---
type: paper
slug: inwoo-tae-2025-ml-high-cost-patients
title: Machine learning for disease-specific prediction of high-cost patients
authors:
  - '[[inwoo-tae]]'
  - '[[junghyelee]]'
year: 2025
venue: '[[engineering-applications-of-artificial-intelligence]]'
volume: '161'
pages: '112200'
doi: 10.1016/j.engappai.2025.112200
categories:
  - '[[medical-ai]]'
  - '[[health-economics]]'
methods:
  - '[[disease-specific-ml]]'
  - '[[tiered-prediction]]'
themes:
  - '[[high-cost-patient-prediction]]'
  - '[[healthcare-resource-allocation]]'
  - '[[disease-heterogeneity]]'
aliases: []
last_updated: '2026-05-17T21:30:00+09:00'
---
# Machine learning for disease-specific prediction of high-cost patients

*[[inwoo-tae]], [[junghyelee]] (2025)* · [[engineering-applications-of-artificial-intelligence]] 161:112200 · [DOI ↗](https://doi.org/10.1016/j.engappai.2025.112200)

> *질병 별 (disease-specific) 고비용 환자 예측* — *aggregate (질병 무관) 접근* 대비 *AUC 개선* (DMS 근골격계 +0.090, DCS 순환계 +0.025). 한국 NHIS 880,000 명 (2015-2019). 핵심 발견: *질병 별 임상 지표 (BMI for 근골격계, hemoglobin for 순환계) 가 historical cost 보다 더 예측력 우월*. [[junghyelee]] 의 *실타래 3 (Healthcare AI) 의 2025 작업* — pre-COVID 데이터 *tiered 접근* 제안.

- **RQ**: *Aggregate* 고비용 환자 예측 vs *disease-specific* 예측의 정확도 차이는? 어떤 질병이 *predictable* 한가?
- **방법론**: Disease-specific ML models + aggregate baseline 비교. 질병 별 *clinical indicator* 의 importance 분석
- **데이터**: 한국 NHIS 880,000 명 (2015-2019, pre-COVID)
- **주요 발견**: (1) **Disease-specific > aggregate**: DMS (근골격계) AUC +0.090, DCS (순환계) +0.025. (2) **질병 별 clinical indicator 가 historical cost pattern 보다 우월** — BMI (근골격계), hemoglobin (순환계). (3) DDS, DRS 등 일부 질병은 *predictability 낮음* — diagnostic protocol 우선. (4) Tiered approach 권장.
- **시사점**: *Healthcare resource allocation* 의 *differentiated 전략*. Predictable 질병 (DMS, DCS) 은 *disease-specific model*, predictable 낮은 질병은 *diagnostic enhancement* 우선.

## 요약

이 paper 는 [[junghyelee]] 의 *3 기 SNU TEMEP 의 *의료 AI + 정책 분석*. [[inwoo-tae]] (제 1 저자) 와의 협업. [[junghye-lee-2018-data-driven-hypertension-prevention]] (data-driven hypertension) 의 *고비용 환자 예측 확장*.

방법론적 핵심: *Disease-specific vs Aggregate 비교 framework*. 5 질병 categories — DMS (근골격), DCS (순환), DDS (소화), DRS (호흡), 기타. 각 disease 별 *별도 ML model* 학습 vs *aggregate (질병 무관)* baseline.

핵심 발견 (정량):
- **DMS** (근골격계 — 디스크, 관절염 등): AUC +0.090 (disease-specific > aggregate)
- **DCS** (순환계 — 고혈압, 뇌졸중 등): AUC +0.025
- 핵심 predictor — *질병 별 clinical indicator*: BMI (DMS), hemoglobin (DCS). *Historical cost pattern (지속성 가정)* 보다 우월.
- DDS, DRS: predictability 자체가 낮음 — *진단 강화* 우선

*Conventional assumption challenge*: 기존 *cost persistence (이전 고비용 → 다음 고비용)* 가정이 *모든 질병에 통하지 않음*. 일부 질병 (DMS) 은 *현재 임상 지표* 가 더 정확.

정책 함의: *Tiered approach*:
- DMS, DCS (predictable + improvable): disease-specific model 배포
- DDS, DRS (less predictable): diagnostic enhancement

[[junghyelee]] 의 *연구 궤적* 안에서 이 paper 는 *실타래 3 (Healthcare AI) 의 2025 작업* — pre-COVID 데이터 + tiered allocation.

## 핵심 결과

| 질병 | AUC 개선 (disease-specific vs aggregate) | 핵심 indicator |
|---|---:|---|
| **DMS (근골격)** | **+0.090** | **BMI** |
| **DCS (순환)** | **+0.025** | **hemoglobin** |
| DDS (소화) | 작음 | — (predictability 낮음) |
| DRS (호흡) | 작음 | — |

- N=880,000 (한국 NHIS, 2015-2019 pre-COVID)
- Tiered approach 권장

## 방법론 노트

Disease-specific ML:

```
For each disease d in {DMS, DCS, DDS, DRS, ...}:
  Train ML model M_d on disease-d patients
  Predict high-cost label
  
Aggregate baseline:
  Train single M_aggregate on all patients
  Predict high-cost regardless of disease
```

비교 metric: AUC, precision, recall.

식별 가정: (i) Disease label 의 *명확한 정의*, (ii) Sample size per disease *충분*, (iii) Pre-COVID 패턴의 *현재 적용성*.

## 연구 계보

이 paper 는 (i) [[junghye-lee-2018-data-driven-hypertension-prevention]] 직접 선행, (ii) Healthcare cost prediction literature, (iii) Disease heterogeneity 의 ML 응용 — 의 결합. [[junghyelee]] 의 *연구 궤적* *실타래 3 의 2025 작업*.

## See also

- [[junghyelee]]
- [[inwoo-tae]]
- [[disease-specific-ml]]
- [[high-cost-patient-prediction]]
- [[medical-ai]]
- [[engineering-applications-of-artificial-intelligence]]
- [[junghye-lee-2018-data-driven-hypertension-prevention]]