배경: 사망률을 비교할 때 질병 또는 손상의 중증도를 함께 고려해야 하므로, 중증도를 반영하는 점수체계가 개발되어 사용되어 왔다. 국제질병분류(International Classification of Disease, ICD)의 진단 코드와 활력징후는 의료 진료에서 통상적으로 사용되는 자료의 일부이므로, 이러한 일상 자료에 기반한 중증도 점수체계를 활용하면 상당한 추가 노력 없이 중증도 보정 치료 성과를 비교할 수 있을 것이다. 방법: 본 연구는 대한민국 국가응급의료정보시스템 데이터베이스에 기반하였다. 15세 이상 환자를 포함하였다. 2016년부터 2018년까지의 자료를 점수체계 개발에 사용하였고, 2019년 자료를 검증에 사용하였다. 다발성 진단을 가진 환자의 중증도를 반영하기 위해 질병 특이 생존확률(Disease-specific survival probabilities, DSPs)의 개수를 곱하여 산출하였다. 로지스틱 회귀 모형을 DSPs, 연령, 생리학적 지표를 사용하여 구축함으로써 보다 정확한 사망 예측 모형을 개발하였다. 결과: 새로 개발된 모형은 수신자판별특성 곡선(ROC)의 아래 면적이 0.975 (95% CI: 0.974-0.977)로 나타나 예측 능력을 보였다. 사망 판정을 위한 임계값 -5.869를 사용했을 때 전체 정확도는 0.958 (0.958-0.958)였다. 결론: 본 연구에서는 ICD 코드, 연령, 활력징후에 기반한 점수체계를 개발하여 응급 환자의 입원 중 사망을 예측하고자 하였으며, 양호한 성능을 달성하였다. 이 점수체계는 응급 환자의 중증도를 표준화하고 치료 결과를 비교하는 데 유용할 것이다.

서론: 급성 중독의 평가는 다양한 독성 물질과 임상 양상이 서로 달라 어렵다. 새-중독 사망 점수(new-Poisoning Mortality Score)는 최근 급성 중독 환자를 평가하기 위해 개발되었으며, 입원 중 사망을 예측하는 데 좋은 성능을 보였다. 본 연구의 목적은 새-중독 사망 점수의 성능을 외부에서 검증하고, 이를 수정된 조기경보 점수(Modified Early Warning Score)와 비교하는 것이다. 방법: 본 후향적 분석은 질병관리청(Korea Center for Disease Control and Prevention)이 구축한 2019-2020 상해 감시 코호트(Injury Surveillance Cohort)의 자료를 사용하여 새-중독 사망 점수의 외부 검증을 수행하였다. 새-중독 사망 점수 및 수정된 조기경보 점수의 통계적 성능을 판별(discrimination)과 교정(calibration) 측면에서 평가하고 비교하였다. 판별 분석에는 민감도(sensitivity), 특이도(specificity), 정확도(accuracy), 수신자 조작 특성 곡선(receiver operating characteristic curve, ROC 곡선) 아래 면적(area under the ROC curve) 등의 지표가 포함되었다. 교정 분석에서는 Hosmer-Lemeshow 적합도 검정(Hosmer-Lemeshow goodness-of-fit test)을 사용하였고, 관찰된 사망률과 예측된 사망률 간의 관계를 설명하기 위해 각 점수에 대한 교정 곡선(calibration curve)을 생성하였다. 결과: 본 연구는 급성 중독 환자 16,570명을 분석하였다. 생존자와 입원 중 사망자 사이에는 연령, 성별 및 활력징후를 포함하여 유의한 차이가 관찰되었다. 새-중독 사망 점수는 입원 중 사망 예측에서 수정된 조기경보 점수보다 더 우수한 성능을 보였으며, 수신자 조작 특성 곡선 아래 면적(0.947 대 0.800), 민감도(0.863 대 0.667), 특이도(0.912 대 0.817), 정확도(0.911 대 0.814)에서 이러한 차이가 확인되었다. 교정 곡선을 통해 평가했을 때, 새-중독 사망 점수는 예측된 사망률과 관찰된 사망률 간의 일치도가 더 좋았다. 하위집단 분석에서 점수 체계는 일관되게 강한 성능을 보였으며, 특히 사망 지표(mortality indices)가 높은 물질에서 두드러졌고, 모든 물질을 하나의 집단으로 보았을 때에도 여전히 우수하였다. 결론: 본 연구는 응급실에서 급성 중독 환자의 입원 중 사망을 예측하는 효과적인 도구로서 새-중독 사망 점수를 검증하는 데 기여하였다. 점수 체계는 다양한 지표에서 수정된 조기경보 점수보다 더 우수한 성능을 보여주었다. 본 연구 결과는 새-중독 사망 점수가 임상적 의사결정과 환자 관리의 향상에 기여할 수 있음을 시사한다.

