Transferable Self-Harm Surveillance from Emergency Department Triage Notes Using an Evidence-Augmented Machine Learning Approach

자해는 주요 공중보건 문제이지만, 병원 내원 자료에 의존하는 현행 감시 체계는 진단 코드의 낮은 민감도로 인해 부적절하다.

응급실 진단 코드는 자해 사례를 놓치기 쉬워, 첫 접촉 때 작성되는 짧은 분류 기록을 감시에 활용할 필요가 있다. 이 연구는 LLM으로 민감하게 후보를 거르고, 자해 근거를 구조화해 뽑은 뒤, 원문과 근거를 지도 분류기에 넣는 세 단계 방식을 만들었다. 호주 세 병원에서 내부와 외부 검증 AUPRC는 각각 0.887±0.016과 0.884±0.012였다. 시간 순서에 따른 평가에서도 개발 병원 0.881±0.008, 별도 재학습 없는 두 외부 병원 0.879±0.012와 0.816±0.015를 기록했고 주요 자해 방법은 95% 정확도로 구분했다. 다만 한 주의 세 병원과 한 LLM만 사용한 후향 연구이며, 실제 감시 배포 전에는 다른 의료 체계에서 임상 검증이 더 필요하다.

핵심 요약

• 이 접근법은 내부 및 외부 검증에서 각각 0.887 ± 0.016과 0.884 ± 0.012의 AUPRC를 보였다.
• 전향적으로는 개발 기관에서 0.881 ± 0.008의 AUPRC를 달성했으며, 기관별 재학습 없이 두 외부 기관에서 각각 0.879 ± 0.012와 0.816 ± 0.015를 달성했다.
• 이 접근법의 핵심 장점은 주요 자해 방법을 95%의 정확도로 식별할 수 있어, 이진 분류를 넘어선 더 세분화된 감시를 지원한다는 점이다.

논문 링크

외부 연구를 정리한 자료입니다. HDATF가 발표한 논문이나 제품 성능을 측정한 결과는 아닙니다.