From Prediction to Structure: Causal Discovery for 30-Day Readmission Prediction

Motivation

• Known: EHR 데이터를 활용한 30일 재입원 예측은 딥러닝, RNN, attention 기반 모델 등 다양한 tabular ML 기법으로 활발히 연구되어 왔으며, LACE index 같은 임상 baseline과 비교해 높은 예측 성능을 달성할 수 있음이 알려져 있다. 또한 causal graphical model과 discovery 알고리즘이 진단 지원, 바이오마커 분석, 신경영상 등 헬스케어 여러 분야에서 상관관계를 넘어선 설명과 개입 지향 모델링에 활용되어 왔다.
• Gap: 기존 재입원 예측 연구는 대부분 상관관계 기반(correlational)으로 어떤 환자가 재입원할지 예측하는 데 집중하며, 위험이 왜 발생하는지 또는 어떤 요인이 인과적으로 관련 있는지에 대한 통찰을 거의 제공하지 못한다. 특히 관측 데이터에서는 confounding, selection bias, 측정 아티팩트가 흔하여 통계적 연관성이 곧 인과관계를 의미하지 않음에도, 동일한 EHR 재입원 코호트에서 여러 causal discovery 방법을 비교하여 안정적 구조를 복원하는지 검토한 연구는 부재했다.
• Why: 30일 재입원은 미국 의료 품질 모니터링 및 상환(reimbursement) 프로그램에서 핵심 지표로 사용되며, 위험 요인의 구조적·인과적 이해는 조기 식별을 넘어 예방 가능한 재입원을 줄이기 위한 개입(intervention) 설계로 이어질 수 있는 실질적 임상 함의를 가진다.
• Approach: 본 논문은 tabular ML 모델 벤치마킹, SHAP 기반 변수 중요도 분석, 그리고 고정된 변수 부분집합에 대한 다중 causal discovery 방법(NOTEARS, FCI, DECI) 적용을 순차적으로 결합하는 파이프라인을 통해 30일 재입원 위험의 구조적 뷰를 얻고자 한다.

Achievement

Causal discovery results on the top-10 SHAP-selected features for NOTEARS (left), FCI (middle), and DECI (right). Across

1. Tabular 모델 벤치마크: Logistic Regression, Random Forest, XGBoost, LightGBM, CatBoost, TabPFNv2를 LACE-only 및 전체 feature set(50개 변수)에서 비교하여, 전체 feature set이 LACE-only baseline보다 큰 폭으로 우수하며 tree 기반 모델(특히 Random Forest)이 가장 강력한 예측 성능(F1 0.836, AUC 0.907)을 보임을 확인했다.
2. SHAP 기반 변수 해석: 최상위 tree 기반 예측기에서 SHAP attribution을 통해 Physical Status, Length, LACE score, Comorbidity, Age 등 핵심 변수들을 식별했다.
3. 비교 causal discovery 분석: score-based(NOTEARS), constraint-based(FCI), probabilistic(DECI) 세 방법을 고정된 SHAP 선택 top-5/top-10 feature subset에 적용하고, 연령대별(age-stratified) robustness 분석까지 수행하여 예측·인과·subgroup 분석 전반에서 일관된 핵심 변수 집합이 구조적으로 중요함을 보였다.

How

SHAP summary plot for the Random Forest model on

• MIMIC-IV v3.1 데이터를 활용해 patient-/admission-level 정보를 병합하고 LACE index를 계산, COP-E-CAT 변수로 코호트를 보강하여 정적(static) 56,300 샘플, 50개 feature의 i.i.d. 코호트를 구성
• 80/20 train/test split으로 6개 tabular 모델을 LACE-only와 full feature set 두 조건에서 학습·평가(F1, ROC AUC), TabPFNv2는 데이터 크기 제한으로 10,000개 샘플만 사용
• 가장 성능이 좋은 tree 기반 모델에서 SHAP attribution을 계산해 영향력 있는 변수의 top-5, top-10 고정 subset 정의
• 해당 subset에 nonlinear NOTEARS, FCI(RCIT 사용), DECI를 적용하여 causal graph를 도출하고 방법 간 비교 및 연령 그룹별 robustness 분석 수행

Originality

• 단일 방법론이 아니라 예측 모델링(SHAP 기반 해석 포함)과 세 가지 상이한 가정(구조적 잠재 confounding, 그래프 방향성, 구조적 불확실성)을 가진 causal discovery 방법(NOTEARS, FCI, DECI)을 동일 EHR 재입원 코호트에 나란히 적용하여 비교한 최초 시도 중 하나
• CARE-30, Marafino et al. 등 기존 연구가 단일 causal discovery 방법을 예측 모델에 통합하거나 인과효과 추정과 분리해서 다룬 것과 달리, 본 연구는 여러 causal discovery 방법을 비교하며 예측·인과·subgroup(연령) 분석 전반에 걸친 구조적 일관성을 검증
• COP-E-CAT 전처리 파이프라인을 정적(static) 설정으로 적응시켜 재사용 가능한 i.i.d. 코호트를 구성

Limitation & Further Study

• Causal discovery 결과는 관측 데이터 기반 구조 추정에 그치며, 실제 인과효과 추정이나 개입(intervention) 검증 실험 없이 탐색적(exploratory) 수준에 머물러 있어 임상적 실행 가능성 검증이 부족함
• SHAP 기반 변수 선택은 예측 모델에 의존적이므로 causal discovery 입력이 예측 모델의 편향(bias)을 그대로 반영할 위험이 있으며, 고차원 전체 feature space가 아닌 고정된 소규모 subset에서만 causal discovery를 수행해 잠재적으로 중요한 confounder가 누락될 수 있음
• 후속 연구로는 identified 핵심 변수(Physical Status, LACE score, Comorbidity, Age 등)에 대한 실제 인과효과 추정 및 개입 시뮬레이션, 다기관·다시점 데이터에 대한 외적 타당성 검증이 필요함

Evaluation

총평: 예측 모델링과 causal discovery를 결합해 30일 재입원 위험의 구조적 이해를 도모한 흥미로운 탐색적 workshop 논문이나, 실제 인과효과 검증이나 개입 실험 없이 구조 복원에 그쳐 후속 연구를 위한 초기 단계 성격이 강하다.