Forecasting Oncology Demand Trends with Boosting-Based Bayesian Conjugate Models

기술 요약: 부스팅 기반 베이지안 켤레 모델을 활용한 종양학 수요 동향 예측

문제 제기
의료 수요, 특히 종양학 분야의 정확한 예측은 자원 배분 및 서비스 계획에 필수적입니다. 그러나 종양학 부서는 지연된 진단, 개별화된 치료 프로토콜, 불규칙한 추적 방문으로 인한 환자 수의 높은 변동성으로 인해 상당한 도전에 직면해 있습니다. 자기회귀 누적 이동평균 (ARIMA) 및 지수 평활 (ETS) 과 같은 전통적인 시계열 모델은 구조적 변화나 비정상성 추세 동향을 포착하거나 사전 지식을 효과적으로 통합하는 데 종종 어려움을 겪습니다. 또한, 장기 단기 기억 (LSTM) 네트워크 및 XGBoost 와 같은 기계 학습 모델은 유연성을 제공하지만, 동적인 의료 환경에 필요한 분석적 처리 가능성과 불확실성 정량화가 부족할 수 있습니다. 본 연구에서 다루는 구체적인 과제는 비정상성 패턴에 적응하고, 단기 및 장기 추세 변화를 모두 추적하며, 폐쇄형 업데이트 기능을 유지할 수 있는 모델의 필요성입니다.

방법론
저자들은 켤레 분포와 잔차 기반 부스팅 메커니즘을 결합한 베이지안 추론 프레임워크를 제안합니다. 이 방법론은 세 단계의 순차적 과정으로 운영됩니다:

1. 기본 모델 (감마 - 포아송 켤레):
   핵심 수요 예측은 감마 - 포아송 켤레 쌍을 활용합니다. 주간 예약 건수 ($x_t$) 는 알려지지 않은 비율 매개변수 $\lambda_t$를 가진 포아송 과정으로 모델링됩니다. 감마 분포는 $\lambda$에 대한 켤레 사전 분포로 작용합니다. 이를 통해 사후 분포가 감마 계열에 머무는 순차적 베이지안 업데이트가 가능해지며, 사후 평균 예측에 대한 폐쇄형 해를 제공합니다. 이 구성 요소는 수요 과정의 장기 기억을 포착합니다.

2. 잔차 모델링 (감마 - 로그 - 정규 켤레):
   관측값과 예측값 간의 체계적 편차를 해결하기 위해 모델은 잔차를 분석합니다. 곱셈 잔차는 정규 분포를 근사하기 위해 로그 함수 ($\log_p1(x) = \log(x+1)$) 를 사용하여 변환됩니다. 그런 다음 변환된 잔차에 감마 - 로그 - 정규 켤레 구조가 적용됩니다. 구체적으로, 오차의 정밀도는 감마 사전 분포로 모델링되고, 평균 오차는 정밀도에 조건부인 정규 분포로 모델링됩니다. 이는 가상의 증거와 경험적 증거의 가중 평균을 나타내는 오차 항에 대한 사후 평균을 산출합니다.

3. 부스팅 및 보정:
   최종 예측 ($\hat{x}_{t+1}$) 은 기본 포아송 예측 ($\hat{\lambda}_{t+1}$) 과 역변환된 오차 예측을 합산하여 생성됩니다. 오차 항은 원래 규모로 복귀하기 위해 지수화되고 조정 ($\exp(\hat{\mu}_{t+1}) - 1$) 되며, 수치적 불안정성을 방지하기 위해 max(0, ...) 함수가 적용됩니다. 이 가법적 보정은 켤레 업데이트의 분석적 처리 가능성을 유지하면서 데이터 생성 과정의 변화에 동적으로 적응할 수 있도록 합니다.

이 알고리즘은 온라인 학습을 위해 설계되었으며, 새로운 데이터가 도착할 때마다 각 시간 단계에서 사후 매개변수 (기본 모델의 경우 $\alpha, \beta$; 오차 모델의 경우 통계량) 를 업데이트합니다.

