A medical coding language model trained on clinical narratives from a population-wide cohort of 1.8 million patients

덴마크 동부 180 만 명의 환자 데이터를 기반으로 훈련된 의료 언어 모델이 ICD-10 코딩 자동화를 통해 기존 시스템의 누락된 이차 진단을 효과적으로 발견하고 공중보건 및 역학 연구의 정확성을 높일 수 있음을 입증했습니다.

핵심

1. 배경: "수작업은 너무 느리고 실수가 많아요"

지금까지 병원에서 환자가 치료받으면, 의사나 행정 직원이 수동으로 "이 환자는 A 병, B 병, C 병을 앓았다"라고 국제 표준 코드 (ICD) 를 입력했습니다.

• 비유: 마치 수천 권의 두꺼운 사전을 펼쳐서 손으로 하나하나 단어를 찾아 적는 작업과 같습니다.
• 문제점: 시간이 너무 오래 걸리고 (한 명당 30 분 이상), 피곤해서 실수가 자주 납니다. 특히 "주요 병"은 잘 적지만, "함께 있는 다른 병 (2 차 진단)"은 빼먹기 쉽습니다. 이는 보험 청구나 공중보건 통계에 큰 오류를 만듭니다.

2. 해결책: "AI 가 180 만 명의 기록을 공부했습니다"

연구팀은 덴마크 동부 지역의 180 만 명 환자, 580 만 건의 진료 기록을 AI 에게 먹였습니다. 이는 기존 연구들 (수천 명 수준) 에 비해 압도적으로 큰 규모입니다.

• 비유: 이 AI 는 전 세계 최고의 의학 도서관을 통째로 읽은 초지능 서기가 된 것입니다.
• 성과:
  • AI 는 전체 기록의 약 **55%**에서 인간과 완벽하게 일치하는 코드를 찾아냈습니다. (완전 자동화 가능)
  • 나머지 **45%**의 경우에도, 인간이 고를 때 가장 유력한 상위 10 개 후보를 제시하면, 그중에서 정답을 찾을 확률이 **95%**나 됩니다.
  • 즉, 인간은 이제 모든 코드를 검색할 필요 없이, AI 가 추천한 짧은 목록에서 "아, 이거구나!" 하고 고르기만 하면 됩니다.

3. 놀라운 발견: "AI 가 인간보다 더 잘 본 경우" (가장 중요한 부분)

이 연구에서 가장 흥미로운 점은 AI 가 인간보다 '잘못된' 것을 찾아낸 경우가 많았다는 것입니다.

• 상황: AI 가 "이 환자는 고혈압 (또는 자살 시도, 비만) 이 있네요"라고 코드를 제안했지만, 인간 코더는 "아니야, 그건 적지 않았어"라고 무시했습니다.
• 검증: 연구팀이 다시 직접 확인해보니, 실제로는 AI 가 맞았고, 인간이 빼먹은 것이었습니다.
• 비유: 실수하는 코더는 '눈이 가려진' 상태였습니다.
  • 덴마크의 보상 시스템이 '주요 병'만 돈을 주고, '함께 있는 병 (2 차 진단)'은 돈을 주지 않기 때문에, 인간 코더들은 피곤해서 2 차 진단을 적는 것을 게을리했습니다.
  • 하지만 AI 는 데이터의 패턴을 보고 "아, 이 환자는 고혈압 약을 먹고 있으니 고혈압이겠지"라고 추론해냈습니다.
  • 특히 자살 시도 같은 민감한 질병은 낙인을 두려워해 아예 적지 않는 경우가 많았는데, AI 가 텍스트 속 단서 (예: "과다복용", "자살 의도") 를 찾아내어 수천 건의 누락된 사례를 찾아냈습니다.

4. 결론: "AI 는 도우미이자 감시자"

이 연구는 AI 가 단순히 코딩 속도를 높여주는 것을 넘어, 의료 기록의 '숨겨진 진실'을 찾아내는 역할을 할 수 있음을 보여줍니다.

