Explainable Machine Learning for 30-Day Hospital Readmission Risk Prediction in Patients with Diabetes: A Comparative Analysis of Model Performance and Algorithmic Fairness

매년 미국에서는 수백만 명의 사람들이 병원을 떠났다가 불과 한 달 만에 다시 돌아옵니다. 당뇨병 환자들에게 이러한 순환은 특히 흔하게 나타나며, 거의 4명 중 1명이 다시 입원합니다. 이러한 재입원은 개인적인 고통일 뿐만 아니라, 매년 수십억 달러의 비용을 발생시키며 의료 체계에 막대한 재정적 부담을 줍니다. 이러한 패턴을 억제하기 위해 연방 프로그램은 재입원율을 낮게 유지하지 못한 병원에 대한 지급액을 줄일 수 있습니다. 그러나 높은 이해관계에도 불구하고, 병원들은 종종 퇴원하기 전에 어떤 특정 환자가 돌아올 가능성이 가장 높은지 알 수 있는 신뢰할 만한 방법을 갖추지 못하고 있습니다. 의사들은 나이, 과거 병력, 현재 복용 중인 약물 등 수십 가지 요인을 동시에 고려하며 경험과 직관에 의존해 이러한 판단을 내려야 합니다.

여기에서 머신러닝이 등장합니다. 이는 인간의 판단을 대체하는 것이 아니라, 소음 속에서 정보를 분류하는 데 도움을 주는 도구로서 역할을 합니다. 머신러닝은 컴퓨터가 일련의 규칙을 명시적으로 프로그래밍받지 않고도 대량의 데이터에서 패턴을 인식하는 법을 배우는 방법입니다. 이 맥락에서 목표는 환자의 의료 기록을 살펴보고 재방문 가능성을 추정할 수 있는 시스템을 구축하는 것입니다. 과제는 가용할 수 있는 정보의 엄청난 양에 있습니다. 단 하나의 환자 기록에도 검사 결과부터 보험 유형에 이르기까지 수백 개의 서로 다른 데이터 포인트가 포함될 수 있습니다. 더욱이 데이터는 누락된 값과 사람이 수동으로 추적하기 어려운 변수 간의 복잡한 관계를 가진, 매우 무질서한 경우가 많습니다. 연구자들이 던진 질문은 컴퓨터가 단순한 체크리스트보다 이 복잡성 속에 숨겨진 미세한 위험 신호를 더 잘 포착할 수 있는지였습니다.

펜실베이니아 대학교의 연구자 지셴 리앙(Zisheng Liang)은 당뇨병 환자의 30일 내 재입원을 예측하기 위해 여러 가지 다양한 컴퓨터 모델을 구축하고 테스트함으로써 이 문제에 도전했습니다. 이 연구는 거의 10년에 걸쳐 미국 130개 병원에서 발생한 10만 건 이상의 실제 병원 방문 기록이라는 방대한 데이터를 기반으로 했습니다. 불완전하거나 관련 없는 기록을 제거하고 정보를 컴퓨터가 이해할 수 있는 형식으로 정리하는 세심한 데이터 정제 과정을 거친 후, 연구자에게 남은 데이터셋에서는 환자의 약 11%만이 실제로 재입원한 상태였습니다. 이러한 불균형은 컴퓨터가 모든 환자에 대해 "재입원 안 함"이라고 단순히 예측하기만 해도 대부분의 경우 맞을 수 있음을 의미하지만, 이는 도움을 필요로 하는 사람들을 찾아내는 본래의 임무에는 완전히 실패하게 됩니다.

