방글라데시 아동 사망 예측: 10년 검증과 공정성 인사이트

초록

본 연구는 2011‑2022년 방글라데시 DHS 데이터를 활용해 2011‑2014년 데이터를 학습, 2017년으로 검증, 2022년으로 테스트하는 엄격한 시계열 검증 프레임워크를 적용하였다. 유전 알고리즘 기반 신경망 구조 탐색(NAS)으로 64유닛 단일 은닉층 모델을 도출했으며, 이는 XGBoost(AUROC 0.73)보다 통계적으로 유의하게 높은 AUROC 0.76(p < 0.01)을 기록했다. 지역별 부(wealth) 수준과 모델 성능 사이에 r = ‑0.62의 강한 음의 상관관계가 발견돼, 빈곤 지역에서 모델이 더 높은 예측력을 보였다. 10% 위험군 선별 시 NAS 모델은 연간 약 1,300명의 추가 위험 아동을 식별할 수 있었으며, SHAP 해석과 Platt 보정으로 모델 투명성과 신뢰성을 확보했다.

상세 분석

이 논문은 전통적인 무작위 K‑fold 교차검증이 미래 데이터에 대한 과대평가(look‑ahead bias)를 초래한다는 점을 지적하고, 이를 극복하기 위해 시계열 기반의 엄격한 데이터 분할을 채택했다. 학습(2011‑2014), 검증(2017), 테스트(2022) 각각이 서로 겹치지 않도록 설계함으로써 실제 현장 적용 시 모델의 일반화 능력을 보다 현실적으로 평가하였다. 데이터는 총 33,962건의 출생 기록을 포함하며, 사망률은 5세 이하 사망을 이진 변수로 정의하였다.

특히, 저자들은 도메인 지식에 기반한 피처 엔지니어링을 수행해 원시 설문 응답 50여 개를 31개의 임상적 의미를 갖는 카테고리로 축소하였다. 이는 모델의 차원 감소와 해석 가능성을 동시에 달성한 전략이다. 피처는 모성 연령, 교육 수준, 가구 부(wealth) 지표, 산전 관리 적정성, 출산 장소, 이전 출산 간격 등으로 구성돼, 기존 문헌에서 알려진 위험 요인을 포괄한다.

신경망 구조 탐색은 유전 알고리즘을 이용해 5층까지의 깊이, 16‑128 유닛, 4가지 활성화 함수, 드롭아웃 0‑0.5, 배치 정규화 여부 등을 탐색하였다. 15세대에 걸친 진화 과정에서 최적 후보는 ‘단일 은닉층, 64유닛, ELU, 30% 드롭아웃, 배치 정규화’라는 매우 간단한 형태로 수렴했으며, 이는 복잡한 트리 기반 모델보다 과적합 위험이 낮고 학습 효율이 높다는 점을 시사한다.

성능 비교에서는 로지스틱 회귀(AUROC 0.735)와 XGBoost(AUROC 0.730) 등 전통적인 베이스라인을 모두 능가했으며, 특히 복잡한 TabNet·ResNet은 일반화에 실패해 AUROC 0.71 수준에 머물렀다. 이는 데이터 규모가 비교적 작고, 피처가 도메인 지식에 의해 이미 충분히 구조화된 상황에서 과도한 모델 복잡도가 오히려 성능을 저하시킬 수 있음을 보여준다.

공정성 분석에서는 8개 행정구역별 부(wealth) 점수와 모델 AUROC 사이에 r = ‑0.62의 강한 음의 상관관계가 관찰되었다. 가난한 지역(예: Sylhet, Rangpur)에서는 구조적 위험 요인이 명확히 측정 가능해 모델이 높은 AUC 0.74‑0.75를 기록했으며, 부유한 지역(예: Dhaka, Khulna)에서는 사망 원인이 무작위적·생물학적 요인으로 전이돼 예측력이 AUC 0.66‑0.66 수준으로 감소했다. 이러한 ‘사회경제적 예측 그라디언트’는 모델이 구조적 불평등을 반영하고, 자원이 제한된 지역에 우선적으로 개입할 수 있는 근거를 제공한다.

모델 해석 측면에서는 SHAP 값을 활용해 주요 변수 기여도를 시각화했으며, 모성 연령, 가구 부, 산전 관리 적정성 등이 사망 위험 예측에 가장 큰 영향을 미치는 것으로 확인되었다. 또한, 초기 예측 확률이 과신되는 문제를 Platt 스케일링으로 보정해 Brier 점수를 0.160에서 0.029로 82% 개선하였다. 이는 정책 입안자가 위험군을 정확히 식별하고, 자원을 효율적으로 배분할 수 있게 한다.

마지막으로, 10% 위험군(90번째 백분위) 선별 시 NAS 모델은 42.3%의 실제 사망자를 포착했으며, XGBoost는 41.1%에 그쳐 연간 약 1,300명의 추가 위험 아동을 식별한다는 실질적 차이를 만든다. 이는 방글라데시와 유사한 저소득 국가에서 머신러닝 기반 사망 위험 스크리닝 도구가 실질적인 공중보건 효과를 창출할 수 있음을 입증한다.