환자 수천 명의 치료 기록에서 AI가 '숨은 치료 공식'을 뽑아낼 수 있을까?

무슨 연구인가

병원 전자기록에는 어떤 약과 처치가 어떤 순서로 이뤄졌는지가 차곡차곡 쌓여 있어요. 그런데 기존 방법은 '한 번에 받은 치료 묶음'과 '시간에 따라 어떻게 바뀌는지'를 동시에 보지 못했죠. 이 연구는 그 둘을 함께 잡는 새로운 토픽모델을 만들었습니다.

🔬 어떻게 분석했나

① 먼저 16만 건이 넘는 환자 치료 이력을 모았어요 — 누구나 쓸 수 있는 공개 병원 데이터셋 3개입니다.
② 치료 기록을 '하이퍼그래프'로 바꿨어요 — 보통 그래프가 점 두 개를 선으로 잇는다면, 하이퍼그래프는 여러 개를 한 번에 하나로 묶을 수 있어요. 그래서 '이번 단계에 함께 처방된 치료 묶음'을 통째로 표현할 수 있죠. 이걸 여러 시간 척도로 만들어 순서 정보까지 담았어요.
③ 여기에 신경망 토픽모델을 붙였어요 — 토픽모델은 글 뭉치에서 자주 같이 나오는 것들을 묶어 '숨은 주제'를 자동으로 찾아주는 기법(LDA)인데, 그 계산을 딥러닝이 하도록 확장한 버전이에요. 이걸로 해석 가능한 '치료 패턴'과 환자별 경과를 같이 학습했습니다.
④ 성능은 NPMI라는 점수로 확인했어요 — 한 주제로 묶인 단어들이 실제로 얼마나 자주 함께 등장하는지, 즉 '이 주제가 말이 되는지'를 재는 지표예요.

📊 무엇을 찾았나

기존 최고 모델보다 주제 일관성이 최대 19.3% 좋아졌고, 표준 토픽모델과 비교하면 NPMI가 53.2%나 뛰었어요 — 흐릿하던 주제 구분이 훨씬 또렷해진 셈이죠. 게다가 이 모델이 LDA를 수학적으로 포함(일반화)한다는 증명까지 붙였습니다.

💡 내 연구에 가져갈 것

시간 순서가 있는 데이터(치료·구매·행동 로그)를 토픽모델링할 땐, 순서를 버리지 말고 하이퍼그래프로 '묶음+순서'를 같이 넣어보세요.

📄 논문 정보

A multi-scale temporal hypergraph neural topic model for treatment pattern mining
Xin Min, Jiawei Luo, Tong Xie, Chuanbiao Wen, Weiping Ding, Zhong Li, Pengfei Zhang
Information Processing & Management · 2026-09-24
원문 보기 ↗