배경: 병원 획득 인플루엔자(Hospital-acquired influenza, HAI)는 이환율이 높고 건강 결과가 불량함에도 불구하고 과소인지되고 있다. HAI의 조기 탐지는 병원 환경에서의 전파를 억제하는 데 중요하다. 목적: 본 연구는 HAI와 관련된 요인을 조사하고 예측 모델을 개발한 다음, 이를 비교하여 HAI 발생을 예측하는 데 가장 성능이 우수한 머신러닝 알고리즘을 규명하고자 하였다. 방법: 본 후향적 관찰 연구는 2022년에 수행되었으며, 2011-2012 및 2019-2020 인플루엔자 유행 시즌의 111명의 HAI 환자와 73,748명의 비-HAI 환자를 포함하였다. 전자 의무기록에서 일반적 특성, 동반질환, 활력징후, 검사실 검사 및 흉부 X-ray 결과, 병실 정보를 분석하였다. 예측 모델 구축을 위해 로지스틱 회귀(Logistic Regression, LR), 랜덤 포레스트(Random Forest, RF), 극단적 그래디언트 부스팅(Extreme Gradient Boosting, XGB), 인공신경망(Artificial Neural Network, ANN) 기법을 사용하였다. 무작위 배정을 활용하여 데이터셋의 80%를 훈련 세트로, 나머지 20%를 테스트 세트로 구성하였다. 개발된 모델의 성능은 수신자 조작 특성 곡선(receiver operating characteristic, ROC) 아래 면적(AUC), 오분류 중 거짓음성(false negative, FN) 개수, 그리고 특징 중요도(feature importance) 결정 등을 이용하여 평가하였다. 결과: HAI 환자는 비-HAI 환자에 비해 일반적 특성, 동반질환, 활력징후, 검사실 소견, 흉부 X-ray 결과, 병실 상태에서 유의한 차이를 보였다. 개발된 모델 중 RF 모델은 AUC(83.3%)와 FN 발생(4건)을 모두 고려할 때 가장 우수한 성능을 나타냈다. 예측에 가장 영향력 있는 요인은 2인실에 머무는 것이었으며, 그 다음이 활력징후와 검사실 결과였다. 결론: 본 연구는 HAI 환자의 특성을 확인하고 인플루엔자 발생 감소에서 환기(ventilation)의 역할을 강조하였다. 이러한 결과는 병원이 감염 예방 전략을 수립하는 데 도움을 줄 수 있으며, 특히 RF 기반 머신러닝 예측 모델의 적용은 의료 환경에서 인플루엔자의 확산을 완화하기 위한 조기 개입을 가능하게 할 수 있다.
*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.