악성 부정맥(MA)은 심장 근육의 신경 신호 전달에 이상이 발생함으로써 나타나며, 효과적인 임상 관리를 위해서는 정교한 예측 모델이 필요하다. 전통적인 기계학습 모델은 주로 단일 단계 예측에 의존하여, 기저의 부정맥 유발 과정이 갖는 복잡한 시간적 역학을 충분히 반영하지 못한다. 본 논문은 심전도(ECG) 데이터에 내재된 신경 신호 전달 패턴을 모사하고 포착하기 위해 뇌(Brain)에서 영감을 받은 접근법을 활용하는, 악성 부정맥에 대한 최초의 다중 단계 예측 프레임워크를 제안한다. 우리의 프레임워크는 (i) 입력 모듈, (ii) 다중 경로 전파 모듈, (iii) 다중 단계 예측 모듈의 세 가지 핵심 모듈로 구성된다. 다중 경로 전파 모듈에는 신경 정보 처리가 이루어지는 서로 다른 시간 척도를 반영하는 단기 및 장기 경로가 포함된다. 또한 이 모듈 내에 뇌에서 영감을 받은 새로운 정보 처리 단위를 도입한다. 첫째, 국소 및 전역 시냅스 가소성 단위는 시간 컨볼루션 블록과 코사인 유사도 기반 패턴 매칭을 이용하여 ECG의 국소 및 전역 시간 패턴을 추출한다. 처리된 정보는 후속 단위로 전달되며, 동시에 전(前) 및 후(後) 시냅스 뉴런의 뉴로모듈레이션을 모델링하기 위해 설계된 헤브(Hebb) 기반 학습 단위로도 전달된다. 이 단위는 스파이크 및 특징 수준 활성과 연결 강도의 변화까지 모델링한다. 두 개의 벤치마크 데이터셋에서 평가한 결과, 우리의 모델은 단기 및 장기 예측 과제 모두에서 기존의 최신(state-of-the-art) 모델과 기본(baseline) 다중 단계 모델을 능가한다. 이러한 결과는 정밀한 부정맥 중재를 위한 견고한 임상 도구로서 우리의 모델이 지닐 수 있는 잠재력을 보여줄 뿐 아니라, 다른 응용 분야에서의 다중 단계 예측 발전을 위한 유의미한 통찰을 제공한다. • 심장 시스템에서의 신경 신호 전달 패턴을 위한 새로운 프레임워크를 제안한다. • 심전도에 기반한 새로운 뇌에서 영감을 받은 예측 모델을 제안한다. • 우리의 모델은 단기 및 장기 예측을 위해 차별화된 단위 조합을 사용하였다. • 본 논문은 단기 및 장기 예측 과제에서 우수한 성능 결과를 보여준다.

배경: 심정지(CA)는 중환자실(ICU) 환자에서 사망의 주요 원인 중 하나이다. 심정지를 예측하기 위해 민감도가 높은 여러 CA 예측 모델이 개발되었음에도 불구하고, 일반화와 검증의 부족으로 인해 실제 적용이 어려웠다. 또한 서로 다른 ICU 하위 유형 간 환자 이질성은 충분히 다루어지지 않았다. 목적: 본 연구는 환자 이질성(다양한 인구집단과 ICU 하위 유형 전반의 변이 포함)과 무관하게 24시간 이내에 심정지를 시의적절하고 정확하게 예측하기 위한 임상적으로 해석 가능한 앙상블 접근법을 제안하는 것을 목표로 한다. 아울러 모델의 일반화 성능을 강조하기 위해 환자 비의존적 평가를 수행하였으며, 임상의가 실시간으로 즉시 채택할 수 있는 해석 가능한 결과를 분석하였다. 방법: 환자는 Medical Information Mart for Intensive Care-IV(MIMIC-IV)와 eICU-Collaborative Research Database(eICU-CRD)의 데이터를 이용하여 후향적으로 분석하였다. 성능 저하 문제를 해결하기 위해, 심정지의 고유한 특성을 포착하기 위해 12시간 창을 사용하고, 활력징후, 다중 해상도 통계 분석, 지니 지수(Gini index)를 기반으로 한 특성 집합으로 우리의 프레임워크를 구성하였다. 각 데이터베이스에서 3종의 특성을 추출하여 MIMIC-IV의 고위험 환자군과 eICU-CRD의 심정지 없는 환자 간 심정지 예측 성능을 비교하였다. 