다중과제 학습을 활용한 환자 업무량 예측 모델

초록

**
본 연구는 미국 전역 130개 VA 병원의 전자건강기록(EHR) 데이터를 활용해 환자에게 부과되는 업무량을 상대가치단위(RVU)로 정량화하고, 유사 환자군을 찾는 휴리스틱 클러스터링 기반 단일과제 학습과 시설별 특성을 반영한 다중과제 학습(MTL) 모델을 제안한다. 실험 결과, 과제 간 관련성을 고려한 MTL이 단일과제 모델보다 예측 정확도가 현저히 높음을 확인하였다.

**

상세 분석

**
이 논문은 의료기관의 업무량 예측이라는 실용적 문제에 데이터 과학적 접근을 시도한 점이 돋보인다. 첫 번째 핵심은 RVU(Relative Value Unit)를 업무량의 정량적 지표로 채택한 것이다. RVU는 CPT·HCPCS 코드와 연계돼 진료·시술에 소요되는 시간·노력·기술 수준을 반영하므로, 환자별 업무 부하를 비교·예측하는 데 적합한 특성이다. 저자들은 VA 시스템에 축적된 130개 시설의 EHR 데이터를 통합했으며, 여기에는 진단(ICD), 처방, 검사, 인구통계, 사회경제적 변수 등이 포함된다.

두 번째 기여는 두 단계의 예측 프레임워크이다. (1) 휴리스틱 클러스터 기반 단일과제 학습에서는 환자 특성(연령, 성별, 질병코드 등)과 시설 특성을 결합해 K‑means‑like 알고리즘으로 유사 환자군을 형성한다. 각 클러스터마다 별도의 회귀 모델(예: Ridge, SVR)을 학습함으로써 군내 이질성을 감소시키고, 전역 모델 대비 평균 절대오차(MAE)를 5~10% 개선한다. (2) 다중과제 학습(MTL)에서는 각 시설을 하나의 ‘과제’로 정의하고, 과제 간 공유 파라미터를 통해 공통 표현을 학습한다. 구체적으로는 L2‑regularized 다중선형 회귀와, 과제 간 관계를 모델링하는 그래프 기반 정규화(예: Trace norm)를 결합한 구조를 사용한다. 이때 시설별 자원·프로세스 차이를 반영하기 위해 시설 특성 벡터를 과제 임베딩에 추가한다.

실험에서는 전통적인 단일과제 회귀, 시계열(ARIMA, Exponential Smoothing)와 비교했으며, MTL이 MAE와 RMSE 모두에서 12~18% 우수한 성능을 보였다. 특히 데이터가 희소한 소규모 시설에서 과제 간 정보 공유가 큰 효과를 발휘했다는 점이 주목할 만하다.

한계점으로는 클러스터링 단계에서 군의 수를 사전에 지정해야 하는 점, 그리고 MTL 모델이 복잡한 비선형 관계를 충분히 포착하지 못할 가능성이 있다. 또한 RVU는 진료코드에 의존하므로 코딩 오류나 정책 변화에 민감하다. 향후 연구에서는 딥러닝 기반의 공유 표현 학습이나, 시간적 변동성을 반영한 동적 MTL, 그리고 외부 요인(예: 계절성, 지역별 인구 변동) 통합을 고려할 수 있다.

**