# -*- coding: utf-8 -*- """ 합성 KNHANES microdata 생성기 ============================ 실제 국민건강영양조사(KNHANES) microdata는 공개 다운로드/네트워크 접근이 제한되므로, 본 스크립트는 한국 성인 건강영양조사를 *모사*한 **합성 microdata**를 생성한다. 중요: 산출물 CSV는 실제 KNHANES 데이터가 아니다. 공개적으로 알려진 유병률 추세에 통계적으로 근접하도록 난수 생성한 합성 데이터이며, 도구 시연·방법론 검증 목적으로만 사용해야 한다. 근사 목표(공개 통계 추세): - 성인 비만(BMI >= 25) 유병률 약 38% - 성인 고도비만(BMI >= 30) 유병률 약 7% - 당뇨병(T2DM) 유병률 약 12~13% - 고혈압 유병률 약 28~30% - 이상지질혈증 유병률 약 38~40% - 현재 흡연 약 18~20% - 최근 GLP-1RA 사용 약 1~2% (낮은 비율) 복합표본 설계를 단순 모사하기 위해 표본가중치(weight) 컬럼을 포함한다. 사용: python3 generate_knhanes_synthetic.py 출력: knhanes_synthetic.csv (스크립트와 같은 디렉토리) """ import os import numpy as np import pandas as pd SEED = 20260517 # 재현성을 위한 고정 시드 N = 7000 # 합성 표본 크기 (6000~8000 범위) KOR_ADULT_POP = 44_000_000 # 한국 성인(19세 이상) 인구 외삽 기준값 (근사) def generate(n=N, seed=SEED): """합성 KNHANES microdata DataFrame을 생성해 반환한다.""" rng = np.random.default_rng(seed) # --- 인구학 --------------------------------------------------------- # 성별: 0 = 남성, 1 = 여성 sex = rng.integers(0, 2, size=n) # 연령: 19~80세, 중년에 약간 치우친 분포 age = np.clip(rng.normal(48, 16, size=n), 19, 80).round().astype(int) # --- BMI ------------------------------------------------------------ # 비만(>=25) 약 38%, 고도비만(>=30) 약 7%에 맞춘 로그정규 근사 분포. # 남성이 평균적으로 약간 높게. base_bmi = rng.normal(0.0, 1.0, size=n) bmi = 23.9 + base_bmi * 3.9 + (sex == 0) * 0.9 # 연령에 따른 완만한 상승(중년 정점) bmi += -0.0016 * (age - 50) ** 2 + 0.06 * (age - 50) bmi = np.clip(bmi, 15.0, 47.0).round(1) # --- 허리둘레 (cm) -------------------------------------------------- # BMI와 강한 상관, 남성이 더 큼. 복부비만 기준: 남>=90, 여>=85 waist = (bmi * 2.42 + (sex == 0) * 6.0 + 30.0 + rng.normal(0, 4.0, size=n)) waist = np.clip(waist, 55.0, 145.0).round(1) # --- 혈당 / HbA1c --------------------------------------------------- # 공복혈당(mg/dL), HbA1c(%) — BMI/연령과 양의 상관 fpg = (90.0 + 0.8 * (bmi - 23.9) + 0.30 * (age - 48) + rng.normal(0, 10.0, size=n)) fpg = np.clip(fpg, 65.0, 320.0).round(0) hba1c = (5.35 + 0.030 * (bmi - 23.9) + 0.011 * (age - 48) + (fpg - 90.0) * 0.011 + rng.normal(0, 0.32, size=n)) hba1c = np.clip(hba1c, 4.2, 13.5).round(1) # 당뇨병 치료(약물 복용) 플래그 — 일부 환자는 혈당이 조절됨 on_dm_med = (rng.random(n) < np.clip(0.025 + 0.0075 * (age - 40), 0.012, 0.26)).astype(int) # T2DM 정의: 공복혈당>=126 또는 HbA1c>=6.5 또는 당뇨약 복용 t2dm = ((fpg >= 126) | (hba1c >= 6.5) | (on_dm_med == 1)).astype(int) # --- 혈압 ----------------------------------------------------------- sbp = (119.0 + 0.60 * (bmi - 23.9) + 0.48 * (age - 48) + rng.normal(0, 13.0, size=n)) sbp = np.clip(sbp, 85.0, 210.0).round(0) dbp = (76.0 + 0.32 * (bmi - 23.9) + 0.12 * (age - 48) + rng.normal(0, 8.5, size=n)) dbp = np.clip(dbp, 50.0, 130.0).round(0) on_htn_med = (rng.random(n) < np.clip(0.03 + 0.013 * (age - 40), 0.02, 0.50)).astype(int) # 고혈압 정의: SBP>=140 또는 DBP>=90 또는 항고혈압제 복용 htn = ((sbp >= 140) | (dbp >= 90) | (on_htn_med == 1)).astype(int) # --- 지질 ----------------------------------------------------------- tot_chol = (188.0 + 0.7 * (bmi - 23.9) + 0.25 * (age - 48) + rng.normal(0, 33.0, size=n)) tot_chol = np.clip(tot_chol, 100.0, 340.0).round(0) tg = np.exp(rng.normal(4.78, 0.45, size=n)) + 1.6 * (bmi - 23.9) tg = np.clip(tg, 30.0, 700.0).round(0) hdl = (54.0 - 0.55 * (bmi - 23.9) + (sex == 1) * 8.0 + rng.normal(0, 11.0, size=n)) hdl = np.clip(hdl, 18.0, 110.0).round(0) on_lipid_med = (rng.random(n) < np.clip(0.03 + 0.009 * (age - 40), 0.02, 0.35)).astype(int) # 이상지질혈증 정의: 총콜레스테롤>=240 또는 TG>=200 또는 # HDL<40(남)/<50(여) 또는 지질강하제 복용 low_hdl = ((sex == 0) & (hdl < 40)) | ((sex == 1) & (hdl < 