목적: 전 세계 병원에서 입원 환경 내 임상적 악화(clinical deterioration)가 발생하는 일은 중대한 의료 부담을 초래한다. 이러한 경우 신속한 임상적 개입은 핵심 과제가 된다. 본 연구에서는 고차원 순차 데이터(high-dimensional sequential data)를 내삽(interpolate)하는 종단 간(end-to-end) 딥러닝 아키텍처를 제안하여 임상적 악화 사건의 조기 탐지를 위한 방법을 제시한다. 재료 및 방법: 우리는 악화 사건(deterioration events) 탐지 문제를 두 단계로 고려한다. 즉, 사건 발생 이전 상태인 ‘detection’ 상태를 예측하고, 이어서 탐지 시간으로부터 사건(event)을 예측한다. 본 접근은 다변량 시계열(multivariate time-series)에서 다중 예측을 위한 공유 모델을 사용하여 여러 예측 과제 간의 관련성(task relatedness)을 함께 학습하는 다중 과제 학습(multi-task learning) 전략과 함께 듀얼 채널 그래프 어텐션 네트워크(dual-channel graph attention networks)를 개발하는 것을 포함한다. 결과: 실험은 중환자실(ICUs)에서 수집한 두 개의 임상 시계열 데이터셋에서 수행되었다. 본 모델은 수신자 조작 특성 곡선 아래 면적(area under the receiver operating characteristic curve, AUROC) 및 정밀도-재현율 곡선 아래 면적(area under the precision-recall curve, AUPRC) 측면에서 다른 최신(state-of-the-art) 방법들과 비교할 때 성능 잠재력을 보여주었다. 논의: 제안된 듀얼 채널 그래프 어텐션 네트워크는 다변량 시계열의 특성(feature) 및 시간(time) 영역에서의 상관관계를 명시적으로 학습할 수 있다. 또한 제안된 목적함수는 다중 과제 학습에서 과제 간 관계를 학습하는 문제와 과제 불균형 효과를 감소시키는 문제를 모두 처리할 수 있다. 결론: 제안된 프레임워크 아키텍처를 적용하면 입원 내 악화 사건의 조기 탐지(early detecting)를 구현하는 데 도움이 될 수 있다.

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