본 연구는 대퇴직근(RF) 근육과 임상 정보와 관련된 범주형/수치형 특성을 사용하여, 전단파 탄성영상(shear-wave elastography, SWE) 및 회색조 초음파검사(gray-scale ultrasonography, GSU)로부터 수치형 특징을 융합함으로써 근감소증(sarcopenia) 예측 모델을 개발하고 평가하고자 하였다. 두 코호트(개발, 건강한 대상 70명; 평가, 환자 81명)는 모두 초음파검사(SWE 및 GSU)와 전산화단층촬영(computed tomography)을 시행하였다. 근감소증은 전산화단층촬영으로부터 계산한 골격근 지수(skeletal muscle index)로 판정하였다. 임상 및 초음파 측정치는 최소 절대 수축 및 선택 연산자(least absolute shrinkage and selection operator, LASSO) 정규화를 사용한 선형 회귀 모형을 통해 근감소증을 예측하는 데 활용하였다. 또한 임상 및 초음파 특징을 특성 수준(feature level)과 점수 수준(score level)에서 결합하여 근감소증 예측 성능을 향상시키고자 하였다. LASSO의 정확도는 임상 70.57 ± 5.00-81.54 ± 4.83, 초음파 69.00 ± 4.52-69.73 ± 5.47이었다. 임상 및 초음파의 특성 수준 융합(정확도, 70.29 ± 6.63 및 83.55 ± 4.32)은 임상 특징과 유사한 성능을 보였다. AdaBoost에 의한 점수 수준 융합은 개발 및 평가 코호트 각각에서 최상의 성능(정확도, 73.43 ± 6.57-83.17 ± 5.51)을 나타냈다. 본 연구는 기계학습 융합 기법이 근감소증 예측 모델의 정확도를 향상시키고, 근감소증 환자에서의 임상적 의사결정을 개선할 잠재력이 있음을 시사할 수 있다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.