[mumallaeng/HealthCasting](https://github.com/mumallaeng/HealthCasting) \ [addinedu-ros-8th/eda-repo-4](https://github.com/addinedu-ros-8th/eda-repo-4) > *(KDT) ROS2와 인공지능을 활용한 자율주행 로봇 개발자 양성과정 8기* 교육과정 내에서 Exploratory Data Analysis를 주제로한 과제입니다. {/* more */} ## 담당 작업 - 팀장으로 프로젝트 주제 범위, 파일 구조, 데이터 수집 흐름을 정리했습니다. - Google Trends 데이터를 수집하고, 질병 키워드 검색량 변화와 실제 환자 수 데이터의 흐름을 비교했습니다. - DB 연결 함수와 설정 파일을 정리해 팀원이 수집한 데이터를 같은 구조로 저장·조회할 수 있게 했습니다. - 발표에서는 검색 트렌드가 질병 경보 지표로 쓰일 수 있는지 설명하는 분석 흐름을 맡았습니다. ## 프로젝트 개요 - **기간**: 2024.12.12 ~ 2025.01.03 (3주) - **역할**: 프로젝트 팀장 및 트렌드 데이터 담당 - **팀명**: overflow > 사실과 무관한 가상의 배경입니다. 보건복지부 첨단의료지원관 보건의료데이터진흥과의 팀이며, 다가오는 2025년 53회 보건의 날(4월 7일), 4월 보건의 달과 건강주간(7일-13일)을 위한 행사 및 사업을 준비하기 위해 데이터를 분석해야하는 상황. 기상 데이터와 질병 발생 통계, 검색 트렌드를 연계 분석하여 특정 질병(예: 장염)의 발생 가능성을 예측하고, 국민에게 사전 경보 형태로 제공 가능한 건강 예보 체계를 제안함. ### 기술 스택 - **언어**: Python3.10 - **라이브러리**: Selenium, BeautifulSoup, pytrends, Pandas, Numpy, Matplotlib - **데이터베이스**: MySQL, Amazon RDS, SQLAlchemy - **협업 도구**: Git, Slack, Jira, Confluence, Notion ### 열정이 넘쳐 흐르는 4팀 **overflow** | 역할 | 이름 (GitHub ID) | 주요 업무 요약 | |------|------------------|----------------------------------------------------------| | 팀장 | 김연우 ([@mumallaeng](https://github.com/mumallaeng)) | - 프로젝트 파일 구조 표준화 및 DB 관련 함수 통합
- 구글 트렌드 데이터 수집 및 질병 트렌드 변화 분석 | | 팀원 | 김규환 ([@kimsnake](https://github.com/kimsnake)) | - 보건의료 데이터포털에서 장염 환자 수 수집 및 정제
- 연령대별 질병 발생 통계 분석 및 인사이트 도출 | | 팀원 | 박세린 ([@selnimon](https://github.com/selnimon)) | - 네이버 트렌드 데이터 수집
- 트렌드 변화 데이터 분석 및 시각화 | | 팀원 | 이상윤 ([@sangyun1729](https://github.com/sangyun1729)) | - 기상청 지역별 일별 데이터(기온·습도·일교차) 수집
- 기상 변수와 질병 발생 간 상관관계 분석 | *** ### 분석 목적 - **기상 상태와 질병 발생의 상관관계 분석** - **검색 트렌드와 실제 질병 발생 통계 간 유사성 검토** - **기후 기반 질병 경보 체계 설계 가능성 타진** 기상 상태에 따른 질병 유행 여부 파악: - 기상 상태와 질병 관련 키워드의 관련성을 분석하기 - 키워드(식중독, 인후염 등) 검색이 많아지면 실제 질병 발생이 많아지는지를 검토: 해당 검색어 트랜드와 질병 데이터 비교 - 기상 데이터와 질병 발생 데이터 그리고 검색 트랜드를 모아서 기상 상태를 기반으로 해당 질병 주의!!! - 기상 변화에 따라서 주의해야할 질병을 국민들에게 미리 알릴 수 있음 *** ### 프로젝트 진행 순서 1. 프로젝트 기획 및 주제 정의 2. 데이터 수집 및 정제 3. 상관 분석 및 시각화 4. 연령별·시기별 질병 트렌드 분석 5. 경보 모델 초안 및 예측 도출 *** ### 사용 데이터 | 구분 | 출처 | 세부 내용 | |----------|------|-----------| | 기상 데이터 | 기상청 기상자료개방포털 | 지역별 일별 기온, 습도, 일교차 | | 대기질 데이터 | 에어코리아 | PM10, PM2.5 등 미세먼지 농도 | | 질병 통계 | 보건의료빅데이터개방시스템 | 연령대별 장염 환자 수 | | 검색 트렌드 | 네이버 데이터랩 · Google Trends | 질병 관련 키워드의 월별 검색량 | *** ### 프로젝트 구조 **데이터 수집 (data_collect/)** - **Google Trends**: pytrends를 활용한 질병 관련 검색 트렌드 수집 - **Naver Trends**: 네이버 데이터랩 API를 통한 국내 검색 트렌드 수집 - **기상 데이터**: Selenium을 활용한 기상청 데이터 스크래핑 **데이터베이스 업로드 (database_upload/)** - 수집된 데이터를 MySQL 데이터베이스에 체계적으로 저장 - 기상 데이터, 대기질 데이터, 검색 트렌드 데이터 통합 관리 - DB 연결 및 쿼리 함수 모듈화 (db_function.py) **데이터 분석 (data_analysis/)** - **장염 분석**: 기상 변수와 장염 발생의 상관관계 분석 - **식중독 분석**: 일교차와 식중독 관련 감염병의 상관관계 분석 - **동상 분석**: 저온 환경과 동상 발생 패턴 분석 - **상관관계 분석**: 다양한 기상 변수와 질병 발생 간의 종합 분석 *** **주요 참고 링크** - [기상청 기상자료포털](https://data.kma.go.kr/) - [에어코리아 대기환경 정보](https://www.airkorea.or.kr/) - [네이버 데이터랩](https://datalab.naver.com/) - [보건의료빅데이터개방시스템](https://www.data.go.kr/) *** ## 프로젝트 결과 및 자료 ### 1. 장염 분석 결과 1-1 장염환자수와검색어트랜드분석

