순열 특성 중요도를 이용한 XGBoost 재원일수 예측모형 (Length of stay prediction model using permutation feature importance with XGBoost)

서지정보

· 발행기관 : 한국지능정보시스템학회
· 수록지 정보 : 지능정보연구 / 31권 / 1호 / 145 ~ 161페이지
· 저자명 : 안지호, 류세영, 김시현, 김재경

초록

재원일수는 병원 운영 능력의 효율성과, 환자 관리의 질을 평가하는 데 매우 중요한 요소이다. 따라서, 환자의 정보를 분석하여 재원일수를 정확하게 예측하고 관리하는 것이 필요하다. 이를 위하여, 본 연구에서는 국민건강보험공단에서 제공한 코호트 데이터베이스의 데이터를 기반으로, 모든 입원 환자에 대한 재원일수를 분석하였다. 이때, XGBoost(Extreme Gradient Boosting) 모델과 순열 특성 중요도 기법을 적용하여, 어떤 특성이 환자의 재원일수에 중요한 영향을 미치는지 분석하였다. 이를 통해 모델에 대한 설명 가능성을 개선하고, 모델 분석 결과를 일반화하는 것을 목표로 하였다. 본 연구에서는 환자의 재원일수 분포를 참고하여 범주화를 수행하였다. 결과적으로, 환자 및 의료 기관 특성을 따라 단기/중기/장기 입원 범주를 예측하는 것으로 연구를 수행하였다. 그 결과, 순열 특성 중요도 기법을 XGBoost 모델에 적용했을 때, 재원일수의 예측 성능이 향상되었음을 확인하였다. 구체적으로, 순열 특성 중요도 기법을 적용하지 않은 모델에 비하여, 정확도는 11%, F1-score는 10.2% 개선되었다. 또한, 주상병, 연령, 그리고 기관 내 의료진 수 등 재원일수를 결정할 때 고려해야 할 핵심 특성을 확인하였다.

영어초록

Length of stay(LOS) is a very important factor in evaluating the efficiency of the ability to operate the hospital and the quality of patient management. Therefore, it is necessary to accurately predict and manage LOS by analyzing patient information. To this end, we analyze LOS for all inpatients based on the data from the cohort database provided by the National Health Insurance Service(NHIS). At this time, we used the XGBoost(Extreme Gradient Boosting) model and applied permutation feature importance to analyze which features had an important influence on the prediction of LOS. By doing this, we aimed to improve the explainability of the model and generalize the results of model analysis. In this study, we performed categorization by referring to the distribution of LOS for inpatients. Finally, we conducted the study by predicting short/mid/long-term hospitalization categories according to features for inpatients and medical institutions. As a result, we found that when the permutation feature importance was applied to the XGBoost model, the prediction performance of LOS was improved. Specifically, compared to the model without the permutation feature importance, the accuracy was improved by 11% and the F1-score by 10.2%. In addition, we found some important features that should be considered when determining LOS, such as main diagnosis, age, and number of medical staff in the hospital.

참고자료

· 없음