Leveraging Taxonomy Similarity for Next Activity Prediction in Patient Treatment

이 논문은 ICD-10-CM 및 ICD-10-PCS 같은 의료 분류 체계와 그래프 매칭을 결합하여 TS4NAP 접근법을 제안함으로써, 데이터의 부족과 복잡성이라는 과제를 극복하고 환자의 다음 치료 단계를 더 정확하게 예측하고 설명 가능하게 만드는 방법을 제시합니다.

핵심

이 논문은 **"환자의 치료 과정을 예측하는 새로운 지능형 비서"**를 소개합니다.

의사들이 환자를 치료할 때, "다음에 어떤 치료를 해야 할까?"라는 고민을 많이 합니다. 이 논문은 과거의 수많은 환자 기록을 분석해, **다음에 가장 적절한 치료 단계를 추천해주는 시스템 (TS4NAP)**을 개발했다고 말합니다.

이 시스템의 핵심 아이디어를 일상적인 비유로 설명해 드릴게요.

---

🏥 1. 문제: "의사도 모든 걸 외울 수 없어요"

현대 의학은 너무 복잡합니다. 환자는 수만 명이고, 각자의 병은 다릅니다. 의사들은 과거의 수많은 사례를 기억해야 하지만, 모든 세부 사항을 완벽하게 기억하는 것은 불가능에 가깝습니다. 게다가 환자들의 기록은 서로 다른 병원에서 서로 다른 방식으로 쓰여 있어 비교하기 어렵기도 합니다.

🔍 2. 해결책: "유사한 환자 찾기 (TS4NAP)"

이 연구팀은 **"비슷한 환자를 찾아서, 그 환자가 했던 다음 치료를 추천하자"**는 아이디어를 냈습니다.
하지만 단순히 "이름이 같은 병"을 찾는 게 아니라, 의미가 비슷한 병을 찾아내는 것이 핵심입니다.

🧩 비유: "레고 블록의 분류법"

생각해 보세요. 레고 블록이 있다고 칩시다.

• 기존 방식 (구식): "빨간색 2x4 블록"과 "빨간색 2x4 블록"만 딱 똑같은 걸로만 짝을 맞춥니다. 만약 '빨간색 2x4'가 없으면, 아무리 비슷한 '빨간색 2x3'이나 '주황색 2x4'도 무시하고 "찾을 수 없음"이라고 합니다.
• 이 논문의 방식 (새로운 TS4NAP): "레고 분류도감 (Taxonomy)"을 봅니다. 도감에는 "이건 '벽돌'이라는 큰 부류에 속하고, 그중에서도 '빨간색' 계열이야"라고 적혀 있습니다.
  • 그래서 "빨간색 2x4"가 없어도, "빨간색 2x3"이나 "주황색 2x4"가 있다면 **"아, 이건 같은 '벽돌' 부류에 속하니까 비슷하구나!"**라고 판단합니다.
  • 이 논문의 시스템은 의학 용어 (ICD-10) 가 마치 이런 정교한 분류도감처럼 작동하게 만들어, 겉모습은 달라도 의미가 통하는 치료법을 찾아냅니다.

⚖️ 3. 어떻게 작동할까요? (두 가지 비교)

이 시스템은 환자의 현재 상태를 두 가지로 나누어 비교합니다.

1. 진단명 비교 (환자의 상태):
   • 환자의 병명 목록을 봅니다. (예: 당뇨, 고혈압, 폐렴)
   • 이 논문은 단순히 "병명이 똑같은가?"를 보는 게 아니라, **"이 병들이 의학 분류상 얼마나 가까운 친척인가?"**를 계산합니다. (예: '급성 폐렴'과 '만성 폐렴'은 다른 병이지만, 분류상 '폐' 관련 질환이라 서로 가깝다고 판단)
2. 치료 순서 비교 (환자의 행동):
   • 환자가 어떤 순서로 치료를 받았는지 봅니다. (예: 검사 → 수술 → 회복)
   • 이때 순서가 조금 달라도 (예: 수술 전에 약을 먼저 먹은 경우), 전체적인 흐름이 비슷하다면 "비슷한 치료 과정"으로 인정해 줍니다.