50)) dyslipidemia = ((tot_chol >= 240) | (tg >= 200) | low_hdl | (on_lipid_med == 1)).astype(int) # --- 간효소 (MASLD 대용지표) --------------------------------------- # ALT/AST(U/L) — BMI/대사이상과 양의 상관 alt = np.exp(rng.normal(2.95, 0.42, size=n)) + 0.9 * (bmi - 23.9) alt = np.clip(alt, 5.0, 200.0).round(0) ast = np.exp(rng.normal(2.95, 0.34, size=n)) + 0.45 * (bmi - 23.9) ast = np.clip(ast, 8.0, 160.0).round(0) # MASLD 대용 플래그: 과체중/비만(BMI>=25) + ALT 상승(남>40,여>35) # — 영상검사가 없는 KNHANES형 데이터에서의 보수적 대용지표 alt_high = ((sex == 0) & (alt > 40)) | ((sex == 1) & (alt > 35)) masld_surrogate = ((bmi >= 25) & alt_high).astype(int) # --- OSA 위험 (대용 점수) ------------------------------------------ # 영상수면검사 부재 → STOP-Bang 유사 대용 점수. # 비만(BMI>=30) + 큰 허리둘레 + 고령 + 남성 + 고혈압 기반 osa_score = ((bmi >= 30).astype(int) + ((sex == 0) & (waist >= 100)).astype(int) + ((sex == 1) & (waist >= 95)).astype(int) + (age >= 50).astype(int) + (sex == 0).astype(int) + htn) # OSA 고위험: 점수 >= 3 osa_high_risk = (osa_score >= 3).astype(int) # --- 흡연 ----------------------------------------------------------- # 현재 흡연: 남성에서 더 흔함, 전체 약 18~20% smoke_p = np.where(sex == 0, 0.32, 0.06) current_smoker = (rng.random(n) < smoke_p).astype(int) # --- 최근 GLP-1RA 사용 (낮은 비율) --------------------------------- # 비만/당뇨에서 약간 더 높지만 전체적으로 드묾(약 1~2%) glp1_p = np.clip(0.006 + 0.011 * (bmi >= 30) + 0.010 * (t2dm == 1), 0.003, 0.06) recent_glp1ra = (rng.random(n) < glp1_p).astype(int) # --- 복합표본 가중치 ----------------------------------------------- # 단순 모사: 양의 로그정규 가중치를 생성한 뒤, # 합이 한국 성인 인구 외삽 기준값이 되도록 스케일. raw_w = np.exp(rng.normal(0.0, 0.45, size=n)) weight = raw_w / raw_w.sum() * KOR_ADULT_POP weight = weight.round(1) df = pd.DataFrame({ "id": np.arange(1, n + 1), "age": age, "sex": sex, # 0=남성, 1=여성 "bmi": bmi, "waist_cm": waist, "fpg_mgdl": fpg, "hba1c_pct": hba1c, "sbp_mmhg": sbp, "dbp_mmhg": dbp, "tot_chol_mgdl": tot_chol, "tg_mgdl": tg, "hdl_mgdl": hdl, "alt_ul": alt, "ast_ul": ast, "on_dm_med": on_dm_med, "on_htn_med": on_htn_med, "on_lipid_med": on_lipid_med, "t2dm": t2dm, "htn": htn, "dyslipidemia": dyslipidemia, "masld_surrogate": masld_surrogate, "osa_high_risk": osa_high_risk, "current_smoker": current_smoker, "recent_glp1ra": recent_glp1ra, "weight": weight, }) return df def _summary(df): """가중 유병률 요약을 출력한다 (생성 결과 점검용).""" w = df["weight"] tot = w.sum() def wprev(mask): return 100.0 * w[mask].sum() / tot print("합성 KNHANES microdata 요약 (가중 기준)") print("-" * 48) print(f" 표본 크기 N : {len(df):,}") print(f" 가중 인구 합 : {tot:,.0f}") print(f" 평균 연령 (비가중) : {df['age'].mean():.1f}") print(f" 여성 비율 : {wprev(df['sex'] == 1):.1f}%") print(f" 비만 (BMI>=25) : {wprev(df['bmi'] >= 25):.1f}% (목표 ~38%)") print(f" 고도비만 (BMI>=30) : {wprev(df['bmi'] >= 30):.1f}% (목표 ~7%)") print(f" T2DM : {wprev(df['t2dm'] == 1):.1f}% (목표 ~12-13%)") print(f" 고혈압 : {wprev(df['htn'] == 1):.1f}% (목표 ~28-30%)") print(f" 이상지질혈증 : {wprev(df['dyslipidemia'] == 1):.1f}% (목표 ~38-40%)") print(f" MASLD 대용 : {wprev(df['masld_surrogate'] == 1):.1f}%") print(f" OSA 고위험 : {wprev(df['osa_high_risk'] == 1):.1f}%") print(f" 현재 흡연 : {wprev(df['current_smoker'] == 1):.1f}% (목표 ~18-20%)") print(f" 최근 GLP-1RA 사용 : {wprev(df['recent_glp1ra'] == 1):.1f}% (목표 ~1-2%)") print("-" * 48) def main(): df = generate() out_path = os.path.join(os.path.dirname(os.path.abspath(__file__)), "knhanes_synthetic.csv") df.to_csv(out_path, index=False, encoding="utf-8") _summary(df) print(f"\n[OK] 합성 CSV 저장: {out_path}") print("주의: 실제 KNHANES 데이터가 아님 — 공개 유병률 추세 기반 합성 데이터.") if __name__ == "__main__": main()