만성 B형 간염 입원 환자의 다중 위험 계층화

임상 인공지능(AI)은 예측 성능과 해석 가능성 사이에서 종종 상충 관계를 보인다. 본 연구는 만성 B형 간염 입원 환자의 다중 결과 위험 계층화를 위한 해석 가능성 중심의 특징 공학 프레임워크를 개발했다. 22,001명의 환자로부터 얻은 36,024건의 입원 기록을 분석에 포함했다. SHAP(SHapley Additive exPlanations) 기반의 주 효과 및 상호작용 효과를 통합한 프레임워크를 활용하여 질병 비진행, 간경변증(LC), 간세포암종(HCC)을 분류하는 경량 머신러닝 모델을 구축했다. SHAP 주 효과는 각 결과별 상위 15개 특징을, TreeSHAP 상호작용은 4개의 쌍별 항을 선택했다. 모델 성능은 환자 수준 데이터 분할, 시간적 유효성 검증, 독립적인 외부 유효성 검증을 통해 평가되었으며, 보정 및 의사결정 곡선 분석도 수행했다. 전체 특징 모델은 질병 비진행, LC, HCC 분류에서 우수한 판별력(AUC: 0.927, 0.897, 0.899)을 보였다. 경량 모델은 80.8% 적은 특징으로도 강력한 판별력(AUC: 0.911, 0.882, 0.890)을 유지했다. 상호작용 모델은 미미한 AUC 변화(AUC: 0.912, 0.881, 0.891)를 보였으나, 잠재적인 임상적 공동 효과 패턴을 특징화했다. 시간적 및 외부 유효성 검증에서도 견고한 성능을 확인했다. 본 프레임워크는 예측 정확도와 다단계 해석 가능성을 결합하여 임상 실습에서 활용 가능한 경량의 투명한 위험 계층화 모델을 제공한다.