1. 홈

상세조회

성과명맞춤형 헬스케어 위한 산화스트레스 예측 모델 개발

A Machine Learning Algorithm for Quantitatively Diagnosing Oxidative Stress Risks in Healthy Adult Individuals Based on Health Space Methodology: A Proof-of-Concept Study Using Korean Cross-Sectional Cohort Data(Antioxidants (IF: 5.95, 2020년 기준))

바이오인에서 원문보기 URL 공유하기
지원사업
바이오의료기술개발사업
지원 기관
과학기술정보통신부
연구 기관
이화여자대학교
연구자
김유진, 김연수, 황지영, 권오란
발표일
2021-07-06
조회수
85

맞춤형 헬스케어 위한 산화스트레스 예측 모델 개발


-생체 및 임상지표 등을 고려하여 산화스트레스 정량화 입증-



개요

권오란 교수(이화여자대학교)와 Jildau Bouwman(네덜란드 응용과학연구기구, TNO) 공동 연구팀이 한국인의 산화스트레스 위험을 진단하기 위한 머신러닝 모델을 개발 및 검증했다고 밝혔다.
바이오의료기술개발사업(전통천연물 기반 유전자-동의보감사업) 지원으로 수행된 이번 연구의 성과는 항산화분야 국제학술지 안티옥시단츠 (Antioxidants)에 7월 16일 게재되었다.


연구 내용

건강 공간 방법론을 기반으로 건강한 대조군과 산화성 질병사례를 선택함으로써 양 극단의 기준을 먼저 설정하였다.
※ 공간방법론(health space model) : Bouwman et al. (2012)이 제안한, 통계적 시각화 방법의 일종. 사전에 정의된 생물학적 지표들을 기반으로 개별 피험자의 건강상태를 투영할 수 있다는 방법론.
※ 후향적 코호트 데이터 : 기존에 있는 기록이나 기억을 통해 특정 인자 노출여부와 질병발생여부에 대한 자료를 얻는 연구의 데이터.
라쏘(LASSO) 및 엘라스틱넷(elasticnet) 회귀 방법과 10번의 교차 검증을 통해 산화 스트레스 상태를 식별하는 기계학습 알고리즘을 개발하였고 모델의 미세 조정을 위해 총 16가지의 변수가 선택되었다. 다시 말해 나이, BMI, 식사의 질, 혈액지표 등과 같은 16가지 변수를 종합적으로 고려해 사용자의 산화스트레스의 위험 정도를 정량화할 수 있는 예측하는 모델을 개발하였다. 예측 곡선은 검증 데이터에서 수신자 조작 특성* 값이 0.949로, 우수한 민감도 (0.923)와 특이도 (0.855)를 나타냄을 확인하였다.
알고리즘을 통해 산화스트레스 위험을 개인별로 계층화할 수 있으며 식이 및 생활습관 관련 만성 질환을 사전적으로 예방할 수 있는 건강관련 정보를 제공할 수 있다.


기대 효과

식습관, 신체활동, 음주, 흡연 등 생활 요인에 근거한 맞춤형 영양 서비스 기술 제공의 토대를 마련했다는 것에 의의가 있으며 건강한 인구 집단의 산화스트레스 위험을 계층화, 예측하는 모델을 제시함으로써 식생활 및 생활습관과 관련된 만성질환을 예방할 수 있는 건강관리 전략 수립에 도움이 될 것으로 기대하고 있다.


목록