Development and Evaluation of Explainable Machine-Learning Models for Predicting 30-Day Unplanned Hospital Readmission

병원은 사람들이 건강을 회복하기 위해 가는 곳이지만, 때로는 퇴원한 직후 다시 병원을 찾게 되는 경우가 있습니다. 재입원이라고 불리는 이러한 현상은 대개 계획되지 않은 것이며, 환자의 회복이 불완전했거나, 가정으로의 전환 과정이 어려웠거나, 혹은 환자의 기저 질환이 처음에 생각했던 것보다 더 복잡하다는 신호일 수 있습니다. 의료 시스템 측면에서 이러한 재입원은 비용이 많이 들고 관련된 모든 이들에게 스트레스를 줍니다. 환자들에게 있어 이는 회복 과정의 중단이자 건강에 대한 잠재적인 위협입니다. 이 때문에 의사와 행정가들은 환자가 병원을 떠나기 전, 누가 다시 돌아올 가능성이 높은지 식별할 방법을 끊임없이 모색하고 있습니다. 만약 이들이 위험 요소를 조기에 발견할 수 있다면, 추가적인 지원이나 더 나은 약물 관리, 또는 더 밀접한 사후 관리를 제공하여 사람들이 집에서도 건강을 유지할 수 있도록 도울 수 있습니다.

수년 동안 연구자들은 이러한 재입원을 예측할 수 있는 컴퓨터 프로그램을 구축하려고 노력해 왔습니다. 이 프로그램들은 환자의 과거 이력—연령, 과거 입원 횟수, 복용 중인 약물의 수, 현재 건강 상태 등—을 살펴보고 위험 점수를 계산합니다. 하지만 이 프로그램을 만드는 데 사용되는 도구들은 변화해 왔습니다. 과거에 과학자들은 이해하기는 쉽지만 데이터의 복잡한 패턴을 놓칠 수 있는 단순한 통계적 방법에 의존했습니다. 오늘날, 흔히 머신러닝이라 불리는 더 강력한 컴퓨터 기술은 방대한 양의 정보를 훑으며 단순한 방법으로는 간과할 수 있는 미묘한 연결 고리들을 찾아낼 수 있습니다. 하지만 여기에는 함정이 있습니다. 이러한 강력한 도구들은 마치 '블랙박스'처럼, 왜 그런 예측을 내놓았는지 설명하지 못한 채 결과만 제시할 수 있다는 점입니다. 의사가 컴퓨터의 조언을 신뢰하기 위해서는 그 근거가 되는 이유를 이해할 수 있어야 합니다.

최근 샤라레 타헤리 모가담(Sharare Taheri Moghadam)과 모드 샤피쿠르 라만 자빈(Md Shafiqur Rahman Jabin) 연구진은 어떤 모델이 더 효과적이고 어떤 모델이 자신의 사고 과정을 더 명확하게 설명할 수 있는지 확인하기 위해 두 가지 서로 다른 유형의 예측 모델을 구축하고 테스트하는 과제를 수행했습니다. 그들은 성인 환자가 퇴원 후 30일 이내에 재입원할지 여부를 예측하는 구체적인 문제에 집중했습니다. 이를 위해 그들은 실제 개인 정보를 사용하지 않으면서도 실제 병원 데이터를 모사하도록 설계된 컴퓨터 생성 데이터셋인 합성 데이터셋을 사용하여 데모 프레임워크를 만들었습니다. 이를 통해 그들은 실제 의료 기록에 적용하기 전, 안전하고 재현 가능한 방식으로 자신들의 방법을 테스트할 수 있었습니다.

연구진은 두 가지 접근 방식 사이의 정면 승부를 설정했습니다. 첫 번째는 신뢰할 수 있는 기준점으로서 사용된 전통적인 통계 모델이었습니다. 두 번째는 랜덤 포레스트(Random Forest)라고 알려진 더 발전된 머신러닝 모델이었습니다. 랜덤 포레스트는 마치 많은 결정권자가 함께 협력하는 팀과 같습니다. 단 하나의 규칙에 의존하는 대신, 수백 개의 작은 결정 트리(decision trees)들의 의견을 결합하여 최종 결론에 도종합니다. 이 방식은 환자의 연령이 약물 개수와 어떻게 상호작용하여 위험을 높이는지와 같이, 데이터의 복잡하고 비선형적인 관계를 포착하는 데 매우 뛰어난 것으로 알려져 있습니다. 연구팀은 두 모델을 합성 데이터로 학습시킨 후, 본 적 없는 새로운 환자들에 대한 결과를 예측하도록 했습니다.

