목적: 임상적 위험 인자를 이용하여 초극소출생체중아(ELBWI)에서 대량 폐출혈(MPH) 및 MPH 관련 사망을 예측하는 의사결정나무 모형을 개발한다. 방법: 2013년 1월부터 2020년 12월까지 참여 신생아중환자실(NICU)에 입원한 ELBWI에서 MPH 및 MPH 관련 사망에 대한 임상 예측 규칙을 개발하기 위해, 기계학습 알고리즘과 C5.0 의사결정나무 모형을 사용하여 국가 다기관의 전향적 웹 기반 레지스트리 자료를 후향적으로 분석하였다. 이 C5.0 모형은 과적합을 최소화하기 위해 자료 전처리, 분할 기준에 따른 속성 선택, 그리고 가지치기(pruning) 기법을 통해 개발되었다. 결과: "첫 번째 판별자로 ", 이어서 "5분 APGAR 점수 ≤2"가 뒤를 이었다. C5.0 MPH 모형의 예측 정확도는 훈련 세트에서 ROC 곡선 아래 면적(AUC) 88.2%, 검정 세트에서 89.0%를 달성하였으며, MPH 관련 사망 모형은 훈련 세트에서 AUC 97.7%, 검정 세트에서 AUC 97.4%를 나타냈다. 결론: ELBWI에서 MPH 및 MPH 관련 사망을 예측하기 위해 임상적 위험 인자를 이용한 C5.0 의사결정나무 모형을 개발하였고, 이를 통해 고위험 영아를 조기에 식별하여 신생아 예후를 개선하기 위한 적시에 개입할 수 있도록 하였다. 이 의사결정 기반 위험 계층화 도구는 NICU에서의 일상적 임상 적용에 앞서 실제 적용 가능성과 임상적 유효성을 평가하기 위해 더 큰 규모의 다기관 코호트를 이용한 추가 검증이 필요하다.

서론: 흉부 X선 촬영 영상을 정확하고 적시에 판독하는 일은 호흡곤란을 평가하고 중증 신생아의 예후를 개선하기 위한 임상적 의사결정을 안내하는 데 필수적이다. 본 연구는 신생아 중환자실에서 확보한 고품질의 다중 분류 라벨 흉부 X선 이미지 대규모 데이터셋을 활용하여 다양한 신생아 호흡기 질환과 건강한 폐를 분류하도록 설계된 딥러닝 기반 자동화 알고리즘을 소개하고자 하였다. 방법: 한국의 10개 대학병원에서 6가지 흔한 상태(건강한 폐, 호흡곤란 증후군[respiratory distress syndrome, RDS], 신생아 일과성 빈호흡[transient tachypnea of the newborn, TTN], 공기 누출 증후군[air leak syndrome, ALS], 무기폐(atelectasis), 기관지폐이형성증[bronchopulmonary dysplasia, BPD])에 대한 휴대용 앙와위 흉부 X선 영상과 인구통계학적 변수(재태연령과 출생체중)를 후향적으로 수집하였다. 이러한 상태에 대한 수동 분류의 정답(ground truth)은 20명의 신생아 전문의가 생성하였고, 다른 병원의 의료진이 이를 검증하였다. 학습에는 34,598건, 검증에는 4,370건, 시험에는 4,370건으로 구성된 데이터셋을 사용하여 자동 분류를 위한 수정된 ResNet50 기반 딥러닝 모델을 학습하였다. 결과: 자동 분류 알고리즘은 사람의 주석을 단 분류와 높은 일치도를 보였으며, 전체 시험 정확도 83.96%와 F1 점수 83.68%를 달성하였다. 각 상태별 F1 점수는 ‘건강한 폐’ 87.38%, ‘BPD’ 92.19%, ‘ALS’ 90.65%, ‘RDS’ 90.30%, ‘무기폐(atelectasis)’ 86.56%, ‘TTN’ 70.84%였다. 결론: 본 연구에서는 비영상 데이터(non-imaging data)를 함께 반영하여 고품질의 다중 분류 라벨 흉부 X선 이미지 대규모 데이터셋을 기반으로 신생아 호흡기 질환을 분류하는 딥러닝 기반 자동화 알고리즘을 도입하였으며, 이는 중증 신생아에서 신생아 전문의의 적시적이고 정확한 의사결정을 지원할 수 있을 것이다.