이를 해결하기 위해 연구자는 데이터에 대해 각기 다른 방식으로 사고하는 네 가지 유형의 알고리즘을 훈련시켰습니다. 로지스틱 회귀라고 불리는 한 유형은 결정에 도달하기 위해 요인들을 합산하는 가중치 척계처럼 작동합니다. 결정 트리(decision tree)는 답을 좁혀가기 위해 일련의 예/아니오 질문을 던집니다. 랜덤 포레스트(random forest)는 많은 결정 트리의 논리를 결합하여 더 견고한 예측을 만들어냅니다. 또한 연구자는 환자가 복용 중인 총 약물의 수를 계산하거나, 복잡한 질병 코드를 "순환기" 또는 "호흡기"와 같은 더 넓은 범주로 그룹화하는 등 모델을 돕기 위한 새로운 특징(feature)들을 만들었습니다. 결정적으로, 데이터는 실제 상황을 모방하는 방식으로 분할되었습니다. 즉, 모델은 과거의 방문 기록으로부터 학습하고 미래의 사례를 통해 테스트되었으며, 이를 통해 단순히 이미 일어난 일을 암기하는 것이 아니라 다음에 일어날 일을 예측할 수 있도록 보장했습니다.

모델들이 테스트에 투입되었을 때, 결과는 시사하는 바가 컸습니다. 인간의 행동과 건강 결과를 예측하는 것의 어려움을 고려할 때 예상했던 대로, 어떤 알고리즘도 완벽한 정확도를 달이는 데는 성공하지 못했습니다. 그러나 랜덤 포레스트 모델이 이 연구의 특정 목표에 가장 효과적인 도구로 부상했습니다. 이 모델은 실제로 재입원한 환자의 약 71%를 식별해 냈는데, 이는 다른 모델들보다 현저히 높은 비율입니다. 다른 모델들이 오보를 피하는 데는 약간 더 뛰어났지만, 다수의 고위험 환자를 잡아내는 랜덤 포레스트의 능력은 재입원을 방지하려는 병원에게 가장 가치 있는 것이었습니다. 분석 결과, 이러한 예측을 주도하는 가장 중요한 요인들은 의료 전문가들에게 전혀 놀라운 것이 아니었습니다: 이전의 입원 횟수, 총 방문 횟수, 그리고 환자가 어디로 퇴원했는지가 가장 강력한 위험 지표였습니다.

연구는 또한 이 모델들이 인종, 성별 또는 연령에 따라 서로 다른 집단들을 공정하게 대우하는지 확인하기 위해 근접 조사를 실시했습니다. 결과는 어떤 단일 모델도 모든 집단에 대해 완벽하게 공정하지는 않다는 것을 보여주었습니다. 랜덤 포레스트 모델은 고위험 환자를 포착하는 데 전반적으로 가장 뛰어났지만, 더 단순한 모델들에 비해 서로 다른 인종 집단 간의 성능 격차가 더 크게 나타났습니다. 연구자는 이러한 절충안을 인정하며, 모델이 모든 인구 통계학적 그룹에 대해 동일하게 정확하지는 않더라도, 개입이 정말로 필요한 환자를 식별하는 탁월한 능력이 있었기에 의사들이 이러한 한계를 인지하고 있다는 전제하에 배포를 위한 최선의 선택이라고 언급했습니다.

궁극적으로 이 연구는 머신러닝이 미래를 완벽하게 예측할 수는 없더라도, 강력한 조력자가 될 수 있다고 결론짓습니다. 제안된 시스템은 의사의 결정을 대신하는 것이 아니라, 환자들에게 순위를 매긴 목록을 제공하여 의료진이 추가적인 지원(예: 후속 진료 또는 약물 검토)을 위해 우선순위를 정할 수 있도록 돕는 것입니다. 연구자는 이 도구가 여전히 진행 중인 작업임을 강조했습니다. 사용된 데이터는 1990년대 후반과 2000년대 초반의 것이므로, 현재의 의료 관행이나 주거 안정성과 같은 사회적 조건을 반영하지 못합니다. 따라서 이 시스템이 실제 병원에서 사용되기 전에는, 의도한 대로 작동하는지 확인하기 위해 현대적인 데이터로 테스트되고 검증되어야 합니다. 현재로서는, 이 연구는 컴퓨터가 당뇨병 관리의 복잡한 위험 패턴을 인식하는 법을 배울 수 있음을 보여주며, 비록 그 길이 아직 완전히 닦이지는 않았을지라도 재입원의 순환을 줄이기 위한 잠재적인 경로를 제시하고 있습니다.