감기 위험도란?

  • 국민건강보험공단이 보유한 국민건강정보DB와 기상청에서 제공하는 지상기상관측정보, 민간의 소셜미디어 정보의 분석을 통해 지역별 진료정보를 예측하여, 지역별로 감기에 대한 발병가능성 및 유행정도 등의 예측정보를 관심, 주의, 경고, 위험 4단계로 알려주는 척도입니다.

감기 예측진료건수

  • 질병발생에 영향을 미치는 지상기상관측 정보인 최저기온, 일교차, 습도와 소셜 정보인 트위터, 뉴스 발생건수와 건강보험공단의 의료급여데이터를 기반으로 국민건강보험공단 진료데이터의 요일(공휴일 및 공휴일 다음날 여부 포함) 효과를 적용하여 예측되는 감기와 관련된 질병의 예측진료건수 입니다.

감기 진료발생건수 예측모델

  • 기계학습 방법론 중 하나인 Gradient boosting 알고리즘을 활용하여 진료발생건수를 예측하며, 예측 시 영향을 끼치는 요인들의 기여도(Feature importance) 우선순위는 하단과 같습니다.
기여도 우선순위 1 2 3 4 5 6 7
요인 의료급여 요일 최저기온 트위터 뉴스 습도 일교차

감기 위험도 예측

  • 예측된 질병 발생 건수를 과거 2년 평균 질병 발생 건수와 비교하여, 평균으로 부터 벗어나 있는 정도를 기준으로 해당 값의 분포도에 따라 위험도를 관심, 주의, 경고, 위험 4단계로 구분합니다.
단계 구간 구간 확률 누적 확률
관심 −∞ < z < −0.253 40% 40%
주의 −0.253 ≤ z < 0.524 30% 70%
경고 0.524 ≤ z < 1.282 20% 90%
위험 1.282 ≤ z < ∞ 10% 100%

*Z=(X-μ)/σ where μ=평균, σ=표준편차

눈병 위험도란?

  • 국민건강보험공단이 보유한 국민건강정보DB와 기상청에서 제공하는 지상기상관측정보, 민간의 소셜미디어 정보의 분석을 통해 지역별 진료정보를 예측하여, 지역별로 눈병에 대한 발병가능성 및 유행정도 등의 예측정보를 관심, 주의, 경고, 위험 4단계로 알려주는 척도입니다.

눈병 예측진료건수

  • 질병발생에 영향을 미치는 지상기상관측 정보인 최고기온, 일교차, 강수량과 소셜 정보인 트위터, 뉴스 발생건수와 건강보험공단의 의료급여데이터를 기반으로 국민건강보험공단 진료데이터의 요일(공휴일 및 공휴일 다음날 여부 포함) 효과를 적용하여 예측되는 눈병과 관련된 질병의 예측진료건수 입니다.

눈병 진료발생건수 예측모델

  • 기계학습 방법론 중 하나인 Gradient boosting 알고리즘을 활용하여 진료발생건수를 예측하며, 예측 시 영향을 끼치는 요인들의 기여도(Feature importance) 우선순위는 하단과 같습니다.
기여도 우선순위 1 2 3 4 5 6 7
요인 요일 의료급여 최고기온 강수량 일교차 트위터 뉴스

눈병 위험도 예측

  • 예측된 질병 발생 건수를 과거 2년 평균 질병 발생 건수와 비교하여, 평균으로 부터 벗어나 있는 정도를 기준으로 해당 값의 분포도에 따라 위험도를 관심, 주의, 경고, 위험 4단계로 구분합니다.
단계 구간 구간 확률 누적 확률
관심 -∞ < Z < -0.253 40% 40%
주의 -0.253 ≤ Z < 0.524 30% 70%
경고 0.524 ≤ Z < 1.282 20% 90%
위험 1.282 ≤ Z < ∞ 10% 100%

*Z=(X-μ)/σ where μ=평균, σ=표준편차

식중독 위험도란?