특성 추출 후, 비용 민감 학습(cost-sensitive learning)과 함께 특성 스크리닝(feature screening)을 적용한 표 형태 네트워크(TabNet) 모델을 개발하였다. 실시간 심정지 예측 성능을 평가하기 위해 10-fold 환자-단위 제외(leave-one-patient-out) 교차검증과 교차 데이터셋 방법을 사용하였다. 각 데이터베이스 내에서 다양한 코호트 집단과 ICU 하위 유형에 대해 MIMIC-IV와 eICU-CRD를 평가하였다. 마지막으로, eICU-CRD 및 MIMIC-IV 데이터베이스를 이용한 외부 검증을 수행하여 모델의 일반화 능력을 평가하였다. 제안된 방법의 결정 마스크(decision mask)를 사용하여 모델의 해석 가능성을 포착하였다. 결과: 제안된 방법은 MIMIC-IV와 eICU-CRD 모두에서 다양한 코호트 집단에 걸쳐 기존의 접근법보다 우수한 성능을 보였다. 또한 두 데이터베이스 내의 다양한 ICU 하위 유형에서 기준선(baseline) 모델보다 더 높은 정확도를 달성하였다. 해석 가능한 예측 결과는 비-심정지(non-CA) 집단과 심정지(CA) 집단 간의 통계적 비교로서 기능함으로써 임상의의 심정지 예측에 대한 이해를 향상시킬 수 있다. 이어서, 일반화 능력을 평가하기 위해 MIMIC-IV에서 학습한 모델과 eICU-CRD에서 학습한 모델로 각각 eICU-CRD 및 MIMIC-IV 데이터셋을 시험하였다. 그 결과, 기준선 모델에 비해 우수한 성능이 확인되었다. 결론: 고유 특성을 학습하기 위한 본 새로운 프레임워크는 서로 다른 ICU 환경 전반에서 안정적인 예측력을 제공한다. 대부분의 해석 가능한 전역 정보는 심정지와 비-심정지 집단 간의 통계적 차이를 보여주며, 임상적 의사결정에 대한 지표로서의 유용성을 입증한다. 따라서 제안된 심정지 예측 시스템은 임상적으로 검증된 알고리즘으로서, 심정지 예측 정보를 바탕으로 임상의가 조기에 개입할 수 있게 하며 디지털 헬스 분야의 임상시험에 적용 가능하다.

[이는 해당 논문의 DOI를 정정한 것입니다: .].

배경: 심정지(CA)는 중환자에서 사망의 주요 원인이다. 임상 연구에서는 심정지의 조기 식별이 사망률을 감소시킨다는 점이 입증되어 왔다. 다변량 시계열 데이터를 이용하여 민감도가 높은 수준에서 심정지를 예측할 수 있는 알고리즘이 개발되었다. 그러나 이러한 알고리즘은 오경보율이 높고, 결과를 임상적으로 해석하기 어렵다는 한계가 있다. 목적: 본 연구는 다중해상도 통계적 특징과 코사인 유사도 기반 특징을 활용하는 앙상블 접근법을 제안하여 심정지를 신속하게 예측하고자 한다. 또한 이 접근법은 임상의가 채택할 수 있는 임상적으로 해석 가능한 결과를 제공한다. 방법: 환자들은 Medical Information Mart for Intensive Care-IV 데이터베이스와 eICU Collaborative Research Database의 자료를 이용하여 후향적으로 분석하였다. 심부전으로 진단된 성인에서 24시간 시간 창의 다변량 활력징후를 기반으로 다중해상도 통계적 특징 및 코사인 유사도 기반 특징을 추출하였다. 이러한 특징을 이용하여 그래디언트 부스팅 결정 트리를 구성하고 개발하였다. 따라서 비용 민감 학습을 해법으로 채택하였다. 이후 10-폴드 교차검증을 수행하여 모델 성능의 일관성을 확인하였고, 제안된 모델의 전반적 해석 가능성을 포착하기 위해 Shapley additive explanation 알고리즘을 사용하였다. 다음으로, 일반화 능력을 확인하기 위해 eICU Collaborative Research Database를 이용한 외부 검증을 수행하였다. 