이 연구는 다중 양식(멀티모달) 산소포화도 센서에서 얻은 근적외선 범위의 파형 데이터를 이용하여 뇌 산소포화도(cerebral oxygen saturation)를 정확하게 예측할 수 있도록 하는 기계학습 기반 알고리즘을 개발하였다. 데이터는 인기 있는 뇌용 옥시미터인 Masimo O3™ 지역 옥시메트리(Masimo O3™ regional oximetry) (Co., United States)와 다중 양식 뇌 옥시미터 Votem(Inc., Korea)에서 총 150,000개의 관측치로부터 수집되었다. 이 중 112,500개(75%)와 37,500개(25%)는 각각 훈련 및 테스트 세트로 사용하였다. 종속변수는 Masimo O3™의 뇌 산소포화도 값(0-100%)이었다. 독립변수는 측정 시간(0-300,000 ms)과 Votem에서의 16비트 소수(10진) 진폭 값(적외선 및 적색)(0-65,535)이었다. 이마 오른쪽 부위의 경우, 랜덤 포레스트의 평균제곱근오차(0.06)가 선형 회귀(1.22) 및 은닉층 1개, 2개 또는 3개를 사용한 인공신경망(2.58)보다 훨씬 작았다. 이 결과는 이마 왼쪽 부위에서도 유사하게 나타났으며, 즉 랜덤 포레스트(0.05) 대 로지스틱 회귀(1.22) 및 은닉층 1개, 2개 또는 3개를 사용한 인공신경망(2.97)이었다. 기계학습은 다중 양식 뇌 옥시미터의 데이터를 활용함으로써 뇌 산소포화도를 정확하게 예측하는 데 도움을 준다.

배경: 사망률을 비교할 때 질병 또는 손상의 중증도를 함께 고려해야 하므로, 중증도를 반영하는 점수체계가 개발되어 사용되어 왔다. 국제질병분류(International Classification of Disease, ICD)의 진단 코드와 활력징후는 의료 진료에서 통상적으로 사용되는 자료의 일부이므로, 이러한 일상 자료에 기반한 중증도 점수체계를 활용하면 상당한 추가 노력 없이 중증도 보정 치료 성과를 비교할 수 있을 것이다. 방법: 본 연구는 대한민국 국가응급의료정보시스템 데이터베이스에 기반하였다. 15세 이상 환자를 포함하였다. 2016년부터 2018년까지의 자료를 점수체계 개발에 사용하였고, 2019년 자료를 검증에 사용하였다. 다발성 진단을 가진 환자의 중증도를 반영하기 위해 질병 특이 생존확률(Disease-specific survival probabilities, DSPs)의 개수를 곱하여 산출하였다. 로지스틱 회귀 모형을 DSPs, 연령, 생리학적 지표를 사용하여 구축함으로써 보다 정확한 사망 예측 모형을 개발하였다. 결과: 새로 개발된 모형은 수신자판별특성 곡선(ROC)의 아래 면적이 0.975 (95% CI: 0.974-0.977)로 나타나 예측 능력을 보였다. 사망 판정을 위한 임계값 -5.869를 사용했을 때 전체 정확도는 0.958 (0.958-0.958)였다. 결론: 본 연구에서는 ICD 코드, 연령, 활력징후에 기반한 점수체계를 개발하여 응급 환자의 입원 중 사망을 예측하고자 하였으며, 양호한 성능을 달성하였다. 이 점수체계는 응급 환자의 중증도를 표준화하고 치료 결과를 비교하는 데 유용할 것이다.

