대규모 인구 데이터에서 사망률을 조건으로 한 다중 만성질환 군집 식별을 위한 변분 추론 기반 베이지안 프로파일 회귀

초록

본 연구는 베이지안 프로파일 회귀(BPR) 모델에 전역 순위 변분 추론(full‑rank SVI)을 적용하여, 130만 명 규모의 전자건강기록(EHR) 데이터를 대상으로 다중 장기질환(MLTC) 군집을 사망률과 연계해 탐색한다. 시뮬레이션에서 NUTS와 비교해 추정 편향과 신뢰구간 커버리지를 검증했으며, 실제 SAIL 데이터에서는 33개의 질병 군집을 도출하고 전이성 암·심혈관 질환 군집이 사망 위험과 가장 강하게 연관됨을 확인했다.

상세 분석

베이지안 프로파일 회귀는 디리클레 과정(DP) 기반 혼합 모델과 일반화 선형 혼합효과 모델(GLMM)을 결합해, 공변량과 결과 변수(여기서는 사망 여부)를 동시에 고려한 군집화를 가능하게 한다. 전통적인 MCMC(NUTS) 방식은 정확도가 높지만, 수백만 건의 관측치와 수십 개의 질병 변수를 포함하는 인구 규모 데이터에서는 메모리와 연산 시간 측면에서 비현실적이다. 이를 해결하기 위해 저자들은 전역 순위 변분 추론(full‑rank SVI)을 도입하였다.

SVI는 ELBO를 최대화하는 최적화 문제로 변환함으로써, 배치 학습을 통해 전체 데이터를 여러 번 순환하지 않아도 된다. 특히, 전역 순위(Full‑rank) 변분 분포를 사용해 다변량 정규분포의 공분산 행렬을 학습함으로써 파라미터 간 상관관계를 보존하고, 평균‑필드 근사에 비해 불확실성 추정이 과소평가되는 문제를 완화한다. 이 과정에서 이산 군집 할당 변수(z)는 직접 샘플링하지 않고 사후 예측 단계에서 주변화(marginalisation)함으로써 변분 근사의 연속성만을 유지한다.

시뮬레이션에서는 N=8,000 관측치와 5개의 군집을 설정하고, NUTS와 SVI를 동일 조건(학습률 0.01, ELBO 샘플 30)에서 비교했다. 결과는 두 방법 모두 혼합 파라미터(ϕ)의 추정 편향이 작은 ϕ값에서 크게 나타나는 점을 공유했으며, SVI는 80% 이상(대부분 85~90%)의 커버리지를 보였다. 특히, 데이터 규모를 N=100,000으로 확대했을 때도 SVI는 안정적인 추정을 제공했지만, NUTS는 실행이 불가능했다. 배치 크기를 전체 데이터의 10% 이상으로 설정하면 최적화 수렴이 보장된다는 실용적인 가이드라인도 제시하였다.

실제 SAIL 데이터(1,296,463명)에서는 연령, 성별, 사회경제적 결핍을 공변량으로, 사망을 이진 결과로 설정했다. 엘릭스하우저(Elixhauser) 질병 정의를 사용해 33개의 질병 군집을 도출했으며, 전이성 암 군집과 심부전·관상동맥 질환 군집이 사망 위험을 가장 크게 증가시키는 것으로 나타났다. 이는 기존 연구에서 보고된 고위험 질환군과 일치하지만, BPR‑SVI 접근법을 통해 희귀하지만 위험도가 높은 군집을 사전 정의 없이도 자동으로 식별할 수 있음을 보여준다.

한계점으로는 변분 근사가 근본적으로 근사적이므로, 특히 복잡한 후방분포(다중모드)를 갖는 경우 파라미터 불확실성이 과소평가될 위험이 있다. 또한, 라벨 스위칭 문제를 완전히 회피할 수 없으며, 사후 재라벨링 과정이 필요하다. 향후 연구에서는 하이브리드 MCMC‑SVI 전략이나, 스테인헬트 변분(스파스 변분) 등을 도입해 정확도와 확장성을 동시에 개선할 여지가 있다.

전반적으로, 전역 순위 변분 추론을 활용한 BPR 모델은 인구 규모 의료 데이터에서 다중 질환 군집을 결과 변수와 연계해 탐색하는 데 실용적이며, 기존 MCMC 기반 방법보다 훨씬 빠른 추정 속도와 충분한 정확성을 제공한다는 점에서 큰 의의를 가진다.