임상 기록을 활용한 익일 퇴원 예측을 위한 자원 효율적인 모델링

Resource-Conscious Modeling for Next- Day Discharge Prediction Using Clinical Notes

정형외과 수술 병동에서 적절한 시기의 퇴원 예측은 병상 회전율을 최적화하고 자원 배분을 효율적으로 하는 데 필수적입니다. 본 연구에서는 경량화되고 미세 조정된 대규모 언어 모델(LLM)과 전통적인 텍스트 기반 모델을 사용하여 수술 후 임상 기록을 바탕으로 익일 퇴원을 예측하는 것이 가능한지 평가했습니다. 우리는 TF-IDF와 XGBoost 및 LGBM, 그리고 LoRA를 통해 미세 조정된 소형 LLM(DistilGPT-2, Bio_ClinicalBERT)을 포함한 13개의 모델을 비교했습니다. TF-IDF와 LGBM이 가장 좋은 균형을 보였으며, 퇴원 클래스에 대한 F1-score는 0.47, 재현율은 0.51, 그리고 가장 높은 AUC-ROC 값(0.80)을 달성했습니다. LoRA는 DistilGPT-2의 재현율을 향상시켰지만, 전반적으로 트랜스포머 기반 모델과 생성 모델은 성능이 저조했습니다. 이러한 결과는 해석 가능하고 자원 효율적인 모델이 실제 임상 예측 작업에서 소형 LLM보다 더 나은 성능을 보일 수 있음을 시사합니다.

Timely discharge prediction is essential for optimizing bed turnover and resource allocation in elective spine surgery units. This study evaluates the feasibility of lightweight, fine-tuned large language models (LLMs) and traditional text-based models for predicting next-day discharge using postoperative clinical notes. We compared 13 models, including TF-IDF with XGBoost and LGBM, and compact LLMs (DistilGPT-2, Bio_ClinicalBERT) fine-tuned via LoRA. TF-IDF with LGBM achieved the best balance, with an F1-score of 0.47 for the discharge class, a recall of 0.51, and the highest AUC-ROC (0.80). While LoRA improved recall in DistilGPT2, overall transformer-based and generative models underperformed. These findings suggest interpretable, resource-efficient models may outperform compact LLMs in real-world, imbalanced clinical prediction tasks.