Using Artificial Neural Networks to Predict Claim Duration in a Work Injury Compensation Environment

이 논문은 캐나다 산업재해 보상 환경에서 전통적인 통계 기법의 한계를 극복하고, 입상 시점의 부상이나 인구통계학적 데이터를 입력받아 청구 기간 분포를 예측하기 위해 리들리 (Ripley) 가 제안한 코ックス 비례위험 회귀를 기반으로 한 인공신경망 모델을 소개합니다.

핵심

이 논문은 **"부상 사고가 발생했을 때, 직장에 얼마나 오랫동안 복귀하지 못할지 (휴직 기간) 를 미리 예측하는 인공지능 시스템을 개발한 연구"**입니다.

캐나다의 노동 보상 위원회에서 실제로 사용된 데이터를 바탕으로, 복잡한 통계 수식 대신 **인공 신경망 (ANN)**이라는 '디지털 두뇌'를 활용해 더 정확한 예측을 시도한 이야기입니다.

이 내용을 일반인도 쉽게 이해할 수 있도록 요리사, 레고, 그리고 날씨 예보에 비유해서 설명해 드리겠습니다.

---

1. 문제 상황: 왜 기존 방법은 실패했을까? (레고 조각이 너무 많아요)

노동 보상 기관에서는 매일 수천 건의 부상 사고를 처리합니다. "어디가 다쳤는지 (손가락, 허리 등)", "어떤 사고인지 (추락, 절단 등)", "누가 다쳤는지 (나이, 성별, 직업)" 등 **수많은 정보 (코드)**가 기록됩니다.

• 기존 방법의 한계: 예전에는 통계학자들이 이 정보들을 하나하나 분석했습니다. 하지만 정보의 종류가 너무 많고 (10 가지 이상의 카테고리, 각각 수십~수백 개의 세부 코드), 서로 복잡하게 얽혀 있어서 기존의 단순한 통계 공식으로는 이 복잡한 레고 조각들을 제대로 조립할 수 없었습니다. 마치 수천 개의 다른 모양 레고를 가지고 복잡한 성을 짓는데, 설계도가 너무 복잡해서 아무도 어떻게 쌓아야 할지 모르는 상황입니다.

2. 해결책: 인공지능 (ANN) 을 도입하다 (요리사의 직관)

저자는 **인공 신경망 (ANN)**이라는 기술을 도입했습니다. 이는 인간의 뇌가 정보를 학습하는 방식을 모방한 것입니다.

• 비유: 천재 요리사
  • 기존 통계 모델이 "재료 A 가 있으면 10 분, 재료 B 가 있으면 20 분"처럼 단순한 규칙을 따르는 요리사라면,
  • 이 인공지능 모델은 천재 요리사입니다.
  • 이 요리사는 "재료 A 와 B 를 섞으면 15 분이지만, 성별이 '여성'이고 '손가락' 부상이면 25 분으로 변한다"는 복잡한 조합과 미묘한 차이까지 스스로 학습합니다.
  • 즉, "손가락을 다친 여성은 보통보다 회복이 더 빠르다"거나 "특정 직업의 남성은 특정 사고 시 회복이 더 느리다"는 숨겨진 패턴을 찾아냅니다.

3. 데이터의 특징: "아직 끝나지 않은 이야기" (날씨 예보의 난이도)

이 연구에서 가장 어려운 점은 데이터가 불완전하다는 것입니다.

• 어떤 사고는 1 주일 만에 해결되지만, 어떤 사고는 1 년이 걸립니다.
• 분석을 할 때, 아직 직장에 복귀하지 않은 사람 (아직 끝나지 않은 사건) 들이 데이터에 포함되어 있습니다. 이를 통계학에서는 **'중도 도태 (Censoring)'**라고 합니다.
• 비유: 날씨 예보
  • 마치 "비가 내리기 시작했는데, 비가 언제 그칠지 아직 모르는 상태"에서 비가 그치는 시간을 예측하는 것과 같습니다.
  • 인공지능은 "아직 비가 그치지 않았지만, 구름의 모양과 바람의 세기를 보면 대략 3 일 후쯤 그칠 것 같다"라고 **확률 분포 (예: 50% 는 2 주, 30% 는 1 달)**로 예측합니다. 단순히 "2 주다"라고 딱 잘라 말하는 것이 아니라, 가능성 있는 모든 시나리오를 제시합니다.

4. 모델의 성과: 단순한 예측을 넘어선 통찰

연구 결과, 이 인공지능 모델은 기존 방법보다 훨씬 뛰어난 성과를 보였습니다.

• 상호작용을 파악하다:

  • 기존 방법은 "여성은 남성보다 회복이 빠르다"라고만 생각했습니다.
  • 하지만 인공지능은 **"손가락을 다친 여성은 남성보다 회복이 빠르지만, 등뼈를 다친 여성은 오히려 남성보다 회복이 더 느리다"**는 식의 상황에 따른 변화를 정확히 포착했습니다.
  • 이는 마치 "비 오는 날에는 우산을 쓰면 좋지만, 눈 오는 날에는 스노우 부츠가 더 중요하다"는 식의 맥락을 이해하는 능력입니다.

