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.

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