논문 제목: A Machine Learning Based Discharge Prediction of Cardiovascular Diseases Patients in Intensive Care Units
출판 연도: 2022
저자: K Karboub, M Tabaa
저널명: MDPI
피인용 수 (Google Scholar 기준): 8회
DOI: 10.3390/healthcare10060966
논문리뷰 작성일: 2025.03.08
01. Introduction
본 논문의 주요 목적은 중환자실(ICU, Intensive Care Uint)에서 의료 자원을 효율적으로 할당하는 문제를 해결하는 것이다.
환자의 중환자실에서의 체류 기간(Length of Stay, LOS)을 예측하여 의료 자원을 효율적으로 배분하고, 환자 상태에 따른 최적의 퇴원 시점을 정확히 예측하는 것이 목표이다.
02. Context
Flow dynamic in ICUs
본 논문의 전반부에서는 중환자실(ICU)의 병상 점유 상태와 환자의 이동 및 입퇴원을 수학적으로 설명하기 위한 모델링을 설명한다. 이는 ICU의 자원 활용 효율성을 분석하기 위한 이론적 모델을 통해 ICU 병상 관리 시스템의 논리적 기반을 제시하는 역할을 한다.
(1) 병상 점유 비율
(2) 병상 배치 상태
(3,4) 1,2차 입원 비율
(5) 새 환자 병상 배정 규칙
(6) 병상 점유 환자 수 변화 모델
(7) 퇴원 환자의 누적 합
해당 수식들을 통해 중환자실(ICU)의에서 환자의 입원부터 퇴원까지 흐름을 수학적으로 표현할 수 있다.
03. Machine Learning
Data Set
연구에서는 대규모 의료 데이터베이스인 MIMIC-III를 활용하여 심혈관 질환으로 ICU에 입원한 환자들의 데이터를 수집하였다.
Architecture of the proposed approach
"데이터 입력 (Data) → 데이터 전처리 → 머신러닝 모델 적용 → 예측값 산출 (Prediction)" 한다.
(1) Data
데이터는 크게 범주형 변수(Categorical Variables) 와 수치형 변수(Numerical Variables) 로 구분된다.
(2) Data Preprocessing
변수 종류와 선택한 알고리즘에 따라 다르게 전처리를 수행한다.
(3) Machine Learning Models
데이터 전처리 후, 여러 머신러닝 모델들을 사용하여 환자의 ICU 퇴원을 예측한다.
- Auto-tuned Stochastic Gradient Descent Regression (확률적 경사하강법):
자동으로 최적의 학습률과 반복 횟수를 찾아주는 방식으로 선형 회귀를 수행
- Decision Tree regression (결정 트리 회귀 모델):
데이터를 여러 개의 하위 그룹으로 나누어 각 그룹에서의 평균값을 기준으로 예측
- Gradient Boosted Greedy Trees Regression with Early Stopping:
여러 개의 결정 트리를 순차적으로 구축하여 이전 트리의 오류를 보완하는 방식으로 성능을 높이며, 과적합을 방지하기 위해 조기 종료(early stopping) 방식을 활용
구체적으로,여러 개의 트리를 단계적으로 생성하면서 예측 오차를 점점 줄여가는 방식이다. 첫 번째 트리는 기본 예측을 하고, 여기서 나온 오차(잔차)를 가지고 두 번째 트리가 다시 학습한다. 이 과정을 반복하면서, 새로운 트리가 이전 트리의 부족한 부분(오차)을 보완하는 형태이다.
- Extreme Gradient Boosted Trees Regression with Early Stopping (XGBoost):
XGBoost는 여러개의 Decision Tree를 부스팅(boosting)으로 Ensemble 알고리즘이다.
구체적으로, 기본 트리 방식과 달리 나무(트리)를 계속 키우지 않고, 필요 없는 가지는 미리 잘라내서 더 효율적인 트리를 만들고, 규제항 (Regularization)을 사용함으로서 과적합(overfitting)을 방지한다.
- Light Gradient Boosted Trees Regression with early stopping (LightGBM):
데이터 크기가 클 경우 효율적이고 빠른 학습이 가능한 경량화된 Gradient Boosting 모델로, 특히 범주형 데이터 처리에 강점을 보인다.
구체적으로, 리프 중심(Leaf-wise) 성장 방식을 택한다.
- Light Gradient Boosting on Elastic Net (Advanced Generalized Linear Regression):
Gradient Boosting 와 Elastic Net를 결합한 모델이다. ( Elastic Net은 선형 회귀에서 쓰는 규제(Regularization) 기법)
(4) Ensemble
Result
본 연구에서는 성능 비교를 위해 3가지 지표를 사용한다.
- 정확도(Accuracy)
- 평균 잔차(RM, Residual Mean)
- 예측 시간(Prediction time, mS)
실험 결과, B1(Advanced Generalized Linear Regression Model - GLRM)이 Accuracy에서 98%, RM에서 0.000001, Prediction Time에서도 우수한 성능을 보였다.
04. Limitations of the Study
본 연구에서는 논문의 전반부에서 병상 점유 상태와 환자의 입퇴원 흐름을 명확히 표현하기 위한 이론적 토대로서 수학적 모델을 상세히 설명하였다. 그러나 실제 실험 결과에서는 이러한 수학적 모델과 머신러닝 모델의 직접적인 비교 및 성능 평가가 이루어지지 않아 아쉬움이 남는다. 이론적 접근과 실험적 결과의 연결이 더 명확히 이루어졌다면, 연구의 완성도와 활용 가능성이 보다 높아질 수 있었을 것으로 생각된다.
05. Appendix (Markov Chain)
마르코프 체인(Markov Chain)은 마르코프 성질을 지닌 이산확률과정이다. 마르코프 성질이란 n+1회의 상태(state)는 n회의 상태나 그 이전 n−1,n−2,…의 상태에 의해 결정되는 것이다. 달리 말해 과거 상태가 현재/미래 상태에 영향을 미치는 성질이다.
예를 들자면 동전 앞뒤 예측과 날씨예측이 있다. 동전 앞뒤를 예측하는 것은 독립시행이기 때문에 n번째 상태가 n+1번째 상태에 영향을 주지 않으므로 마르코프 성질이 없다. 반면 날씨 예측과 같이 직관적으로 오늘 날씨에 의해 내일 날씨가 결정될 수 있으므로 마르코프 성질이 있다고 할 수 있다.
만약 오늘을 기반으로 하루 뒤를 예측한다면 1차 마코프 모델이라하고 이틀 뒤를 예측한다면 2차 마코프 모델이라 한다.
(Markove Chain 설명, https://roytravel.tistory.com/358 참고)