이 두 가지를 합쳐서, **"지금까지의 과정이 가장 비슷한 과거 환자 5 명"**을 찾아냅니다. 그리고 그 5 명이 다음에 무엇을 했는지를 모아 추천해 줍니다.

📊 4. 실험 결과: "복잡할수록 더 잘해요"

연구팀은 미국 MIMIC-IV 라는 거대한 병원 데이터베이스를 이용해 36 가지 주요 질병 (심장병, 당뇨, 폐렴 등) 으로 실험을 했습니다.

• 결과: 새로운 방법 (분류도감을 쓴 TS4NAP) 이 기존 방법 (단순 일치만 보는 방식) 보다 정확도가 훨씬 높았습니다.
• 재미있는 발견:
  • 치료 과정이 단순하고 똑같은 경우 (예: 골절 치료처럼 정해진 순서만 반복) 에는 두 방법의 차이가 크지 않았습니다.
  • 하지만 치료 과정이 매우 복잡하고 다양할수록 (예: 여러 합병증이 있는 환자), 새로운 방법이 압도적으로 잘 작동했습니다.
  • 비유: "레시피가 딱 정해진 국 요리"보다는 "재료와 상황에 따라 변하는 스프"를 만들 때, 이 시스템이 훨씬 더 똑똑한 조수 역할을 한다는 뜻입니다.

💡 5. 왜 이 연구가 중요할까요?

1. 의사들의 든든한 조력자: 의사가 모든 치료 옵션을 기억하지 않아도, 시스템이 "이런 비슷한 환자는 보통 다음에 A 치료를 했어요"라고 알려주면, 의사들은 더 나은 결정을 내릴 수 있습니다.
2. 병원 운영의 효율화: "다음에 어떤 장비나 병상이 필요할지" 미리 예측할 수 있어, 병원을 더 효율적으로 운영할 수 있습니다.
3. 투명한 이유: "왜 이 치료를 추천했는지"를 보여줍니다. (예: "이 환자는 A 환자랑 병명이 80% 비슷하니까, A 환자가 했던 치료를 추천합니다.") 이는 인공지능이 '블랙박스'처럼 이유를 말해주지 않는다는 비판을 해결해 줍니다.

🚀 결론

이 논문은 **"의학 용어의 깊은 지식 (분류도감) 을 활용하면, 복잡한 환자 치료 과정을 더 똑똑하고 정확하게 예측할 수 있다"**는 것을 증명했습니다.

앞으로 이 기술이 발전하면, 의사는 더 많은 환자를 더 잘 돌볼 수 있고, 환자는 더 빠르고 적절한 치료를 받을 수 있을 것입니다. 마치 수만 권의 의학 서적을 한눈에 훑어보는 초지능 비서가 병원에 상주하는 것과 같은 효과입니다.

기술 요약

1. 연구 배경 및 문제 정의 (Problem)

현대 의학은 진단 및 치료 기술의 발전으로 인해 환자 치료 계획 수립이 매우 복잡해졌습니다. 의료진은 방대한 치료 옵션과 질병의 진행 과정을 고려하여 '다음 단계'를 결정해야 하는 과중한 부담을 겪고 있습니다.

