[논문 리뷰] Forecasts of Cancer and Chronic Patients: Big Data Metrics of Population Health

Jacob Kuriyan, Nathaniel Cobb|arXiv (Cornell University)|2013. 07. 12.

Nutritional Studies and Diet참고 문헌 11인용 수 5

한 줄 요약

이 논문은 대량의 데이터를 활용한 동적 시스템 모델을 제안하여 12개월 간 3–6% 이내의 오차로 암 및 만성질환 유병률을 예측함으로써 예방 의료 프로그램의 실시간 평가가 가능하게 한다. 이는 단기적인 건강 개선과 비용 절감을 측정하는 새로운 지표를 도입하여, 모든 연구된 만성질환들이 당뇨병과 유사하게 암 위험을 상당히 증가시킴을 드러낸다.

ABSTRACT

Chronic diseases and cancer account for over 75 percent of healthcare costs in the US. Increased prevention services and improved primary care are thought to decrease costs. Current models for detecting changes in the health of populations are cumbersome and expensive, and are not sensitive in the short term. In this paper we model population health as a dynamical system to predict the time evolution of the new diagnosis of chronic diseases and cancer. This provides a reliable forecasting tool and a means of measuring short-term changes in the health status of the population resulting from preventive care programs. Twelve month forecasts of cancer and chronic populations were accurate with errors lying between 3 percent and 6 percent. We confirmed what other studies have demonstrated that diabetes patients are at increased cancer risk but, interestingly, we also discovered that all of the studied chronic conditions increased cancer risk just as diabetes did, and by a similar amount. The model(i)yields a new metric for measuring performance of preventive and clinical care programs that can provide timely feedback for quality improvement programs;(ii)helps understand "savings" in the context of preventive care programs and explains how they can be calculated in the short term, even though they materialize only in the long term and(iii)provides an analytic tool and metrics to infer correlations and derive insights on the effect of changes in socio-economic factors affecting population health on improving health and lowering costs of populations.

연구 동기 및 목표

• 인구 수준의 건강 지표를 활용하여 만성질환 및 암 유병률에 대한 데이터 기반 예측 모델을 개발하기 위해.
• 현재 인구 건강 모니터링 도구의 한계를 해결하기 위해, 즉 느린 속도, 높은 비용, 단기 변화에 민감하지 못함을 해결하기 위해.
• 예방 및 임상 의료 프로그램의 성과를 평가하기 위한 새로운 성과 지표를 만들기 위해, 품질 향상에 위한 즉각적인 피드백을 제공하기 위해.
• 장기적인 비용 절감이 시간이 지남에 따라 나타나더라도, 예방 의료에서의 단기적 '절감 효과'를 정량화하기 위해.
• 예측 모델링을 통해 사회경제적 요인이 인구 건강과 의료비용에 미치는 영향을 분석하기 위해.

제안 방법

• 진단된 만성질환과 암에 대한 종단적 대량 데이터를 활용하여 인구 건강을 동적 시스템으로 모델링한다.
• 과거의 유병률 추세를 기반으로 12개월 예측 기간 동안의 신규 진단을 예측하기 위해 시간적 시리즈 예측 기법을 적용한다.
• 통계적 검증을 통해 예측 정확도를 평가하며, 암 및 만성질환 인구 집단에 대해 3%에서 6% 사이의 오차를 보고한다.
• 다변량 분석을 통해 기저의 만성질환과 이후 암 발생 위험 간의 연관성을 평가한다.
• 예측된 유병률 추세에서의 이탈을 기반으로 예방 의료 프로그램을 위한 새로운 성과 지표를 유도한다.
• 사회경제적 변수를 모델에 통합하여 인구 건강 궤적과 비용 결과에 미치는 영향을 추론한다.

실험 결과

연구 질문

• RQ1 대량의 데이터를 활용한 동적 시스템 모델이 12개월 간의 신규 암 및 만성질환 진단을 정확하게 예측할 수 있는가?
• RQ2 당뇨병과 같은 다양한 만성질환이 이후 암 진단 위험을 어느 정도 증가시키는가?
• RQ3 예측 기반의 성과 지표를 사용하여 예방 의료 프로그램을 실시간으로 평가할 수 있는가?
• RQ4 비용 절감 효과가 장기적으로 나타나더라도, 예방 간호 조치로 인한 단기적 건강 개선을 어떻게 정량화할 수 있는가?
• RQ5 사회경제적 요인이 인구 건강 궤적과 관련된 의료비용에 어떻게 영향을 미치는가?

주요 결과

• 12개월 예측에서 암 및 만성질환 유병률의 예측 오차가 3%에서 6% 사이로 매우 높은 정확도를 보였다.
• 연구된 모든 만성질환(당뇨병 포함)이 이후 암 진단 위험을 유사한 정도로 증가시켜 광범위한 생물학적 또는 행동적 연관성이 있음을 시사한다.
• 모델은 실시간 피드백을 제공하는 새로운 실용적 성과 지표를 제공하여 예방 의료 프로그램 평가에 기여하며, 빠른 품질 향상 사이클을 가능하게 한다.
• 모델은 예측된 질환 유병률 추세에서의 조기 이탈을 감지함으로써 예방 의료에서의 단기적 '절감 효과'를 정량화할 수 있다.
• 예측 분석을 통해 사회경제적 변화가 장기적인 인구 건강과 의료비용에 미치는 영향을 추론할 수 있는 프레임워크를 제공한다.
• 이 연구는 당뇨병-암 위험 증가에 대한 이전의 발견을 확인하지만, 이 위험 증가가 당뇨병에만 국한되지 않고 여러 만성질환에 걸쳐 공통적으로 나타남을 보여주는 것으로 확장한다.