서론: 급성 중독의 평가는 다양한 독성 물질과 임상 양상이 서로 달라 어렵다. 새-중독 사망 점수(new-Poisoning Mortality Score)는 최근 급성 중독 환자를 평가하기 위해 개발되었으며, 입원 중 사망을 예측하는 데 좋은 성능을 보였다. 본 연구의 목적은 새-중독 사망 점수의 성능을 외부에서 검증하고, 이를 수정된 조기경보 점수(Modified Early Warning Score)와 비교하는 것이다. 방법: 본 후향적 분석은 질병관리청(Korea Center for Disease Control and Prevention)이 구축한 2019-2020 상해 감시 코호트(Injury Surveillance Cohort)의 자료를 사용하여 새-중독 사망 점수의 외부 검증을 수행하였다. 새-중독 사망 점수 및 수정된 조기경보 점수의 통계적 성능을 판별(discrimination)과 교정(calibration) 측면에서 평가하고 비교하였다. 판별 분석에는 민감도(sensitivity), 특이도(specificity), 정확도(accuracy), 수신자 조작 특성 곡선(receiver operating characteristic curve, ROC 곡선) 아래 면적(area under the ROC curve) 등의 지표가 포함되었다. 교정 분석에서는 Hosmer-Lemeshow 적합도 검정(Hosmer-Lemeshow goodness-of-fit test)을 사용하였고, 관찰된 사망률과 예측된 사망률 간의 관계를 설명하기 위해 각 점수에 대한 교정 곡선(calibration curve)을 생성하였다. 결과: 본 연구는 급성 중독 환자 16,570명을 분석하였다. 생존자와 입원 중 사망자 사이에는 연령, 성별 및 활력징후를 포함하여 유의한 차이가 관찰되었다. 새-중독 사망 점수는 입원 중 사망 예측에서 수정된 조기경보 점수보다 더 우수한 성능을 보였으며, 수신자 조작 특성 곡선 아래 면적(0.947 대 0.800), 민감도(0.863 대 0.667), 특이도(0.912 대 0.817), 정확도(0.911 대 0.814)에서 이러한 차이가 확인되었다. 교정 곡선을 통해 평가했을 때, 새-중독 사망 점수는 예측된 사망률과 관찰된 사망률 간의 일치도가 더 좋았다. 하위집단 분석에서 점수 체계는 일관되게 강한 성능을 보였으며, 특히 사망 지표(mortality indices)가 높은 물질에서 두드러졌고, 모든 물질을 하나의 집단으로 보았을 때에도 여전히 우수하였다. 결론: 본 연구는 응급실에서 급성 중독 환자의 입원 중 사망을 예측하는 효과적인 도구로서 새-중독 사망 점수를 검증하는 데 기여하였다. 점수 체계는 다양한 지표에서 수정된 조기경보 점수보다 더 우수한 성능을 보여주었다. 본 연구 결과는 새-중독 사망 점수가 임상적 의사결정과 환자 관리의 향상에 기여할 수 있음을 시사한다.

이 연구는 다중 양식(멀티모달) 산소포화도 센서에서 얻은 근적외선 범위의 파형 데이터를 이용하여 뇌 산소포화도(cerebral oxygen saturation)를 정확하게 예측할 수 있도록 하는 기계학습 기반 알고리즘을 개발하였다. 데이터는 인기 있는 뇌용 옥시미터인 Masimo O3™ 지역 옥시메트리(Masimo O3™ regional oximetry) (Co., United States)와 다중 양식 뇌 옥시미터 Votem(Inc., Korea)에서 총 150,000개의 관측치로부터 수집되었다. 이 중 112,500개(75%)와 37,500개(25%)는 각각 훈련 및 테스트 세트로 사용하였다. 종속변수는 Masimo O3™의 뇌 산소포화도 값(0-100%)이었다. 독립변수는 측정 시간(0-300,000 ms)과 Votem에서의 16비트 소수(10진) 진폭 값(적외선 및 적색)(0-65,535)이었다. 이마 오른쪽 부위의 경우, 랜덤 포레스트의 평균제곱근오차(0.06)가 선형 회귀(1.22) 및 은닉층 1개, 2개 또는 3개를 사용한 인공신경망(2.58)보다 훨씬 작았다. 이 결과는 이마 왼쪽 부위에서도 유사하게 나타났으며, 즉 랜덤 포레스트(0.05) 대 로지스틱 회귀(1.22) 및 은닉층 1개, 2개 또는 3개를 사용한 인공신경망(2.97)이었다. 기계학습은 다중 양식 뇌 옥시미터의 데이터를 활용함으로써 뇌 산소포화도를 정확하게 예측하는 데 도움을 준다.

본 연구는 IHT가 입원 중 사망률 증가와 유의하게 관련된 중요한 요인임을 확인하였다. 또한 IHT와 관련된 위험을 완화하기 위한 정책의 필요성을 시사하였으며, 특히 중증 환자, 급성기 반응이 있는 환자, 감염성 질환 및 비뇨생식기와 호흡기 질환 환자에서 그러하였다.