• 예측 프로세스 모니터링 (PPM): 기존에 환자 데이터를 분석하여 다음 치료 단계를 예측하는 '다음 활동 예측 (Next Activity Prediction, NAP)' 기술이 제안되었으나, 의료 데이터의 고유한 특성으로 인해 한계가 존재합니다.
• 주요 도전 과제:
  1. 지식 집약성 및 높은 변동성: 의료 데이터는 단순한 시퀀스 이상으로 복잡한 도메인 지식 (진단, 시술 등) 을 포함하며, 환자별 치료 경로가 매우 다양합니다.
  2. 블랙박스 문제: 딥러닝 기반의 기존 NAP 모델은 높은 정확도를 보일 수 있으나, 예측의 근거를 설명하기 어려워 (Explainability 부족) 임상 현장에서 신뢰를 얻기 어렵습니다.
  3. 데이터의 질과 희소성: 의료 기록은 비정형화되거나 불완전할 수 있으며, 특정 희귀 질환의 경우 데이터가 부족하여 정확한 예측이 어렵습니다.

이 연구는 이러한 문제를 해결하기 위해 의료 분류법 (Taxonomy, 예: ICD-10-CM, ICD-10-PCS) 에 내재된 지식을 활용하여 예측의 정확도와 설명 가능성을 동시에 높이는 새로운 접근법을 제안합니다.

2. 제안 방법론: TS4NAP (Methodology)

저자들은 **TS4NAP (Taxonomic Similarity for Next Activity Prediction)**이라는 새로운 접근법을 제안합니다. 이는 과거 환자 사례와 현재 환자의 상태를 분류법 기반의 의미적 유사성 (Semantic Similarity) 으로 매칭하여 다음 활동을 예측하는 Case-Based Reasoning (CBR) 방식의 '화이트박스 (White-box)' 모델입니다.

핵심 구성 요소:

1. 의료 분류법 활용 (ICD-10-CM & ICD-10-PCS):

   • ICD-10-CM: 진단 코드를 위한 계층적 분류법.
   • ICD-10-PCS: 입원 시술 코드를 위한 계층적 분류법.
   • 이 분류법들은 코드 간의 위계 관계 (부모 - 자식 관계) 를 제공하여, 단순히 코드가 일치하는지 여부가 아닌 의미적 유사성을 계산할 수 있게 합니다.

2. 정보 내용 (Information Content, IC) 기반 유사도 측정:

   • Sánchez et al. 의 방법을 기반으로 한 유사도 측정 함수 (simSánchez) 를 사용합니다.
   • 두 개념 (코드) 의 공통 조상 (Least Common Subsumer, LCS) 이 가지는 정보 내용 (IC) 을 계산하여, 구체적이고 전문적인 개념일수록 높은 정보량을 가지도록 설계되었습니다.
   • 수식: $sim(c_1, c_2) = \frac{2 \cdot IC(LCS(c_1, c_2))}{IC(c_1) + IC(c_2)}$

3. 이분 그래프 매칭 (Bipartite Graph Matching):

   • 환자의 치료 경로 (Trace) 는 순서가 중요하지만, 실제 의료 과정에서는 이벤트의 순서가 약간씩 달라질 수 있습니다. 이를 고려하기 위해 두 개의 트레인을 **이분 그래프 (Bipartite Graph)**로 변환합니다.
   • 최대 가중치 매칭 (Maximum Weight Matching): Hungarian 알고리즘 등을 사용하여 두 트레인 간의 이벤트들을 최적으로 매칭합니다.
   • 가중치 구성: 각 매칭 에지의 가중치는 분류법 유사도 (Taxonomic Similarity)와 순서 기반 가중치 (Order-based weight, 위치 차이)의 곱으로 계산됩니다. 이를 통해 순서 불일치를 허용하면서도 의미적 유사성을 극대화합니다.

4. 예측 프로세스:

   • 입력된 현재 환자의 트레인과 이벤트 로그 내의 모든 과거 트레인을 비교하여 유사도 점수를 산출합니다.
   • 가장 유사한 상위 $n$개의 트레인을 선택하고, 해당 트레인들의 다음 활동을 추출하여 가중치 합산 후 순위 매깁니다.
   • 최종적으로 추천되는 다음 활동 목록을 생성합니다.

