선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- [그림 1]의 첫 단계에서 4가지 방법(Under Sampling, Over Sampling, SMOTE를 이용한 Over Sampl ing, 이상치를 이용한 Under Sampling)을 통한 범주 균형 조건이란 것 은, 다수 범주와 소수 범주의 수를 50:50의 균형을 맞추 는 조건뿐만 아니라, 66:34, 75:25, 80:20, 90:10 등 변화를 다양하게 하여 각각 5가지 경우를 고려하였다. 두 번째 단계인 오분류 비용의 변화 조건은 바로 의사결정 나무 분석의 장점 중 하나인 오분류 비용을 조정하여, 오 분류가 된 진료 건에 가중치를 주어서, 데이터 불균형 문제를 해결하고자 하는 것이다.[표 2]의 FN:FP 비가 1:1 이 아니고 다른 경우가 바로 오분류 비용의 가중을 주는 것을 의미한다.
- , 1998)나 부정한 사기 전화 통화 문제 에 관한 사례 (Fawcett and Provost, 1996), Text(문자)를 해당 문자 그룹 범주에 정확하게 분 류하는 사례(Lewis and Ringuette, 1994) 등 다양한 상황 에서 불균형 데이터 문제는 발생하게 된다. 본 논문에서는 국내의한 종합 병원의 건강보험 심사청구 사례에서 나타난 불균형 데이터 문제 해결 과정을 살펴보기로 한다.
- 본 논문에서는 사례가 되는 국내의한 대형 종합병원 신경외과 CT(Computerized Tomography: 전산화 단중촬영 , 이하 CT) 건 중에서 건강보험심사평가원에서 삭감이 될 수 있는 의료 행위 건을 사전 탐지하는 의사결정나무 모 형을 개발함에 있어, 데이터 불균형의 문제를 해결한 방법을 사례를 소개하고자 하고, 이를 통해서 다른 유사한 사례에서도 적용할 수 있도록 하고자 한다.
- [표 2]의 FN:FP 비가 1:1 이 아니고 다른 경우가 바로 오분류 비용의 가중을 주는 것을 의미한다. 본 논문에서의 관심은 FP 즉, 삭감을 비 삭감으로 예측하는 것을 최대한 줄이려는 것이므로 FP의 오분류 비용을 변화시켜서 최적의 조건을 찾고자 하였다. Under Sampling의 경우에는 아무런 가중을 주지 않는 1:1, 1:3 그리고 1:5 3개의 오분류 비용 조건을 정의하였 고, Over Sampling의 경우에는 1:1, 1:5, 1:10, 1:20 등의 오분류 비용을 주었다.
- 대표적인 2가지 방법 이외에도 2장에서 제시된 것과 같이 다양한 종류의 Sampling 방법들이 제시되었다. 본 사례에서는 현재 소개되어져 있는 주요한 불균형 해소 방 법들을 조합하여 사용하고자 하였다. 즉, 주요한 방법들 을 조합하기 위한 다양한 경우의 수를 생성하고, 이들을 동일한 테스트 데이터를 이용하여, 실험한 다음 가장 효율적인 방법을 선택하고자 하였다.
- 또한 의료 분야 이외에도 불법 카드 사기 및 보험 사기의 경우에도 본 방법을 적용하여, 보다 나은 모형을 생성할 수도 있을 것이다. 본 사례의 병원에서는 데이터 마이닝을 이용한 보험료 청구삭감 판정 시스템을 본 프로젝트로 이행하기 전 효과성 측정을 하기 위하여, 신경외과 CT건에 한하여 Pilot 프로젝트로 수행하였고, 본 논문에서 제시한 것과 같은 성과를 얻었다. 이를 전체 적으로 적용하기 위해서는 시스템화 시키는 것이 필요하 고, 현재 이를 추진하고 있다.
- 본 연구에서는 데이터 마이닝의 지도 학습 기법인 의사 결정나무 분석을 이용하여, 병원의 상시 업무인 보험료 심사 업무를 줄이고, 효율을 높일 수 있는 방법을 제시하고 있다. 특히 그 중에서도, 데이터의 불균형으로 의사결 정나무 분석을 제대로 활용 못하는 부득이한 상황에서, Sampling과 오분류 비용 등의 다양한 불균형 해소 기법의 조합을 통하여, 가장 효율적이고, 안정성 있는 모형을 찾 아내는 방법을 제시하고자 하였다.
