Journal Archive

이제마는 사람마다 타고난 체질이 다르기 때문에 같은 병이라도 체질에 따라 그 치료가 달라야 한다고 주장하였으며, 이것을 바탕으로 동의수세보원에서 사상의학을 제창하였다. 사상의학에서는 사람을4가지 체질로 구분하며 각 특성에 따라 특별한 건강 정보와 치료 방법을 달리한다. 4가지 체질에는 태양인, 태음인, 소양인, 소음인이 있으며 한방병원에서는 먼저 체질을 판별한 후 이러한 체질을 기준으로 병을 진단하여 각 체질에 따른 처방을 한다.

사상체질을 진단하기 위한 방법으로는 용모에서 나타나는 느낌을 보는 용모사기 방법과 체형·기상을 보는 체형기상 방법, 내면적인 성격을 살피는 성질재간 방법, 병의 특이한 증상과 약물 반응을 체크하는 병증약리 방법 등이 있다. 사상의학은 체질에 따라 처방법이 달라지므로 체질진단의 정확도가 가장 중요한 요소 중 하나라고 할 수 있다. 그러나 이를 활용하기 위해서는 사상이론에 대한 깊은 이해와 많은 임상 경험이 필요하기 때문에 실제로 사상의학을 임상에 바로 적용하기가 어려우며, 또한 한의사의 주관적 판단에 의거하여 진단하기 때문에 그 객관성에 대한 문제가 제기되어 왔다. 따라서 이를 해결하기 위해 사상체질 진단의 객관화와 신뢰도를 높일 수 있는 방법이 꾸준히 요구되고 있다.[9]

체질을 판별하는 여러 방법 중에서도 설문지는 표준화 과정을 거쳐서 널리 사용되어 지고 있으며 가장 활발히 연구되고 있는 분야이다.[10],[11] 설문지는 단 시간에 환자의 정보를 신속하고 다양하게 취할 수 있으며, 데이터를 상수화 시키기 용이하다는 장점이 있다.

본 연구는 가산의료재단 광동한방병원의 도움을 받아 사상체질 분야에서 25년 간 연구와 진료를 해온 문병하 원장과 함께 이루어졌다. 병원에 내원한 환자들 중에 병원에 오랜 기간 내원하여 체질이 비교적 확실하게 판명된 환자들을 선별하여 설문지를 추려냈다.

매우 희소한 태양인을 제외하고 다양한 성별과 연령대의 소양인, 소음인, 태음인을 각각 30명, 30명, 40명으로 총 100명을 추려내었고, 이를 다양한 알고리즘에 적용해보기 위하여 엑셀 시트에 정리하였다. 모든 설문을 넣지 않고, 전문가의 판단 하에 가장 유의성이 높은 13개의 문항만을 선별한 후, 액셀에 표와 같이 정리하였다. 각 설문 문항에 다양한 보기가 있고 중복 선택이 가능하기 때문에, 체크한 보기는 1, 체크하지 않은 보기는 0으로 정리하였다. 예를 들어 2a, 2b, 2c의 문항의 경우 각각 2번 문항의 첫 번째, 두 번째, 세 번째 체크박스를 의미한다. 또한, 라벨링의 경우에는 태음인을 0, 소음인을 1, 소양인을 2로 사용하였다. 수집하고 전처리한 데이터를 훈련 집합(Training Data Set)과 검증 집합(Test Data Set)으로 나누어 SVM, Gaussian, Ensemble, K-neighborsClassifier, DNN 총 5가지의 알고리즘을 각각 훈련, 검증하였다.

훈련 집합과 검증 집합을 분리하는 방법은 다양한 방법이 있으나, 훈련 집합과 검증 집합을 단순 비교해서 모델의 성능을 측정하는 방법은 타당도의 문제가 있다. 이러한 문제를 해결하기 위해서 자주 쓰이는 K-Fold Cross Validation을 사용하였다.

K-Fold Cross Validation은 데이터 집합을 K개의fold로 분할하여 K-1개의 fold를 훈련 집합으로 사용하고 나머지 하나의 fold를 검증 집합으로 사용하는 방법이다. Fold들을 조합하여 모델을 훈련하고 검증한다면 여러 개의 검증결과들을 얻을 수 있고 평균값을 이용해서 모델의 성능을 더욱 정확하게 평가할 수 있다는 장점이 있다. 데이터를 상호 배타적으로 K개로 분할해 훈련 데이터와 검증 데이터를 교차해 가면서 모형을 평가하기 때문에 실질적인 모형의 정확도를 추정하는 데에 있어 효율적인 방법이다.[12]

머신러닝 알고리즘은 python의 sklearn 라이브러리를 사용했으며, 딥러닝 알고리즘은 tensorflow를 backend로 keras를 사용하였다.

