배경: 신체 외상과 관련된 사망은 사회에 큰 부담을 준다. 신체 외상 환자에서 사망 위험을 추정하는 것은 치료 효율을 향상시키고 이 부담을 줄이는 데 중요하다. 가장 널리 사용되고 정확한 모델은 해부학적 손상 중증도 채점 체계인 Abbreviated Injury Scale (AIS)에 기반한 Injury Severity Score (ISS)이다. 그러나 AIS는 환자의 의무기록을 검토하여 손상 척도를 코딩해야 하므로, 모든 병원에 이를 적용하는 것은 불가능하다. 목적: 본 연구는 International Classification of Diseases 10th Revision (ICD-10), 중증도 분류(triage) 척도, 처치(시술) 코드 및 기타 임상적 특징을 이용하여 신체 외상 환자에서 입원 중 사망을 예측하는 인공지능(AI) 모델을 개발하고자 하였다. 방법: 2016년부터 2019년까지 400개 이상의 병원에서 수집된 한국 응급실 정보시스템(National Emergency Department Information System, NEDIS) 데이터 세트(N=778,111)를 사용하였다. 입원 중 사망 예측을 위해 다음을 입력 특징으로 사용하였다: ICD-10, 환자 연령, 성별, 의도성(intentionality), 손상 기전(injury mechanism), 응급 증상(emergent symptom), Alert/Verbal/Painful/Unresponsive (AVPU) 척도, Korean Triage and Acuity Scale (KTAS), 그리고 처치 코드(procedure codes). 5-폴드 교차검증을 통해 심층 신경망 앙상블(ensemble of deep neural networks; EDNN)을 제안하고, 전통적 예측 모델을 포함한 다른 최신 기계학습 모델과 비교하였다. 또한 특징의 효과를 추가로 분석하였다. 결과: 모든 특징을 사용한 제안된 EDNN은 수신자 조작 특성 곡선(ROC) 아래 면적(AUROC) 0.9507로 가장 높은 성능을 보였으며, 다음과 같은 전통적 예측 모델을 포함하여 다른 최신 모델들을 능가하였다: Adaptive Boosting (AdaBoost; AUROC 0.9433), Extreme Gradient Boosting (XGBoost; AUROC 0.9331), ICD 기반 ISS (포함 모델의 AUROC 0.8699 및 배제 모델의 AUROC 0.8224), 그리고 KTAS(AUROC 0.1841). 또한 모든 특징을 사용한 경우, 어떤 다른 부분 특징 조합보다 높은 AUROC를 보였는데, 구체적으로는 ICD-10만 사용한 EDNN(AUROC 0.8964)과 ICD-10을 제외한 특징을 사용한 EDNN(AUROC 0.9383)보다 우수하였다. 결론: 모든 특징을 사용한 제안된 EDNN은 전통적인 진단 코드 기반 예측 모델 및 분류(triage) 척도를 포함하여 다른 최신 모델들보다 뛰어난 성능을 보였다.
*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.