수술 후 통증을 정확하게 예측하면 회복의 질을 향상시키고 맞춤형 통증 관리에 대한 지침을 제공할 수 있다. 본 연구는 마취 회복실(PACU)에서 기록된 생체신호를 이용하여 수술 후 통증의 존재 여부를 예측하는 기계학습(ML) 모델을 개발하고 타당성을 검증하고자 하였다. 2021년 1월부터 2022년 12월까지 대한민국의 충남대학교병원(CNUH)(n = 21,855) 및 충남대학교 세종병원(CNUSH)(n = 2,356)에서 수술을 받은 성인 환자가 포함되었다. PACU의 수술 후 기간 동안 심전도(ECG)와 광용적맥파(photoplethysmography, PPG) 신호를 연속적으로 기록하였다. 이들 신호로부터 심박변이도(HRV) 및 surgical pleth index(SPI) 특성을 추출하였다. 이러한 생체신호 특성과 인구통계학적 변수를 ML 모델의 입력 특성으로 사용하였으며, 로지스틱 회귀, 서포트 벡터 머신, 다층 퍼셉트론, 랜덤 포레스트, XGBoost를 포함하였다. CNUH 데이터셋을 이용하여 모델을 개발하고 내부 검증을 수행하였고, 일반화 가능성을 평가하기 위해 독립적인 CNUSH 데이터셋을 이용한 외부 검증을 수행하였다. 1068명의 검사 데이터셋에서 961명이 수술 후 통증을 보고하였다. 성능이 가장 우수한 모델은 정확도 85.2%, AUROC 0.77, 평균 정밀도 0.95를 달성하였으며, 외부 검증에서는 정확도 83.2%와 AUROC 0.78을 보였다. SHapley Additive exPlanations(SHAP)을 이용한 특성 중요도 분석 결과, 가장 영향력 있는 예측 인자는 SPI 값 중 50을 초과하는 비율, 평균 SPI, HRV의 저주파-고주파 파워 비율로 나타났다. 연령 및 성별과 같은 인구통계학적 특성을 포함하면 예측 정확도가 최대 5.91% 향상되었다. 이러한 향상은 생체신호에 내재된 개인 간 및 개인 내 변동성을 완화함으로써 모델의 안정성과 일반화 가능성을 높였기 때문일 수 있다. ECG 및 PPG로부터 유도된 특성을 포함하는 ML 모델은 독립적인 병원 코호트 전반에서 수술 후 통증에 대해 신뢰할 수 있는 예측을 보여주었으며, 임상 실무에서 객관적 통증 평가를 위한 생체신호 기반 접근의 잠재력을 시사한다. 해당 없음.

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