머신러닝 기반 인플루엔자 예방접종 예측모형 구축과 요인 탐색

Abstract

본 연구는 머신러닝을 활용하여 인플루엔자 예방접종 예측모형을 구축하고, Anderson의 보건의료서비스 이용 행위 모델에 기반하여 인플루엔자 예방접종 여부에 영향을 미치는 다양한 요인을 탐색하였다. 이 연구 결과를 토대로 인플루엔자 예방접종률을 극대화할 수 있는 전략 마련을 위한 기초 자료를 제공하고자 시도되었다. 본 연구는 2016년 1월부터 2018년 12월까지 실시된 제7기 국민건강영양조사 원시자료를 활용하였다. 본 연구의 대상자는 제7기 조사에 참여한 총 24,269명 중에서 19세 이상 성인 14,997명으로 선정하였다. 예측모형 구축을 위해서는 머신러닝 지도학습의 대표적인 알고리즘인 능형 로지스틱 회귀와 랜덤 포레스트 분석을 실시하였다. Anderson 모델에 기반한 인플루엔자 예방접종 영향 요인의 탐색을 위해서는 랜덤 포레스트를 활용하여 중요도 지수가 높은 변수를 식별하였고, 복합표본 로지스틱 회귀분석을 통해 구체적인 영향력을 정량화하였다. 랜덤 포레스트에서 65세를 기준으로 구분한 연령 변수가 인플루엔자 예방접종 예측에 가장 중요도가 높은 것으로 나타나 복합표본 로지스틱 회귀분석은 19-64세 성인과 65세 이상 노인으로 구분하여 영향 요인을 탐색하였다. 본 연구 결과는 다음과 같다. 1. 대상자의 특성에 따른 인플루엔자 예방접종의 차이 인플루엔자 예방접종률의 차이를 65세 기준으로 나누어 살펴보면, 19-64세 성인에서 27.7%가 인플루엔자 예방접종을 하였고, 여자(32.5%), 기혼(32.6%), 초등학교 졸업 이하 교육수준(44.3%), 가구원 수 2명 이상(28.3%), 읍면 거주(31.2%), 민간의료보험 있음(28.4%), 주택 소유함(29.2%), 경제활동 없음(29.7%), 만성질환 있음(34.0%), 암진단 받음(44.5%), 주관적 건강상태 나쁨(31.3%), 외래이용 함(33.7%), 활동제한 있음(34.1%), 비흡연(31.0%), 월 1회 미만의 음주(31.5%), 건강검진 받음(31.1%), 암검진 받음(34.2%)인 경우에 인플루엔자 예방접종률이 높았다. 65세 이상 노인의 84.1%가 인플루엔자 예방접종을 하였고, 여자(86.7%), 가구소득 ‘하’(86.5%), 민간의료보험 없음(85.9%), 주택 소유함(85.2%), 경제활동 하지 않음(86.1%), 만성질환 있음(85.7%), 외래이용 함(88.3%), 비흡연(86.5%), 월 1회 미만의 음주(85.5%), 건강검진 받음(85.1%), 암검진 받음(85.4%)인 경우에 인플루엔자 예방접종률이 높았다. 2. 인플루엔자 예방접종 예측모형의 평가 구축된 인플루엔자 예방접종 예측모형의 성능을 살펴보면, 랜덤 포레스트 모형의 정분류율은 0.747, 민감도는 0.460, 특이도는 0.930, 정밀도는 0.809, AUC는 0.767이었고, 능형 로지스틱 회귀 모형의 정분류율은 0.742, 민감도는 0.474, 특이도는 0.914, 정밀도는 0.779, AUC는 0.764이었다. 구축된 두 모형은 특히 특이도가 높아 인플루엔자 예방접종을 받을 확률이 낮은 취약 그룹을 90%이상 예측할 수 있는 유용한 모형임이 확인되었다. 3. 인플루엔자 예방접종 여부에 영향을 미치는 요인 1) 랜덤 포레스트 분석을 통해 산출된 중요도 지수 결과를 살펴보면, 인플루엔자 예방접종 예측에 기여하는 23개의 설명변수 중 19-64세 성인과 65세 이상 노인으로 구분한 연령 변수의 중요도가 가장 높았고, 교육수준, 만성질환, 결혼상태, 가구소득, 흡연, 민간의료보험, 암검진, 경제활동, 외래이용 순으로 나타났다. 2) 19-64세 성인의 복합표본 로지스틱 회귀분석 결과를 살펴보면, 여자(OR=1.21, CI=1.07-1.37), 기혼(OR=2.08, CI=1.77-2.44), 초졸 이하(OR=1.49, CI=1.22-1.82), 중졸(OR=1.26, CI=1.06-1.48), 민간의료보험 있음(OR=1.34, CI=1.10-1.62), 경제활동 없음(OR=1.12, CI=1.00-1.26), 만성질환 있음(OR=1.19, CI=1.06-1.35), 암진단 받음(OR=1.45, CI=1.15-1.84), 외래이용 함(OR=1.28, CI=1.15-1.43), 비흡연(OR=1.37, CI=1.19-1.59), 과거흡연(OR=1.25, CI=1.08-1.44), 신체활동 있음(OR=1.20, CI=1.05-1.37), 건강검진 