[논문 리뷰] Using Deep Learning and Explainable Artificial Intelligence in Patients' Choices of Hospital Levels

Li‐Chin Chen, Yu Tsao외 1명|arXiv (Cornell University)|2020. 06. 24.

Machine Learning in Healthcare참고 문헌 35인용 수 4

한 줄 요약

이 연구는 전국 보험 데이터를 활용해 환자의 병원 수준 선택을 딥러닝과 해석 가능한 AI(XAI)를 통해 예측하며, 극도로 불균형한 레이블 조건에서도 높은 성능(AUC: 0.90, 정확도: 0.90)을 달성한다. 사회적 승인과 의료진 밀도가 상위 예측 특성으로 규명되었으며, 데이터 표현 방식의 변화가 모델 정확도 향상에 기여함을 입증한다.

ABSTRACT

In countries that enabled patients to choose their own providers, a common problem is that the patients did not make rational decisions, and hence, fail to use healthcare resources efficiently. This might cause problems such as overwhelming tertiary facilities with mild condition patients, thus limiting their capacity of treating acute and critical patients. To address such maldistributed patient volume, it is essential to oversee patients choices before further evaluation of a policy or resource allocation. This study used nationwide insurance data, accumulated possible features discussed in existing literature, and used a deep neural network to predict the patients choices of hospital levels. This study also used explainable artificial intelligence methods to interpret the contribution of features for the general public and individuals. In addition, we explored the effectiveness of changing data representations. The results showed that the model was able to predict with high area under the receiver operating characteristics curve (AUC) (0.90), accuracy (0.90), sensitivity (0.94), and specificity (0.97) with highly imbalanced label. Generally, social approval of the provider by the general public (positive or negative) and the number of practicing physicians serving per ten thousand people of the located area are listed as the top effecting features. The changing data representation had a positive effect on the prediction improvement. Deep learning methods can process highly imbalanced data and achieve high accuracy. The effecting features affect the general public and individuals differently. Addressing the sparsity and discrete nature of insurance data leads to better prediction. Applications using deep learning technology are promising in health policy making. More work is required to interpret models and practice implementation.

연구 동기 및 목표

• 선택 가능한 제공자 시스템에서 비합리적인 환자 선택으로 인한 의료 자원 낭비 문제를 해결하기 위해.
• 실제 전국 보험 데이터를 활용해 환자의 병원 수준 선택 결정을 모델링하기 위해.
• 일반 대중과 개인 수준의 통찰을 위해 설명 가능한 AI(XAI)를 활용해 모델 예측을 해석하기 위해.
• 불균형한 의료 데이터에서 데이터 표현 방식의 변화가 모델 성능에 미치는 영향을 평가하기 위해.
• 환자 행동에 대한 데이터 기반이고 해석 가능한 통찰을 제공함으로써 보건 정책 수립을 지원하기 위해.

제안 방법

• 기존 문헌에서 유래한 특징을 활용해 전국 보험 청구 데이터를 기반으로 딥 네트워크를 훈련시켰다.
• 환자의 병원 수준 선택에서 극도로 불균형한 레이블 분포를 다루기 위한 기법을 적용했다.
• 집단 수준과 개인 수준에서 특징 기여도를 평가하기 위해 설명 가능한 AI 기법(예: SHAP 또는 LIME 유사 해석)을 사용했다.
• 모델 일반화 및 예측 능력 향상을 위해 데이터 표현 전환을 탐색했다.
• 표준 평가 지표(AUC, 정확도, 민감도, 특이도)를 사용해 모델 성능을 평가했다.
• 훈련된 모델의 특징 기여도 분석을 통해 상위 기여 특징을 규명했다.

실험 결과

연구 질문

• RQ1 극도로 불균형한 데이터 조건에서도 딥러닝 모델이 환자의 병원 수준 선택을 정확하게 예측할 수 있는가?
• RQ2 환자 및 제공자 관련 특징 중 병원 수준 선택 결정에 가장 크게 영향을 미치는 요소는 무엇인가?
• RQ3 사회적 인식과 지역 의료 인력 가용성은 환자의 선택에 어떻게 영향을 미치는가?
• RQ4 이러한 맥락에서 데이터 표현 방식을 변경할 경우 예측 성능 향상 정도는 어느 정도인가?
• RQ5 설명 가능한 AI 기법은 정책 수립과 개인 수준의 이해를 위해 모델 결정을 효과적으로 해석할 수 있는가?

주요 결과

• 딥러닝 모델은 수확률 곡선 아래 면적(AUC)이 0.90으로, 강력한 분류 능력을 보였다.
• 모델 정확도는 0.90에 도달했으며, 민감도는 0.94, 특이도는 0.97로 불균형한 데이터에서 우수한 성능을 입증했다.
• 일반 대중의 병원에 대한 사회적 승인이 상위 영향 특징 중 하나로 규명되었다.
• 지역 내 10,000명당 실무를 수행하는 의사 수가 다른 상위 예측 특징이었다.
• 데이터 표현 방식을 수정함으로써 모델 예측 성능 향상이 측정 가능한 수준으로 나타났다.
• 특징 기여도 분석을 통해 일반 대중과 개인 결정에 대한 영향 패턴이 뚜렷하게 구분됨을 확인했다.