결과에 따르면, 더 복잡한 머신러닝 모델이 실제로 더 정확했습니다. 랜덤 포레스트 모델은 환자가 실제로 돌아오는 경우를 75.8%의 확률로 정확히 식별해 낸 반면, 전통적인 모델은 71.2%였습니다. 또한 전체 사례를 올바르게 분류하는 능력에서도 랜덤 포레스트가 86.5%를 기록하여 전통적 모델의 83.5%보다 우수했습니다. 무엇보다 중요한 점은, 이 고급 모델이 양방향 모두에서 오류가 적었다는 것입니다. 즉, 실제로 돌아온 고위험 환자를 놓치는 경우가 더 적었고, 집에 안전하게 머물 수 있었던 저위험 환자를 잘못 분류하는 경우도 더 적었습니다. 연구 용어로 표현하자면, 머신러닝 모델은 변별력 척도에서 0.84를 기록하며, 전통적 모델의 0.72에 비해 재입원할 사람과 그렇지 않을 사람을 구분해 내는 능력이 더 뛰어남을 보여주었습니다.

그러나 연구는 단순히 정확도를 측정하는 데서 멈추지 않았습니다. 연구진은 의사가 특정 예측이 나온 이유를 이해할 수 없다면 그 모델은 병원에서 유용하지 않다는 것을 알고 있었습니다. 이를 해결하기 위해 그들은 각 환자에 대해 어떤 요인이 예측치를 높이거나 낮추었는지 정확히 보여주는 '스포트라이트' 역할을 하는 SHAP 기법을 사용했습니다. 결과를 살펴보니 명확한 그림이 드러났습니다. 재입원을 예측하는 가장 중요한 요인은 단순히 환자가 이전에 입원한 적이 있는지 여부였습니다. 이것은 두 모델 모두에서 가장 강력한 신호였습니다. 다른 주요 요인으로는 이번 입원 기간 중 병원에 머문 시간, 복용 중인 서로 다른 약물의 수, 보유한 질환의 수, 연령, 그리고 신장 기능 문제가 포함되었습니다.

또한 연구는 특정 요인들이 오히려 재입원 위험을 낮춘다는 사실도 발견했습니다. 추후 진료 예약이 잡힌 상태로 귀가한 환자들, 퇴원 전 약물 검토 및 조정을 철저히 받은 환자들, 그리고 요양 시설이 아닌 자신의 집으로 퇴원한 환자들은 재입원 가능성이 더 낮았습니다. 머신러닝 모델은 이러한 모든 요인을 종합적으로 가중치를 두어 계산함으로써, 긴 입원 기간과 많은 약물을 보유한 환자가 젊더라도 고위험군이 될 수 있음을 보여주었습니다. 연구 내 특정 사례 환자의 경우, 컴퓨터는 해당 환자의 높은 위험도가 주로 과거 입원 이력에 의해, 그다음으로는 약물 복용 수와 신장 기능에 의해 발생했다고 설명했습니다.

이 연구가 실제 의료 현장에서 바로 사용할 수 있는 최종적인 의료 도구가 아니라, 하나의 방법론을 보여주는 시연이라는 점을 유념하는 것이 중요합니다. 연구진은 자신들의 워크플로우가 작동함을 증명하기 위해 합성 데이터를 사용했을 뿐이며, 이 결과가 임상적 결정을 위해 신뢰받기 위해서는 실제 병원의 대규모 실제 데이터셋을 통해 검증되어야 한다고 명시적으로 밝혔습니다. 이 연구는 모델의 예측이 실제 확률과 완벽하게 일치하는지(calibration)를 아직 확인하지 않았으며, 다양한 인구 통계학적 그룹이나 서로 다른 의료 체계에서 모델이 어떻게 작동하는지도 테스트하지 않았습니다. 이러한 것들은 필수적인 다음 단계들입니다. 또한 연구진은 모델이 위험 점수에 기여하는 요인을 설명할 수는 있지만, 이것이 해당 요인이 재입원의 직접적인 원인임을 의미하는 것은 아니라고 강조했습니다. 예를 들어, 긴 입원 기간은 질병의 심각성을 나타내는 지표일 뿐, 재입원의 직접적인 원인은 아닐 수 있습니다.

이러한 한계에도 불구하고, 이 연구는 미래의 병원 케어를 위한 가치 있는 청사진을 제공합니다. 이는 강력하고 복잡한 컴퓨터 모델을 사용하면서도 그 근거를 인간 의사에게 투명하고 이해하기 쉽게 유지하는 것이 가능하다는 것을 보여줍니다. 머신러닝의 높은 정확도와 왜 위험한지에 대한 명확한 설명을 결합함으로써, 의료진은 궁극적으로 가장 도움이 필요한 환자들에게 자원을 집중할 수 있는 도구를 갖게 될 수 있습니다. 연구는 머신러닝 모델이 시뮬레이션에서 전통적인 모델보다 우수한 성능을 보였지만, 진짜 가치는 강력한 예측 능력과 명확한 설명을 결합하는 능력에 있으며, 이것이 더 스마트하고 신뢰할 수 있는 임상 의사 결정 지원 시스템을 향한 길을 열어준다고 결론지었습니다.