배경: 태아 알코올 증후군(Fetal alcohol syndrome, FAS)은 임신 중 알코올 노출(prenatal alcohol exposure, PAE)과 관련하여 발생하는 평생 지속되는 발달 장애이다. 예측 모델이 개선됨에 따라, FAS는 완전히 예방되지는 않더라도 조기에 진단하거나 치료할 수 있다. 목적: 본 연구에서는 임신 중 음주를 한 여성들을 대상으로 FAS 예측 성능과 관련하여 서로 다른 기계 학습 알고리즘을 비교하고자 하였다. 또한 정확한 모델을 생성하는 데 가장 영향력 있는 변수가 무엇인지(예: 임신 중 알코올 노출 시기, 섭취한 알코올의 종류) 확인하고자 하였다. 방법: 2007년부터 2017년까지의 태아 알코올 스펙트럼 장애에 관한 공동 이니셔티브 자료를 사용하여, 미국 내 5개 병원 현장에서 임신 중 알코올을 섭취한 595명의 여성에 대한 정보를 수집하였다. PAE에 관한 정보를 얻기 위해 설문지 또는 대면 인터뷰뿐 아니라 의학적·법적·사회서비스 기록의 검토를 통해 알코올 섭취에 관한 정보를 수집하였다. 출생 시 FAS의 유병률을 예측하기 위해 4가지 기계 학습 알고리즘(로지스틱 회귀, XGBoost, light gradient-boosting machine, CatBoost)을 훈련하였고, 모델 성능은 수신자 조작 특성 곡선(receiver operating characteristics, ROC) 아래 면적(area under the receiver operating characteristics curve, AUROC)을 분석하여 측정하였다. 전체 사례 중 80%는 무작위로 훈련에 사용하였고, 나머지 20%는 FAS 예측을 위한 테스트 데이터셋으로 유지하였다. 또한 성능이 가장 우수한 알고리즘에 대해서는 Shapley 값을 이용하여 변수 중요도를 분석하였다. 결과: 전체 595명의 PAE 대상자 중 FAS 사례는 20건이었다. 대부분의 음주는 1분기에서만 발생했는데(n=491) 또는 3분기 전체에서 나타났으며(n=95), 다만 1분기와 2분기에만 음주가 있었다는 보고(n=8)와 3분기에만 음주가 있었던 1건도 있었다. CatBoost 방법은 AUROC(0.92) 및 정밀도-재현율 곡선(precision-recall curve) 아래 면적(AUPRC 0.51) 측면에서 가장 우수한 성능을 보였고, 이어서 로지스틱 회귀( AUROC 0.90; AUPRC 0.59), light gradient-boosting machine(AUROC 0.89; AUPRC 0.52), XGBoost(AUROC 0.86; AURPC 0.45) 순이었다. CatBoost 모델에서의 Shapley 값은 FAS 예측에서 12개 변수가 중요하게 고려되었음을 보여주었으며, 임신 3분기 전체에 걸친 음주, 산모의 연령, 인종, 섭취한 알코올 음료의 종류(예: 맥주, 와인 또는 주류)가 전반적 변수 중요도에서 높은 점수를 받았다. 대부분의 예측 지표에서 최상의 성능은 CatBoost 알고리즘에서 얻어졌고, AUROC 0.92, 정밀도 0.50, 특이도 0.29, F1 점수 0.29, 정확도 0.96이었다. 결론: 기계 학습 알고리즘은 임신 중 음주자에서 FAS 위험을 이전 모델들보다 더 높은 예측 성능으로 식별할 수 있었다. FAS에서 흔히 나타나는 소규모 훈련 집합의 경우, CatBoost와 같은 부스팅 메커니즘은 데이터 불균형과 최적화 또는 일반화의 어려움과 관련된 특정 문제를 완화하는 데 도움이 될 수 있다.

목적: 요로감염은 외래 치료에서 가장 흔한 세균성 감염 질환 중 하나이며, 여성의 50–80%가 이를 한 번 이상 경험하고, 1년 이내 재발률은 40–50%로 보고된다. 따라서 환자의 재입원을 예방하는 것은 매우 중요하다. 그러나 비뇨의학 분야에서는 기계학습 알고리즘을 사용하여 요로감염의 재입원 현황을 분석한 연구가 현재까지 보고되지 않았다. 이에 본 연구는 요로감염 후 30일 이내 재입원한 환자와 관련된 임상적 및 비임상적 요인을 다양한 기계학습 알고리즘으로 분석하고자 하였다. 방법: 요로감염으로 인해 30일 이내 재입원한 497명의 환자와 재입원이 필요하지 않았던 496명의 환자에서 데이터를 수집하였다. 재입원 요인은 4가지 기계학습 알고리즘인 gradient boosting classifier, random forest, naive Bayes, logistic regression을 사용하여 분석하였다. 결과: 성능이 가장 우수한 gradient boosting classifier는 호흡수, 입원 일수, 알부민, 이완기 혈압, 혈중요소질소(BUN), 체질량지수, 수축기 혈압, 체온, 총 빌리루빈, 맥박을 요로감염으로 인한 재입원에 영향을 미치는 상위 10가지 요인으로 확인하였다. 또한 993명의 데이터를 기반으로 이들 요인을 바탕으로 위험군을 구분하였고, 재입원율, 입원 일수, 의료비는 고위험군에서 저위험군으로 갈수록 감소하는 양상이 관찰되었다. 결론: 본 연구는 기계학습을 활용하여 요로감염 관련 재입원 현황을 분석할 수 있는 새로운 가능성을 제시하였다. 재입원에 영향을 미치는 요인을 파악하고 예방 가능하며 강화(reinforcement) 기반의 치료 프로그램을 도입함으로써 재입원율과 평균 입원 일수를 감소시켜 의료비를 줄이는 데 도움이 될 수 있다.