[논문]머신러닝 기반의 자동차보험 사고 환자의 진료 기간 예측 기술

변경근; 이덕규; 이형동

doi:10.33778/kcsa.2023.23.1.089

초록
AI-Helper

자동차보험 사고 환자의 진료비 감소를 위한 대책 마련에 도움을 주기 위해 본 연구에서는 자동차보험 사고 40대~50대 경상 환자들의 진료비에 가장 핵심 요소인 진료 기간을 예측하고 진료 기간에 영향을 미치는 요인을 분석하였다. 이를 위해 Decision Tree 등 5개 알고리즘을 활용한 머신러닝 모델을 생성하고 모델간에 그 성능을 비교·분석하였다. 진료 기간 예측에 정밀도, 재현율, FI 점수 등 3가지 평가 지표에서 좋은 성능을 나타낸 알고리즘은 Decision Tree, Gradient Boosting 및 XGBoost 등 3가지였다. 그리고 진료 기간 예측에 영향을 미치는 요인 분석 결과, 병원의 종류, 진료 지역, 나이, 성별 등으로 나타났다. 본 연구를 통해 AutoML을 활용한 손쉬운 연구 방법을 제시하였으며, 본 연구 결과가 자동차보험 사고 진료비 경감을 위한 정책에 도움이 되기를 기대한다.

Abstract ▼ AI-Helper

In order to help reduce the medical expenses of patients with auto insurance accidents, this study predicted the treatment period, which is the most important factor in the medical expenses of patients in their 40s and 50s, and analyzed the factors affecting the treatment period. To this end, a mech...

In order to help reduce the medical expenses of patients with auto insurance accidents, this study predicted the treatment period, which is the most important factor in the medical expenses of patients in their 40s and 50s, and analyzed the factors affecting the treatment period. To this end, a mechine learning model using five algorithms such as Decision Tree was created, and its performance was compared and analyzed between models. There were three algorithms that showed good performance including Decison Tree, Gradient Boost, and XGBoost. In addition, as a result of analyzing the factors affecting the prediction of the treatment period, the type of hospital, the treatment area, age, and gender were found. Through these studies, easy research methods such as the use of AutoML were presented, and we hope that the results of this study will help policies to reduce medical expenses for automobile insurance accidents.

주제어

표/그림 (17)

그림 (그림 1) 연도별 사고 건수 및 사망자 부상자 수[2]
그림 (그림 2) 연도별 교통사고 부상자 수[5] * 경상자는 3주미만, 부상신고자는 5일 미만 치료
표 <표. 1> 연도별 사고 건수 및 사망자 부상자 수[5]
표 <표 2> 자동차보험 진료비 통계[6]
그림 (그림 3) 연구모형
그림 (그림 4.) 나이 비율
표 <표 3> 환자정보 데이터 구조
표 <표 4> 5개 알고리즘별 입력 파라미터값
표 <표 5> 성능평가 지표 (출처 : https://bhcboy100.medium.com/)
그림 (그림 5) 성별 비율
그림 (그림 6) 병원 구분 비율
그림 (그림 7) 진료 지역 비율
그림 (그림 8) 일일 평균 입원비 비율
그림 (그림 9) 입원 기간 비율
표 <표 6> 진료 기간 11일 미만 예측률
표 <표 7> 진료 기간 11일 이상 예측률
표 진료 기간 예측률에 영향을 미치는 요인 분석 결과

AI 본문요약
AI-Helper

문제 정의

자동차 충돌 후 장기 입원에 가장 영향을 미치는 변수는 많은 나이와 부상 심각도였으며, 머리와 척수 부상과 같은 치명적 부상도 영향이 컸다[9]. 이 연구에서는 적절한 치료와 의료자원을 효율적으로 배분하기 위해 자동차 사고 후 장기 입원 예측 및 이에 영향을 미치는 요인의 도출을 연구하였다[9]. 한편, Abujaber 등의 연구에서는 총 15만여명의 환자가 포함된 47개의 연구에 대해 체계적인 검토와 메타분석을 수행하였다[10].
이와 같은 배경하에, 진료비 감소를 위한 대책 마련에 도움을 주기 위해 본 연구에서는 자동차보험 사고 경상 환자들의 진료비에 가장 핵심 요소인 진료 기간을 예측하고 진료 기간에 영향을 미치는 요인을 분석하는 머신러닝 모델을 생성하고 모델간 성능을 비교·분석하고자 한다.

