급성 신손상(AKI)은 외상 환자에서 흔하며 예후가 불량하다. 따라서 외상 환자에서 AKI를 조기에 예측하는 것은 위험도 계층화 및 최적의 집중치료실 치료 제공에 중요하다. 본 연구는 외상 환자에서 AKI를 예측하는 데 있어 머신러닝(ML) 기법과 로지스틱 회귀의 2가지 모델을 비교하고자 하였다. 2016년 1월부터 2020년 6월까지 체간 손상을 입은 400명의 환자 의무기록을 후향적으로 검토하였다. 환자 선정 기준은 15세 초과, 집중치료실에 입원, 48시간 초과 생존, 흉부 및/또는 복부 손상 동반, 말기 신질환이 없을 것, 누락 데이터가 없을 것이었다. AKI는 Kidney Disease Improving Global Outcomes의 정의 및 병기 설정에 따라 정의하였다. 환자는 2군으로 나누었으며, AKI(n = 78)와 비(非)AKI(n = 322)였다. 원자료를 훈련 세트(80%)와 시험 세트(20%)로 분할하였고, 단계적 선택을 이용한 로지스틱 회귀와 ML(격자 탐색 및 교차검증을 통한 하이퍼파라미터 최적화가 적용된 결정나무)을 사용하여 AKI 예측 모델을 구축하였다. 훈련 세트를 사용해 구축한 모델은 시험 세트를 이용한 혼동행렬 수신자작동특성 곡선(receiver operating characteristic curve)으로 평가하였다. 체간 손상 400명을 포함하였으며, 이 중 78명(19.5%)이 AKI로 진행하였다. 로지스틱 회귀 모델에서 연령, 장(腸) 손상, 24시간 이내 누적 체액 균형(cumulative fluid balance), 그리고 승압제 사용이 AKI의 독립적 위험인자였다. ML 모델에서는 승압제가 가장 중요한 특성이었고, 그다음으로 24시간 이내 누적 체액 균형 및 4시간 이내 농축 적혈구 수혈이 뒤를 이었다. 정확도 점수는 두 군 간 차이가 없었으나, 재현율 및 F1 점수는 ML 모델에서 유의하게 더 높았다(각각 .94 vs .56, .75 vs .64). ML 모델은 외상 환자에서 AKI를 예측하는 데 있어 로지스틱 회귀 모델보다 더 우수한 성능을 보였다. ML 기법은 위험도 계층화와 최적의 치료 제공을 돕는 데 활용될 수 있다.

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