배경: 동정맥루(AVF) 폐색은 혈액투석 환자에서 혈관 접근 실패의 주요 원인으로 남아 있다. 고위험 환자를 조기에 식별하면 합병증을 예방하고 예후를 개선하는 데 도움이 될 수 있다. 방법: 본 후향적 코호트 연구에는 2015년부터 2025년까지 대구가톨릭대학교병원에서 동정맥루를 조성한 성인 환자 1,498명이 포함되었다. 임상, 수술 및 검사실 변수를 사용하여 동정맥루 폐색을 예측하기 위한 기계학습(ML) 모형을 개발하였다. 다섯 가지 알고리즘—LightGBM, CatBoost, XGBoost, Random Forest, 로지스틱 회귀—을 층화 5-겹 교차검증을 통해 학습하고 평가하였다. 모형 성능은 수신자조작특성 곡선(ROC) 아래 면적(AUC), 정확도, 민감도, 특이도 및 보정(calibration)을 사용하여 평가하였다. 변수 중요도 해석을 위해 SHAP(Shapley Additive Explanations) 분석을 이용하였다. 결과: 1,498명의 환자 중 381명(25.4%)이 동정맥루 폐색을 경험하였다. LightGBM이 가장 우수한 성능을 보였으며(AUC = 0.887, 정확도 = 0.858, 특이도 = 0.950), 그다음으로 CatBoost(AUC = 0.882)와 XGBoost(AUC = 0.879)가 뒤를 이었다. 보정 분석은 예측 결과와 관찰 결과 간의 강한 일치를 보여주었다. SHAP 분석에서는 페리틴, 혈색소, 호중구 비율, C-반응단백질이 가장 영향력 있는 예측 인자로 확인되어 염증과 혈액학적 상태가 동정맥루 실패에 중요한 역할을 함을 시사하였다. 결론: 경사 하강(gradient boosting) 기반 기계학습 모형, 특히 LightGBM과 CatBoost는 일상적인 임상 데이터를 사용하여 동정맥루 폐색을 정확히 예측한다. 설명 가능한 AI 방법은 해석 가능성을 향상시켜 고위험 환자의 조기 식별을 가능하게 하며, 혈액투석 진료에서 정밀 혈관 접근 관리에 기여할 수 있다.

: 그래디언트 부스팅 기반 ML 모델, 특히 LightGBM과 CatBoost는 일상적인 임상 데이터를 사용하여 AVF 폐색을 정확하게 예측한다. 설명가능한 AI 방법은 해석 가능성을 높여, 고위험 환자를 조기에 식별할 수 있게 하며, 혈액투석 치료에서 정밀한 혈관 접근 관리에 기여한다.