지역 건강 형평성을 위한 관외 의료 의존도 예측: 머신러닝 기반 분석
Predicting Out-of-Region Medical Care Dependence for Regional Health Equity: A Machine Learning-Based Analysis
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
본 연구는 지역 간 의료 자원의 불균형과 사회․경제적 요인이 지역 주민의 의료 이용 행태, 특히 관외 의료 의존도에 미치는 영향을 실증적으로 분석하고자 하였다. 이를 위해 시군구 단위의 통계자료를 기반으로 인구 구조, 경제 수준, 복지, 의료 자원 등 총 37개의 예측변수를 수집하였으며, 관외 의존 의료횟수 비율과 관외 의존 의료비 비율을 종속변수로 설정하여 예측모형을 구축하였다. 분석 방법으로는 머신러닝 기반의 랜덤 포레스트, 그래디언트 부스팅, XGBoost, SVM 등 다양한 알고리즘을 적용하였으며, 각 모델의 예측성능(AUC, Accuracy, F1-score 등)과 변수 중요도를 분석하였다. 또한 설명 가능한 인공지능 기법인 SHAP 분석을 병행하여, 변수별 영향력의 방향성과 기여도를 시각화하고 해석 가능성을 확보하였다. 분석 결과, 관외 의존 의료횟수와 비용 예측 모델 모두 랜덤 포레스트와 그래디언트 부스팅 알고리즘이 가장 우수한 것으로 나타났다. 관외 의존 의료횟수를 목표로 한 예측에서는 두 알고리즘 모두에서 의료 자원(의원 수, 간호사 수, 병상 수 등)이 가장 중요한 변수로 도출되었으며, 이는 지역 내 1차 의료기관과 인력의 부족이 관외 진료 빈도를 높임을 시사한다. 관외 의존 의료비 예측에서는 두 알고리즘 모두에서 간호사 수 변수가 중요하게 나타났으며, 그래디언트 부스팅에서는 사회복지사 수, 성비, 경증 장애인 비율 등 복지 및 인구 구조와 관련된 변수도 높은 관외 진료비 지출 예측에 기여하고 있었다. 본 연구는 관외 의료의 횟수와 비용을 구분하여 의료 이용의 양적․질적 특성을 분리하여 접근하였으며, 그리고 행정구역 단위의 다양한 지표를 통합하여 지역 기반 보건복지 연계 정책 설계에 실질적인 기초자료를 제공하였다는 점에서 의의가 있다. 또한 WHO의 사회적 건강 결정요인 이론을 실증적으로 적용함으로써 건강 형평성과 관련한 정책 논의의 확장 가능성을 제시하였다. 이러한 분석 결과는 지역별 의료․복지 자원의 배분 우선순위를 설정하고, 데이터 기반 정책 결정을 위한 실용적 근거로 활용될 수 있을 것으로 기대된다.
Abstract
This study aims to empirically examine how regional disparities in healthcare resources, along with socio-economic conditions, influence healthcare utilization patterns—particularly out-of-area medical dependence—among residents. To this end, we constructed a prediction model using a dataset comprising 37 regional-level predictors at the city–county–district (si-gun-gu) level, including indicators of demographic structure, economic status, welfare capacity, and healthcare infrastructure. The dependent variables were defined as the proportion of out-of-area medical visits and the proportion of out-of-area medical expenditures. The study applied multiple machine learning algorithms—Random Forest, Gradient Boosting Machine (GBM), Extreme Gradient Boosting (XGBoost), and Support Vector Machine (SVM)—to evaluate predictive performance (based on AUC, accuracy, F1-score, etc.) and identify the relative importance of predictors. Furthermore, SHAP (SHapley Additive exPlanations), a state-of-the-art explainable AI technique, was employed to visualize and interpret the direction and magnitude of each variable’s contribution to model predictions. The results demonstrated that Random Forest and Gradient Boosting outperformed other models across both dependent variables. In predicting the out-of-area visit ratio, primary healthcare resource variables—such as the number of clinics, nurses, and hospital beds—emerged as the most influential predictors, indicating that insufficient primary care capacity within regions increases the likelihood of cross-regional healthcare utilization. In predicting out-of-area medical expenditure, the number of nurses remained a critical predictor in both models, while GBM additionally highlighted the importance of welfare and demographic variables such as the number of social workers, sex ratio, and the proportion of individuals with mild disabilities. By distinguishing between visit frequency and healthcare costs, this study provides a dual-dimensional understanding of healthcare utilization behaviors, addressing both quantitative and qualitative aspects. The integration of diverse regional indicators at the administrative level contributes a practical foundation for designing integrated community-based health and welfare policies. Moreover, the empirical application of the World Health Organization’s Social Determinants of Health (SDH) framework offers theoretical insight into addressing regional health inequities. These findings are expected to serve as a data-driven foundation for establishing prioritization strategies in the allocation of healthcare and welfare resources across regions.