1-1 장염환자수와검색어트랜드분석

#### 검색 트렌드와 실제 환자 수의 상관관계 - **네이버 검색 트렌드**와 실제 장염 환자 수의 변화 패턴이 매우 유사 - 상승폭과 하강 시기가 일치하여 예측 지표로서의 가능성 확인 - **구글 검색 트렌드**도 환자 수와 유사한 패턴을 보이나, 네이버보다는 일관성이 다소 낮음 - 검색 트렌드 데이터를 활용한 조기 경보 시스템의 타당성 입증

#### 기상 변수와 장염 발생의 상관관계 3-1 기상데이터와_장염환자_상관관계

3-1 기상데이터와_장염환자_상관관계

- **일교차(-0.66)**: 음의 상관관계로 일교차가 작을수록 환자 수 증가 - **최저 습도(0.50)**: 양의 상관관계로 최저 습도가 높을수록 환자 수 증가 - 온도 및 습도가 **극값(변곡점)에 도달하는 시점**에서 환자 수 급증 현상 관측 - 여름철 고온다습 환경과 겨울철 환경 변화가 장염 발생에 영향

#### 연령별 장염 발생 패턴 2-2 연령별_환자분석

- **0~9세 아동층**에서 장염 환자 수가 압도적으로 많음 - 연령이 증가할수록 장염 발생률이 감소하는 경향 - **2024년 1월**: 최근 5년간 최대 환자 수 기록 (708,131명) - **2020년 3월**: 최근 5년간 최소 환자 수 기록 (287,005명, COVID-19 영향 추정) - 계절별로는 **여름(7-8월)**과 **겨울(1월)** 에 환자 수가 크게 증가

### 2. 식중독 관련 감염병 분석 #### 네이버 트렌드와 환자 수의 상관관계 1-2 장염환자수와네이버검색어트랜드

1-2 장염환자수와네이버검색어트랜드

- 식중독 검색 트렌드와 실제 환자 수가 유사한 계절적 패턴을 보임 - 여름철(6-8월)에 검색량과 환자 수가 동시에 급증

#### 일교차와의 상관관계 3-4 장염일교차

- 서울 지역 데이터 기준으로 일교차와 식중독 발생 패턴 분석 - 일교차가 큰 **봄철(4-5월)**과 가을철에 환자 수 증가 경향 - 여름철에는 일교차가 작아도 고온으로 인한 환자 수 증가

### 3. 결론 - 0~9세 아동층이 장염 발생에 가장 취약 - 기상 변수(일교차, 습도 등)가 질병 발생에 유의미한 영향 - 구글보다는 네이버 검색 트렌드가 국내 질병 발생 예측에 더 적합 --- ### 4. 예측 및 제안 #### HealthCasting 경보 시스템 1. **검색 트렌드 기반 조기 경보** - 네이버 검색 트렌드를 실시간 모니터링하여 질병 유행 1개월 전 예측 - 특정 임계값 초과 시 국민 건강 주의보 발령 2. **기상 조건 기반 위험도 평가** - 일교차, 습도 등 기상 변수를 활용한 질병 발생 위험도 계산 - 기상청 예보 데이터와 연계한 사전 경보 시스템 3. **연령별 맞춤형 경보** - 0~9세 아동층 대상 장염 집중 관리 - 연령대별 취약 질병에 대한 차별화된 경보 제공 4. **2025년 전망** - 과거 데이터 패턴 분석 결과, 2025년 1월 장염 재유행 가능성 높음 - 여름철(7-8월) 장염 및 식중독 대비 필요 - 보건의 날(4월 7일) 행사와 연계한 국민 건강 캠페인 가능