중환자실 퇴원 시점 최적화: 인과 추론과 g‑formula 기반 프레임워크

본 논문은 중환자실(ICU) 퇴원 시점을 ‘정지 전략’이라는 관점에서 접근한다. 환자가 ICU에 입원한 뒤, 매 시점마다 “계속 치료할지(1) 중단할지(0)”를 결정하는 동적 치료 레짐(DTR)으로 모델링하고, 이러한 결정이 환자의 90일 사망률과 ICU 체류일수라는 두 가지 핵심 결과에 미치는 영향을 동시에 평가한다. 먼저 연구자는 기존 파이썬 g‑formula 구현(pygformula)을 확장해, 치료가 중단되는 순간부터는 변수 측정이 중단되는 ‘censoring’ 상황을 반영하도록 알고리즘을 수정하였다. 구체적으로, ICU 내부 사망을 예측하는 모델은 ICU 내 모든 공변량을 사용하고, 퇴원 후 사망을 예측하는 모델은 퇴원 시점 τ_g 까지 관측된 공변량만을 사용한다. 이렇게 두 개의 결과 모델을 별도로 추정함으로써, 치료 여부에 따라 관측 가능한 정보가 달라지는 현실을 정확히 반영한다. 인과 추론의 기본 가정으로는 안정성(SUTVA), 무측정 교란 변수 부재, 그리고 긍정성(positivity)을 채택한다. 특히 긍정성 검증을 위해 각 시점 t 에서 실제 임상 행동과 후보 전략 g 가 일치하는 비율 ρ_g(t)와 매치 카운트 |M_g(t)| 를 계산하고, 이를 통해 전략이 데이터에 충분히 나타나는지를 정량화한다. 추가적으로 ‘Effective Sample Size ratio’, ‘Coverage rate’, ‘Match Count’ 등 다양한 진단 지표를 제공해, 데이터가 특정 전략을 평가하기에 부족한 경우를 사전에 탐지한다. 평가 방법론은 ‘Non‑Iterative Conditional Expectation (NICE)’ 추정기를 기반으로 한다. NICE는 (i) 관측 데이터로부터 각 공변량·치료·결과의 조건부 밀도 모델을 추정하고, (ii) Monte‑Carlo 시뮬레이션을 통해 가상의 환자 경로를 생성하며, (iii) 시뮬레이션된 최종 결과를 평균화해 전략별 기대 결과 ψ(g)를 추정한다. 시뮬레이션 과정에서 치료가 지속되는 경우와 중단된 경우를 구분해 각각 다른 사망 모델을 적용한다. 결과적으로, 각 전략 g 에 대해 평균 90일 사망률과 평균 ICU 체류일수를 동시에 산출한다. 실험 데이터는 MIMIC‑IV(v4.1)에서 추출한 성인 ICU 입원 기록을 사용한다. BlendedICU 파이프라인을 통해 변수들을 표준화하고, 입원 12시간 이상 지속된 사례만을 포함한다. 목표 임상시험(target trial) 설계를 모방해, 자연코스(g_N)와 후보 정지 전략을 비교한다. 평가 결과는 2차원 평면(가로: 평균 ICU 체류일수, 세로: 평균 90일 사망률)에 표시되며, 현재 임상 실천보다 사망률이 낮고 체류일수가 짧은 영역을 ‘빨간 영역’으로 정의한다. 논문에서는 몇 가지 후보 전략이 이 영역에 들어가며, 데이터 커버리지를 만족하는 경우에만 신뢰할 수 있는 추정치를 제공한다는 점을 강조한다. 기술적 기여는 (1) 정지 전략을 위한 g‑formula 확장, (2) 긍정성·커버리지 진단 도구 제공, (3) 완전 오픈소스 파이프라인 구축이다. 이는 기존 연구에서 강화학습(RL) 기반 정책 학습이 주로 다루던 ‘최적 정책 탐색’과 달리, ‘후보 정책의 인과적 타당성 검증’에 초점을 맞춘다. 한계점으로는 파라메트릭 GLM 기반 모델이 복잡한 비선형 관계를 충분히 포착하지 못할 가능성, 무측정 교란 변수 가정의 검증 어려움, 이산 시간 모델링이 실제 연속적인 ICU 상황을 근사한다는 점을 들 수 있다. 또한, 현재는 사전 정의된 전략을 평가하는 데 머물러 있어, 자동으로 최적 전략을 학습하는 RL과의 통합은 미흡하다. 향후 연구에서는 딥러닝 기반 예측 모델을 g‑formula에 통합하고, 민감도 분석 및 드문 환자군에 대한 보강 방법을 도입해 인과 추론의 견고성을 강화할 필요가 있다.