• 부분 정보로도 예측 가능:

  • 모든 정보가 다 들어오지 않아도 (예: 직업은 모르지만 부상 부위와 성별만 알려줌), 인공지능은 학습한 데이터를 바탕으로 가장 유력한 평균값을 찾아내어 예측할 수 있었습니다.

5. 결론: 왜 이 연구가 중요한가?

이 논문은 **"복잡한 현실 세계의 문제 (노동 보상) 를 해결하기 위해, 단순한 공식을 버리고 인공지능의 유연한 학습 능력을 활용해야 한다"**는 것을 증명했습니다.

• 핵심 메시지: 노동 보상 기관은 이제 "어떤 부상을 당했는지"만 보고도, 그 사람이 얼마나 일할 수 없을지, 그리고 그 기간이 얼마나 길어질지를 매우 정교하게 예측할 수 있게 되었습니다. 이는 보험 비용 산정, 자원 배분, 그리고 부상자의 관리에 큰 도움을 줄 것입니다.

한 줄 요약:

"수많은 복잡한 변수들이 얽힌 노동 부상 사건을, 단순한 계산기가 아닌 패턴을 스스로 배우는 인공지능 요리사에게 맡겨, 아직 끝나지 않은 사건까지도 정확하게 예측하는 방법을 개발했습니다."

기술 요약

논문 개요

이 논문은 캐나다의 근로자 보상 위원회 (Work Injury Compensation Board) 환경에서 **부상 청구 기간 (Claim Duration)**을 예측하기 위해 **인공 신경망 (ANN)**을 Cox 비례 위험 회귀 모델에 통합한 새로운 접근법을 제안합니다. 전통적인 통계적 모델링 기법이 복잡한 부상 코드와 다양한 공변량의 상호작용을 처리하는 데 한계가 있음을 지적하며, 이를 해결하기 위해 ANN 기반의 생존 분석 모델을 개발하고 검증했습니다.

1. 문제 정의 (Problem Statement)

• 배경: 캐나다의 근로자 보상 프로그램은 업무 중 발생한 부상으로 인한 시간 손실 (Claim Duration) 에 따른 비용을 보상합니다. 청구 기간은 의료 상태의 심각성을 나타내는 지표이자 프로그램 비용의 주요 동인입니다.
• 도전 과제:
  • 데이터의 복잡성: 부상 정보는 국가 근로자 부상 통계 프로그램 (NWISP) 의 표준 코딩 시스템 (부상 유형, 신체 부위, 원인, 사고 유형 등) 으로 기록됩니다. 이 코드들은 계층적 구조를 가지며 범주 수가 매우 많고 (최대 80 개 이상), 입력 벡터가 너무 복잡하여 표준 회귀 분석이나 단순한 통계 모델로는 처리하기 어렵습니다.
  • 상호작용 (Interactions): 성별, 부상 유형, 신체 부위 등 다양한 변수 간의 상호작용이 청구 기간에 영향을 미치지만, 전통적인 주효과 (Main Effects) 모델은 이러한 복잡한 상호작용을 포착하지 못합니다.
  • 우 censoring (Censoring): 분석 시점에 아직 종료되지 않은 청구 (열려 있는 청구) 가 존재하므로, 데이터에는 우 censoring 이 포함되어 있어 생존 분석 기법이 필수적입니다.

2. 방법론 (Methodology)

연구진은 Ripley (1998) 가 제안한 Cox 비례 위험 회귀 모델에 인공 신경망 (ANN) 을 적용한 하이브리드 모델을 사용했습니다.

• 데이터 구조:

  • 입력 변수 (Predictors): 10 가지 범주형 공변량 (부상 코드 4 가지: NOI, POB, SOI, TOA; 인구통계학적 정보: 나이, 성별, 지역, 직업, 산업 분류, 고용주 규모 등).
  • 목표 변수: 단기 시간 손실 (주 단위).
  • 데이터 소스: 뉴펀들랜드 래브라도 주 근로자 건강, 안전 및 보상 위원회 (WHSCC) 의 행정 데이터베이스 (1998 년 이후 17,026 건의 청구 데이터).
  • 전처리: 빈도가 낮은 코드들을 계층적 유사성에 따라 통합 (Consolidation) 하여 차원을 축소했습니다.

