메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류
인문학
인문학 일반 역사학 철학 종교학 어문학 기타 인문학
사회과학
사회과학 일반 경영학 관광학 교육학 군사학 문헌정보학 법학 사회학 신문방송학 심리과학 정치외교학 지리학 행정학 경제학 무역학 인류학 기타 사회과학
자연과학
자연과학 일반 물리학 생물학 생활과학 수학·통계학 천문학 지구과학 화학 기타 자연과학
공학
공학 일반 건축공학 기계공학 산업공학 재료·에너지공학 전기전자공학 조선해양공학 화학공학 컴퓨터학 기타공학
의약학
의학 일반 간호학 수의학 약학 한의학 기초의학 임상의학 기타 의약학
농수해양학
농수해양학 일반 농학 수산학 식품과학 임학 축산학 해상운송학 기타 농수해양학
예술체육학
예술 일반 디자인 미술 미용 사진 음악학 의상 체육 공연매체예술 기타 예술체육학
복합학
학제간연구 과학기술학 뇌인지과학 기술정책 기타 복합학

ENG

추천
검색

논문 기본 정보

자료유형
학술저널
저자정보
구동준 (경북대학교) 이아라 (경북대학교) 이은주 (경북대학교) 김일곤 (경북대학교)
저널정보
대한의료정보학회 Healthcare Informatics Research Healthcare Informatics Research 제28권 제3호
발행연도
2022.7
수록면
231 - 239 (9page)

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색

초록· 키워드

오류제보하기
Objectives: This paper aimed to use machine learning to identify a new group of factors predicting frailty in the elderlypopulation by utilizing the existing frailty criteria as a basis, as well as to validate the obtained results. Methods: This studywas conducted using data from the Korean Frailty and Aging Cohort Study (KFACS). The KFACS participants were classifiedas robust or frail based on Fried’s frailty phenotype and excluded if they did not properly answer the questions, resulting in1,066 robust and 165 frail participants. We then selected influential features through feature selection and trained the modelusing support vector machine, random forest, and gradient boosting algorithms with the prepared dataset. Due to the imbalanceddistribution in the dataset with a low sample size, holdout was applied with stratified 10-fold and cross-validationfor estimating the model performance. The reliability of the constructed model was validated using an unseen test set. Themodel was then trained with hyperparameter optimization. Results: During the feature selection process, 27 features wereidentified as meaningful factors for frailty. The model was trained based on the selected features, and the weighted averageF1-score reached 95.30% with the random forest algorithm. Conclusions: The results of the study demonstrated the possibilityof adopting machine learning to strengthen existing frailty criteria. As the method analyzes questionnaire responses in ashort time, it can support higher volumes of data on participants’ health conditions and alert them regarding potential risksin advance.
#Frailty #Aged #Dyskinesias #Surveys and Questionnaire #Machine Learning

목차

등록된 정보가 없습니다.

참고문헌 (0)

참고문헌 신청
참고문헌이 DBpia에서 서비스 중이라면, [참고문헌 신청]을 통해 등록해보세요

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

최근 본 자료

전체보기

댓글(0)

0