결과: 제안된 방법은 수신자 조작 특성 곡선(ROC) 아래 면적(AUROC) 0.86 및 정밀도-재현율 곡선(AUPRC) 아래 면적 0.58의 전체 성능을 보였다. 심정지의 신속한 예측과 관련하여, 제안된 모델은 최대 6시간 전의 심정지 사건 예측에서 AUROC 0.80 이상을 달성하였다. 제안된 방법은 오경보의 수를 감소시키면서도 높은 민감도를 유지하기 위해 정밀도와 민감도를 동시에 향상시켜 AUPRC를 증가시켰다. 이러한 결과는 제안된 모델의 예측 성능이 선행 연구에서 보고된 모델들의 성능보다 우수함을 시사한다. 이어서, 제안된 방법의 임상적 해석 가능성과 관련하여 특징 중요도의 영향을 시연하고, 비-심정지 집단과 심정지 집단 간의 영향을 추론하였다. 마지막으로, 외부 검증을 eICU Collaborative Research Database에서 수행하였으며, 일반 중환자실 인구에서 AUROC 0.74 및 AUPRC 0.44가 도출되었다. 결론: 제안된 프레임워크는 내부 및 외부 검증을 통해 임상의에게 더 정확한 심정지 예측 결과를 제공하고 오경보율을 감소시킬 수 있다. 또한 임상적으로 해석 가능한 예측 결과는 임상의의 이해를 돕는다. 더 나아가, 활력징후 변화의 유사성은 심부전 관련 진단을 가진 환자에서 심정지 예측의 시간적 패턴 변화에 대한 통찰을 제공할 수 있다. 따라서 본 시스템은 일상적인 임상 사용에 충분히 실행 가능하다. 또한, 제안된 심정지 예측 시스템에 관하여, 향후 디지털 헬스 분야에서 임상적으로 성숙한 적용이 개발되어 검증되었다.

의식은 각성(각성도)과 자각(주관적 경험)의 두 구성요소로 정의될 수 있다. 그러나 이러한 두 구성요소를 분리할 수 있는 신경생리학적 의식 지표는 보고된 바가 없다. 본 연구에서는 심층학습을 사용하여 의식의 구성요소를 분리하는 설명 가능한 의식 지표(ECI)를 제안한다. 우리는 수면(n = 6), 전신마취(n = 16), 중증 뇌손상(n = 34)을 포함한 다양한 조건에서 경두개 자기자극에 대한 뇌파(EEG) 반응을 활용한다. 또한 전신마취(n = 15) 및 중증 뇌손상(n = 34)에서 휴식기 EEG를 사용하여 해당 프레임워크를 검증한다. ECI는 생리적, 약리학적, 병리학적 조건에서 각성과 자각을 동시에 정량화한다. 특히, 케타민 유발 마취와 낮은 각성과 높은 자각을 보이는 렘수면은 다른 상태들과 명확히 구별된다. 아울러 각성과 자각의 정량화에 대해 두정엽 영역이 가장 관련성이 큰 것으로 나타난다. 본 지표는 의식이 변화된 상태에서의 신경 상관물에 대한 통찰을 제공한다.

약물학적 및 미생물 기반 수면 조절에 따른 교차 영역 데이터세트에서 피질 EEG 특징과 분변 대사체(metabolomic) 프로파일을 통합하였다. 실험 16마리의 성체 수컷 C57BL/6N 마우스를 무작위로 두 군으로 배정하였고(n=각 8마리), Zolpidem 처리군(ZT)과 Bacillus coagulans IDCC 1201 처리군(BT)으로 나누었다. 매일 경구 투여는 21일 연속 기간 동안 일관된 시간대에 수행하였다. 데이터 획득 EEG 기록과 분변 시료를 두 시점에서 채취하였다. 처리 개시 전(0일차) 및 21일간의 투여 후(21일차) 각각에서, 각 개체에 대해 17:00부터 시작하여 24시간 동안 연속 기록을 수행하였다. 시료 세트는 다음과 같다. 대조군: 모든 마우스에서 0일차에 기록된 시료(n=16). ZT군: Zolpidem 처리 마우스에서 21일차에 기록된 시료(n=8). BT군: B. coagulans IDCC 1201 처리 마우스에서 21일차에 기록된 시료(n=8).