받음(OR=1.28, CI=1.12-1.47)인 경우 인플루엔자 예방접종을 할 확률이 높았다. 3) 65세 이상 노인의 복합표본 로지스틱 회귀분석 결과를 살펴보면, 가구소득 ‘하’(OR=1.85, CI=1.18-2.89), 주택 소유함(OR=1.51, CI=1.13-2.02), 만성질환 있음(OR=1.28, CI=1.01-1.63), 외래이용 함(OR=1.61, CI=1.25-2.07), 비흡연(OR=2.03, CI=1.27-3.27), 과거흡연(OR=1.92, CI=1.31-2.81)인 경우 인플루엔자 예방접종을 할 확률이 높았다. 4) Anderson 모델에 기반하여 65세 기준 두 그룹의 차이를 살펴보면, 65세 이상 노인은 19-64세 성인보다 상대적으로 유의한 변수가 적게 나타났다. 이는 65세 이상 노인에게 시행되는 무료접종 정책이 인플루엔자 예방접종 여부에 결정적인 영향을 미쳤음을 시사한다. 그룹별 요인을 구체적으로 살펴보면, 19-64세 성인에서는 선행요인은 여자, 기혼, 중학교 졸업 이하의 교육수준, 가능요인은 민간의료보험 있음, 경제활동 하지 않음, 요구요인은 만성질환이나 암진단 있음, 외래이용 함, 건강관련 행동요인은 비흡연, 신체활동 있음, 건강검진 받음인 경우에 인플루엔자 예방접종에 긍정적인 영향을 미쳤다. 65세 이상 노인에서는 가능요인은 가구소득 ‘하’, 요구요인은 만성질환 있음, 외래이용 함, 건강관련 행동요인은 비흡연이 인플루엔자 예방접종에 긍정적인 영향을 미쳤다. 본 연구는 빅테이터 분석에 유용한 최신 분석기법인 머신러닝을 활용하여 인플루엔자 예방접종 예측모형을 구축하였고, 인플루엔자 예방접종을 하지 않을 확률이 높은 취약그룹의 예측률이 90% 이상으로 나타나 취약그룹선별에 유용한 모델임을 확인하였다. 따라서 인플루엔자 예방접종 여부를 직접 확인하지 않아도 이미 알려진 기본적인 정보를 바탕으로 인플루엔자 예방접종을 하지 않을 확률이 높은 취약그룹의 예측과 선별이 가능하다. 또한 본 연구는 인플루엔자 예방접종 여부에 영향을 미치는 다양한 요인을 Anderson 모델에 기반하여 규명하였고, 가능요인의 측면에서 살펴보았을 때 19-64세 성인의 예방접종률을 높이기 위해서는 예방접종비로 인한 장애요인을 낮추기 위해 무료접종의 범위를 확대하는 정책적인 노력이 필요하다. 아울러 도출된 건강관련 행동요인을 토대로 인플루엔자 예방접종을 받을 확률이 낮은 흡연자나 건강검진을 받지 않는 대상자를 현재 국가에서 시행되고 있는 금연사업이나 국가 건강검진 사업과 연계하여 선별하고, 이들을 대상으로 인플루엔자 예방접종에 대한 정보 제공 및 맞춤형 중재를 제공하여야 한다. 본 연구 결과 도출된 영향 요인을 토대로 맞춤형 중재 프로그램을 개발하고 적용한다면 인플루엔자 예방접종률 향상을 기대할 수 있을 것이며, 궁극적으로는 인플루엔자 이환률을 감소시키고, 감염으로 인한 합병증과 사망률을 감소시키는 데 기여할 수 있을 것이다.;The purpose of this study was to develop a machine learning-based prediction model for influenza vaccination and to investigate the factors associated with influenza vaccine uptake by using Anderson's behavioral model of health services use. This study used the data from the 7th Korea National Health and Nutrition Examination Survey (KNHANES Ⅶ) conducted from 2016 to 2018. The participants were 14,997 adults aged 19 years or older. Random forest was performed to derive the relative importance of the predictors among 23 explanatory variables. A complex sample logistic regression analysis was performed to investigate the relationship between influenza vaccine uptake for adults aged 19-64 and those aged 65 or older. The results of the study demonstrated that the