The Claims Floor: Limits of Administrative Claims Data for Dynamic Prediction of Pregnancy Loss and Stillbirth

기술 요약: 동적 임신 손실 예측에서의 클레임스 플로어(Claims Floor)

문제 정의
동적인 임신 주수 기반 위험 예측은 임신 손실 및 사산에 개입할 수 있는 잠재적인 임상적 창구를 제공한다(예: 16주 이전에 저용량 아스피린 투여를 시작하거나, 32~36주 사이에 태아 감시를 수행하는 것). 전 보험료 지급 청구 데이터베이스(All-Payer Claims Databases, APCD)는 위험 계층화에 적합한 인구 규모의 데이터를 제공하지만, 행정 청구 데이터가 임상적으로 실행 가능한 시점에서 이러한 결과들을 우연(chance) 이상의 수준으로 동적 예측할 수 있는지 여부는 아직 확립되지 않았다. 초음파나 도플러와 같은 생체 물리적 측정치를 포함하는 임상 레지스트리와 달리, 청구 데이터는 진단 및 처치 코스에 의존하며, 이는 실제 임상 상황보다 뒤처지거나 사건 발생 시점에만 코딩될 수 있다. 본 연구는 시변(time-varying) 청구 특징들이 초기 임신 손실(<20주)과 사산(≥20주)을 단순한 사후적 분류와 구별되는 방식으로, 우연보다 더 잘 예측할 수 있는지 조사한다.

방법론
본 연구는 2018년부터 2023년까지의 버지니아 전 보험료 지급 청구 데이터베이스(APCD)를 활용하였으며, 여기에는 344,560건의 앵커링된 임신 에피소드가 포함되었다. 방법론은 생존(live birth), 조기 손실(early loss), 사산(stillbirth)이라는 세 가지 상호 배타적인 결과를 구분하는 이산 시간 경쟁 위험(discrete-time competing-risks) 생존 프레임워크를 채택하였으며, 유도 낙태는 제외하였다.

• 데이터 구축: 검증된 규칙 기반 파이프라인과 트랜스포머 모델을 사용하여 임신 에피소드를 식별하였고, ICD-10-CM Z3A 코드를 통해 임신 주수를 고정(anchoring)하였다. 각 에피소드는 인별 기간(person-periods, 임신 주당 1행)으로 확장되었다.
• 누출 방지(Leakage Prevention): 핵심적인 방법론적 구성 요소로, 예측 랜드마크($\ell$)와 예측 지평(forecast horizon, $H$) 사이에 2주의 "간격(gap)" 또는 공백 창을 구현하였다. 이는 예측 시점과 동일한 주에 발생하는 사건의 진단 코드가 모델 성능을 인위적으로 부풀리는 "동일 주 코딩 오염(same-week coding contamination)"을 방지하기 위함이다. 결과 정의 코드는 특징 집계 전에 제거되었다.
• 특징 집합(Feature Sets): 두 가지 특징 집합을 평가하였다:
  • 집합 A (근거 기반): 유해한 결과와 연관성이 확립된 질환들(예: 자간전증, 태아 성장 제한, 고위험 관리 O09)을 선별하여 이진 누적 존재 여부로 인코딩하였다.
  • 집합 B (광범위한 어휘): 50건 이상의 에피소드에서 나타나는 모든 ICD-10-CM 3자리 접두사.
• 모델링 및 평가: 원인 특이적 위험(cause-specific hazards)에 대해 페널티가 부여된(elastic-net) 이산 시간 모델을 적합시켰다. 평가는 시간 의존적 AUC($\text{AUC}_{td}$), 역확률 가중 결측(IPCW) 브라이어 점수(Brier score), 그리고 Aalen–Johansen 한계 영(marginal null) 대비 예측 정확도 지수(IPA)를 포함한다. 모델은 환자 수준의 무작위 분할과 시계열 분할(2018~2021년 학습, 2023년 테스트) 하에 테스트되었다.