• 불균형 EEG 회귀를 위한 클러스터 인식 정규화기 CenterIR을 제안 • 노인에서 휴식기 EEG로 우울증 중증도 추정을 향상 • 최신 기술 기반(baseline)을 능가하는 안정적인 성능 향상(i) 입증 • λ-민감도 및 손실 소거(loss ablation) 분석을 통해 강건성(robustness) 검증 뇌전도(EEG)를 기반으로 한 정신건강 평가는 비침습적 도구로서 노인에서 우울증 중증도를 정량화하는 데 대한 관심이 점차 증가하고 있다. 그러나 연속형 중증도 예측을 위한 회귀 모델은 특히 불균형 데이터 분포 하에서 제한적이다. 본 연구는 회귀 성능을 향상시키기 위해 새로운 CenterIR 손실을 결합한 심층학습 프레임워크를 제시하며, 여기에는 합성곱 신경망(convolutional neural networks)과 양방향 장단기 기억(bidirectional long short-term memory) 모듈이 포함된다. 휴식기 EEG는 눈뜨기(EO) 및 눈감기(EC) 조건에서 104명의 노인으로부터 기록하였다. 제안 모델은 기준 모델 및 최신 기술 접근법을 능가하였으며, EO에서는 MSE 0.151, MAE 0.231, R² 0.990을, EC에서는 각각 0.270, 0.291, 0.983을 달성하였다. 대응 t-검정 결과 EO 조건에서 유의하게 더 우수한 성능이 나타나, EO 휴식기 EEG가 우울증 중증도를 위한 신뢰할 수 있는 신경 지표(neural marker)로서의 잠재력을 시사하였다. 전반적으로, 본 프레임워크는 노인에서 EEG 기반 우울증 평가를 위한 효과적인 불균형 회귀 모델링을 보여주며, 정신건강 모니터링에서의 임상적 적용을 위한 통찰을 제공한다.

중환자 치료의 발전은 중증 급성 뇌손상을 가진 환자의 생존율을 향상시켰지만, 의식장애 환자에서의 진단 오류는 여전히 높은 수준이다. 진단에 따라 효과적인 치료가 달라질 수 있으므로, 이러한 환자에 대한 정확한 진단은 매우 중요하다. 본 연구에서는 의식(awareness)을 중심으로 반응이 없는 각성상태(unresponsive wakefulness syndrome)와 최소의식상태(minimally conscious state)를 분류하기 위한 체계(framework)를 제안한다. 특히 의식의 핵심 특징인 공간 정보를 고려하여, 전력 스펙트럼 밀도(power spectral density)와 공통 공간 패턴(common spatial patterns)을 함께 사용하였다. 반응이 없는 각성상태 16명과 최소의식상태 14명의 총 30명의 환자가 휴식기 뇌파 검사(resting-state electroencephalography) 측정을 받았다. 또한 의식과 관련된 각 주파수(δ, θ, α, β, γ 대역)를 활용하여 성능을 비교하였다. 그 결과 EEGNet 분류기에서 특히 β 주파수 대역에서 95.06%의 가장 높은 정확도를 달성하였다. 공통 공간 패턴을 사용했을 때 분류 성능이 향상되는 것을 관찰함으로써, 의식에서 공간 정보가 매우 중요함을 입증하였다. 이러한 결과는 의식장애 환자 진단을 위한 다양한 체계에 대한 통찰을 제공하며, 향후 진단률을 높여 환자의 생존에 도움이 될 수 있다.

