기계학습 모델을 활용한 제2형 당뇨병 환자의 재입원 예측 = Prediction of hospital readmission for type 2 diabetes patients using machine learning models

국문 초록 (Abstract)

당뇨병은 전 세계적으로 증가하고 있는 만성질환으로 다양한 합병증으로 인해 환자의 재입원이 빈번하게 발생한다. 계획되지 않은 재입원은 환자의 심각한 건강 문제를 초래할 뿐만 아니라 의료 시스템의 재정적인 부담을 증가시킨다. 이에 따라 정부와 의료기관은 환자의 재입원을 줄이는 데 관심을 기울이고 있다. 본 연구에서는 기계학습 모델을 활용하여 당뇨병 환자의 30일 이내 재입원 여부를 예측하고자 한다. 사용된 데이터는 미국 전역의 병원에서 10년 동안 수집된 환자 자료로 불균형한 데이터이다. 따라서, 데이터의 불균형을 해소하기 위해 Random Under Sampling을 적용하고 환자의 재입원 여부를 예측하기 위해 7개의 기계학습 모델들을 활용하였다. 또한, 환자의 중복된 입원 기록을 제거하고 당뇨병 특성을 고려하여 새로운 파생 변수를 추가하는 전처리 작업을 수행하였다. 그 결과, 전처리 작업을 통해 기계학습 모델의 예측 성능이 전반적으로 향상되었다. 특히, Light GBM 모델은 AUC가 0.7238로 가장 우수한 예측 성능을 보였다. 또한, 모델의 변수 중요도 분석을 통해 시술 및 약물의 수와 입원 기간이 30일 이내 재입원한 환자를 예측하는 모델에 상당한 영향을 미쳤음을 알 수 있다.

다국어 초록 (Multilingual Abstract)

Diabetes, a globally increasing chronic condition, frequently leads to patient readmission due to various complications. Unplanned readmission leads to serious health problems for a patient and increases the financial burden on healthcare systems. Therefore, governments and healthcare institutions pay attention to reducing patient readmission. This study aims to predict the likelihood of readmission within 30 days for diabetic patients using machine learning models. The dataset comprises patient records collected over a decade from hospitals across the United States, and it displays an imbalanced distribution. Therefore, we applied Random Under Sampling to address the imbalanced issue and utilized 7 machine learning models to predict the likelihood of readmission. Additionally, we conducted a preprocessing process, which involved removing multiple admission records and generating a derived variable by leveraging nominal variables. The results indicate an overall improvement in the predictive performances of the machine learning model through the preprocessing process. Specifically, the Light GBM model exhibited superior predictive performance with an AUC of 0.7238. According to the analysis of feature importance, factors such as the number of lab tests, medications, and the duration of hospitalization were found to significantly influence the predictive model.