An Integrated Framework for Explainable, Fair, and Observable Hospital Readmission Prediction: Development and Validation on MIMIC-IV

[기술 요약] 설명 가능하고, 공정하며, 관찰 가능한 병원 재입원 예측 통합 프레임워크

1. 문제 정의 (Problem Statement)

현재 병원 재입원 예측 모델은 임상 현장에 적용되는 데 있어 세 가지 주요 장벽에 직면해 있습니다:

• 설명 가능성(Explainability) 부족: 블랙박스 형태의 예측은 의료진이 고위험 환자에 대한 임상적 의사결정을 내릴 때 근거로 삼기 어렵습니다.
• 배포 신뢰성 인프라(Deployment Reliability Infrastructure) 부재: 학술적 모델들은 실제 운영 환경에서 필요한 모니터링, 지연 시간(latency) 관리, 알림 파이프라인 등 '관찰 가능성(Observability)'을 갖추지 못한 경우가 많습니다.
• 불충분한 공정성 평가(Inadequate Fairness Evaluation): 인구통계학적 그룹(인종, 성별, 보험 유형 등) 간의 예측 편향에 대한 검증이 누락되어 의료 불평등을 심화시킬 위험이 있습니다.

2. 연구 방법론 (Methodology)

본 연구는 MIMIC-IV 데이터베이스를 활용하여 위 세 가지 문제를 동시에 해결하는 통합 프레임워크를 제안하고 검증했습니다.

• 데이터셋: MIMIC-IV 데이터베이스에서 추출한 415,231건의 성인 입원 기록 (30일 이내 재입원율 18.0%). 데이터를 연대순(Chronological)으로 70:15:15 비율로 분할하여 학습, 검증, 테스트에 사용했습니다.
• 모델 개발:
  • Logistic Regression, XGBoost, LightGBM 세 가지 모델을 학습했습니다.
  • 클래스 불균형 문제를 해결하기 위해 scale_pos_weight를 적용했습니다.
• 설명 가능성 (Explainability): **SHAP(SHapley Additive exPlanations)**의 TreeExplainer를 사용하여 환자 개별 단위의 특성 기여도(Feature Attribution)를 산출했습니다.
• 공정성 평가 (Fairness): 인종/민족, 연령, 성별, 보험 유형 등 16개 하위 그룹에 대해 AUC-ROC, 위음성률(FNR), 양성 예측도(PPV)를 기준으로 형평성을 평가했습니다.
• 배포 아키텍처 (Observability): Azure Kubernetes Service(AKS) 환경에서 Docker 컨테이너화된 구조를 설계하였으며, Prometheus, Grafana, Alertmanager를 활용한 실시간 모니터링(가용성, 지연 시간, 데이터 드리프트 등) 체계를 구축했습니다.

3. 주요 기여 (Key Contributions)

1. 통합적 접근: 설명 가능성, 공정성, 관찰 가능성을 하나의 프레임워크 내에서 동시에 다룬 최초의 재입원 예측 시스템 중 하나입니다.
2. 임상적 해석력 제공: 단순 점수가 아닌, SHAP 기반의 개별 환자별 '워터폴 차트(Waterfall plot)'를 통해 왜 이 환자가 고위험군인지에 대한 구체적 근거를 제공합니다.
3. 운영 준비 완료(Deployment-ready): 단순 모델 성능을 넘어, 실제 의료 현장에서 지속 가능한 운영을 위한 관찰 가능성 아키텍처를 명시했습니다.
4. 오픈 소스: 모든 코드와 배포 설정을 GitHub에 공개하여 재현성을 확보했습니다.

4. 연구 결과 (Results)

• 예측 성능: XGBoost 모델이 AUC-ROC 0.696을 기록하며 기존 임상 도구인 LACE 지수(AUC 0.60–0.68)보다 우수하거나 대등한 성능을 보였습니다.
• 교정 성능(Calibration): LightGBM 모델이 Brier Score 0.146으로 가장 우수한 확률 교정 성능을 보였습니다.
• 주요 예측 인자: SHAP 분석 결과, **'지난 12개월간의 이전 입원 횟수'**가 가장 강력한 예측 변수(mean |φ| = 0.085)로 나타났습니다.
• 공정성 검증: 모든 16개 인구통계학적 그룹에서 설정된 형평성 임계값(∆AUC ≤0.05, ∆FNR ≤0.10)을 충족하였으며, 별도의 사후 처리(Post-processing) 없이도 높은 공정성을 유지했습니다.

5. 의의 및 결론 (Significance & Conclusion)

본 연구는 높은 예측 성능을 유지하면서도 "왜(Explainability)", "누구에게나 공정하게(Fairness)", "안정적으로(Observability)" 작동하는 모델이 임상 현장에 필수적임을 입증했습니다. 이 프레임워크는 재입원 감소를 위해 정부 보조금 감액(HRRP) 등의 압박을 받는 병원, 임상 정보학 팀, 그리고 의료 AI의 형평성을 연구하는 학계에 실질적인 가이드라인과 도구를 제공합니다.