환자가 퇴원 후 30일 이내에 다시 입원하는 것을 예측하는 것은 환자의 건강 상태를 파악하고 병원 자원을 효율적으로 배분하는 데 매우 중요합니다. 하지만 기존의 많은 예측 모델들은 환자의 입원 기간 동안 축적되는 복잡하고 역동적인 임상 데이터를 고정된 형태로 요약하여 사용했기 때문에, 매일 변화하는 환자의 미세한 생리적 신호들을 놓치는 한계가 있었습니다.
이러한 문제를 해결하기 위해 김민준, 문종학 연구진은 'Mr.Dec'(Multimodal Readmission-risk prediction Decoder)이라는 새로운 모델을 제안했습니다. Mr.Dec은 입원 기간 동안 매일 업데이트되는 전자의무기록(EHR)과 주기적으로 촬영되는 흉부 X선(CXR) 영상 데이터를 실제 임상 흐름과 유사하게 시간 순서에 맞춰 통합 분석합니다. 특히 트랜스포머 디코더(Transformer Decoder) 아키텍처를 활용하여 이러한 다중 모달(multimodal) 데이터를 시계열적으로 처리하며, 질병 특이적 대조 학습(Disease-Specific Supervised Contrastive Learning)을 통해 진단 정보를 반영한 잠재 공간(latent space)을 구축하여 예측의 견고성을 높였습니다. 이 모델은 MIMIC-IV 및 MIMIC-CXR 데이터셋에서 기존 최고 성능을 뛰어넘는 결과를 보여주었습니다.
Mr.Dec 모델의 가장 큰 의미는 단순히 재입원 위험을 예측하는 것을 넘어, 환자의 입원 기간 중 재입원 위험이 가장 높아지는 '결정적 위험일(Critical Days)'을 식별해낼 수 있다는 점입니다. 이는 의료진에게 실시간으로 환자 위험도를 파악하고, 특정 시점에 더 집중적인 관리가 필요한 환자를 선별하는 데 실질적인 도움을 줄 수 있습니다. 결과적으로 환자 맞춤형 치료 계획 수립과 의료 자원의 효율적 배분, 그리고 불필요한 재입원 감소를 통해 의료 시스템 전반의 질을 향상시키는 데 기여할 것으로 기대됩니다.