카테터실 심장입원 예측을 위한 ARIMA 기반 주간 수요 모델

초록

본 연구는 2012년 3월부터 2016년 11월까지 아이오와 주 한 병원의 카테터실 심장입원 데이터를 활용해 주간 입원량을 예측한다. ARIMA(2,0,2)(1,1,1) 모델이 AIC·BIC·오차합 기준으로 최적이며, Holt, 지수평활, Naïve 등 전통적 방법보다 우수한 성능을 보였다. 그러나 잔차는 정규성을 만족하지 않고, 독립성 검정에서 모호한 결과가 나타났다. 연구 결과는 병원 자원 배치와 과밀 방지에 활용될 수 있다.

상세 분석

이 논문은 244주(≈4년 8개월)의 주간 입원 데이터를 200주를 학습, 나머지 44주를 검증에 사용한 시계열 분석을 수행하였다. 모델 후보로는 ARIMA, Holt’s linear trend, 단순 평균, Naïve, 계절 Naïve, 지수 평활, Drift 등 7가지 방법을 적용했으며, AIC와 BIC가 가장 낮은 ARIMA(2,0,2)(1,1,1)를 최종 모델로 선정하였다.

모델 선택 과정에서 저자는 KPSS, Phillips‑Perron, Augmented Dickey‑Fuller 등 3가지 단위근 검정을 수행해 시계열이 정상성을 갖는다고 결론짓는다(ADF·PP p=0.01, KPSS p=0.1). 그러나 Box‑Ljung 검정(p=0.73) 결과는 잔차에 자기상관이 없음을 시사하지만, 논문에서는 “독립성 부족”이라고 기술한다. 이는 검정 해석에 혼동이 있음을 보여준다.

잔차의 정규성 검정(Anderson‑Darling, Shapiro‑Wilk, Cramér‑von Mises, Kolmogorov‑Smirnov, Shapiro‑Francia, Pearson χ²) 모두 p<0.05로 귀무가설을 기각한다. 즉, 잔차가 정규분포를 따르지 않아 예측 구간의 신뢰도가 과대평가될 위험이 있다. 이는 특히 의료 현장에서 위험 관리가 중요한 상황에서 모델의 한계로 작용한다.

예측 정확도는 “오차합”이라는 단일 지표로만 제시되었으며, MAE, RMSE, MAPE 등 다중 지표가 제공되지 않아 모델 성능을 다각도로 평가하기 어렵다. 또한, 52주(1년) 앞선 예측을 실제와 시각적으로 비교했지만, 정량적 오차 분석이 부족하고, 계절성(주간·연간) 변동을 충분히 반영했는지에 대한 논의가 미흡하다.

데이터는 단일 기관의 1종 병원에서 추출되었으며, 외부 검증이 전혀 이루어지지 않았다. 따라서 모델의 일반화 가능성은 제한적이다. 향후 다기관 데이터셋을 활용한 교차 검증이 필요하다.

마지막으로, 저자는 향후 신경망, 퍼지 로직, TABTS 등 비선형·머신러닝 기반 모델을 도입하겠다고 제시했지만, 현재 연구에서는 이러한 모델과의 비교가 전혀 이루어지지 않아, ARIMA가 실제 현장에서 최선인지 판단하기 어렵다.

요약하면, 이 논문은 전통적인 ARIMA 모델을 적용해 카테터실 입원량을 예측하고, 기존 단순 방법보다 개선된 성능을 보였다는 점에서 의미가 있다. 그러나 잔차 정규성 위반, 독립성 해석 혼동, 평가 지표의 제한, 외부 검증 부재 등 methodological 한계가 존재한다. 이러한 점들을 보완한다면 병원 운영 최적화에 보다 신뢰성 있는 의사결정 도구로 활용될 수 있을 것이다.