Predicting Hospitalization from a Whole-Person Health Score with Incomplete Electronic Health Records Data: A Case Study

개요: 성적이 빠진 "건강 성적표"

학생의 수학, 역사, 과학 등 10가지 과목 점수를 바탕으로 단 하나의 "건강 성적표" 점수를 매긴다고 상상해 보세요. 이 점수를 **알로스타틱 부하 지수(Allostatic Load Index, ALI)**라고 하며, 이는 학생의 몸이 얼마나 많은 스트레스를 받고 있는지를 나타냅니다.

• 목표: 만약 점수가 높다면(낙제점이 많다면), 그 학생은 병에 걸리거나 입원할 위험이 높다는 뜻입니다.
• 문제점: 실제 교실에서는 모든 과목의 시험 점수를 다 가질 수 없는 경우가 있습니다. 어떤 학생은 과학 시험을 빠졌을 수도 있고, 역사 선생님이 시험지를 잃어버렸을 수도 있습니다. 현실 세계(전자 건강 기록, EHR)에서도 의사들이 모든 환자에게 모든 혈액 검사를 다 처방하지는 않습니다. 즉, 데이터가 누락되는 경우가 발생합니다.

연구진은 다음과 같은 질문을 던졌습니다: 데이터가 일부 누락되었을 때 어떻게 이 "건당 성적표"를 정확하게 계산할 수 있을까? 그리고 이를 통해 누가 입원하게 될지 예측할 수 있을까?

실험: 1,000명의 학생과 빠진 퍼즐 조각

연구팀은 노스캐롤라이나의 한 병원에 있는 1,000명의 환자 데이터를 살펴보았습니다. 이들은 ALI 점수를 구성하는 10가지 특정 건강 지표(혈압, 콜레스테롤, 혈당 등)를 가지고 있었습니다.

• 현실: 어떤 지표는 찾기 쉬웠습니다(거의 매 방문 시 측정하는 혈압처럼). 반면, 어떤 지표는 찾기가 매우 어려웠습니다(의사가 문제를 의심할 때만 처방하는 특정 혈액 검사처럼).
• 도전 과제: 만약 누락된 검사들을 그냥 무시한다면, 환자가 실제로는 아픈데도 건강하다고 잘못 판단할 수 있습니다. 반대로 누락된 검사 결과가 "나쁨"일 것이라고 짐직한다면, 환자를 실제보다 더 아픈 상태로 오해할 수도 있습니다.

전략: 빠진 성적을 처리하는 방법

연구진은 빈칸을 채우거나 우회하는 다양한 방법을 시도했으며, 이를 마치 게임의 전략처럼 테스트했습니다.

1. "비율(Proportion)" 방식 (부분적인 성적표):
   누락된 검사를 "좋음"이나 "나쁨"으로 계산하는 대신, 사용 가능한 검사 중 건강하지 않은 검사의 비율만을 계산했습니다.

   • 비유: 만약 어떤 학생이 10개 중 5개의 시험을 봤고 그중 2개를 낙제했다면, 이 학생의 점수는 40% 낙제입니다(누락된 5개를 통과한 것으로 간주하여 20%라고 계산하지 않습니다).

2. "최선/최악의 경우" 추측하기:

   • 최선의 경우: 누락된 모든 검사 결과가 건강하다고 가정합니다. (낙관적)
   • 최악의 경우: 누락된 모든 검사 결과가 건강하지 않다고 가정합니다. (비관적)
   • 비유: 학생이 치르지 못한 모든 시험에서 만점을 받았다고 가정하거나, 혹은 모두 낙제했다고 가정하여 최종 성적을 추측하는 것과 같습니다.

3. "결측치를 하나의 카테고리로 취급"하는 방식:
   추측하는 대신, "검사 누락" 자체를 하나의 고유한 카테고리로 취급했습니다.

   • 비유: "학생 A가 수학을 낙제했다"라고 말하는 대신, "학생 A는 '수학 미응시' 상태이다"라고 말하는 것입니다.

