시술적 진정(procedural sedation)은 비마취과 의사들에 의해 다양한 환경에서 흔히 시행되며 호흡 억제를 초래할 수 있다. 호흡 기능 저하를 조기에 감지할 수 있는 도구는 시술적 진정 동안 환자 안전을 향상시킬 뿐만 아니라 의료 과실책임의 위험을 줄일 수 있을 것이다. 본 연구에서는 리포서션(liposuction)을 받는 환자에서 체성분에 대한 상세 데이터를 통합하여 시술적 진정 중 호흡 억제를 예측하기 위한 기계 학습 모델을 개발하고자 하였다. 생체전기 임피던스 분석, 3D 체형 스캐닝, 수기 측정에서 도출한 특성들을 추출하여 기계 학습 모델의 학습에 사용하였다. 설명 가능한 AI 기법인 SHAP 분석을 수행하여 특성 중요도를 시각적으로 해석하였다. XGBoost 모델은 특히 3D 체형 스캐닝 데이터를 포함할 때 예측 성능이 가장 우수하였으며, AUROC 0.856과 민감도 0.805를 달성하였다. 주요 예측 인자로는 상복부 부피, BMI, 연령이 확인되었는데, 이는 진정 중 호흡 위험을 평가하기 위해 상세한 체성분 데이터를 수집하는 것의 중요성을 강조한다. 개발된 모델은 리포서션을 받는 환자에서 호흡 억제 위험을 효과적으로 예측하며, 개인맞춤형 진정 프로토콜의 잠재력을 제공한다.

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