주요 결과
분석을 통해 세 가지 주요 결과가 도출되었다:

1. 데이터 누출에 의한 심각한 팽창: 간격 창이 없는 모델은 기만적으로 높은 성능(조기 손실 AUC = 0.833)을 보였다. 2주의 간격을 강제하자 이 값들은 무작위 분할 시 0.61, 시계열 분할 시 0.54로 급락하였으며, 해당 셀 내의 예측 가능한 사건 수도 378개에서 48개로 줄어들었다. 이는 초기 신호가 대부분 예측이 아닌, 이미 진행 중인 사건을 기록하는 "동일 주 코딩 오염"이었음을 입증했다.
2. "무(無)보다 못한" 아티팩트의 해결: 초기 결과는 강력한 음(-)의 예측 정확도 지수(IPA)를 보였으며, 이는 모델이 무작위보다 못함을 시사했다. 이는 두 가지 아티팩트로 분해되었다: 주당 위험(per-week hazards)과 누적 레이블 사이의 척도 불일치, 그리고 균형 잡힌 클래스 가중치로 인한 희귀 원인의 크기 팽창이다. 적절한 경쟁 위험 누적 발생률 계산과 등조 재보정(isotonic recalibration)을 적용한 후, IPA는 약 0으로 교정되었으며, 이는 모델이 한계 영(marginal null)에 비해 추가적인 정확도를 더하지 못했음을 나타냈다.
3. 실질적 영(The Substantive Null, "클레임스 플로어"): 오염을 제거하고 특징을 적절히 구성한 후, 조기 손실이나 사산 모두 실행 가능한 랜드마크에서 우연 이상의 수준으로 예측할 수 없었다.
   • 사산: 시간 의dependent AUC는 임신 주수 전반에 걸쳐 평탄한 변별 곡선을 그리며 0.56에 정점을 찍었으나, 임상적으로 실행 가능한 주수인 28주와 32주에는 0.46~0.39로 떨어졌다.
   • 조기 손실: 깨끗한 지평(clean horizons)을 가진 시변 특징으로부터는 예측 불가능했다. 오직 기저 모체 요인만이 8주에서 완만한 신호(AUC ~0.72)를 보였으며, 16주까지 쇠퇴하였다.
   • 감시 편향(Surveillance Bias): 고위험 임신 관리(ICD-10-CM O09) 마커는 역방향 예측(음의 계수)성을 보였다. 이 마커의 존재는 생존 결과와 상관관계가 있었는데, 이는 효과적인 감시와 개입이 손실을 방지함으로써 위험 신호를 반전시켰기 때문으로 보인다.

의의 및 주장
본 논문은 초음파 및 도플러 데이터를 사용하는 모델이 달성하는 "생체 물리적 천장(biophysical ceiling, AUC ~0.84)"과 대조되는, 동적 예측을 위한 "클레임스 플로어(claims floor)"를 규명한다. 저자들은 임신 손실에 대한 예측 신호가 청구 스트림 내의 선행 사건이 아니라, 결과가 관리되는 시점의 인카운터(encounter)에서 코딩되는 선행 요인들에 존재한다고 주장한다. 결과적으로, 적절하게 구성된 청구 특징을 사용한 선형 경쟁 위험 모델은 임상적으로 실행 가능한 임신 주수 시점에서 우연 이상의 수준으로 이러한 결과들을 예측할 수 없다.

실질적인 영(null)을 넘어, 본 연구는 행정 데이터 연구를 위한 두 가지 재사용 가능한 방법론적 주의 사항을 제공한다:

1. 누출 메커니즘: 동일 주 코딩 오염은 모델을 은밀하게 팽창시킨다. 간격 창과 특징 집계 전 코드 제거가 필수적인 안전장치이다.
2. 보정 아티팩트: 이산 시간 경쟁 위험 모델에서의 음의 IPA는 실제 미보정(miscalibration)의 증거가 아니라, 누적 발생률 계산과 클래스 가중치가 결합되어 나타나는 아티팩트일 수 있다.

본 연구는 결론적으로, 전체 에피소드가 관찰된 후의 출생 대 손실에 대한 회고적 분류는 매우 정확하지만, 임신 주수 랜드마크에서의 선행 코드를 통한 결과의 전망적(prospective) 과업은 현재의 청구 데이터 구조로는 지원되지 않는다고 밝히고 있다.