What Drives Length of Stay After Elective Spine Surgery? Insights from a Decade of Predictive Modeling

기술적 요약: 무엇이 선택적 척추 수술 후 입원 기간을 결정하는가? 10년간의 예측 모델링을 통한 통찰

문제 정의
선택적 척추 수술을 받는 환자의 입원 기간(Length of Stay, LOS)을 예측하는 것은 환자 결과를 최적화하고, 병원 수용 능력을 관리하며, 약 $2,883에 달하는 입원 일일 평균 비용을 제어하는 데 매우 중요하다. 인공지능(AI) 및 머신러닝(ML)과 같은 계산 방법론이 발전해 왔으나, 이 특정 영역에서 어떤 모델이 LOS 예측에 있어 우수한 정밀도와 정확도를 제공하는지는 여전히 불분명하다. 또한, 기존의 체계적 문헌 고찰들은 (LOS만을 독점적으로 다루지 않고) 다양한 결과에 초점을 맞추었거나, ML과 전통적인 통계적 접근 방식 간의 상세한 비교가 부족했거나, 모델 성능을 구동하는 특정 예측 변수를 구분하지 못했다는 한계가 있다. 표준화된 결과 정의, 외부 검증, 그리고 선택적 척추 수술에 특화된 모델 성능의 비교 분석에 관한 문헌상의 공백이 존재한다.

방법론
본 연구는 PRISMA 가이드라인에 따라 수행된 체계적 문헌 고찰이다.

• 검색 전략: 저자들은 2015년 12월 1일부터 2024년 12월 1일 사이에 발표된 연구를 대상으로 PubMed, Google Scholar, ACM Digital Library를 검색하였다.
• 선정 기준: 데이터 기반 기술(통계 또는 ML 모델)을 사용하여 선택적 척와 환자의 LOS를 예측하는 독창적인 실증 연구로서, 영어로 작성되고 전문 접근이 가능한 연구를 포함하였다.
• 선별 과정: 초기 1,263개의 연구 풀에서 제목, 초록, 전문 스크리닝을 거쳐 29개의 연구가 선정 기준을 충족하였다.
• 데이터 추출: 두 명의 독립적인 검토자가 연구 특성, 모델링 접근 방식(통계 vs ML vs NLP), 결과 정의(연속형, 이진형 또는 백분위 기반), 예측 변수, 성능 지표(AUC, 정확도, 정밀도, 재현율, F1 점수)를 포함하는 포괄적인 코드북을 사용하여 데이터를 추출하였다.
• 품질 평가: 편향 위험은 Cochrane risk of bias 도구를 사용하여 평가되었다.

주요 기여

• 집중된 범위: 광범위한 결과를 다루었던 이전의 리뷰(예: Lubelski 등)와 달리, 본 연구는 LOS 예측인 선택적 척추 수술만을 독점적으로 분석한다.
• 시간적 확장: 2020년 이후 발표된 16개의 논문을 추가로 포함하여, 최근의 AI 방법론 및 데이터 통합의 발전을 포착하였다.
• 세밀한 예측 변수 분석: 본 연구는 인구통계학적, 임상적, 운영적, 맥락적 예측 변수의 방대한 배열을 체계적으로 분류 및 분석하여 어떤 변수가 모델 성능에 가장 유의미한 영향을 미치는지 식별하였다.
• 비교 성능 분석: 로지스istic 회귀, 랜덤 포레스트, 부스팅 알고리즘, 신경망을 포함한 다양한 모델의 성능 점수를 직접 비교하여, 주요 지표를 기준으로 가장 우수한 성능을 보이는 모델을 식별하였다.

결과

• 연구 특성: 포함된 29개의 연구는 대부분 회고적(90%)이었으며, 표본 크기는 77명에서 453,717명 사이였다. 데이터 소스는 전자 건강 기록(44.8%), NSQIP과 같은 국가 데이터베이스(20.7%), 주 단위 데이터베이스 등을 포함하였다. 연구의 72.4%는 2020년에서 2024년 사이에 발표되었다.
• 모델링 접근 방식:
  • 통계 모델: 로지스틱 회귀가 가장 흔한 접근 방식(68.97%의 연구)이었으며, 주로 베이스라인 역할을 하였다.
  • 머신러닝: 24.1%의 연구가 랜덤 포레스트, 그래디언트 부스팅(XGBoost, LightGBM), 서포트 벡터 머신(SVM), K-최근접 이웃(KNN)을 포함한 ML 방법을 채택하였다.
  • 하이브리드 접근 방식: 17.24%의 연구가 통계 및 ML 방법을 비교하였다.
• 성능:
  • ML 모델은 일반적으로 전통적인 통계 모델보다 우수한 성능을 보였으며, 상위 성능 연구에서의 AUC 값은 0.94에서 0.99 사이였다.
  • 최고 성능 모델: K-최근접 이웃(KNN)과 적응형 부스팅을 적용한 나이브 베이즈가 가장 높은 AUC(각각 0.99와 0.94)를 기록하였다. 랜덤 포레스트와 그래디언트 부스팅 모델 또한 자주 0.80 이상의 AUC를 초과하며 우수한 성능을 입증하였다.
  • 로지스틱 회귀 모델은 준수한 성능을 보였으나, AUC는 일반적으로 0.70에서 0.80 사이로 나타났다.
• 주요 예측 변수:
  • 인구통계학: 연령이 가장 중요한 예측 변수였으며(79.3%의 연구에 포함), 고령 환자는 더 긴 LOS와 연관이 있었다.
  • 임상적 요인: 동반 질환, 특히 고혈압, 당뇨병, 심혈관 질환은 강력한 예측 변수였으며 79.3%의 연구에 포함되었다.
  • 수술적 요인: 수술 시간과 추정 출혈량은 핵심적인 요소로, 각각 72.4%와 55.2%의 연구에서 연장된 LOS와 연결되었다. 최소 침습 수술은 62.1%의 연구에서 더 짧은 LOS와 연관되었다.

의의 및 주장
본 논문은 ML 모델이 퇴원 계획 및 병원 자원 관리를 개선할 강력한 잠재력을 가지고 있으나, 현재 그 임상적 유용성은 표준화 및 외부 검증의 부족으로 인해 제한적이라고 주장한다.

• 현재 상태: 본 리뷰는 ML 모델, 특히 앙상블 방법과 KNN 및 나이브 베이즈와 같은 특정 알고리즘이 척추 수술 데이터의 복잡한 비선형 관계를 처리하는 데 있어 전통적인 통계적 접근 방식을 능가할 잠재력이 있음을 강조한다.
• 한계점: 저자들은 많은 연구가 견고한 외부 검증이 부족하고, 표본 크기가 작으며, LOS 결과 정의가 일관되지 않아 직접적인 비교가 어렵다는 점을 지적한다.
• 향후 방향: 본 논문은 향후 연구가 표준화된 결과 정의, 투명한 보고, 그리고 미묘한 환자 이력을 포착하기 위해 비정형 데이터(예: NLP/LLM을 통한 임상 노트)를 통합하는 것을 우선시해야 한다고 권고한다. 또한 하이브리드 딥러러닝 모델과 고급 아키텍처(예: GNN, 어텐션 메커즘)가 유망한 미래 방향이지만, 아직 검토된 척추 수술 문헌에서는 표준이 아니라고 제안한다.

결론적으로, 본 연구는 데이터 기반 예측 모델링을 선택적 척추 수술 케어를 최적화하기 위한 필수적인 도구로 위치시키면서도, 광범적인 실무 배치를 위해서는 검증 및 데이터 표준화의 격차를 해결해야 함을 강조한다.