예외적 생존 특성을 가진 하위집단 자동 발견 및 명명

본 논문은 “Learning and Naming Subgroups with Exceptional Survival Characteristics”라는 제목의 연구를 한국어로 정리한다. 연구의 핵심 목표는 시간‑to‑event(생존) 데이터를 대상으로, 전체 모집단 대비 생존 패턴이 현저히 다르거나 특이한 하위집단(subgroup)을 자동으로 발견하고, 이를 직관적인 규칙 형태로 명명하는 것이다. 기존 방법들은 Cox 비례위험 모델 가정, 피처의 사전 이산화, 평균 통계에 의존하는 한계가 있었으며, 개별 변동성을 충분히 반영하지 못했다. 이를 극복하기 위해 저자들은 다음과 같은 주요 구성 요소를 제안한다. 1. **개별 생존 함수 추정** 전체 데이터에 Random Survival Forest(RSF)를 적용해, 각 샘플 x에 대한 조건부 생존 함수 ˆS(t|x)를 비파라메트릭하게 추정한다. RSF는 연속적인 시간 축을 그대로 사용하며, Weibull·Cox와 같은 특정 분포 가정을 하지 않는다. 이렇게 얻어진 개별 생존 곡선은 이후 예외성 측정의 핵심 입력이 된다. 2. **예외성 측정 지표** 전통적인 로그랭크 통계는 그룹 수준에서 위험 비율이 일정하다는 비례위험 가정을 전제로 하며, 곡선이 교차하면 효과가 상쇄돼 실제 차이를 놓칠 수 있다. 저자들은 절대 L1 거리 ℓ₁ᴛ(s_A, s_B)=|s_A−s_B|를 시간 전체에 적분한 ℓ₁ᴛ(S_A,S_B)=∫_T|S_A(t)−S_B(t)|dt 를 사용한다. 이를 바탕으로, 서브그룹 σ가 선택한 샘플들의 기대 절대 차이 ϕ(σ,σᴰ)=E_x