재태기간 22-23주에 출생한 영아의 생존 예후는 신생아 중환자실(네오네이털 유닛) 간에 매우 다양하게 보고된다. 본 전국적 전향적 코호트 연구는 한국에서 2013년부터 2022년까지 재태기간 22-23주에 출생한 영아 919명을 대상으로, Korean Neonatal Network 자료를 이용해 평가하였다. 영아는 신생아 치료 수준에 따라 분류하였으며, 785명은 하위 수준 센터(그룹 A), 134명은 상위 수준 센터(그룹 B)에 해당하였다. 생존율은 그룹 B(64.9%)가 그룹 A(29.3%)보다 유의하게 높았다(P < 0.0001). 조기 사망은 그룹 A에서 더 빈번하게, 그리고 더 일찍 발생하였다. 항주산기 태아 폐성숙 촉진을 위한 코르티코스테로이드, 항주산기 항생제, 그리고 즉각적인 서팩턴트 투여를 포함한 적극적 치료는 그룹 B에서 더 흔하였다. 항주산기 코르티코스테로이드는 사망 위험 감소와 유의하게 관련되었으며(위험비 0.58; 95% 신뢰구간, 0.49-0.69; P < 0.0001), 생존율의 급격한 감소가 나타나는 시점은 상위 수준 센터에서 지연되었다. 또한 재태기간 22-23주에 출생한 영아의 생존율을 기준으로 기관을 상위 및 하위 수준 그룹(≥50% vs. <50%)으로 분류하는 것은 신생아 치료의 질을 잘 반영한다. 이러한 결과는 재태 가능 직전(peri-viable) 영아의 생존을 향상시키기 위해 적극적 치료와 적시에 자궁 내(in utero) 고수준 유닛으로의 전원이 중요함을 강조한다.

목적: 우리는 마지막 이부프로펜 투여 후 24시간 시점에 측정한 혈장 B형 뇌나트륨이뇨펩타이드(B-type natriuretic peptide, BNP) 농도가, 계획된 약물 치료 완료 이후 증상이 있는 동맥관 개존증(patent ductus arteriosus, PDA) 재발을 예방하기 위해 추가 용량이 필요한지를 예측하는 데 유용한지 조사하였다. 방법: 혈역학적으로 유의한(hemodynamically significant, hs) PDA를 가진 미숙아 71명을 대상으로, 마지막 이부프로펜 투여 직전과 24시간 후의 혈장 BNP 농도를 측정하였다. 대상자는 충분 용량군(각 n=50, 마지막 이부프로펜 투여 후 5일 이내 hsPDA 재발 없음) 또는 불충분 용량군(각 n=21, 5일 이내 hsPDA 재발로 추가 이부프로펜이 필요한 경우)으로 분류하였다. 결과: 마지막 투여 24시간 후의 혈장 BNP 농도는 충분 용량군에서 불충분 용량군보다 유의하게 낮았다(177 [89-310] vs. 483 [222-1,027] pg/mL, P=0.006). 추가 이부프로펜 투여 필요성을 예측하기 위한 혈장 BNP 농도의 수신자 조작 특성(receiver operating characteristic, ROC) 곡선 아래 면적은 0.890(95% 신뢰구간, 0.812-0.967; P<0.001)였으며, 최적 절단값은 >462 pg/mL이었다(민감도 71.4%, 특이도 82.0%). 결론: 이부프로펜 치료 완료 후 24시간에 측정한 혈장 BNP 농도는 추가 이부프로펜 치료가 필요할 수 있는, 재발 위험이 있는 미숙아 hsPDA를 식별하기 위한 유용한 바이오마커로 활용될 수 있다. 이러한 결과는 hsPDA 재발을 줄이고 불필요한 약물 노출을 피하기 위해 BNP에 기반한 개별화 치료의 가능성을 지지한다.