뇌졸중은 전 세계적으로 중요한 장애 요인으로, 운동 능력에 대한 예후는 초기 재활과 손상의 중증도에 달려 있다. 따라서 개인맞춤형 재활을 위한 조기 회복 잠재력의 예측 가능성은 매우 중요하다. 그러나 운동 능력의 예후를 예측하는 연구는 아직 성능 측면에서 제한적이다. 본 연구에서는 아급성기 휴지기 뇌파(resting-state electroencephalogram) 데이터를 이용하여 2개월 간의 운동 회복을 예측하기 위한 새로운 프레임워크인 dual-stream dynamic convolution network (DualDyConvNet)을 제안한다. 구체적으로, 채널-스트림은 각 주파수 대역 내의 서로 다른 특성을 강조하는 반면, 공간-스트림은 주파수 대역 전반의 정보를 통합하여 공간적 양상을 포착한다. 우리는 아급성기 뇌졸중 환자로 구성된 SMC 및 KIST 데이터셋을 활용하였으며, 회복 잠재력은 상지 Fugl-Meyer Assessment로 정량화하였다. 그 결과 두 데이터셋에서 각각 평균 제곱근오차(root mean squared error, RMSE) $0.070\pm 0.045$ 및 $0.223\pm 0.148$을 달성하였다. 이는 기존 모델을 능가하였으며, 본 프레임워크의 효능을 확인하였다. 또한 유클리드 공간 정렬(Euclidean-space alignment, EA) 적용 여부의 두 조건에서 외부(교차 데이터셋) 검증을 수행하였고, DualDyConvNet은 비교 모델보다 우수하여 강력한 일반화를 보여주었다. 즉, SMC에서 사전학습한 경우 평균 RMSE가 $0.218\pm 0.172$ (EA 미적용, w/o EA) 및 $0.215\pm 0.201$ (EA 적용, w/ EA)이었으며, KIST에서 사전학습한 경우 $0.160\pm 0.087$ (w/o EA) 및 $0.135\pm 0.087$ (w/ EA)이었다. 제안된 프레임워크는 뇌졸중 환자의 운동 기능 예후를 예측함으로써 조기 재활 계획 수립을 촉진하는 데 의미 있는 잠재력을 지닌다. 나아가 예후 정보를 제공함으로써 환자의 삶의 질 향상에 기여할 수 있다.

악성 부정맥(MA)은 심장 근육의 신경 신호 전달에 이상이 발생함으로써 나타나며, 효과적인 임상 관리를 위해서는 정교한 예측 모델이 필요하다. 전통적인 기계학습 모델은 주로 단일 단계 예측에 의존하여, 기저의 부정맥 유발 과정이 갖는 복잡한 시간적 역학을 충분히 반영하지 못한다. 본 논문은 심전도(ECG) 데이터에 내재된 신경 신호 전달 패턴을 모사하고 포착하기 위해 뇌(Brain)에서 영감을 받은 접근법을 활용하는, 악성 부정맥에 대한 최초의 다중 단계 예측 프레임워크를 제안한다. 우리의 프레임워크는 (i) 입력 모듈, (ii) 다중 경로 전파 모듈, (iii) 다중 단계 예측 모듈의 세 가지 핵심 모듈로 구성된다. 다중 경로 전파 모듈에는 신경 정보 처리가 이루어지는 서로 다른 시간 척도를 반영하는 단기 및 장기 경로가 포함된다. 또한 이 모듈 내에 뇌에서 영감을 받은 새로운 정보 처리 단위를 도입한다. 첫째, 국소 및 전역 시냅스 가소성 단위는 시간 컨볼루션 블록과 코사인 유사도 기반 패턴 매칭을 이용하여 ECG의 국소 및 전역 시간 패턴을 추출한다. 처리된 정보는 후속 단위로 전달되며, 동시에 전(前) 및 후(後) 시냅스 뉴런의 뉴로모듈레이션을 모델링하기 위해 설계된 헤브(Hebb) 기반 학습 단위로도 전달된다. 이 단위는 스파이크 및 특징 수준 활성과 연결 강도의 변화까지 모델링한다. 두 개의 벤치마크 데이터셋에서 평가한 결과, 우리의 모델은 단기 및 장기 예측 과제 모두에서 기존의 최신(state-of-the-art) 모델과 기본(baseline) 다중 단계 모델을 능가한다. 이러한 결과는 정밀한 부정맥 중재를 위한 견고한 임상 도구로서 우리의 모델이 지닐 수 있는 잠재력을 보여줄 뿐 아니라, 다른 응용 분야에서의 다중 단계 예측 발전을 위한 유의미한 통찰을 제공한다. • 심장 시스템에서의 신경 신호 전달 패턴을 위한 새로운 프레임워크를 제안한다. • 심전도에 기반한 새로운 뇌에서 영감을 받은 예측 모델을 제안한다. • 우리의 모델은 단기 및 장기 예측을 위해 차별화된 단위 조합을 사용하였다. • 본 논문은 단기 및 장기 예측 과제에서 우수한 성능 결과를 보여준다.