• 핵심 메시지:
  • AI 는 인간이 피곤해서나 시스템적 이유로 잊어버린 질병들을 찾아내어 기록을 더 완벽하게 만들어줍니다.
  • 하지만 AI 도 완벽하지는 않습니다. 기록 자체가 애매모호하거나 정보가 부족하면 AI 도 헷갈립니다.
  • 최종 목표: AI 가 추천한 목록을 인간이 확인하는 '인간-AI 협업' 시스템을 통해, 환자가 겪은 모든 질병을 빠짐없이 기록하고, 이를 통해 더 정확한 의료 통계와 정책을 만들자는 것입니다.

한 줄 요약:

"이 AI 는 180 만 명의 병력을 훑어보며, 인간이 피곤해서나 시스템 때문에 잊어버린 중요한 질병들까지 찾아내어 의료 기록을 더 완벽하게 만드는 '초능력의 보조 서기'가 될 수 있습니다."

기술 요약

논문 기술 요약: 180 만 명 환자 코호트를 기반으로 한 대규모 임상 서술 기반 의료 코딩 언어 모델

1. 연구 배경 및 문제 정의 (Problem)

• 의료 코딩의 한계: 현대 의료 시스템에서 ICD-10 코드는 청구, 연구, 공중보건 감시에 필수적이지만, 수동 코딩은 시간이 많이 소요되고 오류가 발생하기 쉽습니다.
• 기존 연구의 부족: 기존 머신러닝 기반 자동 코딩 연구들은 주로 MIMIC-III/IV와 같은 소규모, 단일 병원 (중환자실 등) 데이터에 의존하여 환자 인구의 다양성 (특히 다발성 질환, Multimorbidity) 을 충분히 반영하지 못했습니다.
• 데이터의 질적 문제: 실제 임상 현장에서는 시간 부족, 보상 체계의 한계 (1 차 진단 위주), 낙인 회피 등의 이유로 **2 차 진단 (Secondary Diagnoses) 이 체계적으로 누락 (Under-coding)**되는 현상이 발생합니다. 이는 모델 학습 시 '레이블 노이즈'를 유발하여 모델 성능 저하와 인간 - 모델 간 불일치를 초래합니다.

2. 방법론 (Methodology)

• 데이터셋:
  • 규모: 덴마크 동부 (Region Zealand 및 Capital Region) 의 2006 년~2016 년 간 180 만 명의 환자에서 수집된 580 만 건의 전자의무기록 (EHR).
  • 범위: 성인 정신과를 제외한 모든 의료 전문 분야 포함.
  • 입력 데이터: 임상 기록 (Clinical notes), 약물 처방, 검사 결과.
  • 목표: ICD-10 진단 코드 (Level 3 및 Level 5) 예측.
  • 전처리: 퇴원 요약문 (Discharge summaries) 이 포함된 기록만 선별, Z 코드 (행정적 목적) 제거, 텍스트 길이 제한 (10,000 자), 희귀 카테고리 제거 등.
• 모델 아키텍처:
  • PLM-CA (Pre-trained Language Model with Cross-Attention): 덴마크어 기반 BERT 모델을 언어 모델로 사용.
  • 레이블별 어텐션 (Label-wise Attention): 입력 토큰 임베딩을 처리하여 각 ICD-10 코드별 0~1 사이의 신뢰도 점수 (Confidence Score) 를 출력.
  • 학습 전략: 이진 교차 엔트로피 (Binary Cross-Entropy) 손실 함수 사용, AdamW 옵티마이저, 128 배치 크기.
• 평가 지표:
  • F1 점수 (Micro/Macro): 정밀도와 재현율의 조화 평균. Micro 는 빈번한 코드에 가중치, Macro 는 희귀 코드도 동등하게 평가.
  • Recall@K: 인간이 코딩한 정답이 모델의 Top-K 추천 목록에 포함되는 비율.
  • Exact Match Ratio: 모델이 인간이 코딩한 모든 코드를 정확히 일치시킨 사례 비율.
  • 수동 검증 (Manual Validation): 모델과 인간 코더 간 이견이 있는 사례 (특히 2 차 진단) 를 전문가가 직접 검토하여 모델의 정확성 확인.

