고차원 예측 연구의 데이터 기반 설계를 위한 설명 가능한 AI (Explainable AI)

예측 모델링 (Predictive modelling)은 건강 데이터 분석 및 데이터 기반의 임상 의사결정 (clinical decision-making)에 있어 매우 중요합니다. 그러나 수십 개 또는 수백 개의 특징 (features)에 대해 선택, 변환 또는 상호작용 모델링 (interaction modelling)이 필요한 경우, 예측 연구를 수동으로 최적으로 설계하는 것은 매우 어렵습니다. 복잡한 머신러닝 (machine learning) 모델은 높은 성능을 제공하지만, 그들의 "블랙박스 (black-box)" 특성은 의사결정에 필요한 임상적 신뢰성, 투명성 및 해석 가능성 (interpretability)을 제한합니다. 우리는 기존의 해석 가능한 통계 모델의 예측 성능을 향상시키기 위해 데이터 기반의 권장 사항을 제공하는 탐색적 AI 추천기 (Exploratory AI Recommender)를 개발하고 평가했습니다. 개발된 프레임워크는 복잡한 데이터 패턴을 포착하기 위해 유연한 AI 모델링을 사용하며, 설명 가능한 AI (explainable AI) 기술을 사용하여 해당 패턴을 세 가지 권장 유형인 특징 제외 (feature exclusion), 비선형 항 (non-linear terms), 그리고 특징 상호작용 (feature interactions)으로 변환합니다. 우리는 베이스라인 (즉, 상호작용이나 비선형 항이 없는) Cox 비례 위험 (Cox Proportional Hazards, CPH) 모델과 우리 방법론이 제안한 권장 사항을 통합하여 확장된 CPH 모델의 예측 성능을 비교함으로써 프레임워크를 평가했습니다. 주요 분석은 245,614명의 환자에서 낙상 또는 관련 부상이 처음 발생하는 시점을 예측합니다. 우리 방법은 2개의 특징에 대한 비선형 항을 포함하여 23개의 특징을 제외할 것을 권장하였고, 221개의 제안된 특징 상호작용을 포함할 것을 권장했습니다. C-지수 (C-index)는 0.805 (95% CI 0.798-0.812)에서 0.815 (95% CI 0.809-0.822)로 향상되었으며, 보정 (calibration) 성능 또한 향상되었습니다 (절편 (intercept): -0.006에서 0.003으로; 기울기 (slope): 1.063에서 0.950으로). 모든 권장 사항은 기존 문헌에 의해 뒷받침되었습니다. 또한 이 방법은 두 개의 추가적인 공개 데이터셋에서도 효과적임을 입증하여 더 넓은 적용 가능성을 보여주었습니다. 제안된 탐색적 AI 추천기는 고차원의 투명한 예측 모델을 개발하는 과정과 성능을 개선하기 위한 설명 가능한 AI 및 데이터 기반 연구 설계의 잠재력을 보여줍니다.