각 분류 알고리즘들을 훈련 집합으로 훈련시키고 난 후, 예측 값을 검증 집합의 정답 레이블과 비교하여 일치하는 것을 기준으로 정확도를 출력하였다. 고전적인 머신러닝 알고리즘들 중에서는 SVM 모델과 Random Forest 모델이 0.7로 가장 높은 정확도를 보였으며, DNN 알고리즘 또한 0.8로 비교적 높은 정확도를 기록하였다. Deep Neural Network에는 Adam[19]과 Relu[20]를 사용하였는데, DNN의 정확도가 높게 나온 이유는 훈련셋에 과적합되는 것을 방지하기 위하여 층마다 DropOut을 시킨 것이 의미가 있는 것으로 사료된다.[21] 최종적으로 가장 높은 정확도를 보인 DNN 분류 알고리즘을 채택하여 어플리케이션과 데이터베이스 디자인을 하였다.

알고리즘의 정확도 비교에 더불어 환자들의 사상체질 문진검사 데이터 취득을 위한 스마트폰 어플리케이션 또한 개발하였다. 기존에는 병원을 내원한 환자들이 직접 펜을 이용하여 문진검사 서류를 작성하고 환자가 작성한 서류를 스캔하여 pdf 파일로 저장해 두었다가 나중에 필요할 때 해당 파일을 다시 찾아보는 방식을 채용하고 있었다. 환자들의 문진검사 결과 데이터를 체계적으로 데이터베이스화 하기 위하여 스마트폰, 태블릿에서 작동하는 문진검사 어플리케이션을 개발하였다. 안드로이드 기반으로 만들어진 어플리케이션은 그림과 같다. 처음 어플을 실행하면 문진검사에 대한 소개 후25개 문항에 대하여 환자는 자신이 해당하는 항목에 터치하여 체크하고 다음문항이나 이전문항으로 이동할 때에는 좌, 우 Swipe 혹은 하단의 버튼을 통해 이동할 수 있도록 하였다. 모든 항목에 대하여 답변을 완료하면 마지막에는 환자의 이름과 생년월일을 입력한 후 5초 후에 자동으로 종료되도록 설계하였다.

Fig 1. 
Android-Based Sasang Constitution Application

위에서 기술한 어플리케이션을 통해 환자가 작성한 25개 질의에 대한 응답들은 Boolean 타입의 데이터로 어플리케이션과 연결된 Google Firebase에 환자번호, 이름과 함께 저장된다. Firebase는 Google에서 공개한 클라우드 서버로 실시간 데이터베이스를 활용하여 새로운 데이터의 추가, 수정, 삭제 이벤트를 다른 서버나 클라이언트 단에서 감지하여 반응하는 것을 쉽게 제작할 수 있다.

안드로이드 어플리케이션에서 Firebase로 전송된 데이터들이 추가되면 별도로 동작하는 서버에서 이를 감지하여 새로 추가된 데이터들을 2장에서 선택한 분류 알고리즘 모델을 이용하여 환자의 사상체질을 예측하고 예측한 결과를 다시 Firebase에 저장되어 있는 해당 환자의 정보를 업데이트 한다. 그리고 이 과정에서 Firebase는 NoSQL 형태로 데이터를 저장하기 때문에 추후에 데이터 쿼리의 편의를 위해 MySQL에도 환자의 정보와 문진검사 응답 데이터를 저장하도록 하였다.

서버 언어로는 Node.js를, 데이터베이스는 MySQL을 사용하였으며 처음에는 각 문항을 하나의 column으로 구성하였지만 중복응답이 있는 경우가 많아 문항의 각 응답 항목을 하나의 column으로 하여 해당된다고 응답한 경우에는 1, 그렇지 않은 경우에는 0으로 데이터를 저장하도록 하였다. Firebase의 실시간 데이터베이스에서는 트리 형태로 데이터를 저장하였으며 마찬가지로 문항의 각 응답 항목을 하나하나 key – value 형태로 저장하였다.

Firebase에 환자의 예상 사상체질 결과까지 업데이트가 완료되면 의사가 사용하고 있는 PC에서는 웹 브라우저로부터 push 알림을 받게 되고 웹페이지를 통해 현재 진료하고 있는 환자의 문진검사 응답과 예측된 사상체질을 열람할 수 있도록 제작하였다.

Fig 2. 
web page that contains patient’s information using by doctor

Fig 3. 
Service Flow