random forest model achieved an accuracy of 0.747, sensitivity of 0.460, specificity of 0.930, precision of 0.809, and an area under the curve (AUC) of 0.767. Ridge logistic regression model yielded an accuracy of 0.742, sensitivity of 0.474, specificity of 0.913, precision of 0.779, and an AUC of 0.764. The top 10 predictors with the highest relative importance using random forest were age, education level, chronic disease, marital status, household income, smoking, private health insurance, cancer screening, employment status, and outpatient visits. This study revealed that the influenza vaccine uptake rate was 27.7% among adults aged 19-64 and 84.1% among those aged 65 or older. As a result a complex sample hierarchical logistic regression, several factors associated with influenza vaccine uptake were identified. Among adults aged 19-64, these factors included female(OR=1.21, CI=1.07-1.37), married (OR=2.08, CI=1.77-2.44), low education (OR=2.08, CI=1.77-2.44), private insurance (OR=1.34, CI=1.10-1.62), unemployed (OR=1.12, CI=1.00-1.26), chronic disease (OR=1.19, CI=1.06-1.35), cancer diagnosis (OR=1.45, CI=1.15-1.84), outpatient visits (OR=1.28, CI=1.15-1.43), non-smoking (OR=1.37, CI=1.19-1.59), exercise(OR=1.20, CI=1.05-1.37), and medical checkup(OR=1.28, CI=1.12-1.47). Among adults aged 65 and older, factors included were low household income (OR=1.85, CI=1.18-2.89), chronic disease (OR=1.28, CI=1.01), outpatient visits (OR=1.61, CI=1.25-2.07), and non-smoking (OR=2.03, CI=1.27-3.27). The findings of this study demonstrate the reliability of predictive models for influenza vaccination. These models can effectively identify vulnerable populations with a lower likelihood of influenza vaccination uptake, thereby aiding in targeted screening and intervention efforts. It is crucial to assess and manage vulnerable populations in order to increase influenza vaccine uptake. Expanding free vaccination programs and improving healthcare staff recommendations are essential to increase vaccination coverage. Future interventions should be tailored to the specific needs of vulnerable groups in order to increase influenza vaccination rates and prevent influenza infections.