응급실에서 중환자실 입원이 필요할 환자를 정확히 식별하는 것은 효과적인 치료와 자원 배분을 위해 매우 중요하다. 응급중증도지수(Emergency Severity Index)에 기반한 분류 판단과 같은 기존 방법은 환자 상태의 역동적인 변화를 충분히 반영하지 못하여, 중대한 위험을 간과할 가능성이 있다. 따라서 초기 분류 점수가 과소평가되었던 환자에서 연속적인 임상적 악화를 조기에 탐지하는 것이 필수적이다. 본 연구는 초기에 저중증(low-acuity)으로 분류되었음에도 임상적 악화로 인해 이후 중환자실 입원이 필요하게 되는 환자를 식별하는 과제를 다룬다. 우리는 악화의 징후를 지속적으로 모니터링하기 위한 이상탐지 접근법을 제안한다. 이를 위해 데이터 내 시간적 관계를 포착하기 위해 Long Short-Term Memory를 결합한 순차 이상탐지(sequential anomaly detection) 모델을 활용하였다. 임상적 관련성을 평가하는 기존 지표의 한계를 고려하여, 본 연구에서는 사례를 정확히 식별하는 능력과 의료진에게 적시에 실행 가능한 경고를 제공하는 효과를 측정함으로써 모델의 성능을 검증하였다. 그 결과, 본 모델은 재현율 0.8299, 정밀도 0.8206을 달성하였으며, 환자 체류 기간 동안 평균 3.13시간의 선행 시간을 제공하면서 의료진에게 36%의 시간 동안 지속적으로 경고를 전송하였다.

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