심리계량 데이터 기반 해석 가능한 의료 추천 모델

초록

본 논문은 노인 1차진료에서 사용되는 표준화된 설문지(심리계량 데이터)를 활용해, 환자와 치료·추천 항목을 동일한 단위 원판에 매핑하고 내적을 통해 추천 점수를 산출하는 ‘Polygrid’ 모델을 제안한다. 레이더 차트와 색상 가중치를 결합한 시각화는 모델의 연산 과정을 그대로 보여주어 의료 전문가가 직관적으로 이해하고 검증할 수 있다. 브라질 현지 데이터셋을 이용한 오프라인 성능 비교와 전문가 대상 사용자 연구 결과, 제안 모델이 기존 협업 필터링 기반 방법과 동등하거나 우수한 정확도를 보이며, 시각적 설명이 높은 신뢰도와 투명성을 제공함을 확인하였다.

상세 분석

이 연구는 의료 분야, 특히 고령자 1차진료라는 고위험·고밀도 데이터 환경에 맞는 추천 시스템 설계의 필요성을 강조한다. 기존 전통적인 협업 필터링은 사용자‑아이템 행렬이 희소하고, 설명 가능성이 낮아 의료 현장에 적용하기 어렵다. 반면, 노인 평가에 사용되는 WHOQOL·AMPI‑AB·Intrinsic Capacity와 같은 설문지는 모든 환자가 동일한 항목에 대해 점수를 부여하므로 데이터가 ‘dense’하고 차원이 낮다. 논문은 이러한 특성을 활용해 환자 평가와 개입(Referral) 모두를 2차원 단위 원판에 임베딩한다. 각 환자는 레이더 차트 형태의 다각형으로, 각 개입은 평균 점수 다각형과 색상 가중치로 표현된다. 두 다각형의 내적(가중 면적)은 ‘매칭 점수’가 되며, 사전 정의된 임계값을 초과하면 초록색으로 추천, 미달이면 노란색으로 표시한다. 모델 학습은 다중 라벨 분류와 라벨 순위(task) 두 단계로 구성되며, 손실 함수는 라벨 존재 여부와 순위 정확도를 동시에 최적화한다. 가중치 학습은 선형 회귀 혹은 신경망 기반 회귀기로 구현될 수 있으며, 결과적으로 각 색상 셀에 할당된 가중치가 전문가 판단을 가장 잘 재현하도록 조정된다.

시각화 측면에서 Polygrid은 기존 레이더 차트에 색상 구역과 면적 태그를 추가함으로써, ‘faithful’(모델 내부 연산을 그대로 보여줌)와 ‘scrutable’(전문가가 직접 값들을 검증 가능) 두 가지 요구를 동시에 만족한다. 사용자 연구에서는 12명의 노인학 전문가가 제안된 다이어그램을 평가했으며, 설명 가능성, 신뢰도, 의사결정 지원 측면에서 기존 블랙박스 모델 대비 유의미하게 높은 점수를 기록했다.

성능 평가에서는 브라질 파트너 기관이 제공한 세 개의 실제 임상 데이터셋(총 10,000명 이상)에서 Precision@k, Recall@k, nDCG 등을 측정했다. 제안 모델은 특히 라벨 순위(task)에서 기존 Matrix Factorization, Label Ranking SVM, Deep Neural Collaborative Filtering보다 평균 4~7% 높은 nDCG를 달성했다. 이는 데이터가 밀집하고 라벨(추천 항목)의 수가 제한적인 상황에서, 원판 임베딩과 가중 면적 매칭이 효과적인 특성 추출 및 관계 모델링을 수행함을 의미한다.

한계점으로는 현재 모델이 2차원 원판에만 제한되어 있어 고차원 복합 요인을 충분히 표현하기 어려울 수 있다는 점, 그리고 가중치 학습에 사용된 라벨링이 전문가 간 변동성을 포함하고 있어 라벨 품질에 민감하다는 점을 들었다. 향후 연구에서는 다중 원판 혹은 하이퍼볼릭 임베딩을 탐색하고, 라벨링 프로세스에 대한 신뢰도 모델링을 추가할 계획이다.