데이터 리프팅에서 연속적 위험 추정까지: 임상 경로 예측 모니터링을 위한 프로세스 인식 파이프라인

본 논문은 임상 경로의 예측 모니터링을 위한 재현 가능하고 프로세스 인식 (process-aware) 파이프라인을 제시합니다. 본 접근법은 데이터 리프팅 (data lifting), 시간적 재구성 (temporal reconstruction), 이벤트 로그 구축 (event log construction), 접두사 기반 표현 (prefix-based representations), 그리고 예측 모델링을 통합하여 부분적으로 관찰된 환자 경로에 대한 연속적 추론을 지원하며, 전통적인 후속적 프로세스 마이닝의 한계를 극복합니다. 이 프레임워크는 ICU 입원 (ICU admission) 을 예측 목표물로 하여 4,479 명의 환자 사례와 46,804 개의 접두사 (prefixes) 를 고려하여 COVID-19 임상 경로 (clinical pathways) 에서 평가되었습니다. 예측 모델은 환자 수준 (case-level) 분할을 사용하여 훈련 및 평가되었으며, 테스트 세트에는 896 명의 환자가 포함되었습니다. 로지스틱 회귀 (Logistic Regression) 가 가장 높은 성능을 보였습니다 (AUC 0.906, F1-score 0.835). 상세한 접두사 기반 분석은 새로운 임상 이벤트가 제공됨에 따라 예측 성능이 점진적으로 향상된다는 것을 보여주며, 초기 단계에서 AUC 0.642 에서 경로 후기 단계에서 AUC 0.942 로 증가했습니다. 결과는 두 가지 주요 발견을 강조합니다: 예측 신호는 임상 경로를 따라 점진적으로 나타나며, 프로세스 인식 표현 (process-aware representations) 은 진화하는 환자 경로로부터 효과적인 초기 위험 추정을 가능하게 합니다. 전반적으로, 본 연구의 결과는 의료 분야에서의 예측 모니터링이 환자 여정 (patient journey) 이 진화함에 따라 위험 추정치가 점진적으로 정교해지는 연속적이며 동적 (dynamically aware) 프로세스로 개념화되는 것이 가장 효과적임을 시사합니다.