배경: 심정지(CA)는 중환자실(ICU) 환자에서 사망의 주요 원인 중 하나이다. 심정지를 예측하기 위해 민감도가 높은 여러 CA 예측 모델이 개발되었음에도 불구하고, 일반화와 검증의 부족으로 인해 실제 적용이 어려웠다. 또한 서로 다른 ICU 하위 유형 간 환자 이질성은 충분히 다루어지지 않았다. 목적: 본 연구는 환자 이질성(다양한 인구집단과 ICU 하위 유형 전반의 변이 포함)과 무관하게 24시간 이내에 심정지를 시의적절하고 정확하게 예측하기 위한 임상적으로 해석 가능한 앙상블 접근법을 제안하는 것을 목표로 한다. 아울러 모델의 일반화 성능을 강조하기 위해 환자 비의존적 평가를 수행하였으며, 임상의가 실시간으로 즉시 채택할 수 있는 해석 가능한 결과를 분석하였다. 방법: 환자는 Medical Information Mart for Intensive Care-IV(MIMIC-IV)와 eICU-Collaborative Research Database(eICU-CRD)의 데이터를 이용하여 후향적으로 분석하였다. 성능 저하 문제를 해결하기 위해, 심정지의 고유한 특성을 포착하기 위해 12시간 창을 사용하고, 활력징후, 다중 해상도 통계 분석, 지니 지수(Gini index)를 기반으로 한 특성 집합으로 우리의 프레임워크를 구성하였다. 각 데이터베이스에서 3종의 특성을 추출하여 MIMIC-IV의 고위험 환자군과 eICU-CRD의 심정지 없는 환자 간 심정지 예측 성능을 비교하였다. 특성 추출 후, 비용 민감 학습(cost-sensitive learning)과 함께 특성 스크리닝(feature screening)을 적용한 표 형태 네트워크(TabNet) 모델을 개발하였다. 실시간 심정지 예측 성능을 평가하기 위해 10-fold 환자-단위 제외(leave-one-patient-out) 교차검증과 교차 데이터셋 방법을 사용하였다. 각 데이터베이스 내에서 다양한 코호트 집단과 ICU 하위 유형에 대해 MIMIC-IV와 eICU-CRD를 평가하였다. 마지막으로, eICU-CRD 및 MIMIC-IV 데이터베이스를 이용한 외부 검증을 수행하여 모델의 일반화 능력을 평가하였다. 제안된 방법의 결정 마스크(decision mask)를 사용하여 모델의 해석 가능성을 포착하였다. 결과: 제안된 방법은 MIMIC-IV와 eICU-CRD 모두에서 다양한 코호트 집단에 걸쳐 기존의 접근법보다 우수한 성능을 보였다. 또한 두 데이터베이스 내의 다양한 ICU 하위 유형에서 기준선(baseline) 모델보다 더 높은 정확도를 달성하였다. 해석 가능한 예측 결과는 비-심정지(non-CA) 집단과 심정지(CA) 집단 간의 통계적 비교로서 기능함으로써 임상의의 심정지 예측에 대한 이해를 향상시킬 수 있다. 이어서, 일반화 능력을 평가하기 위해 MIMIC-IV에서 학습한 모델과 eICU-CRD에서 학습한 모델로 각각 eICU-CRD 및 MIMIC-IV 데이터셋을 시험하였다. 그 결과, 기준선 모델에 비해 우수한 성능이 확인되었다. 결론: 고유 특성을 학습하기 위한 본 새로운 프레임워크는 서로 다른 ICU 환경 전반에서 안정적인 예측력을 제공한다. 대부분의 해석 가능한 전역 정보는 심정지와 비-심정지 집단 간의 통계적 차이를 보여주며, 임상적 의사결정에 대한 지표로서의 유용성을 입증한다. 따라서 제안된 심정지 예측 시스템은 임상적으로 검증된 알고리즘으로서, 심정지 예측 정보를 바탕으로 임상의가 조기에 개입할 수 있게 하며 디지털 헬스 분야의 임상시험에 적용 가능하다.

