비즈니스 기회
기계 학습을 사용하여 웰빙 예측 변수 발견
크레딧: Pixabay/CC0 퍼블릭 도메인
개인적, 직업적, 사회적 상황에 관계없이 개인마다 다양한 수준의 삶의 만족도, 성취감 및 행복을 경험할 수 있습니다. 광범위하게 "웰빙"이라고 하는 이 일반적인 삶의 만족도 측정은 수많은 심리학 연구의 핵심 초점이었습니다.
웰빙에 기여하는 많은 요인을 더 잘 이해하면 사람들의 성취 수준을 개선하기 위한 개인화되고 표적화된 개입을 고안하는 데 도움이 될 수 있습니다. 과거의 많은 연구에서 이러한 요인을 설명하려고 시도했지만 현재 사용 가능한 고급 기계 학습 모델을 활용하여 그렇게 한 연구는 거의 없습니다.
머신 러닝 모델은 대량의 데이터를 분석하여 숨겨진 패턴을 발견하고 정확한 예측을 수행하도록 설계되었습니다. 신경 과학 및 심리학 분야의 이전 연구에서 수집된 데이터를 분석하기 위해 이러한 도구를 사용하면 웰빙에 영향을 미치는 환경 및 유전적 요인을 밝히는 데 도움이 될 수 있습니다.
암스테르담 브리예 대학교와 암스테르담 대학 메디컬 센터의 연구원들은 최근 머신러닝을 사용하여 네덜란드에서 10년 동안 수집된 대규모 데이터 세트를 분석하여 무엇이 웰빙을 예측하는지 조사하기 시작했습니다. 네이처 정신 건강(Nature Mental Health)에 발표된 그들의 연구 결과는 일반 인구의 웰빙을 예측할 수 있는 몇 가지 요인을 정확히 지적합니다.
"효과적인 개인화 된 웰빙 개입은 누가 번성할지 여부를 예측할 수 있는 능력과 근본적인 메커니즘에 대한 이해를 필요로합니다."라고 Dirk H. M. Pelt, Philippe C. Habets 및 그들의 동료들은 논문에 썼습니다.
"대규모 인구 코호트(네덜란드 트윈 레지스터, 1991–2022년 수집)의 종단 데이터를 사용하여 엑스포솜과 게놈에서 성인 웰빙을 위한 기계 학습 예측 모델을 구축하고 가장 예측 가능한 요인(N 702에서 5874 사이)을 식별하는 것을 목표로 합니다."
Pelt, Habets 및 동료들은 기계 학습 모델을 사용하여 11년 동안 대규모 인구 집단에서 수집한 데이터 세트인 Netherlands Twin Register를 분석했습니다. 이 데이터는 약 3, 5, 7, 10, 12, 14 및 15 세의 동일한 어린이와 성인 참가자에서 수집되었습니다.
Netherland Twin Register 데이터 세트에는 참가자의 환경(즉, 일반 엑스포솜) 및 심리사회적 조건(즉, 특정 엑스포솜)에 대한 정보뿐만 아니라 다유전자 점수(즉, 게놈)로 알려진 유전 정보가 포함됩니다. 연구원들은 이 방대한 양의 데이터에 대해 XGBoost(XGB), SVM 및 RF라고 하는 세 가지 다른 기계 학습 모델을 훈련했습니다.
그런 다음 SHAP(Shapley Additive Explanation)라는 강력한 기술을 사용하여 세 가지 모델의 예측에 대한 다양한 특징의 기여도를 조사했습니다. 그들의 분석에 따르면 웰빙에 대한 모델의 예측은 참가자의 삶의 만족도, 행복 및 삶의 질과 관련된 다양한 환경 및 심리 사회적 요인에 기반을 두고 있습니다.
"특정 엑스포솜은 아동기부터 성인기까지의 심리사회적 요인에 대한 부모와 자기 보고서에 의해 포착되었고, 게놈은 다유전자 점수에 의해 설명되었으며, 일반적인 엑스포솜은 참가자의 우편 번호를 객관적인 레지스트리 기반 노출에 연결하여 캡처되었습니다"라고 Pelt, Habets 및 그들의 동료들은 썼습니다.
"게놈이 아닙니다. 그러나 일반 엑스포솜 및 특히 특정 엑스포솜는 독립적인 테스트 세트에서 웰빙을 예측했습니다. 게놈과 일반 엑스포좀을 독립적으로 또는 공동으로 특정 엑스포솜 외에 추가해도 예측이 개선되지 않았습니다."
전반적으로, 연구자들은 참가자들의 유전적 소인(즉, 그들의 게놈)이 그들이 보고된 웰빙을 예측하지 못하는 반면, 환경적, 심리사회적 요인은 예측한다는 것을 관찰했습니다. 그들이 웰빙을 가장 잘 예측하는 것으로 밝혀진 요인은 낙관주의, 성격 특성, 사회적 지원, 이웃 역학 및 주거 특성입니다.
연구진은 "우리의 연구 결과는 종단 모니터링의 중요성과 웰빙 예측을 위한 다양한 데이터 양식의 약속을 강조합니다"라고 주장하였습니다.
펠트(Pelt), 하베츠(Habets) 및 그의 동료들의 최근 연구는 특정 환경적, 사회적, 심리적 상황이 사람들의 주관적 웰빙에 가장 크게 기여한다는 것을 시사합니다.
앞으로 수집된 연구 결과는 특정 개인의 삶의 만족도를 개선하기 위한 맞춤형 중재 개발에 정보를 제공할 수 있으며, 웰빙에 영향을 미치는 요인을 탐구하기 위해 기계 학습을 추가로 사용하도록 영감을 줄 수도 있습니다.
이상의 기사는 2024년 9월 13일 MedicalXpress에 게재된 “Using machine learning to uncover predictors of well-being?”제목의 기사 내용을 편집하여 작성하였습니다.
* 원문정보 출처 : Using machine learning to uncover predictors of well-being (medicalxpress.com)
* 추가정보 출처 : Building machine learning prediction models for well-being using predictors from the exposome and genome in a population cohort | Nature Mental Health