Classification of Readmitted Patients and Exploratory Predictive Assessment Using AutoML with Discharge Data from a Single Tertiary Hospital

재입원은 의료 서비스의 질과 효율성을 평가하는 핵심 지표이나, 단일 3차 의료기관의 장기간 데이터를 활용한 연구는 여전히 부족한 실정이다. 단일 상급종합병원 퇴원분석자료 516,258건(2004–2023년)을 활용하였다. 재입원은 30일/90일 이내 단기 지표가 아니라, 연구기간 동안 동일 환자가 2회 이상 입원한 반복 입원 이력으로 정의하였다. 재입원 이력이 있는 환자 93,326명을 대상으로 입원횟수, 평균 재원일수(length of stay, LOS), 병원 이용기간을 기반으로 군집분석을 수행한 결과, 4개의 군집이 도출되었다: 군집1(저이용 단기형, 63,711명, 68.3%; 평균 2.8회 입원·LOS 6.5일·이용기간 1.9년), 군집2(장기 지속형, 23,045명, 24.7%; 3.8회·6.9일·10.9년), 군집3(장기 재원형, 3,161명, 3.4%; 2.9회·49.3일·3.4년), 군집4(고빈도 이용형, 3,409명, 3.7%; 17.1회·6.1일·5.5년)이다. 자동화 머신러닝(AutoML) 기반 예측분석에서 Random Forest 모델의 AUC는 0.6825로 중등도 수준의 판별력을 보였다. 절사값 0.5 기준 예측양성군의 관찰 재입원 확률인 양성예측도(positive predictive value, PPV)는 0.644(예측양성 비율 약 9%)였으나, 민감도는 0.1723으로 낮게 나타났다. 이는 모형이 전체 재입원을 포괄적으로 탐지하기 보다는, 제한된 규모의 고위험군을 탐색적으로 선별하는 위험층화 도구로 해석하는 것이 적절함을 시사한다. 재입원은 주로 연령, 동반 질환 부담, 진단 범주, 퇴원 진료과, 보험 유형 및 거주 지역과 밀접한 관련이 있었다. 본 연구 결과는 반복 입원 환자군 내 의료 이용 패턴의 이질성을 확인하고, 환자군 특성에 대한 이해를 확장하는 기초 자료를 제공한다.