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.

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