다음은 누구인가 약물 복약 지속 개선을 위한 최적 배정 전략

초록

본 논문은 약물 복약 불이행 위험이 높은 환자를 선별하고, 제한된 예산 하에서 복약 개선 개입을 최적 배정하기 위한 두 가지 모델을 제시한다. 첫 번째는 청구 데이터와 인구통계·임상 정보를 활용해 장기 복약 비이행 확률을 예측하는 동적 로지스틱 회귀(DLR) 모델이며, 두 번째는 예측 결과를 입력으로 받아 예산 제약을 만족하면서 개입 대상을 선택하는 이진 정수 계획(BIP) 모델이다. VA 시스템의 대규모 스타틴 복용 환자 데이터를 이용해 모델을 학습·검증했으며, 과거 복약 이력 포함이 예측 정확도를 크게 향상시킴을 확인했다. 제안된 적응형 선택 규칙은 기존 규칙 대비 인구 수준의 심혈관 사건을 현저히 감소시켰다.

상세 분석

이 연구는 약물 복약 지속성을 예측하고 제한된 자원을 효율적으로 배분하려는 두 가지 핵심 기술을 결합한다. 첫 번째는 동적 로지스틱 회귀(DLR) 모델이다. 기존의 정적 로지스틱 회귀와 달리 DLR은 시간에 따라 변하는 공변량과 환자별 무작위 효과(random effects)를 포함한다. 환자 i의 t분기 복약 여부를 이진 변수 w_it 로 정의하고, x_ikt 를 k번째 공변량으로 설정한다. 모델은 베이즈 추정 혹은 뉴턴‑라프슨 방법을 이용해 β_t (시점별 회귀계수)와 공분산 행렬 Σ_βt 를 반복적으로 업데이트한다. 특히 과거 복약 이력(PDC) 를 연속적인 시계열 입력으로 사용함으로써 자기상관성을 포착하고, 새로운 약물 재조정이나 진료 방문 시점에 모델을 재학습한다. 이렇게 함으로써 1년에서 5년까지의 장기 예측 정확도가 AUC 0.78 수준으로 향상되었으며, 과거 복약 이력을 제외한 경우 대비 약 6%p 상승하였다.

두 번째는 이진 정수 계획(BIP) 모델이다. 예산 제약을 c 로 두고, 각 환자 i 를 t 시점에 개입할지 여부를 S_it ∈ {0,1} 로 정의한다. 목표 함수는 기대되는 심혈관 사건 감소량을 최대화하는데, 이는 개입 성공 확률 q 와 복약이 사건 위험 r 에 대한 함수인 P_itτ (t 시점에 개입했을 때 τ 기간 동안 비이행이 지속될 확률) 로 표현된다. 제약식 Σ_i S_it ≤ c 를 통해 매 시점마다 가능한 개입 수를 제한한다. 중요한 점은 개입 효과가 완벽하지 않다는 점을 모델에 반영하여, 개입 실패 확률을 포함한 기대 손실을 최소화한다는 것이다.

시뮬레이션 환경에서는 VA 데이터베이스에서 추출한 150,000명 이상의 스타틴 복용 환자를 대상으로 5년 시나리오를 실행하였다. 비교 기준으로는 무작위 선택, 과거 PDC 기반 임계값 방식, 그리고 기존의 고정 위험 점수 기반 선택이 사용되었다. 결과적으로 제안된 DLR‑BIP 연계 정책은 전체 인구의 심혈관 사건 발생률을 약 12% 감소시켰으며, 동일 예산 하에서 기존 정책 대비 3~5%p 추가 절감 효과를 보였다.

학문적 기여는 세 가지로 요약된다. 첫째, 장기 복약 행동을 개별 환자 수준에서 동적으로 추정하는 DLR 모델을 도입함으로써 기존의 고정 궤적 분류법을 대체했다. 둘째, 새로운 환자 정보가 들어올 때마다 모델을 재학습하는 적응형 프레임워크를 구현해 실시간 의사결정 지원이 가능하도록 했다. 셋째, 복약 개입의 성공 확률과 비용 제한을 동시에 고려한 BIP 모델을 설계하고, 이를 예측 모델과 결합해 실제 의료 시스템에 적용 가능한 최적 배정 알고리즘을 제시했다. 한계점으로는 VA 시스템에 국한된 데이터 특성(주로 남성, 고령)과 개입 효과 q 를 외부 연구값에 의존한 점, 그리고 시뮬레이션에서 가정한 환자 순응도가 실제 임상 현장과 차이날 가능성이 있다. 향후 연구에서는 다양한 의료기관 데이터와 개입 종류별 비용‑효과 분석을 확대하고, 강화학습 기반의 장기 정책 최적화를 탐색할 필요가 있다.