The purpose of the present study was to identify the subgroups (i.e., latent classes) in sleep duration trajectories among South Korean adolescents, depending on individual, school, and electronic media variables. To achieve these goals, we used latent class growth analysis (LCGA) involving 2,246 students who participated in the Korea Children and Youth Panel Survey from 2010 to 2016. The major findings are as follows: First, four latent classes were identified, and gender, household income, time spent on after-school classes, after-school homework, time using computer, time spent watching TV/video were significant determinants of the latent classes. These results can be applied to predict latent classes according to various backgrounds that are susceptible to sleep duration and may prove helpful in providing suggestions for developing appropriate intervention programs.
본 연구는 우리나라 청소년의 수면시간 변화궤적이 동일한 유형으로 나타나는지 또는 질적으로 다른 여러 개의 하위 유형으로 나타나는지, 만일 그렇다면 그러한 차이는 어떠한 요인에 의해 설명될 수 있는지 알아보는데 목적이 있다. 이를 위해서 한국청소년정책연구원에서 수집하는 한국아동･청소년 패널조사 자료 중 초등학교 4학년 코호트의 1차년도(2010년)부터 7차년도(2016)까지의 자료를 이용하였고, 최종분석대상은 2,246명이다. 또한 주요 연구문제를 분석하기 위해서 성장혼합모형을 적용한 잠재계층성장분석과 다항로지스틱 회귀분석을 실시하였다. 그 결과 첫째, 청소년의 수면시간 변화궤적의 잠재계층은 4개의 집단(중간 초기치 느린 감소집단, 중간 초기치 감소집단, 고초기치 빠른 감소집단, 고초기치 감소집단)으로 분류되었다. 둘째, 수면시간 변화궤적 잠재계층 분류를 예측하는 요인을 분석한 결과, 여성일수록, 소득이 높을수록, 학원･과외시간, 학원･과외숙제시간, 기타공부시간, 그리고 컴퓨터 및 TV･비디오 시청시간이 많을수록 수면시간이 부족한 집단에 속할 확률이 높게 나타났다. 이러한 연구결과를 바탕으로 함의와 제언을 논의하였다.
This study aims to develop a severity-adjusted length of stay predictive model according to comorbidity index by using machine learning and propose a algorithm of severity-adjusted length of stay (LOS) predictive model. The dataset was taken from Korea Centers for Disease Control and Prevention database of the hospital discharge survey from 2006 to 2015 and the severity-adjusted length of stay predictive model was developed for the nervous system patients to need a urgent management for length of stay. when it comes to the severity-adjusted length of stay predictive model about nervous system discharging patients, three tools were used for the severity-adjustment of comorbidity: the CCI, the ECI, and the CCS. The models using Regression, Decision Tree, Random Forest, Support Vector Regression, Neural Network as a Machine learning analysis methods were developed and then evaluate. As a result, Severity-adjusted predictive model using CCS as the severity-adjustment of comorbidity and Neural Network method has the highest R-square and has the most excellent prediction capability. In conclusion, there is a need to develop a severity-adjusted predictive model using CCS as the severity-adjustment of comorbidity and make use of severity-adjusted predictive model to has high prediction capability by using various machine-learning analytics.
본 연구는 머신러닝을 이용하여 동반상병 보정 방법에 따른 중증도 보정 재원일수 예측 모형을 개발하고 이를 평가하여 중증도 보정 재원일수 예측 모형 개발의 알고리즘을 제시하기 위해 수행되었다. 본 연구를 위해 2006년부터 2015년까지 10년간의 질병관리본부 퇴원손상심층조사 자료를 수집하였으며, 재원일수 관리가 시급한 신경계통의 질환을 대상으로 중증도 보정 재원일수 예측 모형을 개발하였다. 신경계통의 질환 퇴원환자의 중증도 보정 재원일수 예측 모형 개발 시 동반상병 보정 방법은 CCI, ECI, CCS 진단군 분류 기준 등 3가지, 머신러닝 분석기법으로는 회귀분석, 의사결정나무, 랜덤 포레스트, 서포트 백터 회귀분석, 신경망 등 5가지를 적용하여 모형을 개발하고 개발된 모형을 평가하였다. 모형 평가 결과 CCS 진단군 분류 기준 동반상병 보정 방법 및 신경망을 이용하여 개발한 중증도 보정 예측 모형의 모형 설명력(R-square)이 가장 높았으며, 모형의 예측력이 가장 우수한 것으로 나타났다. 따라서 중증도 보정 재원일수 예측 모형 개발 시 CCS 진단군 분류 변수를 이용한 동반상병 보정 방법을 이용하여 중증도 보정 예측 모형을 개발하는 것이 필요하며, 머신러닝의 다양한 분석 기법 등을 이용하여 예측력 높은 중증도 보정 예측 모형을 개발하여 재원일수 변이요인 파악 등 재원일수 관리를 위해 활용하는 것이 필요하다.