배경: 패혈증 이후 허약(frailty)의 발달은 흔하고 중요한 문제이나, 이를 예측하기는 어렵다. 방법: 딥러닝을 위한 데이터는 2019년 9월부터 2021년 12월까지 대한민국에서 수행된 다기관 국가 단위의 전향적 관찰 코호트에서 패혈증 환자의 자료를 추출하였다. 주요 평가변수는 생존 퇴원 시의 허약으로, Clinical Frailty Scale에서 임상 허약 점수(clinical frailty score) ≥5로 정의하였다. 우리는 패혈증 인지 시 통상적으로 수집되는 10개 변수로부터, 패혈증 이후 허약을 예측하기 위한 딥러닝 모델을 개발하였다. 교차검증을 통해 4개의 전통적 기계학습 모델과 2개의 신경망 모델을 포함한 6개 모델을 학습하고 튜닝하였다. 또한 모형에서 각 예측변수의 중요도를 계산하였다. 이러한 모형들의 성능은 시간적 검증(temporal validation) 데이터셋을 사용하여 측정하였다. 결과: 분석에 총 8,518명의 환자가 포함되었으며, 5,463명(64.1%)은 허약이었고 3,055명(35.9%)은 비허약이었다. Extreme Gradient Boosting(XGB)은 수신자 조작 특성 곡선(receiver operating characteristic curve, ROC) 아래 면적(AUC) 0.8175와 정확도 0.7414로 가장 높은 성능을 보였다. 퇴원 시 허약을 예측하는 인공지능의 일반화 성능을 확인하기 위해, COVID-19 데이터셋을 이용한 외부 검증을 수행하였다. XGB는 AUC 0.7668로 여전히 양호한 성능을 보였다. 기계학습 모델은 자료 분포의 불일치(disparity)에도 불구하고 허약을 예측할 수 있었다. 결론: 패혈증 이후 허약을 예측하기 위해 개발된 기계학습 기반 모형은 제한된 기초 임상 매개변수만으로도 높은 성능을 달성하였다.

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