마약성 진통제 치료 예측 모델의 공정성 분석 연구
Toward Fairness in Machine Learning Models for Predicting Treatment Retention and Premature Discontinuation in Medication for Opioid Use Disorder
arXiv마약성 진통제 사용 장애(MOUD) 환자의 치료 유지 및 조기 중단 예측에 쓰이는 머신러닝 모델의 공정성을 체계적으로 분석했습니다.
- 전체 성능이 좋아 보여도 인종, 성별 등 특정 하위 그룹 간에는 심각한 성능 격차가 발생할 수 있음을 확인했습니다.
- 따라서 의료 현장에서 ML 모델을 이용해 환자 위험도를 분류하고 치료 우선순위를 정할 때는 공정성 평가가 필수적입니다.
- 편향 완화 기법이 성능 격차를 줄일 수는 있지만, 이를 완전히 제거하는 것은 어렵다는 기술적 한계점도 제시했습니다.
마약성 진통제 사용 장애(MOUD) 환자의 치료 유지 및 조기 중단 예측을 위해 머신러닝(ML) 모델이 활용되고 있으나, 이 모델들이 다양한 환자 집단에서 알고리즘적으로 공정한지 여부는 충분히 연구되지 않은 상태입니다. 본 연구는 MOUD 관련 ML 모델의 알고리즘적 공정성을 체계적으로 평가하고 편향 완화 기법을 적용했을 때의 효과를 조사했습니다.
연구진은 2015년부터 2019년 사이에 미국에서 퇴원한 개인들의 치료 에피소드를 포함하는 TEDS-D 데이터셋을 사용했습니다. 이 데이터를 활용하여 외래 MOUD 환자의 조기 치료 중단 및 180일 이상 유지 예측을 위한 네 가지 ML 모델을 훈련시켰습니다. 또한 인종, 민족성, 연령, 성별로 정의된 하위 그룹 전반에 걸쳐 전체 성능과 오류율을 평가했습니다.
분석 결과, MOUD 결과 예측용 ML 모델은 전체적인 예측 성능이 양호해 보여도 특정 하위 그룹 간에는 성능 격차를 보일 수 있음이 확인되었습니다. 또한 편향 완화 기법을 적용할 경우 이러한 격차를 줄이는 데는 도움이 되지만, 트레이드오프 없이 완전히 제거하는 것은 어렵다는 점을 발견했습니다.