임계값 설정을 통한 근치적 위절제술 후 합병증 발생 예측 모델의 성능 평가

• 영문명: Performance of a Model to Predict Complication Occurrence after Radical Gastrectomy according to Thresholds
• 발행기관: 한국스마트미디어학회
• 저자명: 임수연(Suyeon Lim) 최자윤(Ja Yun Choi)
• 간행물 정보: 『스마트미디어저널』제14권 제10호, 9~15쪽, 전체 7쪽
• 주제분류: 공학 > 컴퓨터학
• 파일형태: PDF
• 발행일자: 2025.10.30

국문 초록

근치적 위절제술 후 합병증은 환자의 회복을 방해하고 예후를 악화시키므로, 이를 사전에 예측하는 것이 중요하다. 본 연구는 4,892명의 전자의무기록 데이터를 활용하여 근치적 위절제술 후 합병증을 예측하는 랜덤포레스트 모델을 개발하고, 데이터 불균형 문제를 해결하기 위해 임계값을 설정하여 성능을 개선하였다. 연구 결과, 근치적 위절제술 후 합병증 발생률은 17.2%였고 최적의 임계값인 0.31에서 F1 score, 정밀도, 재현율이 향상되었다. 본 연구에서 임계값 설정은 의료 데이터와 같이 불균형이 심한 데이터에 활용되어 예측 모델의 성능을 향상시켰다. 향후 임계값 설정과 더불어 다양한 불균형 처리 기법의 성능 비교가 필요하다.

영문 초록

Postoperative complications after radical gastrectomy hinder patient recovery and worsen prognosis, making early prediction critically important. This study developed a Random Forest model to predict postoperative complications using electronic medical records from 4,892 patients. To address the issue of data imbalance, we adjusted the classification threshold to improve model performance. The results showed that postoperative complications after radical gastrectomy occurred in 17.2% of patients, and that the optimal threshold at 0.31 improved F1 score, precision, and recall, thereby enhancing prediction performance. This study suggests that threshold adjustment plays a crucial role in improving prediction models from medical data with imbalance. Further research is needed to compare the classification threshold with various imbalance handling techniques.

목차

Ⅰ. 서론

Ⅱ. 관련 연구

Ⅲ. 실험

Ⅳ. 결론

REFERENCES

키워드

데이터 불균형 임계값 머신러닝 모델 Data Imbalance Threshold Machine Learning Model