제안 방법

Adeleke 등 연구원들은 교통사고 피해자의 입원 기간의 예측 관련 다중선형 회귀 분석과 의사 결정 트리 기법을 비교·분석하였다[8]. 교통사고로 입원한 450명의 환자를 대상으로 나이, 성별, 부상 유형, 병력 등 다양한 요인에 대한 데이터를 수집하여 다중 선형 회귀분석과 의사 결정 트리 기법을 사용, 입원 기간을 예측할 수 있는 모델을 만들었다[8]. 의사결정 트리 모델의 입원 기간 예측 성능이 다중 선형 회귀모델보다 우수한 성능을 보였다[8].
(그림 3)과 같이 자동차보험 사고 40～50대 환자 현황 데이터를 기반으로 머신러닝 기술을 활용, 훈련(전체 데이터의 80%)을 실시하였다. 머신러닝 모델을 생성한 후 검증용 데이터(전체 데이터의 20%)를 통해 진료 기간을 예측 모델을 수립하고 그에 영향을 미치는 요인(나이, 성별, 진료소재지, 병원 구분, 일일 평균 입원비, 진료 기간)을 분석하였다.
본 연구를 통해 머신러닝 기법을 활용하여 자동차보험 사고 40대～50대 경상 환자 대상 Decision Tree 등 5개 알고리즘을 이용, 진료 기간을 예측하고 그에 영향을 미치는 요인들을 분석하였다. 진료 기간 예측에 좋은 성능을 나타낸 알고리즘은 Decison Tree와 Gradient Boosting, XGBoost 등 3가지였다.
이에, 대규모 환자 데이터와 최신 머신러닝 기술을 활용하여 자동차 사고 환자 진료 기간 예측 모델을 만들고 진료 기간에 영향을 미치는 요인의 분석을 위해 Decision Tree, Random Forest, Gradient Boosting, XGBoost, Logistic Regression 등 5개 알고리즘을 활용하여 성능을 비교·분석하고자 한다.
한편, 본 연구를 진행하면서 자동차보험 사고 한방 40대~50대 경상 환자로 제한하여 연구를 진행하였는데, 향후에는 한·양방 진료 및 전 연령대로 그 대상을 확대하여 진행할 계획이다. 학문적으로는 대규모 데이터를 활용·분석하여 연구결과의 일반화를 추구하였으며 머신러닝 기술 및 성능 비교를 위한 5개 알고리즘을 제공하는 AutoML을 활용하는 손쉬운 연구방법을 제시하였다. 본 연구 결과가 자동차보험 사고 진료비를 겸강 시키는 정책에 기초 정보로 활용되기를 기대한다.

대상 데이터

(그림 3)과 같이 자동차보험 사고 40～50대 환자 현황 데이터를 기반으로 머신러닝 기술을 활용, 훈련(전체 데이터의 80%)을 실시하였다. 머신러닝 모델을 생성한 후 검증용 데이터(전체 데이터의 20%)를 통해 진료 기간을 예측 모델을 수립하고 그에 영향을 미치는 요인(나이, 성별, 진료소재지, 병원 구분, 일일 평균 입원비, 진료 기간)을 분석하였다.
자동차 사고로 입원한 환자들을 대상으로 장기 입원과 관련된 요인을 조사한 연구들을 체계적으로 검토하고 메타분석을 실시했다[9]. 34개의 관련 연구를 확인하고 장기 입원을 잠재적으로 예측할 수 있는 다양한 인구통계학적, 부상 관련 및 임상적 요인에 대한 데이터를 추출했다[9]. 자동차 충돌 후 장기 입원에 가장 영향을 미치는 변수는 많은 나이와 부상 심각도였으며, 머리와 척수 부상과 같은 치명적 부상도 영향이 컸다[9].
한편, 이러한 부상자와 관련된 연령별 자동차보험 진료비 명세서 건수를 살펴보면 <표 2>와 같이40대와 50대가 1·2위를 차지하고 있다. 따라서 본 연구에서는 자동차보험 사고 경상 환자 분석 대상을 40대～50대로 선택하였다.
심평원에서 제공한 2020년 자동차보험 사고 경상 환자(S13 : 목부위의 관절 및 인대의 탈구, 염좌 및 긴장, 한방 진료를 중심으로) 현황 데이터 중 40대~50대 남녀 환자(122,926건) 데이터를 선별하여 <표 3>과 같이 진료 기간에 영향을 미치는 다양한 요인 즉 △나이 △성별 △병원 구분 △진료 지역 △일일 평균 입원비 △진료 기간 등의 변수를 정의하고 관련 데이터를 정리하였다.

