 개발된 모델은 약 0.15 더 적은 MAE 값을 보여주며 더 정확한 예측성능을 보여준다. 이는 피어슨 선형 상관관계를 활용하여 변수를 선택한 MLR을 적용하는 것보다, 본 연구에서 제안하는 방법을 통해 모델을 개발하는 것이 예측 성능을 개선하는 데 도움이 될 수 있음을 입증한다.

또한 딥러닝 기법인 MLP와 GBDT(CatBoost, LightGBM, XGBoost)를 비교하였을 때 예측 정확도 부분에서 GBDT가 조금 더 좋은 성능을 보여주었다. 이러한 결과는 정형 데이터에서 여러 딥러닝 모델보다 GBDT의 성능이 우수한 사례들을 보여주는 연구결과와 일치한다(Shwartz-Ziv and Armon, 2022).

Table 3에 따르면 검증 데이터에 대한 예측 성능 분석 결과, 본 연구에서 사용된 다양한 모델들이 안정적인 성능을 보여주었다. 특히, MAPE 값이 5.65%에서 5.77% 사이로 모든 모델이 일관된 예측 성능을 기록하였으며, 이는 데이터를 효과적으로 학습하고 있음을 시사한다. 모형의 안정성은 테스트 데이터와 검증 데이터 간의 성능 차이가 거의 없다는 점에서 입증되었다. 특히 GBDT 계열 모델들은 검증 데이터에서도 높은 성능을 유지하며, 데이터의 복잡한 구조를 잘 처리하는 것으로 나타났다.

또한 GBDT에 내장된 변수 중요도를 통해 주요 변수들을 확인할 수 있다. Figure 2에서 예측 성능이 가장 높게 나온 CatBoost의 경우 성별, 연령대, ALT, 감마지티피, 흡연상태가 주요 변수로 나타났으며 이는 Hong and Hong(2021b)에서 연령대, 성별, 흡연유무가 전체 집단을 구분하는 인자로 선택되었는지 설명할 수 있다.