• 모델 아키텍처:

  • 기본 프레임워크: Cox 비례 위험 모델 $h_x(t) = h_0(t)e^{\eta(x)}$.
  • 선형 예측항 대체: 기존 Cox 모델의 선형 예측항 ($\eta = \beta^T x$) 을 **다층 퍼셉트론 (Multilayer Perceptron, MLP)**의 출력으로 대체했습니다.
  • 네트워크 구조: 입력층 (범주형 변수의 각 클래스에 대응), 은닉층 (선택적 노드 수), 출력층 (단일 노드). 입력 노드와 출력 노드 간 직접 연결 (Skip layer) 도 포함.
  • 손실 함수: Cox 부분 우도 (Partial Likelihood) 를 기반으로 하며, 과적합을 방지하기 위해 가중치 감쇠 (Weight Decay, $\lambda$) 와 편향 감쇠 ($\lambda_b$) 를 포함한 정규화 항을 최소화하는 방식으로 훈련되었습니다.

• 모델 선택 및 평가:

  • 데이터를 훈련 세트 (10,000 건) 와 테스트 세트 (7,026 건) 로 분할.
  • 은닉층 노드 수 ($n_h$) 와 감쇠 파라미터 ($\lambda$) 를 변화시키며 일반화된 $R^2$ 지수를 사용하여 모델 성능을 평가.
  • 주효과 모델 (Main Effects Model) 과의 비교를 통해 상호작용 포착 능력을 검증.

• 부분 입력 처리 (Partial Inputs):

  • 모든 입력 변수가 없는 경우를 대비하여 두 가지 방법 (평균 예측항 사용 vs 평균 생존 곡선 사용) 을 제안하고, **Method A(평균 예측항 사용)**를 채택했습니다.

3. 주요 기여 및 결과 (Key Contributions & Results)

• 상호작용 포착 능력:
  • 주효과 모델은 성별에 따른 기간 차이가 일정하다고 가정하지만, ANN 모델은 부상 유형이나 신체 부위에 따라 성별에 따른 기간 차이가 달라지는 복잡한 상호작용을 성공적으로 포착했습니다.
  • 예: 특정 부위 (예: 손가락) 에서는 남성이 여성보다 기간이 길지만, 다른 부위에서는 반대일 수 있는 패턴을 모델이 학습했습니다. (Kendall 상관계수 $P=0.0003$로 유의미한 일치).
• 성능 평가:
  • 최적 모델: 은닉층 노드 12 개, 감쇠 파라미터 6 인 풀 모델 (Full Model) 이 $R^2 = 0.206$으로 가장 우수한 성능을 보였습니다.
  • 비교: 단순 주효과 Cox 모델의 $R^2$는 0.15 로, ANN 모델이 더 높은 설명력을 가짐을 입증했습니다.
  • 예측 정확도: 예측된 5 분위수 (Quintiles) 와 실제 청구 기간 간의 분포가 잘 일치했으며, 특히 중앙값과 사분위수 예측이 정확했습니다. 평균 예측에는 약간의 편향이 있었으나 전체적인 추세는 정확히 반영되었습니다.
• 우 censoring 처리:
  • 훈련 데이터에 포함된 미완료 청구 (censored data) 를 Cox 모델의 우도 함수를 통해 자연스럽게 처리하여 편향 없는 추정이 가능함을 보였습니다.
• 전체 분포 예측:
  • 단순히 점 추정 (Point Estimate) 이 아닌, 청구 기간의 전체 확률 분포를 출력할 수 있어 불확실성을 정량화하고 관리 전략 수립에 활용할 수 있습니다.

4. 의의 및 결론 (Significance & Conclusion)

• 통계적 모델링의 한계 극복: 고차원적이고 복잡한 계층적 코딩 데이터를 가진 분야에서, 표준 통계 도구 (로지스틱 회귀, 결정 트리 등) 가 처리하기 어려운 문제를 ANN 기반 Cox 모델이 성공적으로 해결함을 입증했습니다.
• 실무적 활용성:
  • 청구 접수 시점 (Claim filing time) 에 이용 가능한 정보만으로 향후 기간을 예측할 수 있어, 청구 관리 (Claims Management) 및 자원 배분 전략에 즉시 활용 가능합니다.
  • 부분 입력 (Partial Input) 처리 기법을 통해 불완전한 정보가 있는 상황에서도 유용한 예측을 제공할 수 있습니다.
• 결론: 이 연구는 복잡한 공변량 구조를 가진 생존 분석 문제에서 인공 신경망이 강력한 도구임을 보여주었으며, 특히 상호작용 효과를 포착하고 우 censoring 을 처리하는 능력에서 기존 방법론보다 우월한 성능을 발휘함을 증명했습니다.

---

핵심 요약: 이 논문은 복잡한 부상 코딩 데이터를 처리하기 위해 Cox 비례 위험 모델과 인공 신경망 (ANN) 을 결합한 모델을 개발했습니다. 이 모델은 기존 통계 모델이 놓치기 쉬운 변수 간 상호작용을 효과적으로 학습하여 청구 기간 예측 정확도를 높였으며, 우 censoring이 있는 데이터에서도 신뢰할 수 있는 전체 기간 분포를 예측할 수 있음을 입증했습니다.