[논문 리뷰] Survival Meets Classification: A Novel Framework for Early Risk Prediction Models of Chronic Diseases

Sajid Aleem Khan, Muhammad Usamah Shahid외 1명|arXiv (Cornell University)|2026. 03. 12.

Machine Learning in Healthcare인용 수 0

한 줄 요약

한 논문은 생존 분석과 분류를 결합해 비실험실 EMR 데이터로 5가지 만성 질환에 대한 조기 경고 위험 예측 모델을 구축하고, 임상의가 검증한 설명 가능성으로 생존-포레스트 기반 접근법을 검증한다.

ABSTRACT

Chronic diseases are long-lasting conditions that require lifelong medical attention. Using big EMR data, we have developed early disease risk prediction models for five common chronic diseases: diabetes, hypertension, CKD, COPD, and chronic ischemic heart disease. In this study, we present a novel approach for disease risk models by integrating survival analysis with classification techniques. Traditional models for predicting the risk of chronic diseases predominantly focus on either survival analysis or classification independently. In this paper, we show survival analysis methods can be re-engineered to enable them to do classification efficiently and effectively, thereby making them a comprehensive tool for developing disease risk surveillance models. The results of our experiments on real-world big EMR data show that the performance of survival models in terms of accuracy, F1 score, and AUROC is comparable to or better than that of prior state-of-the-art models like LightGBM and XGBoost. Lastly, the proposed survival models use a novel methodology to generate explanations, which have been clinically validated by a panel of three expert physicians.

연구 동기 및 목표

• 다섯 가지 만성 질환(당뇨병, 고혈압, CKD, COPD, CHD)을 대상으로 정기 EMR 데이터를 사용하고 실험실 데이터를 제외한 조기 위험 모니터링 모델 개발.
• 임상의 실제 사용에 맞춘 분류 추론을 생성하기 위해 생존 모델 재구성.
• SHAP 기반 방법을 활용한 생존 모델 의사결정에 대한 해석 가능한 설명 제공.
• 임상의 전문가 리뷰를 통해 특징 세트 및 모델 워크플로를 검증하여 임상 관련성 확보.

제안 방법

• 효율적인 분류 및 위험 예측을 가능하게 하도록 생존 모델 재구성.
• 생존에서 분류를 도출하는 세 가지 기법 derivate: RS (위험-점수 임계값), SP (마지막 시점의 생존 확률을 0.5 임계로), AND LN (생존 트리의 리프 노드 분포).
• 트리 앙상블 모델(Random Forest, XGBoost, LightGBM) 및 Random Survival Forest(RSF)를 분류기로 세 가지 데이터 전처리 방식에서 실험.
• 다섯 질환에 대해 F1, C-index, AUROC, AUPRC 로 성능 평가; 생존 기반 분류와 전통 분류기 비교.
• SurvSHAP로 검증된 모델 생성 이진 예측을 입력으로 커스텀 SHAP 기반 접근법으로 RSF 의사결정 설명.

(a) Approach 1: Similar

실험 결과

연구 질문

• RQ1 생존 모델을 재구성하여 시간- 이벤트 위험 뿐만 아니라 질병 분류도 정확하게 제공할 수 있는가?
• RQ2 EMR 데이터에서 생애 위험을 도출할 때 어떤 데이터 전처리 방식이 분류 성능을 가장 잘 낼까?
• RQ3 RSF 기반 분류가 란 EMR 데이터에서 실험실 결과가 없는 조기 질병 위험 예측에서 전통 분류기(RF, XGBoost, LightGBM)와 어떻게 비교되는가?
• RQ4 surrogate 모델 없이 생존-모델 의사결정에 대해 임상적으로 의미 있는 설명을 생성할 수 있으며 임상의가 검증하는가?

주요 결과

질병	C 지수	정확도	정밀도	재현율	음성 예측 값	특이도	AUROC	AUPRC	F1 점수
Hypertension	0.709	0.742	0.723	0.779	0.764	0.705	0.828	0.819	0.755
Heart	0.741	0.788	0.758	0.838	0.823	0.739	0.869	0.852	0.819
CKD	0.729	0.789	0.767	0.827	0.814	0.751	0.870	0.859	0.796
COPD	0.730	0.784	0.761	0.815	0.809	0.753	0.869	0.871	0.799
Diabetes	0.728	0.784	0.819	0.733	0.756	0.836	0.872	0.896	0.778

• 생존-포레스트 기반 분류가 경쟁력 있는 F1 점수를 달성했고 여러 데이터 전처리 방식에서 전통 분류기보다 우수한 성능을 보였다.
• Approach 2 (Overlap) 및 Approach 3 (Distinct)가 일반적으로 Approach 1보다 검증 지표를 개선했으며 RSF+SP/LN 가 종종 강한 결과를 냈다.
• 테스트 세트에서 SP, LN, RS 방법의 RSF는 다섯 질환에서 높은 AUROC 및 AUPRC를 보였고 고혈압은 예측에 가장 도전적이었다.
• 전반적으로 생존 확률 기반 분류(SP)가 생존 출력에서 클래스 라벨로의 더 부드러운 전환으로 실세계 적용에 실용적인 경로를 제공한다.
• 커스텀 SHAP 기반 방법을 통한 설명 가능성은 SurvSHAP와 밀접하게 일치하는 설명을 생성했고 임상의가 검증했다.

(b) Approach 2: Overlap