(NICU) X-ray(CXR). (초기 융합), (정보 밀도 불균형). 임상-문맥 게이팅 네트워크(Clinical-Context Gated Network, CCGN). (채널-별 주의)

목적: 임상적 위험 인자를 이용하여 초극소출생체중아(ELBWI)에서 대량 폐출혈(MPH) 및 MPH 관련 사망을 예측하는 의사결정나무 모형을 개발한다. 방법: 2013년 1월부터 2020년 12월까지 참여 신생아중환자실(NICU)에 입원한 ELBWI에서 MPH 및 MPH 관련 사망에 대한 임상 예측 규칙을 개발하기 위해, 기계학습 알고리즘과 C5.0 의사결정나무 모형을 사용하여 국가 다기관의 전향적 웹 기반 레지스트리 자료를 후향적으로 분석하였다. 이 C5.0 모형은 과적합을 최소화하기 위해 자료 전처리, 분할 기준에 따른 속성 선택, 그리고 가지치기(pruning) 기법을 통해 개발되었다. 결과: "첫 번째 판별자로 ", 이어서 "5분 APGAR 점수 ≤2"가 뒤를 이었다. C5.0 MPH 모형의 예측 정확도는 훈련 세트에서 ROC 곡선 아래 면적(AUC) 88.2%, 검정 세트에서 89.0%를 달성하였으며, MPH 관련 사망 모형은 훈련 세트에서 AUC 97.7%, 검정 세트에서 AUC 97.4%를 나타냈다. 결론: ELBWI에서 MPH 및 MPH 관련 사망을 예측하기 위해 임상적 위험 인자를 이용한 C5.0 의사결정나무 모형을 개발하였고, 이를 통해 고위험 영아를 조기에 식별하여 신생아 예후를 개선하기 위한 적시에 개입할 수 있도록 하였다. 이 의사결정 기반 위험 계층화 도구는 NICU에서의 일상적 임상 적용에 앞서 실제 적용 가능성과 임상적 유효성을 평가하기 위해 더 큰 규모의 다기관 코호트를 이용한 추가 검증이 필요하다.

서론: 흉부 X선 촬영 영상을 정확하고 적시에 판독하는 일은 호흡곤란을 평가하고 중증 신생아의 예후를 개선하기 위한 임상적 의사결정을 안내하는 데 필수적이다. 본 연구는 신생아 중환자실에서 확보한 고품질의 다중 분류 라벨 흉부 X선 이미지 대규모 데이터셋을 활용하여 다양한 신생아 호흡기 질환과 건강한 폐를 분류하도록 설계된 딥러닝 기반 자동화 알고리즘을 소개하고자 하였다. 방법: 한국의 10개 대학병원에서 6가지 흔한 상태(건강한 폐, 호흡곤란 증후군[respiratory distress syndrome, RDS], 신생아 일과성 빈호흡[transient tachypnea of the newborn, TTN], 공기 누출 증후군[air leak syndrome, ALS], 무기폐(atelectasis), 기관지폐이형성증[bronchopulmonary dysplasia, BPD])에 대한 휴대용 앙와위 흉부 X선 영상과 인구통계학적 변수(재태연령과 출생체중)를 후향적으로 수집하였다. 이러한 상태에 대한 수동 분류의 정답(ground truth)은 20명의 신생아 전문의가 생성하였고, 다른 병원의 의료진이 이를 검증하였다. 학습에는 34,598건, 검증에는 4,370건, 시험에는 4,370건으로 구성된 데이터셋을 사용하여 자동 분류를 위한 수정된 ResNet50 기반 딥러닝 모델을 학습하였다. 결과: 자동 분류 알고리즘은 사람의 주석을 단 분류와 높은 일치도를 보였으며, 전체 시험 정확도 83.96%와 F1 점수 83.68%를 달성하였다. 각 상태별 F1 점수는 ‘건강한 폐’ 87.38%, ‘BPD’ 92.19%, ‘ALS’ 90.65%, ‘RDS’ 90.30%, ‘무기폐(atelectasis)’ 86.56%, ‘TTN’ 70.84%였다. 결론: 본 연구에서는 비영상 데이터(non-imaging data)를 함께 반영하여 고품질의 다중 분류 라벨 흉부 X선 이미지 대규모 데이터셋을 기반으로 신생아 호흡기 질환을 분류하는 딥러닝 기반 자동화 알고리즘을 도입하였으며, 이는 중증 신생아에서 신생아 전문의의 적시적이고 정확한 의사결정을 지원할 수 있을 것이다.