배경: 심정지 이후 최적 평균동맥압(MAP) 범위는 아직 불확실하다. 본 연구는 소생술 후 초기 기간 동안 MAP과 신경학적 예후 간의 연관성을 조사하고, 양호한 예후와 관련된 최적 MAP 범위를 규명하고자 하였다. 방법: 본 후향적 관찰 연구에는 3차 의료기관에서 치료받은 심정지 후 환자 291명이 포함되었다. 자발순환회복(ROSC) 후 처음 24시간 동안의 시간당 MAP 측정치를 이용하여 양호한 신경학적 예후를 예측하기 위한 5개의 머신러닝 모델을 비교하였으며, 성능이 우수한 Random Forest 모델을 선택하였다. 변수 중요도와 Shapley Additive exPlanations(SHAP)를 사용하여 MAP과 양호한 신경학적 예후 간의 연관성을 분석하였다. SHAP 의존성 플롯을 이용하여 양호한 예후와 관련된 최적 MAP 범위를 확인하였다. 또한 국소적으로 해석 가능한 모델-불가지(agnostic) 설명인 LIME 및 SHAP force plot을 통해 개별 수준의 예측을 해석하였다. 결과: 머신러닝 분석 결과, MAP은 양호한 신경학적 예후와 연관되었으며, ROSC 후 처음 6시간 동안 변수 중요도가 더 높게 나타났다. SHAP 분석에서는 MAP과 양호한 신경학적 예후 간에 역U자형(inverted U-shaped) 관계가 관찰되었고, 최적 역치가 79.56 mmHg(IQR: 73.70-82.54)로 확인되었다. 이 역치는 초기(1-6시간: 79.26 mmHg) 및 후기(7-24시간: 80.09 mmHg) 시간대 모두에서 일관되게 유지되었다. SHAP 및 LIME을 이용한 개별 수준의 설명은 소생술 후 초기 기간 동안 더 높은 MAP을 유지하는 것이 예후 예측에 긍정적으로 기여함을 시사하였다. 결론: 머신러닝 분석은 MAP을 양호한 신경학적 예후의 주요 예측인자로 확인하였으며, ROSC 후 처음 6시간 동안 변수 중요도가 더 높았다. MAP은 양호한 신경학적 예후와 역U자형 관계를 보였고, 최적 역치는 약 80 mmHg였다.

쇼크는 전반적인 순환 부전으로 특징지어지는 생명을 위협하는 상태이며, 적절한 치료가 신속히 이루어지지 않으면 치명적인 결과로 이어질 수 있다. 따라서 초기 예측과 생리적 징후에 대한 지속적 모니터링은 시의적절한 개입을 위해 필수적이다. 임상 환경에서의 선행 기계학습 연구는 주로 악화 사건의 발생 시점을 예측하는 데 초점이 맞추어져 왔으나, 사건 발생 이후 환자의 진행 상태를 모니터링하는 중요성은 종종 간과되어 왔다. 본 연구에서는 쇼크 발생 전 8시간 이내의 발생 여부를 매시간 예측하고, 쇼크 발생 이후 1시간 동안 쇼크가 지속될 가능성에 대한 예측까지 제공하는 예후 모니터링 시스템을 위한 새로운 분석 프레임워크를 제안한다. 우리는 환자의 생리적 상태를 네 가지 경우로 분류하였다: 쇼크 전 단계(비-쇼크 또는 향후 8시간 내 쇼크 발생)와 쇼크 이후 발병(향후 1시간 내 쇼크의 지속 또는 개선)이다. 이러한 경우들을 효과적으로 예측하기 위해 우리는 지도된 대조 학습(supervised contrastive learning)을 채택하여 잠재 공간에서 예측 모델 학습을 위한 차별적 표현을 가능하게 한다. 또한 효과적인 대조 임베딩을 추출하기 위해 접근 방식에 특징 토크나이저 트랜스포머(feature tokenizer transformer)를 통합한다. 본 프레임워크는 대조 임베딩을 활용할 때 기준 모델(baseline models) 대비 향상된 예측 성능을 보였으며, 내부 및 외부 데이터셋을 통해 검증되었다. 임상적으로, 본 시스템은 평균적으로 쇼크 발병 6시간 전에 쇼크를 식별함으로써 조기 감지를 유의하게 개선하였다. 본 프레임워크는 쇼크 발생 가능성에 대한 조기 예측뿐 아니라 쇼크 지속 위험에 대한 실시간 평가를 제공하여, 조기 예방과 치료 효과의 조기 평가를 가능하게 한다.

WRS는 패혈증 환자에서 임상적 예후를 효과적으로 예측했으며, 신기능 장애 또는 요로감염 환자에서 더 유용할 수 있다.