http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
심재원(Jae-Won Shim),남정찬(Jeong-Chan Nam),민희준(Hee-Jun Min),김가연(Ga-Yeon Kim),이효진(Hyo-Jin Lee),정혜영(Hye-Young Jeong) 한국지능시스템학회 2021 한국지능시스템학회논문지 Vol.31 No.4
딥러닝 모델의 성능을 평가하는 지표는 정확도를 평가할 뿐, 해당 모델의 불확실성을 평가할 수 없다. 불확실성은 정확도와는 별개로, 안정성 또는 신뢰도의 의미를 가질 수 있다. 불확실성을 측정할 수 있다면 기존 모델의 성능을 평가하는 지표 외에 새로운 지표가 될 가능성을 가지고 있다. 불확성을 측정하기 위한 딥러닝 모델로 베이지안 신경망을 사용한다. 본 논문은 불확실성이 딥러닝 모델에서 성능을 평가하는 지표가 될 수 있음을 확인해보려 하였다. 불확실성을 측정하기 위한 베이지안 신경망 모델로 베이지안 LSTM (Bayesian Long Short Term Memory)을 사용하였고, 모델의 학습에 실제 데이터를 적용하여 불확실성을 측정하였으며, 이를 기존 모델의 성능 지표와 비교분석 하였다. 실제 데이터를 이용한 실험에서 이상치가 추가됨에 따라 기존 모델의 성능지표는 증가하거나 감소하는 여러 가지 양상을 보이는 반면, 불확실성은 이상치에 따라 일관적으로 증가하는 결과를 보였다. Uncertainty is a separate measure of accuracy, and may have implications for stability or reliability. If uncertainty can be regulated, it has the potential to be a new metric for evaluating a performance of Deep learning models. Deep learning models for measuring uncertainty are Bayesian neural networks, which can be implemented by applying a drop-out scheme to each layer of existing deep learning models. This paper confirms that uncertainty can be an indicator of performance evaluation in deep learning models. We used Bayesian LSTM as a Bayesian neural network model to measure uncertainty, and measured uncertainty, which is compared to performance metrics from existing models.
전국 신생아집중치료실로 전원 되는 고위험 신생아 환자의 실태분석
심재원 ( Jae Won Shim ) 대한주산의학회 2012 Perinatology Vol.23 No.2
목적: 이 연구는 신생아집중치료실에 입원하여 치료받았던 고위험신생아의 전국적인 전원실태를 파악하고, 전원에 미치는 병원인자와 지역간의 차이를 분석하고자 하였다. 방법: 전국 117개 의료기관에 설문조사를 통하여 답변이 이루어진 81개 병원에서 2010년 7월 1일부터 2010년 7월 31일까지 신생아집중치료실에 입원하였던 2,420명을 대상으로 하였고, 지역간의 비교를 위하여 전국을 6개 지역으로 나누었다. 입원하였던 고위험신생아를 원내 출생, 동일지역 전원, 타지역 전원의 3군으로 나누고, 입원하였던 병원의 신생아 집중치료실의 설비를 조사하여 비교 분석하였다. 결과: 입원하여 치료 받았던 환자 중 전원 된 경우가 39.2%였으며, 타지역에서 전원 된 경우는 7.5%였다. 원내 출생에 비해 외부전원 환자의 출생체중이 크고 재태연령이 높았다. 6개 권역간의 비교에서 전체 입원환자 중 높은 수준의 설비를 갖춘 병원에 입원하는 환자수가 경상, 전라, 제주지역에서 낮았다. 다항 로지스틱 회귀분석으로 비교하면 출생체중이 클수록, 신생아집중치료실 설비 등급이 높을수록, 병상수가 많을수록 전원 받는 환자가 많았다. 서울지역과 비교한 전원의 상대위험비는 경인지역 1.64, 충청-강원지역 1.68이고 전라지역은 0.63이었다. 각각의 인자를 보정한 후출 생체 중이 크고 신생아집중치료실 설비 등급의 수준이 높고 병상수가 많을수록 전원이 많았던 것은 유지되었으나, 지역간의 차이는 경인지역을 제외하고는 사라졌다. 결론: 고위험신생아의 출생 후 전원은 주로 출생체중이 큰아이들에서 신생아집중치료실 설비 수준이 높으며 병상수가 많은 병원으로 이루어지고 있었으며, 지역간의 차이가 있었다. 이러한 지역간의 차이는 일차적으로 지역내 신생아집중 치료실의 설비와 병상수에 기인한다. Purpose: The purpose of this study is to identify the national status of high risk infants who are being transferred at the neonatal intensive care units (NICU), and to analyze the differences in hospital facility resources and regions. Method: Survey was conducted in 81 of 117 hospital providing NICU in July of 2010. Data included information on number of NICU bed, resources in the NICU and birth place. Results: Among the patients, 39% were transferred patients and 7.5% were transferred from other regions. In the comparison among the 6 regions, transfer rate was higher in Gyeongin, ChungcheongGangwon region and low in Jeolla and Jeju region. According to the multinominal logistic regression analysis, there were more transferred patients when the birth weight was heavier and hospital level and volume was higher. The relative risk ratio of transfer compared to Seoul area was 1.64 in Gyeongin region, 1.68 in ChungcheongGangwon region, and 0.63 in Jeolla region. When the each factor was adjusted, the higher number of transfers when there was heavier birth weight and higher level of hospital level and volume remained the same, but the differences among the regions, other than Gyeongin region, had disappeared. Conclusion: The transfer of high risk infants after their birth was usually being made for infants with heavier birth weight to hospitals with higher NICU level and volume, and differences among regions also existed. This kind of differences among regions is primarily due to the differences in the local NICU facilities.