[이는 해당 논문의 DOI를 정정한 것입니다: .].

배경: 심정지(CA)는 중환자에서 사망의 주요 원인이다. 임상 연구에서는 심정지의 조기 식별이 사망률을 감소시킨다는 점이 입증되어 왔다. 다변량 시계열 데이터를 이용하여 민감도가 높은 수준에서 심정지를 예측할 수 있는 알고리즘이 개발되었다. 그러나 이러한 알고리즘은 오경보율이 높고, 결과를 임상적으로 해석하기 어렵다는 한계가 있다. 목적: 본 연구는 다중해상도 통계적 특징과 코사인 유사도 기반 특징을 활용하는 앙상블 접근법을 제안하여 심정지를 신속하게 예측하고자 한다. 또한 이 접근법은 임상의가 채택할 수 있는 임상적으로 해석 가능한 결과를 제공한다. 방법: 환자들은 Medical Information Mart for Intensive Care-IV 데이터베이스와 eICU Collaborative Research Database의 자료를 이용하여 후향적으로 분석하였다. 심부전으로 진단된 성인에서 24시간 시간 창의 다변량 활력징후를 기반으로 다중해상도 통계적 특징 및 코사인 유사도 기반 특징을 추출하였다. 이러한 특징을 이용하여 그래디언트 부스팅 결정 트리를 구성하고 개발하였다. 따라서 비용 민감 학습을 해법으로 채택하였다. 이후 10-폴드 교차검증을 수행하여 모델 성능의 일관성을 확인하였고, 제안된 모델의 전반적 해석 가능성을 포착하기 위해 Shapley additive explanation 알고리즘을 사용하였다. 다음으로, 일반화 능력을 확인하기 위해 eICU Collaborative Research Database를 이용한 외부 검증을 수행하였다. 결과: 제안된 방법은 수신자 조작 특성 곡선(ROC) 아래 면적(AUROC) 0.86 및 정밀도-재현율 곡선(AUPRC) 아래 면적 0.58의 전체 성능을 보였다. 심정지의 신속한 예측과 관련하여, 제안된 모델은 최대 6시간 전의 심정지 사건 예측에서 AUROC 0.80 이상을 달성하였다. 제안된 방법은 오경보의 수를 감소시키면서도 높은 민감도를 유지하기 위해 정밀도와 민감도를 동시에 향상시켜 AUPRC를 증가시켰다. 이러한 결과는 제안된 모델의 예측 성능이 선행 연구에서 보고된 모델들의 성능보다 우수함을 시사한다. 이어서, 제안된 방법의 임상적 해석 가능성과 관련하여 특징 중요도의 영향을 시연하고, 비-심정지 집단과 심정지 집단 간의 영향을 추론하였다. 마지막으로, 외부 검증을 eICU Collaborative Research Database에서 수행하였으며, 일반 중환자실 인구에서 AUROC 0.74 및 AUPRC 0.44가 도출되었다. 결론: 제안된 프레임워크는 내부 및 외부 검증을 통해 임상의에게 더 정확한 심정지 예측 결과를 제공하고 오경보율을 감소시킬 수 있다. 또한 임상적으로 해석 가능한 예측 결과는 임상의의 이해를 돕는다. 더 나아가, 활력징후 변화의 유사성은 심부전 관련 진단을 가진 환자에서 심정지 예측의 시간적 패턴 변화에 대한 통찰을 제공할 수 있다. 따라서 본 시스템은 일상적인 임상 사용에 충분히 실행 가능하다. 또한, 제안된 심정지 예측 시스템에 관하여, 향후 디지털 헬스 분야에서 임상적으로 성숙한 적용이 개발되어 검증되었다.