공정한 의료 예측을 위한 베이지안 최적화 XGBoost 프레임워크

본 논문은 중환자실·응급실 데이터에서 성별 편향이 임상 의사결정에 미치는 위험성을 강조하며, 이를 정량화하고 완화할 수 있는 새로운 프레임워크 FairMed‑XGB를 제안한다. 먼저, 기존 연구들이 주로 단일 공정성 지표(예: 통계적 평등 차이)만을 최적화하거나, 정확도 손실을 크게 초래하는 재가중치·적대적 학습 방법에 의존하는 한계를 지적한다. 이러한 문제를 해결하기 위해 저자들은 세 가지 상보적인 공정성 메트릭을 동시에 고려한다. 통계적 평등 차이(SPD)는 양성 예측 비율의 그룹 간 차이를 직접 측정해 전반적인 균형을 잡으며, Theil 지수는 예측 확률 분포의 불평등을 정보이론적으로 정량화한다. Wasserstein 거리는 두 그룹의 확률 분포 전체 형태 차이를 반영해, 단순 비율 차이를 넘어선 미세한 분포 왜곡까지 포착한다. 이 세 메트릭을 가중합한 공정성 패널티를 기존 로지스틱 손실에 더한 새로운 손실 함수를 정의하고, 이를 XGBoost 학습 과정에 통합한다. 핵심은 베이지안 최적화를 이용해 XGBoost의 하이퍼파라미터와 공정성 패널티 가중치(λ₁, λ₂, λ₃)를 동시에 탐색하는 것이다. 가우시안 프로세스 서러게이트 모델을 사용해 탐색 효율을 높이고, 교차 검증 기반 목표 함수에 정확도와 공정성 손실을 가중합해 다중 목표 최적화를 수행한다. 이 과정에서 각 코호트별 데이터 특성(성별 비율, 라벨 불균형)과 메트릭 간 상관관계를 자동으로 학습해, 동일한 프레임워크가 서로 다른 임상 환경에 적응하도록 설계되었다. 실험은 두 대규모 공개 데이터베이스(MIMIC‑IV‑ED, eICU)에서 7개의 임상 코호트를 정의해 진행되었다. 먼저 표준 XGBoost 모델을 학습해 베이스라인 편향을 측정하고, SHAP을 통해 성별과 강하게 연관된 변수(예: 특정 진단 코드, 호르몬 검사)가 높은 기여도를 보이는 것을 확인한다. 이후 FairMed‑XGB를 적용하면, 동일한 변수들의 SHAP 값이 현저히 감소하고, 대신 임상적으로 중립적인 변수(예: 혈압, 산소포화도)의 기여도가 상대적으로 상승한다. 이는 모델이 성별 프록시를 의존하지 않고 실제 생리학적 신호에 기반한 예측을 수행하도록 유도된 결과이다. 편향 감소 효과는 정량적으로도 뚜렷하다. MIMIC‑IV‑ED 코호트에서는 SPD가 40‑51% 감소했으며, eICU 코호트에서는 10‑19% 감소했다. Theil 지수는 10⁻⁴ 수준으로 급감해 거의 제로에 수렴했으며, Wasserstein 거리는 20‑72% 감소했다. 중요한 점은 이러한 공정성 개선이 예측 정확도에 거의 영향을 미치지 않았다는 것이다. AUC‑ROC는 사후 모델에서 최대 0.02만 감소했으며, 민감도·특이도 등 주요 임상 지표는 변동이 거의 없었다. 논문은 또한 SHAP 기반 설명 가능성을 강조한다. 사후 모델의 SHAP 분석 결과, 성별 프록시 특징의 중요도가 크게 낮아졌으며, 이는 임상의가 모델이 어떻게 편향을 완화했는지를 직관적으로 이해할 수 있게 한다. 이러한 투명성은 임상 현장에서 AI에 대한 신뢰를 구축하는 데 필수적이다. 결론적으로 FairMed‑XGB는 (1) 다중 공정성 메트릭을 통합한 손실 설계, (2) 베이지안 하이퍼파라미터 탐색, (3) SHAP 기반 설명 가능성 제공이라는 세 축을 통해, 임상 현장에서 요구되는 정확도 유지와 편향 최소화를 동시에 달성한다. 향후 연구에서는 성별 외에도 인종·연령·사회경제적 지위 등 다중 민감 속성을 동시에 고려하는 확장, 그리고 실시간 임상 워크플로우에의 통합을 목표로 할 수 있다.