  • 국민건강보험공단이 보유한 국민건강정보DB와 기상청에서 제공하는 지상기상관측정보, 한국환경공단에서 제공하는 대기오염통계정보의 분석을 통해 지역별 진료정보를 예측하여, 지역별로 식중독에 대한 발병가능성 및 유행정도 등의 예측정보를 관심, 주의, 경고, 위험 4단계로 알려주는 척도입니다.

식중독 예측진료건수

  • 질병발생에 영향을 미치는 지상기상관측 정보인 기온, 최저기온, 최고기온, 바람세기, 습도, 최저습도, 강수량과 대기오염통계정보인 미세먼지 농도를 기반으로 국민건강보험공단 진료데이터의 요일(공휴일 및 공휴일 다음날 여부 포함) 효과를 적용하여 예측되는 식중독과 관련된 질병의 예측진료건수 입니다.

식중독 발생확률 예측모델

  • 기계학습 방법론 중 하나인 Gradient boosting 알고리즘을 활용하여 진료발생건수를 예측하며, 예측 시 영향을 끼치는 요인들의 기여도(Feature importance) 우선순위는 하단과 같습니다.
기여도 우선순위 1 2 3 4 5 6 7 8 9
요인 요일 최저기온 최고기온 기온 바람세기 미세먼지 습도 최저습도 강수량

식중독 위험도 예측

  • 예측된 질병 발생 건수를 과거 2년 평균 질병 발생 건수와 비교하여, 평균으로 부터 벗어나 있는 정도를 기준으로 해당 값의 분포도에 따라 위험도를 관심, 주의, 경고, 위험 4단계로 구분합니다.
단계 지수 구간 구간 확률 누적 확률
관심 0 < z < −0.253 40% 40%
주의 −0.253 ≤ z < 0.524 30% 70%
경고 0.524 ≤ z < 1.282 20% 90%
위험 1.282 ≤ z < ∞ 10% 100%

*Z=(X-μ)/σ where μ=평균, σ=표준편차

피부염 위험도란?

  • 국민건강보험공단이 보유한 국민건강정보DB와 기상청에서 제공하는 지상기상관측정보, 민간의 소셜미디어 정보의 분석을 통해 지역별 진료정보를 예측하여, 지역별로 피부염에 대한 발병가능성 및 유행정도 등의 예측정보를 관심, 주의, 경고, 위험 4단계로 알려주는 척도입니다.

피부염 예측진료건수

  • 질병발생에 영향을 미치는 지상기상관측 정보인 최고기온, 일교차, 습도와 소셜 정보인 뉴스 발생건수와 건강보험공단의 의료급여데이터를 기반으로 국민건강보험공단 진료데이터의 요일(공휴일 및 공휴일 다음날 여부 포함) 효과를 적용하여 예측되는 피부염과 관련된 질병의 예측진료건수 입니다.

피부염 진료발생건수 예측모델

  • 기계학습 방법론 중 하나인 Gradient boosting 알고리즘을 활용하여 진료발생건수를 예측하며, 예측 시 영향을 끼치는 요인들의 기여도(Feature importance) 우선순위는 하단과 같습니다.
기여도 우선순위 1 2 3 4 5 6
요인 요일 의료급여 최고기온 습도 일교차 뉴스

피부염 위험도 예측

  • 예측된 질병 발생 건수를 과거 2년 평균 질병 발생 건수와 비교하여, 평균으로 부터 벗어나 있는 정도를 기준으로 해당 값의 분포도에 따라 위험도를 관심, 주의, 경고, 위험 4단계로 구분합니다.
단계 구간 구간 확률 누적 확률
관심 -∞ < Z < -0.253 40% 40%
주의 -0.253 ≤ Z < 0.524 30% 70%
경고 0.524 ≤ Z < 1.282 20% 90%
위험 1.282 ≤ Z < ∞ 10% 100%

*Z=(X-μ)/σ where μ=평균, σ=표준편차