3. 주요 기여 (Key Contributions)

1. 도메인 지식 통합 NAP 모델: 의료 분류법 (Taxonomy) 의 계층적 구조를 그래프 매칭과 결합하여, 블랙박스 모델 없이도 높은 설명 가능성을 가진 NAP 모델을 개발했습니다.
2. 유연한 유사도 계산: 단순히 코드 일치 여부를 넘어, 진단 (ICD-10-CM) 과 시술 (ICD-10-PCS) 의 의미적 유사성과 순서 변동을 동시에 고려한 정교한 유사도 측정 지표를 제안했습니다.
3. 설명 가능성 (Explainability): 예측 결과가 "어떤 과거 환자 사례와 유사했기 때문에" 도출되었는지를 명확히 보여주어, 의료진의 신뢰를 높이고 의사결정 과정을 투명하게 합니다.
4. 실증적 검증: MIMIC-IV 데이터셋을 기반으로 36 개의 주요 진단 카테고리별 이벤트 로그를 구축하여 모델을 검증했습니다.

4. 실험 결과 (Results)

연구는 MIMIC-IV 데이터셋에서 추출한 36 개의 진단 카테고리별 이벤트 로그를 사용하여 평가되었습니다.

• 비교 대상:
  • TS4NAPT: 분류법 지식 (Taxonomic Similarity) 을 통합한 제안 모델.
  • TS4NAPB: 분류법 지식 없이 단순 불리언 (Boolean, 동일 여부) 유사도만 사용하는 베이스라인 모델.
• 성능 지표: 다음 활동의 실제 코드와 예측된 코드 간의 **평균 유사도 (Average Similarity)**를 사용했습니다.
• 주요 결과:
  • 전반적 성능 향상: 36 개 이벤트 로그 중 34 개에서 TS4NAPT 가 TS4NAPB 보다 통계적으로 유의미하게 높은 성능을 보였습니다. 전체 평균 유사도는 **74%**에 달했습니다.
  • 복잡도에 따른 효과: 이벤트 로그 내 고유 이벤트 (Unique Events) 수나 트레인 변이 (Trace Variants) 가 많은 복잡한 경우일수록 분류법 지식 통합의 이점이 극대화되었습니다. (단순하고 표준화된 치료 경로에서는 효과가 상대적으로 작음).
  • 접두사 길이 (Prefix Length): 트레인의 초기 단계 (짧은 접두사) 에서 예측 정확도 향상이 두드러졌으며, 트레인이 길어질수록 데이터 희소성으로 인해 성능이 감소하는 경향을 보였습니다.
  • 구체적 수치: M17 (무릎 골관절염) 과 같은 특정 진단에서는 97% 의 높은 유사도를 기록했습니다.

5. 의의 및 결론 (Significance & Conclusion)

• 임상적 의사결정 지원: TS4NAP 는 의료진에게 단순히 "다음 단계"를 알려주는 것을 넘어, 왜 그 단계가 제안되었는지에 대한 근거 (유사한 과거 사례, 진단/시술의 의미적 유사성) 를 제공하여 임상적 판단을 보조합니다.
• 운영 효율성: 병상 관리, 장비 및 인력 배치 등 단기 운영 계획 수립에 활용 가능한 예측을 제공하여 병원 운영 효율성을 높일 수 있습니다.
• 미래 연구 방향: 계산 복잡도 (대규모 데이터 처리 시) 를 줄이기 위한 효율적인 검색 메커니즘 도입, Smith-Waterman 알고리즘 등 더 정교한 정렬 기법 적용, 그리고 딥러닝 모델의 손실 함수에 분류법 지식을 통합하는 하이브리드 접근법 등이 향후 연구 과제로 제시되었습니다.

결론적으로, 이 연구는 의료 데이터의 높은 복잡성과 변동성 속에서, 도메인 지식 (분류법) 을 효과적으로 활용하여 예측 정확도와 설명 가능성을 동시에 확보한 새로운 NAP 프레임워크를 성공적으로 입증했습니다.