http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
IOLMaster, Lenstar, Orbscan 및 수동 방법을 이용한 각막윤부직경 비교
정윤,김균형,MD,Kyun Hyung Kim,MD 대한안과학회 2013 대한안과학회지 Vol.54 No.8
Purpose: To compare and evaluate device efficacy using white-to-white (WTW) diameter measurements by IOLMaster<sup>®, Lenstar<sup>®, Orbscan II<sup>®, and a manual method with anterior segment photographs in normal eyes. Methods: Three sets of WTW diameter measurements were obtained from 62 normal eyes of 31 patients, using the Orbscan II<sup>®, Lenstar<sup>®, IOLMaster<sup>®, and a manual method with anterior segment photographs. Repeatability of each device was evaluated by coefficient of variation. ANOVA and Pearson's correlation were used to compare the differences among the devices. Bland Altman plot was performed to assess measurement agreement among the devices. Results: The mean WTW distance was 11.79 ± 0.46 mm with Orbscan II<sup>®, 12.05 ± 0.38 mm with Lenstar<sup>®, 12.15 ± 0.36 mm with IOLMaster<sup>®, and 12.30 ± 0.40 mm with a manual method. There were significant differences in the results among the methods (ANOVA, p < 0.05). There were significant correlations between the devices except Orbscan II<sup>® (Pearson's correlation, r > 0.8, p < 0.05). The coefficient of variation of Orbscan II<sup>® was larger than those of Lenstar<sup>® and IOLMaster<sup>®. Conclusions: The WTW measurement using Orbscan II<sup>® has low correlations with other devices and lower repeatability. Our findings suggest that partial coherence interferometry should be considered as a new standard.
정윤,황석해 한국데이타베이스학회 1999 공동학술대회 Vol.1 No.1
Altman의 연구(1965,1977)나 Beaver의 연구(1986)와 같은 전통적 예측모형은 분석자의 판단에 따른 예측도가 높은 재무비율을 선정하여 다변량판별분석(MDA:multiple discriminant analysis)로지스틱회귀분석 등과 같은 통계기법을 주로 이용해 왔으나 1980년 후반부터 인공지능 기법인 귀납적 학습방법, 인공신경망모형, 유전모형 등이 부실기업예측에 응용되기 시작했다. 최근 연구에서는 인공신경망을 활용한 변수 및 모형개발에 관한 보고가 있다. 그러나 지금까지의 연구가 주로 기업의 재무적 비율지표를 고혀란 모형에 치중되었으며 정성적 자료인 비재무지표에 대한 검증과 선정이 자의적으로 이루어져온 경향이었다. 또한 너무 많은 입력변수를 사용할 경우 다중공선성 문제를 유발시킬 위험을 내포하고 있다. 본 연구에서는 부실기업예측모형을 수립하기 위하여 정량적 요인인 재무적 지표변수와 정성적 요인인 배지무적 지표변수를 모두 고려하였다. 재무적 지표변수는 상관분석 및 요인분석들을 통하여 유의한 변수들을 도출하였으며 비재무적 지표변수는 조직생태학내에서의 조직군내 조직사멸과 관련된 생태적 과정에 대한 요인들 중 조직군 내적오앤으로 조직의 연령, 조직의 규모, 조직의 산업밀도를 도출라여 4개의 실험집단으로 분류하여 비재무적 지표변수를 보완하였다. 인공신경망은 다층퍼셉트론(multi-layer perceptrons)과 역방향 학습(back-propagation)알고리듬으로 입력변수와 출력변수, 그리고 하나의 은닉층을 가지는 3층 퍼셉트론(three layer perceptron)을 사용하였으며 은닉층의 노드(node)수는 3개를 사용하였다. 입력변수로 안정성, 활동성, 수익성, 성장성을 나타내는 재무적 지표변수와 조직규모, 조직연령, 그 조직이 속한 산업의 밀도를 비재무적 재표변수로 산정하여 로지스틱회귀 분서과 인공신경망 기법으로 검증하였다. 로지스틱회귀분석 결과에서는재무적 지표변수 모형의 전체적 예측적중률이 87.50%인 반면에 재무/비재무 지표모형은 90.19%로서 비재무적 지표변수 사용에 대한 개선의 효과가 나타났다. 표본기업들을 훈련과 시험용으로 구분하여 분석한 결과는 전체적으로 재무/비재무적 지표를 고려한 인공신경망기법의 예측적중률이 놓은 것으로 나타났다. 즉, 로지스틱회귀분석의 재무적 지표모형은 훈련, 시럼용이 84.45%, 85.10%인 반면, 재무비재무적 지표모형은 84.45%, 85.08%로서 거의 동일한 예측적중률을 가졌으나 인공신경망기법 분석에는 재무적 지표 모형이 92.23%, 85.10%인 반면, 재무/비재무 지표모형에서는 91.12 %, 88.06%로서 향상된 예측적중률을 나타내었다.