주요 기여

• 하이브리드 베이지안 프레임워크: 수요 건수와 체계적 추세 변화를 모두 추적할 수 있도록 감마 - 포아송 기본 모델과 감마 - 로그 - 정규 잔차 부스팅 메커니즘을 통합했습니다.
• 분석적 처리 가능성: 켤레 사전 분포를 사용하여 MCMC 와 같은 시뮬레이션 기반 방법의 계산 비용을 피하고 폐쇄형 순차 업데이트를 보장하여, 실시간 또는 자원 제약 환경에 유리합니다.
• 명시적 추세 방향 강조: 이 방법론은 크기 오류에만 초점을 맞추는 것이 아니라 Percentage of Correct Direction (POCID) 지표를 사용하여 추세 방향을 명시적으로 우선시합니다.
• 실제 검증: 이 모델은 2023 년 1 월부터 2024 년 12 월까지 브라질 케아라 주 카리리의 상 비센트 데 파울라 병원에서 수집된 10 가지 유형의 암 (예: 전립선, 유방, 직장) 에 대한 실제 주간 종양학 서비스 데이터로 평가되었습니다.

결과
제안된 모델은 Naïve 예측, 선형 회귀, ARIMA, LSTM, XGBoost 등 5 가지 기준 모델과 비교되었습니다.

• 추세 방향 (POCID): 제안된 모델은 대부분의 시리즈에서 가장 높은 POCID 값을 달성하여, 특정 사례에서 두 번째로 좋은 접근 방식보다 최대 38.25% 더 높은 성과를 보였습니다. ARIMA, 선형 회귀, Naïve 방법과 비교하여 수요 변화 방향을 예측하는 데 있어 뛰어난 안정성과 정확성을 입증했습니다.
• 규모 민감 지표: 모델은 모수적 및 트리 기반 기준 모델 대비 오차 지표에서 상당한 감소를 보였습니다. 중앙값 감소폭은 ARIMA 대비 MAPE 에서 74.5%, 선형 회귀 대비 77.6%, LSTM 대비 75.7%, XGBoost 대비 74.7%였습니다.
• 통계적 유의성: 평균 제곱 오차 (MSE) 기반의 Diebold–Mariano (DM) 검정을 사용하여, 제안된 모델은 10 개 시리즈 중 7 개에서 두 번째로 좋은 모델보다 통계적으로 우월한 성과를 보였습니다. 나머지 사례에서는 결과가 불명확했으나, 저자들은 제안된 모델을 선호하는 대체 기준을 적용했습니다.

의의 및 주장
본 논문은 사전 지식과 잔차 기반 부스팅의 통합이 비정상성 의료 시계열을 처리하기 위한 원칙적인 프레임워크를 제공한다고 주장합니다. 저자들은 이 접근 방식이 구조적 변동성에 적응하지 못하는 전통적인 모델들이 실패하는 수요 추세 방향을 식별하는 데 있어 뚜렷한 이점을 제공한다고 논합니다.

저자들은 모델의 보편성에 대해 겸손한 입장을 견지하며 다음과 같이 지적합니다:

• Naïve 기준 대비 성과 향상은 시리즈에 따라 다릅니다.
• 모델의 성능은 사전 분포의 초기화에 민감하며, 특히 데이터가 부족하거나 매우 변동성이 큰 경우에 그렇습니다.
• 일부 평가 지표는 이상치에 민감하여 최종 평가에 영향을 미쳤습니다.

향후 연구는 사전 도출을 위한 체계적 접근법 (잠재적으로 경험적 베이지안 사용) 을 탐구하고, LSTM 네트워크에서 영감을 받은 단기 및 장기 기억 메커니즘을 통합하여 진화하는 데이터 구조에 대한 적응력을 더욱 향상시키는 방안을 제안합니다.