배경: 최근 의료 연구에서 인공지능(AI)을 활용하는 움직임이 주목할 만하다. 그러나 대부분의 연구는 의료 영상에 집중되어 있다. 임상의들은 임상 분야에서의 검사실 검사(laboratory tests)의 중요성을 인지하고 있음에도 불구하고, 의료 AI 연구에서는 상대적으로 저평가되고 있다. 본 연구의 목적은 주로 검사실 검사 결과를 이용하여 폐렴 사망률을 조기 예측하는 AI 모델을 개발하는 것이다. 재료 및 방법: 우리는 폐렴 환자의 초기 검사실 검사 결과와 기본 임상 정보를 사용하여 사망 예측 모델을 개발하였다. 모델 개발을 위해 여러 기계학습(ML) 모델과 딥러닝 방법인 다층 퍼셉트론(multilayer perceptron, MLP)-을 선택하였다. 모델 성능 향상을 위해 수신자 조작 특성 곡선(receiver operating characteristic curve) 아래 면적(AUROC)과 F1-score를 최적화하였다. 또한 예측 성능을 개선하기 위해 여러 모델을 혼합(blending)하여 앙상블 모델을 개발하였다. 모델 개발에는 80,940개의 데이터 인스턴스를 사용하였다. 결과: ML 모델 중 XGBoost가 가장 우수한 성능을 보였으며(AUROC = 0.8989, 정확도 = 0.88, F1-score = 0.80), MLP는 AUROC 0.8498, 정확도 0.86, F1-score 0.75를 달성하였다. 개발된 모델들 중 앙상블 모델의 성능이 최상이었고(AUROC 0.9006, 정확도 0.90, F1-score 0.81), 이는 개발된 모델 중 가장 우수한 예측 성능이었다. “Feature importance” 기법과 SHapley Additive exPlanations를 사용하여 폐렴 사망률에 영향을 미치는 위험 요인을 파악하기 위한 여러 검사실 검사를 수행하였다. 우리는 폐렴 환자에서 사망의 유의한 예측인자로 수축기 혈압, 혈청 포도당 수치, 나이, 아스파트산 아미노전이효소-알라닌 아미노전이효소 비율, 단핵구-림프구 비율 등 여러 검사실 결과를 확인하였다. 결론: 본 연구는 XGBoost, CatBoost, LGBM 기법을 포함하는 앙상블 모델이 폐렴 사망률 예측에서 개별 ML 및 딥러닝 모델보다 우수함을 보여준다. 본 연구의 결과는 검사실 검사 데이터를 효과적으로 활용하기 위해 AI 기법을 통합하는 것의 중요성을 강조하며, 의료 연구 및 임상 의사결정에서의 AI 응용 발전을 위한 유망한 방향을 제시한다.

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