목적: 외상 환자 중 고령 환자의 수가 증가하고 있으므로, 임상적 의사결정을 돕기 위해 고령 외상 환자의 사망 위험을 추정하는 데 필요한 정밀한 모델이 요구된다. 본 연구의 목적은 중증 외상 고령 환자에서 30일 사망을 예측하는 기계학습 기반 예측 모형을 개발하고, 다양한 기계학습 모형의 예측 성능을 비교하는 데 있다. 방법: 본 연구는 2016년부터 2022년까지 Chungbuk National University Hospital의 권역 외상센터를 방문한 Injury Severity Score가 ≥15이고 연령이 ≥65세인 환자를 대상으로 하였다. 30일 사망을 예측하기 위해 4가지 기계학습 모형—로지스틱 회귀(logistic regression), 의사결정나무(decision tree), 랜덤 포레스트(random forest), eXtreme Gradient Boosting (XGBoost)—를 개발하였다. 모형의 성능은 수신자 조작 특성 곡선(receiver operating characteristic curve) 아래 면적(AUC), 정확도(accuracy), 정밀도(precision), 재현율(recall), 특이도(specificity), F1 점수(F1 score)뿐만 아니라 Shapley Additive Explanations (SHAP) 값과 학습 곡선을 이용하여 비교하였다. 결과: 중증 외상 고령 환자에서 사망을 예측하는 기계학습 모형의 성능 평가 결과, 로지스틱 회귀, 의사결정나무, 랜덤 포레스트, XGBoost의 AUC는 각각 0.938, 0.863, 0.919, 0.934였다. 네 가지 모형 중 XGBoost는 정확도, 정밀도, 재현율, 특이도, F1 점수가 각각 0.91, 0.72, 0.86, 0.92, 0.78로 가장 우수하였다. SHAP을 사용하여 XGBoost의 주요 특성을 분석한 결과, Glasgow Coma Scale이 높을수록 사망 확률에 부정적으로 영향을 미치는 것과 같은 연관성이 확인되었으며, 수혈된 적혈구(red blood cells) 수가 많을수록 사망 확률과 양의 상관관계를 보였다. 학습 곡선은 훈련 예제가 증가할수록 일반화와 견고성이 향상됨을 시사하였다. 결론: 본 연구는 기계학습 모형, 특히 XGBoost를 중증 외상 고령 환자에서 30일 사망을 예측하는 데 사용할 수 있음을 보여주었다. 이러한 모형을 활용한 예후 도구는 중증 외상 환자에서 사망 위험을 평가하는 데 도움이 될 수 있다.
*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.