ICU 거짓 알람 감소를 위한 유전‑알고리즘 기반 샤플리 값 특성 선택법

** 본 논문은 중환자실(ICU)에서 발생하는 과다 거짓 알람을 감소시키기 위한 새로운 특성 선택 프레임워크를 제안한다. 기존 연구들은 개별 모니터링 장치의 신호를 독립적으로 처리하거나, 센서 민감도 조절, 장치 개선 등에 초점을 맞추었지만, 다중 장치 간 신호 상관관계를 활용하지 못한다는 한계가 있었다. 저자들은 이러한 한계를 극복하기 위해, 게임 이론의 협동 게임 모델을 기반으로 한 샤플리 값(Shapley value) 개념을 차용한다. 샤플리 값은 각 특징(플레이어)이 전체 모델 성능에 기여하는 평균 마진 기여도를 측정하는 공정한 지표이며, 특징 간의 군집 효과를 자연스럽게 반영한다. 그러나 모든 가능한 특징 군집에 대해 마진 기여도를 계산해야 하는 전통적인 샤플리 값 계산은 특징 수가 늘어날수록 지수적으로 복잡해져 실용적이지 않다. 이를 해결하기 위해 저자들은 유전 알고리즘(GA)을 이용해 “효과적인” 특징 군집 샘플을 선택하는 방법을 고안한다. 각 염색체는 n_f‑1 길이의 이진 벡터이며, 1의 개수 t는 군집 크기를 나타낸다. GA는 다음 과정을 거친다: (1) 초기 군집 샘플을 무작위로 생성, (2) 각 군집에 대해 새로운 특징 i를 추가했을 때의 가치 차이 ν(T∪{i})−ν(T)를 적합도 함수로 사용, (3) 룰렛 휠 방식으로 부모를 선택, (4) 동일 위치에 동일한 1 개수를 가진 부분을 교환하거나, 존재하지 않을 경우 단일 구간을 뒤집는 ‘hermaphrodite crossover’ 적용, (5) 변이 단계에서 0↔1을 교환해 다양성 확보, (6) 적합도가 낮은 샘플을 제거하면서 새로운 샘플을 추가한다. 가치 ν(T)는 거짓 양성(FPR)과 거짓 음성(FNR)을 동시에 고려한 선형 결합으로 정의된다: ν(T) = (1−FNR_T) + μ·(1−FPR_T) / (1+μ). 여기서 μ는 알람 이력에 기반한 가중치이며, 불균형 데이터(거짓 알람이 다수) 상황에서 민감도(Recall)를 우선시하면서도 특이도(Precision)를 일정 수준 유지하도록 설계되었다. GA가 선택한 고마진 군집 샘플은 통계적으로 극값 분포(EX1)로 모델링된다. 샘플들의 최대 마진 Y_ti는 전체 가능한 군집 마진 X_ti의 최대값이며, 이 분포의 평균과 분산을 이용해 전체 군집 평균 마진을 추정한다. 이렇게 추정된 평균 마진을 샤플리 값 공식에 대입하면, 전체 군집을 모두 계산하지 않아도 충분히 정확한 샤플리 값을 얻을 수 있다. 실험 데이터는 PhysioNet 2015 ICU 알람 챌린지 데이터셋이다. 저자들은 750명 중 220명의 환자를 선택했으며, 각 환자에 대해 ECG II, ABP, PLETH 3종 신호를 250 Hz로 재샘플링하고 FIR 밴드패스(0.05–40 Hz)와 전원 노치 필터로 전처리하였다. 이후 6단계 이산 웨이브렛 변환(DWT)을 적용해 각 신호를 18개의 웨이브렛 계수 벡터로 변환하고, 각 벡터에 대해 평균, 중앙값, 분산, 왜도, 엔트로피 등 20개의 통계·정보 이론적 특징을 추출하였다. 또한 HRV(심박 변동성) 신호를 추출해 동일한 20개의 특징을 추가, 총 380개의 후보 특징을 확보하였다. 데이터는 5‑fold 교차 검증을 2회 반복(총 10개의 훈련/테스트 분할)하여 모델 성능을 평가하였다. 제안된 GA‑샤플리 특성 선택은 전체 380개 중 상위 30~50개의 특징을 선택했으며, 선택된 특징만으로도 Random Forest, SVM 등 다양한 분류기에서 높은 ROC‑AUC(≈0.92)와 민감도(≈0.88), 특이도(≈0.85)를 달성하였다. 기존 Monte‑Carlo 샤플리 추정법이나 전통적인 일변량/다변량 필터 기반 특성 선택 방법에 비해 거짓 알람 감소율이 약 30% 이상 향상되었으며, 연산 시간도 수십 배 단축되었다. 복잡도 분석에서는 GA‑샤플리 방법이 O(n_f·t·n_G) 수준으로, n_f가 380, t가 5~10, n_G가 수백 정도일 때도 실시간 적용이 가능함을 보였다. 반면 전통적인 전체 샤플리 계산은 O(2^{n_f})로 불가능에 가까웠다. 결론적으로, 논문은 (1) 다중 생체 신호를 통합한 풍부한 특징 집합, (2) 게임 이론 기반 샤플리 값의 효율적 근사, (3) 민감도·특이도 균형을 고려한 적합도 설계라는 세 축을 결합해 ICU 거짓 알람 문제에 실용적인 해결책을 제시한다. 향후 연구에서는 실시간 스트리밍 데이터에 대한 온라인 GA‑샤플리 업데이트, 다른 임상 환경으로의 확장, 딥러닝 모델과의 하이브리드 적용 등을 통해 더욱 넓은 적용 가능성을 탐색할 필요가 있다. **