3. 주요 결과 (Key Results)

• 대규모 데이터의 효과: 학습 데이터가 5 만 명에서 180 만 명으로 증가함에 따라 성능이 지속적으로 향상됨.
  • F1-Micro: 59.9% → 71.8%
  • F1-Macro: 25.6% → 47.3% (희귀 질환 예측 능력 비약적 향상)
  • Recall@10: 95.5% (Top 10 추천에 인간 정답이 포함될 확률).
  • Exact Match Ratio: 54.6% (약 55% 의 사례는 인간 검토 없이 자동화 가능).
• 전문 분야별 성능 차이:
  • 높은 성능: 임상 신경생리학 (91%), 외과 등 명확한 진단 기준과 표준화된 워크플로우를 가진 분야.
  • 낮은 성능: 소아/청소년 정신과 (53%), 감염내과 등 진단 불확실성이 높거나 다발성 질환이 흔한 분야.
• 2 차 진단의 체계적 누락 발견 (핵심 발견):
  • 1 차 진단에 비해 2 차 진단으로 주로 사용되는 코드는 모델의 F1 점수가 현저히 낮음.
  • 자살 관련 행동, 비만/체중 장애, 고혈압 등 3 가지 주요 2 차 진단을 심층 분석한 결과:
    • 모델은 임상 텍스트에서 관련 증거를 명확히 포착했으나, 학습 데이터의 누락으로 인해 낮은 신뢰도를 부여받음.
    • 수동 검증 결과: 인간 코더가 누락한 사례 중 **76~86%**가 실제로 코딩되어야 할 유효한 진단임이 확인됨.
    • 이는 모델의 오류가 아니라, **인간 코더의 체계적 누락 (Under-coding)**이 원인임을 시사.
• 문서화 품질의 영향:
  • 모호한 문서화: 당뇨병 유형 (1 형/2 형) 이 명시되지 않고 '당뇨병'이라는 일반적 용어만 반복될 경우, 모델은 구체적 코드를 예측하나 인간 코더는 비특이적 코드를 할당.
  • 문서 부재: 임상 기록에 명시되지 않았으나 행정 정보 (약물 등) 로만 추론된 코딩의 경우 모델이 학습 편향을 보임.

4. 주요 기여 (Key Contributions)

1. 대규모 인구 기반 데이터셋 활용: 단일 병원 데이터가 아닌 180 만 명 규모의 전 국민적 코호트 데이터를 사용하여 의료 코딩 모델의 확장성과 일반화 능력을 입증.
2. 인간 코딩 오류의 체계적 규명: 모델 성능 저하의 원인이 모델 자체의 한계가 아니라, 실제 임상 현장의 2 차 진단 체계적 누락에 있음을 규명. 이는 의료 데이터 품질 문제의 새로운 관점을 제시.
3. 실용적 솔루션 제안:
   • Top-10 추천 리스트를 통해 인간 코더의 작업 효율성을 극대화 (95.5% 재현율).
   • 모델이 인간이 놓친 2 차 진단을 제안함으로써, 추가적인 시간 투자 없이 **진료 기록의 완전성 (Completeness)**을 높일 수 있음을 증명.
4. 임상적 함의: 자살 시도 등 공중보건 위기에 중요한 사건의 누락이 데이터 부족으로 인해 예방 정책 수립을 방해할 수 있음을 경고하고, 자동화 시스템이 이를 보완할 수 있음을 시사.

5. 의의 및 결론 (Significance)

• 의료 AI 의 역할 재정의: 본 연구는 AI 가 단순히 인간을 대체하는 것을 넘어, 인간의 인지적 편향과 문서화 누락을 보완하는 도구로 작용할 수 있음을 보여줌.
• 정책적 시사점: 덴마크의 보상 체계 (1 차 진단 위주) 가 2 차 진단 누락을 유발한다는 점을 지적하며, 전 세계 의료 시스템에서 유사한 구조적 문제가 존재할 가능성을 제기.
• 미래 전망: 자동 코딩 시스템은 현재 불완전한 데이터 환경에서도 높은 성능을 보이지만, 장기적으로는 문서화 관행 개선과 기술 발전이 병행되어야 의료 기록의 질과 공중보건 감시 체계의 정확성을 제고할 수 있음.

이 논문은 의료 코딩 자동화의 기술적 성취뿐만 아니라, 데이터 생성 과정에 내재된 사회적·구조적 문제 (Under-coding) 를 식별하고 해결 방안을 모색했다는 점에서 의료 데이터 과학 분야에서 중요한 이정표가 됩니다.