데이터처리

<표 4>와 같이 WiseProphet(http://prophet.wise.co.kr/)에서 제공하는 △Decision Tree △Random Forest △Gradient Boosting △XGBoost △Logistic Regression 등의 5개 알고리즘과 알고리즘별로 파라미터값을 입력하여, 진료 기간을 예측·비교하였다.
Almuheidi 등은 연구를 통해 자동차 충돌 후 장기 입원의 예측 변수를 식별하고 분석하였다[9]. 자동차 사고로 입원한 환자들을 대상으로 장기 입원과 관련된 요인을 조사한 연구들을 체계적으로 검토하고 메타분석을 실시했다[9]. 34개의 관련 연구를 확인하고 장기 입원을 잠재적으로 예측할 수 있는 다양한 인구통계학적, 부상 관련 및 임상적 요인에 대한 데이터를 추출했다[9].

이론/모형

본 연구를 통해 머신러닝 기법을 활용하여 자동차보험 사고 40대～50대 경상 환자 대상 5개 알고리즘 중 진료 기간 예측에 좋은 성능을 나타낸 알고리즘은 Decison Tree와 Gradient Boosting, XGBoost 등 3가지였다. 그리고 진료 기간 예측에 영향을 미치는 요인 분석 결과, 병원의 종류(한방병원) 진료 지역(광주, 전남, 전북), 나이, 성별(남성) 순이었다.
본 연구를 통해 머신러닝 기법을 활용하여 자동차보험 사고 40대～50대 경상 환자 대상 5개 알고리즘 중 진료 기간 예측에 좋은 성능을 나타낸 알고리즘은 Decison Tree와 Gradient Boosting, XGBoost 등 3가지였다. 그리고 진료 기간 예측에 영향을 미치는 요인 분석 결과, 병원의 종류(한방병원) 진료 지역(광주, 전남, 전북), 나이, 성별(남성) 순이었다.
그리고, 진료 기간 예측 성능평가 지표는 <표 5>과 같이 정밀도, 재현율 및 F1 점수를 사용하였다. 진료 기간에 영향을 미치는 요인 분석은 Wise Prophet에서 제공되는 변수 간 상관관계 분석 기능을 이용하였다.
10일이며, 중간값도 10일이었음)하였다. 한편, 진료 기간 예측 및 진료 기간에 영향을 미치는 요인 분석을 신속하고 효율적으로 수행하기 위해 머신러닝 기반의 AutoML(WiseProphet)을 활용하였다. <표 4>와 같이 WiseProphet(http://prophet.

성능/효과

본 연구를 통해 머신러닝 기법을 활용하여 자동차보험 사고 40대～50대 경상 환자 대상 5개 알고리즘 중 진료 기간 예측에 좋은 성능을 나타낸 알고리즘은 Decison Tree와 Gradient Boosting, XGBoost 등 3가지였다. 그리고 진료 기간 예측에 영향을 미치는 요인 분석 결과, 병원의 종류(한방병원) 진료 지역(광주, 전남, 전북), 나이, 성별(남성) 순이었다. 진료 기간 11일 미만 예측률이 진료 기간 11일 이상 예측률보다 높았다.
본 연구를 통해 머신러닝 기법을 활용하여 자동차보험 사고 40대～50대 경상 환자 대상 5개 알고리즘 중 진료 기간 예측에 좋은 성능을 나타낸 알고리즘은 Decison Tree와 Gradient Boosting, XGBoost 등 3가지였다. 그리고 진료 기간 예측에 영향을 미치는 요인 분석 결과, 병원의 종류(한방병원) 진료 지역(광주, 전남, 전북), 나이, 성별(남성) 순이었다. 진료 기간 11일 미만 예측률이 진료 기간 11일 이상 예측률보다 높았다.

