배경: 본 연구는 수술 후 급성 신손상(PO-AKI)의 장기 사망률에 대한 함의와 관련된 지식의 공백을 다루고자 하며, 기존의 전통적 통계 모형보다 더 정확하게 예후를 예측하기 위해 고도화된 기계학습 기법을 활용한다. 방법: 2009년 3월부터 2019년 12월까지의 기간 동안 7개 기관의 자료를 사용하여 후향적 코호트 연구를 수행하였다. 기계학습 모형은 수술 전 변수 23개와 수술 후 변수 1개를 이용하여 PO-AKI 환자의 모든 원인 사망을 예측하도록 개발하였다. 모형 성능은 Cox 회귀 분석을 통한 전통적 통계적 접근과 비교하였다. 예측 성능 지표로는 일치도 지수(concordance index)를 사용하여 서로 다른 모형들 간의 예측 능력을 비교하였다. 결과: 199,403명의 환자 중 2,105명이 PO-AKI를 발생시켰다. 중앙 추적기간 144개월(사분위 범위, 99.61–170.71개월) 동안 입원 중 사망은 472건이 발생하였다. PO-AKI가 있는 대상은 그렇지 않은 대상보다 생존율이 유의하게 낮았다(p < 0.001). 사망 예측을 위한 일치도 지수에서 XGBoost와 가속 실패 시간(accelerated failure time) 모형이 0.7521로 가장 높았고, 그다음은 random survival forest(0.7371), 다변량 Cox 회귀 모형(0.7318), survival support vector machine(0.7304), gradient boosting(0.7277) 순이었다. 결론: 본 연구에서는 PO-AKI와 관련된 장기 사망률을 예측하기 위해 XGBoost와 가속 실패 시간 모형을 개발하였다. 이 모형의 성능은 기존의 관례적 모형보다 우수하였다. 기계학습 기법의 적용은 PO-AKI 이후의 사망을 보다 정확하게 예측하는 유망한 접근이 될 수 있으며, 환자 예후를 개선하기 위한 표적 중재 및 임상 지침 개발의 기반을 제공할 수 있다.

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