4. "패턴 하위 모델(Pattern Submodels)" 방식 (맞춤형 그룹):
   이것은 가장 복잡한 전략이었습니다. 연구진은 환자들이 종종 동일한 조합의 검사를 누락한다는 점에 주목했습니다(예: 호모시스테인 검사를 놓쳤다면, C-반응성 단백질 검사도 함께 놓쳤을 가능성이 높음). 이들은 이러한 특정 "누락 패턴"에 따라 환자들을 그룹화하고, 각 그룹에 맞는 작은 맞춤형 예측 모델을 구축했습니다.

   • 비유: 학급 전체를 한 명의 선생님이 채점하는 대신, 동일한 시험을 누락한 학생들의 그룹마다 서로 다른 선생님을 배치하는 것과 같습니다.

결과: 무엇이 가장 효과적이었나?

연구진은 어떤 전략이 입원 여부를 가장 잘 예측하는지 확인하기 위해 이들을 테스트했습니다.

• 복잡한 AI보다 단순한 수학이 승리: 놀랍게도, 기본적인 통계 도구인 로지스틱 회귀(Logistic Regression)(표준 계산기와 같은 역할)가 복잡한 고성능 AI인 랜덤 포스트(Random Forest)(수많은 결정 트리를 만드는 기술)보다 더 효과적이었습니다.

  • 이유: 데이터가 이미 "건강함" 또는 "건강하지 않음"이라는 단순한 형태(yes/no)로 요약되어 있었기 때문입니다. 복잡한 비선형 패턴을 찾아낼 만큼 데이터가 복잡하지 않았습니다. 이는 마치 간단한 덧셈 문제를 풀기 위해 슈퍼컴퓨터를 사용하는 것과 같았으며, 일반 계산기가 훨씬 효율적이고 빨랐습니다나 다름없었습니다.

• "횟수" vs "여부"의 놀라운 결과: 연구진은 입원 횟수의 정확한 숫자(0회, 1회, 2회 등)를 예측하려고 시도했지만, 단순히 "입원했는가? 예/아니오"를 예측하는 것보다 나은 결과를 보여주지 못했습니다.

  • 교훈: 누군가가 입원할 것인지(여부)를 아는 것이, 몇 번이나 입원할 것인지(횟수)를 아는 것보다 예측하기 훨씬 쉽습니다.

• "요약 점수" vs "개별 요소":

  • 요약 점수: 10가지 지표를 하나의 숫자인 ALI 점수로 합쳤을 때, 누락된 데이터를 처리하는 모든 방식의 성능은 거의 비슷했습니다. "비율" 방식이 아주 근소하게 가장 좋았습니다.
  • 개별 요소: 각 지표를 따로 보았을 때는, 패턴 하위 모델(맞춤형 그룹)이 가장 좋은 성능을 보였습니다 (AUC = 0.73).
  • 주의점: 하지만 이 맞춤형 모델을 새로운 데이터에 적용했을 때(교차 검증), 성능이 제대로 유지되지 않았습니다 (AUC가 0.63으로 하락). 이는 특정 연습 문제의 답을 통째로 외운 학생이 문제가 조금만 바뀌어도 당황하는 것과 같습니다.

결론

이 논문의 결론은 다음과 같습니다:

1. 누락된 데이터는 까다롭습니다: 데이터를 그냥 무시하거나 무작위로 추측해서는 안 됩니다.
2. 단순함을 유지하십시오: 이 특정 유형의 건강 데이터에서는 복잡한 머신러닝보다 단순한 통계 모델이 더 효과적입니다.
3. "패턴" 접근법은 유망하지만 더 많은 연습이 필요합니다: 환자를 특정 누락 패턴으로 그룹화하는 방식이 테스트에서는 가장 좋은 결과를 보였지만, 이 방식이 실제로 신뢰할 수 있는지 증명하려면 더 많은 데이터가 필요합니다.

핵심 요약: 연구진은 데이터가 불완전한 상황에서도 어떻게 "전인적 건강 점수(Whole-Person Health Score)"를 구축할 수 있는지 성공적으로 보여주었습니다. 복잡한 방법이 겉보기에는 좋아 보일 수 있지만, 입원 예측이라는 특정 맥락에서는 단순하고 맞춤화된 접근 방식이 가장 효과적이라는 것을 발견했습니다. 연구진이 언급한 다음 단계는 이 시스템을 실제 병원 차트에 적용하여 의사들의 의사결정을 돕는 것입니다.