후속연구

학문적으로는 대규모 데이터를 활용·분석하여 연구결과의 일반화를 추구하였으며 머신러닝 기술 및 성능 비교를 위한 5개 알고리즘을 제공하는 AutoML을 활용하는 손쉬운 연구방법을 제시하였다. 본 연구 결과가 자동차보험 사고 진료비를 겸강 시키는 정책에 기초 정보로 활용되기를 기대한다.
그리고 진료 기간 예측에 영향을 미치는 요인 분석 결과, 병원의 종류(한방병원) 진료 지역(광주, 전남, 전북), 나이, 성별(남성) 순이었다. 한편, 본 연구를 진행하면서 자동차보험 사고 한방 40대~50대 경상 환자로 제한하여 연구를 진행하였는데, 향후에는 한·양방 진료 및 전 연령대로 그 대상을 확대하여 진행할 계획이다. 학문적으로는 대규모 데이터를 활용·분석하여 연구결과의 일반화를 추구하였으며 머신러닝 기술 및 성능 비교를 위한 5개 알고리즘을 제공하는 AutoML을 활용하는 손쉬운 연구방법을 제시하였다.

참고문헌 (10)

서울대학교 산학협력단, 자동차보험 심사 효과분석 및 발전방안 수립, 2020.？
송윤아, 자동차보험 한방진료비 급증과 안정화 방안, 2016.？
전용석, 경제환경 변화와 자동차보험 경상환자 과잉진료, 2022.？
윤창용, 인공신경망을 이용한 교통사고 건수 예측, 2021.？
도로교통공단, 교통사고분석시스템, 2022.？
건강보험심사평가원, 2021년 자동차보험 진료비 통계, 2021.？
Ghaemmaghami, M. L., Sperry, J. L., Gunst, M. A., & Friese, R. S. (2019). Predicting length of stay in trauma patients: A machine learning approach. The American Journal of Surgery, 218(1), 24-30.？
Adeleke, I. F., Adebiyi, M. O., & Adekunle, O. B. (2018). Predicting the length of hospital stay of road traffic accident victims: A comparative study between regression analysis and decision tree techniques. Journal of Public Health, 26(4), 375-382.？
Almuheidi, S., Alaklabi, A., Miroshnichenko, A., & Almutairi, A. (2021). Prediction of hospital stay in acute traumatic brain injury: A machine learning approach. Journal of Head Trauma Rehabilitation, 36(1), E31-E37.？
Abujaber, M. A. F., Al-Majali, O., Azab, M., Ababneh, B., Alqasrawi, O., Abusamak, M., Al-Hadidi, D., & Al-Mousa, D. (2020). Predictors of prolonged hospital stay following a motor vehicle crash: A systematic review and meta-analysis. Injury Epidemiology, 7(1), 50.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

머신러닝 기반의 자동차보험 사고 환자의 진료 기간 예측 기술
Machine Learning-Based Prediction Technology for Medical Treatment Period of Automobile Insurance Accident Patients 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (17)

표/그림 (17)

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

참고문헌 (10)

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

원문 URL 링크

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

머신러닝 기반의 자동차보험 사고 환자의 진료 기간 예측 기술 Machine Learning-Based Prediction Technology for Medical Treatment Period of Automobile Insurance Accident Patients 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (17) 모든 표/그림 보기

표/그림 (17) 슬라이드로 보기

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

참고문헌 (10)

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

원문 URL 링크

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

머신러닝 기반의 자동차보험 사고 환자의 진료 기간 예측 기술
Machine Learning-Based Prediction Technology for Medical Treatment Period of Automobile Insurance Accident Patients 원문보기

초록
AI-Helper

표/그림 (17)

표/그림 (17)

AI 본문요약
AI-Helper