배경: 현재 한국장기이식네트워크(CKONOS)의 뇌사자에서 B형 또는 C형 간염 감염자(hepatitis B or C)로부터 신장 이식을 시행하는 기준에 따르면, HBsAg(+) 또는 anti-HCV(+) 공여자의 장기는 HBsAg(+) 또는 anti-HCV(+) 수혜자에게만 이식할 수 있다. 본 연구는 한국에서 B형 또는 C형 바이러스 감염 뇌사 공여자의 현재 상태와 신장 이식 결과를 확인하고, 공여자-수혜자 불일치를 해소하기 위한 전략을 규명하고자 하였다. 방법: 본 후향적 연구에는 2015년 1월부터 2020년 6월까지 한국 장기이식 레지스트리 데이터베이스에서 뇌사 공여자로부터 시행된 모든 신장 이식을 포함하였으며, 공여자 간염 상태에 따라 3개 군으로 분류하였다. 최종적으로 HBV(+) 공여자 80명, HCV(+) 공여자 12명, HBV(-)/HCV(-) 공여자 2,013명을 대상으로 한 신장 이식이 포함되었다. 결과: 추적 관찰 기간, 신장 이식 건수, 수술 후 재원일수, 생존율, 기저치부터 5년까지의 혈청 크레아티닌, 이식편 소실의 원인, 합병증 또는 거부반응은 세 군 간에 통계적으로 유의한 차이가 관찰되지 않았다. 5년 이식편 생존율은 HBV(+) 군, HCV(+) 군, HBV(-)/HCV(-) 군에서 각각 95%, 83.3%, 84.5%였으며, 이들 간 비교는 [HBV(+)-HCV(+), p = 0.22; HCV(+)-HBV(-)/HCV(-), p = 0.81; HBV(+)-HBV(-)/HCV(-), p = 0.02]였다. 5년 환자 생존율은 HBV(+) 군, HCV(+) 군, HBV(-)/HCV(-) 군에서 각각 95%, 100%, 76.2%였고, [HBV(+)-HCV(+), p = 0.61; HCV(+)-HBV(-)/HCV(-), p = 0.13; HBV(+)-HBV(-)/HCV(-), p < 0.001]였다. 결론: HBV(+)/HCV(+) 뇌사 공여자 신장 이식의 결과는 HBV(-)/HCV(-)와 비교 가능하였다. 따라서 대한민국은 가능한 한 빠르게 HBV(+) 또는 HCV(+) 공여자에서 HBV(-) 또는 HCV(+) 수혜자에게 이식을 시작하여 많은 환자에게 희망을 줄 수 있다. 본 연구는 ‘National Institute of Health’ 연구 프로젝트(프로젝트 번호 2014-ER6301-00, 2014-ER6301-01, 2014-ER6301-02, 2017-ER6301-00, 2017-ER6301-01, 2017-ER6301-02, 2020-ER7201-00)의 지원을 받았다.

배경: 본 연구는 중환자실(ICU) 환자의 예후에 대해 미량원소, 비타민, 콜레스테롤, 프리알부민이 집합적으로 미치는 영향을, 사망 예측을 위한 고도 인공지능(AI) 모델을 이용해 이해하고자 하였다. 방법: ICU 환자 데이터(2016년 12월~2021년 12월)에서 미량원소, 비타민, 콜레스테롤, 프리알부민의 혈청 농도 정보를 포함하여 AI 모델로 후향적으로 분석하였다. 사용한 모델은 범주 부스팅(CatBoost), 극단 경사 부스팅(XGBoost), 라이트 그래디언트 부스팅 머신(LGBM), 다층 퍼셉트론(MLP)이다. 성능 평가는 수신자 조작 특성 곡선 아래 면적(AUROC), 정확도, 정밀도, 재현율, F1-score를 사용하였다. 성능 평가는 10-fold 교차검증으로 평가하였다. SHapley Additive exPlanations(SHAP) 방법을 통해 해석 가능성을 제공하였다. 결과: CatBoost가 AUROC 0.756으로 단일 AI 모델 중 최우수 성능을 보였고, 이어서 LGBM, MLP, XGBoost가 근접하게 뒤를 이었다. 또한 이 네 모델을 결합한 앙상블 모델은 AUROC 0.776으로 가장 높은 성능을 보였으며, 보다 균형 잡힌 지표를 나타내 모든 모델을 능가하였다. SHAP 분석에서는 프리알부민, Acute Physiology and Chronic Health Evaluation II 점수, 그리고 연령이 예측에 유의한 영향을 미치는 것으로 나타났다. 특히 셀레늄/연령 비율과 저밀도지단백/총콜레스테롤 비율 또한 모델의 출력에 주목할 만한 영향을 주었다. 결론: 본 연구는 영양 관련 지표가 ICU 환자의 예후에 있어 핵심적인 역할을 한다는 점을 강조한다. 특히 앙상블 접근을 활용한 고도 AI 모델은 예측 정확도를 향상시켰다. SHAP 분석은 환자 생존에 영향을 미치는 특정 요인에 대한 통찰을 제공하였으며, 중환자 치료 관리에서 이러한 바이오마커를 보다 폭넓게 고려할 필요성을 시사한다.