- 이는 원 데이터 구조를 그대로 유지하면서, 오 분류에 가중치를 두어, 데이터의 불균형을 해소하고자 하는 방법이다. 오분류 비용의 조정은 의사결정나무 분석 기법에서만 사용이 가능한 것이라고 할 수 있고, 그 외 로지스틱 회귀분석 등의 기법에서는 목적변수에 가중치를 달리 주어 분류가 되는 기준을 변화시켜 불균형한 데이터의 문제를 해소하고자 하였다. 또한 Christianini and Shawe-Taylor (Christianini and Shawe-Taylor, 2000)도 오분류 비용의 조정에 따른 불균형 데이터의 성능 향상을 언급하였、다.
- 병원은 전체 의료비 중 보험료 해당 금액을 건강보험 관리공단에 청구를 하여 , 그 금액을 받게 되는데, 금액을 받기 전 의료기관(병 원)은 의료행위에 대한 내역을 일정 양식 및 자료 파일화 하여, 건강보험심사평가원에서 과다 진료 및 부당 청구 심사를 받은 후 심사가 완료된 의료/투약 행위 건에 대하 여, 최종적으로 보험금을 받게 된다. 이런 심사 청구 과 정은 불필요한 검사나 진료, 투약 행위 등 부당 의료행위 로 인한 환자의 부담을 가중시키는 것을 사전 차단하여, 올바른 의료 서비스가 정착하는데 목적이 있다.(건강보험 심사평가원, 2006) 이 과정에서 특히 대형 종합병원은 건 강보험심사 평가원에 월 1회 청구를 하기 전 자체적으로 보험료 청구 대상인 의료행위 전부에 대하여 사전 심의 및 정리를 하는 팀 또는 부서를 운영하여, 사전에 과잉/ 부당 의료행위를 방지하고, 또한 환자 및 질병의 특성에 따라 건강심사평가원의 기준에 적발될 수 있는 의료행위에 설명 및 특별 자료를 첨부하여, 합법적인 진료비의 청 구를 진행하고, 가급적 청구된 보험료가 삭감되지 않도록 하고 있다.
- 제외의 방법으로는 K-평균 군집거리를 이용하여, 다 수 범주의 군집 중심보다는 소수 범주의 군집 중심에 가 까운 다수 범주 건들을 제외하는 방법을 이용하였다. 이렇게 다양한 방법의 조합을 이용하여, 가장 본 사례에 적합한 모델링 방법을 찾는 것이 본 논문의 목적이라고 할 수 있다. 본 사례에서 사용한 분석 프로세스는[그림 1] 과 같다.
- 본 사례에서는 현재 소개되어져 있는 주요한 불균형 해소 방 법들을 조합하여 사용하고자 하였다. 즉, 주요한 방법들 을 조합하기 위한 다양한 경우의 수를 생성하고, 이들을 동일한 테스트 데이터를 이용하여, 실험한 다음 가장 효율적인 방법을 선택하고자 하였다. 본 사례에서 사용한 방법의 종류는 다음과 같다.
- 본 연구에서는 데이터 마이닝의 지도 학습 기법인 의사 결정나무 분석을 이용하여, 병원의 상시 업무인 보험료 심사 업무를 줄이고, 효율을 높일 수 있는 방법을 제시하고 있다. 특히 그 중에서도, 데이터의 불균형으로 의사결 정나무 분석을 제대로 활용 못하는 부득이한 상황에서, Sampling과 오분류 비용 등의 다양한 불균형 해소 기법의 조합을 통하여, 가장 효율적이고, 안정성 있는 모형을 찾 아내는 방법을 제시하고자 하였다. 본 논문에서 제시한 불균형 해소 방법을 다른 종합/개인 병원이나, 신경외과 의 CT 이외에 다른 진료과 분야에도 활용할 수 있을 것으로 판단된다.
가설 설정
- ① 기본적으로 심사 업무량을 30% 이하로 줄일 것. (제 1종 오류의고정)
- ② 기본 심사 업무량이 30% 이상 줄어 있는 경우에서 최고의 정확도를 가질 것
※ AI-Helper는 부적절한 답변을 할 수 있습니다.