earticle

영어

This study developed a machine learning-based AI model to predict the probability of visiting emergency room within 30 days for pediatric patients under six years old, using National Health Insurance claims data from 2021 to 2022. Among the four algorithms evaluated, which are Logistic Regression, Decision Tree, Random Forest, and LightGBM, LightGBM showed the best performance with an average accuracy of 0.709. Key predictive variables includes the average number of outpatient prescribed medications, the number of inpatient prescribed medications during the last visit, and medication usage. While the suggested model shows high accuracy as a tool to support efficient allocation and planning of pediatric emergency medical resources, it has several limitations, including temporal restrictions of the data, limited variable scope, and the lack of validation in real-world medical settings. Future research should focus on integrating diverse data sources and exploring additional predictive variables to further enhance the model's accuracy and practical utility.

한국어

본 연구는 2021년∼2022년 건강보험 청구자료를 활용하여 6세 이하 소아 환자의 30일 이내 응급실 방문 가능성을 예측하는 머신러닝 기반 AI 모델을 개발하였다. Logistic Regression, Decision Tree, Random Forest, LightGBM 네 가 지 알고리즘을 평가한 결과, LightGBM 모델이 평균 정확도 0.709로 가장 우수한 성능을 보였다. 주요 변수로는 평균 원외 처방 약품 수, 이전 방문 시 원내 처방약품 수, 약물 사용량 등이었다. 본 연구에서 개발된 모델은 소아 응급의료 자원의 효율 적 배분과 계획 수립을 지원할 수 있는 도구로 활용 가능성을 보여주었으나, 데이터의 시점의 제한성, 변수의 한계, 실제 의료 환경에서의 실용성 검증 부족 등의 몇 가지 한계가 있었다. 따라서, 향후 다양한 데이터 소스를 결합하고, 추가적인 변수 탐색 을 통해 모델의 예측력을 더욱 강화하는 연구가 필요하다.