미국 재향군인 무주택 위험 예측: 장기 EHR와 사회적 요인 활용

초록

본 연구는 2016년 VA 전자건강기록(EHR) 데이터를 활용해 2017년 3~12개월 내 첫 무주택 발생을 예측한다. 임상·사회·행동 위험 요인을 시간‑가변 형태로 전처리하고, 전통 머신러닝, 마스크드 언어 모델, 대형 언어 모델을 비교하였다. 시간‑가변 모델이 정적 모델보다 PR‑AUC를 15‑30% 향상시켰으며, 상위 1% 위험군에서 12개월 PPV가 13.8%에 달했다.

상세 분석

이 논문은 미국 재향군인(Veterans) 집단을 대상으로 첫 무주택( homelessness) 위험을 예측하기 위해 대규모 전자건강기록(EHR) 데이터를 정교하게 가공한 점이 가장 큰 강점이다. 전체 4,276,403명의 VA 환자 중 2017년 3~12개월 내 무주택이 발생한 비율은 0.32%에서 1.19%로 매우 희소했음에도, 연구팀은 ‘조건 지속성(persistence)’ 프레임워크를 도입해 만성·재발·일시적 질환 및 사회·행동 위험 요인의 활성 기간을 반영한 시간‑가변 피처를 생성하였다. 이는 전통적인 ‘한 번 기록된 뒤 사라지는’ 방식과 달리, 실제 임상 현장에서 질환이 지속되는 기간을 추정해 모델에 제공함으로써 시계열 정보를 보존한다.

모델링 측면에서는 세 가지 큰 범주를 비교했다. (1) 전통 머신러닝: Elastic Net 로지스틱 회귀, Random Forest, XGBoost; (2) 마스크드 언어 모델(Masked Language Models, MLM)인 ModernBERT‑T와 BioClinical‑ModernBERT‑T; (3) 파인‑튜닝된 대형 언어 모델(LLM)인 Llama‑3.1‑8B와 OpenBioLLM‑8B. 모든 모델에 대해 정적 피처와 시간‑가변 피처 두 버전을 학습시켰으며, PR‑AUC와 ROC‑AUC를 주요 평가지표로 사용했다.

결과적으로 시간‑가변 피처를 사용한 모델은 대부분의 경우 PR‑AUC가 0.01~0.02 포인트 상승했으며, 특히 3개월 예측에서는 ModernBERT‑T가 2.39%(95% CI 1.80‑3.34)로 최고 성능을 보였다. 12개월 예측에서는 XGBoost가 6.72%(6.06‑7.53)로 가장 높은 PR‑AUC를 기록했다. LLM은 ROC‑AUC에서는 인코더 기반 모델에 근접했지만, PR‑AUC에서는 다소 뒤처졌다. 흥미롭게도 LLM은 인종별 성능 격차가 가장 작아, 공정성 측면에서 잠재적 이점을 제공한다는 점을 강조한다.

위험군 집중도 분석에서는 상위 1% 위험군에 속한 환자들이 전체 무주택 사건의 9.76‑14.72%를 차지했으며, PPV는 3개월에 3.93%에서 12개월에 13.80%까지 상승했다. 상위 0.5% 위험군에서는 PPV가 18.71%에 달해, 실제 임상 현장에서 ‘5명 중 1명’ 정도가 무주택으로 전이될 가능성을 시사한다. 이러한 고위험군 집중은 제한된 예방 자원을 효율적으로 배분하는 데 큰 도움이 될 것이다.

한계점으로는 관찰 연구 특성상 인과관계 검증이 어려우며, 무주택 정의가 VA 내부 기록에 의존해 외부 일반화에 제약이 있다. 또한, 사회적 요인의 기록 누락 가능성이 존재한다. 향후 연구에서는 외부 검증(cohort)과 더 정교한 사회경제적 변수 통합, 그리고 인터벤션 효과를 평가하는 실험적 설계가 필요하다.

전반적으로 이 연구는 대규모 실세계 데이터와 최신 시계열 전처리, 다양한 머신러닝/LLM 접근을 결합해 무주택 위험을 정밀하게 예측하고, 위험군을 효과적으로 선별함으로써 VA와 유사한 보건 시스템에서 예방적 개입을 설계하는 데 실질적인 청사진을 제공한다.