의료중재 예측 모델을 활용한 의사결정 지원 시스템 설계 및 구현 = Design and Implementation of a Clinical Decision Support System Using an Intervention Prediction Model

국문 초록 (Abstract)

중환자실은 환자 상태가 급변하고 치료 중재가 희소하게 전환되는 환경으로, 전자의무기록과 생체신호 시계열을 기반으로 한 신뢰 가능한 임상 의사결정 지원 시스템(CDSS)이 요구된다. 그러나 실제 ICU 데이터는 불규칙 샘플링과 결측이 빈번한 희소 시계열 특성을 가지며, 진단 코드는 중첩·누락 등 불완전 라벨 구조와 극심한 클래스 불균형을 동반한다. 본 연구는 이러한 한계를 반영하여 진단–시계열–중재를 계층적으로 결합한 ICU 중재 예측 기반 CDSS를 제안한다. 제안 시스템은 두 단계 예측 파이프라인으로 구성된다. 먼저 Automated ICD Coding 모듈은 입원 단위 ICD-9 후보 집합과 정적·수치형 특성을 입력으로 받아 대표 ICD 라벨을 추론한다. 이때 정답이 후보 집합 내부에 존재한다는 약한 감독을 활용하는 부분 라벨 학습과 역빈도 샘플링·class-balanced focal loss 등 불균형 보정 전략을 통합하여 현실적 기록 구조를 학습 과정에 내재화하였다. 다음으로 Intervention Prediction 모듈은 VAL/MSK/DELTA 3채널로 확장된 ICU 시계열 텐서와 자동 추론된 ICD 맥락을 입력으로 받아, 피처 그룹별 다중 분기 TCN 기반 CNN과 ICD-기반 게이팅 메커니즘을 결합해 기계환기 상태를 다중 분류로 예측한다. 마지막으로 SHAP 전역 설명과 LIME 국소 설명을 병렬 제공하여, 예측 근거가 임상적 해석과 조치로 연결될 수 있는 설명 구조를 갖추었다. MIMIC-III 데이터셋을 이용한 실험에서 제안 모델은 희귀 전환 이벤트가 포함된 불균형 다중 클래스 문제에서 Macro AUPRC 75.2%와 F1 69.8%로 모든 비교 모델 대비 가장 큰 개선을 달성했으며, Macro AUC 92.3%로 전환·유지 상태 전반에 걸친 균형 잡힌 분리 성능을 확인하였다. ICD 영향력 평가에서도 리스트 외 임의 ICD 주입 대비 타당한 ICD 주입 조건이 동등 이상 성능을 유지하였고, 입원 에피소드 단위 ICD 맥락이 ICU stay 단위 고정보다 예측에 더 효과적임을 보였다. 다만 단일 기관·후향적 데이터(MIMIC-III) 및 ICD-9 체계에 기반한 한계가 있으므로, 향후 다기관·다분포 데이터와 ICD-10/11로의 확장, temporal XAI와 불확실성 추정 통합, 그리고 임상 사용자 전향적 평가가 필요하다.

다국어 초록 (Multilingual Abstract)

Intensive Care Units generate massive volumes of heterogeneous clinical data from electronic medical records and bedside monitoring, yet the rapid and unstable nature of critical illness makes it difficult for clinicians to integrate these signals in real time. Building trustworthy clinical decision support systems (CDSSs) therefore requires models that can handle irregular, sparse multivariate time series and incorporate high-level diagnostic context. In practice, ICU time series are heavily affected by missingness and non-uniform sampling, while International Classification of Diseases codes exhibit incomplete and overlapping label structures together with extreme class imbalance. To address these challenges, this study proposes a hierarchical diagnosis–time-series–intervention CDSS for ICU intervention prediction. The system consists of a two-stage pipeline. First, an Automated ICD Coding module infers an admission-level representative ICD label from ICD-9 candidate sets and static/numerical patient features. The module embeds realistic documentation uncertainty through partial-label learning, and it mitigates extreme imbalance via inverse-frequency sampling and class-balanced focal loss, yielding robust diagnostic context under weak supervision. Second, an Intervention Prediction module constructs ICU time-series tensors augmented with the inferred ICD context and predicts four mechanical ventilation states. The proposed model combines (i) multi-branch TCN-based CNN blocks that learn feature-group-specific temporal representations to reduce representation interference, and (ii) an ICD-driven gating mechanism that dynamically reweights numerical time-series features according to diagnostic context, enabling context-adaptive intervention inference. To ensure clinical interpretability, SHAP-based global explanations and LIME-based local explanations are provided in parallel for both modules. Experiments on MIMIC-III demonstrate that the proposed system achieves the best balanced performance under severe imbalance, reaching a Macro AUPRC of 75.2% and an F1 score of 69.8%, while also delivering a Macro AUC of 92.3% comparable to or slightly surpassing strong hybrid baselines. ICD impact analyses further confirm that clinically valid ICD context consistently outperforms random ICD injection, and that admission-level diagnostic context is more effective than ICU-stay-level fixation. These results validate the proposed hierarchical CDSS as a practical and imbalance-robust framework for context-aware ICU intervention prediction.

목차 (Table of Contents)

• 제1장 서 론 1
• 제2장 관련연구 5
• 2.1 Automated ICD Coding 5
• 2.2 Clinical Decision Support System 6
• 2.3 Intervention Prediction 7
• 2.4 Explainable AI 9
• 제3장 의료중재 예측 기반 의사결정지원 시스템 11
• 3.1 의료중재 예측 기반 의사결정지원 시스템의 정의 11
• 3.2 의료중재 예측 기반 의사결정지원 시스템 14
• 3.2.1 시스템 구조 14
• 3.2.2 데이터 전처리 16
• 3.2.3 Automated ICD Coding 모듈 19
• 3.2.4 Intervention Prediction 모듈 21
• 3.2.5 XAI 모듈 24
• 제4장 구현 및 실험 26
• 4.1 데이터셋 26
• 4.2 실험 환경 29
• 4.3 ICD 코드의 영향력 평가 30
• 4.4 중재 성능 평가 34
• 4.4.1 메트릭 34
• 4.4.2 기준 모델 35
• 4.4.3 실험 결과 37
• 제5장 결 론 39
• 참고문헌 43
• ABSTRACT 46