TRACER: 건강 시스템 전반의 질병 탐지를 위한 시간 경과형 EHR 기반 모델

원문 발행 2026. 10. 30. 02:34원문 언어 영어AI 한국어 번역arXiv cs.LG 원문 보기

요약

시간 경과형 EHR 데이터를 활용하여 미래 질병 진단을 예측하는 파운데이션 모델 TRACER를 개발했습니다. 이 모델은 450만 명 이상의 환자 데이터로 사전 훈련되었으며, 외부 건강 시스템에서도 높은 변별력을 유지함을 입증했습니다. 특히 낮은 위양성률(FPR)을 기준으로 평가하여 임상적 활용 가능성을 제시합니다.

핵심 포인트

TRACER는 시간 경과형 EHR 기반의 질병 예측 파운데이션 모델입니다.
450만 명 이상의 환자 데이터로 학습되어 외부 시스템에서도 변별력을 유지했습니다.
일반 지표 대신 낮은 위양성률(FPR)을 측정하여 임상적 현실성을 확보했습니다.
전역 지표와 달리, 질병 및 건강 시스템별 탐지율 차이가 존재함을 밝혀냈습니다.

시간 경과형 전자건강기록(EHR)을 기반으로 훈련된 파운데이션 모델은 수년 후의 임상 진단을 예측할 수 있어, 질병 선별에 잠재적인 도구가 될 수 있습니다. 우리는 네 개의 건강 시스템에서 온 450만 명 이상의 환자 데이터를 활용하여 사전 훈련된 디코더 기반 파운데이션 모델인 TRACER (Temporal Risk Assessment with Clinical EHR Representations)를 개발했으며, 이 모델을 개발 과정에서 제외된 두 개의 건강 시스템의 2백만 명이 넘는 환자를 대상으로 1년, 2년, 5년 시점의 16개 발생 질환에 대해 평가했습니다. 전역적 지표(예: AUROC)에 초점을 맞추는 일반적인 평가와 달리, 우리는 선별 과정에서 현실적인 낮은 위양성률(false-positive rates)에서 성능을 측정했습니다. 그 결과, TRACER가 외부 건강 시스템에서도 변별력을 유지하는 것을 확인했으며, 특이도(specificity) 95% 수준에서는 모델이 플래그를 지정한 환자들이 선택되지 않은 환자들보다 1년 이내에 진단받을 확률이 최대 여덟 배 높았습니다. 이러한 작동점(operating point)에서 평가를 수행함으로써 전역적 지표만으로는 알 수 없었던 사실, 즉 변별력이 안정적으로 보이는 경우에도 질병과 건강 시스템마다 탐지율 및 위양성 알림 부담(false-alert burden)에 차이가 있다는 점을 밝혀냈습니다. 우리의 결과는 파운데이션 모델이 선별 분야에서 가진 잠재력을 보여주며, 의도된 임상 사용 수준에 맞는 질병 탐지 및 위양성 알림 부담 평가를 위해 개발 과정에서 제외된 건강 시스템에서의 평가가 필요함을 강조합니다.

AI 자동 생성 콘텐츠

원문 바로가기

TRACER: 건강 시스템 전반의 질병 탐지를 위한 시간 경과형 EHR 기반 모델

요약

핵심 포인트

댓글