Risk Stratification for ICU Delirium using Pervasive Ambient Sensing Information

기술 요약: 퍼베이시브 환경 센싱 정보를 이용한 중환자실 섬망 위험 계층화

문제 정의
섬망은 중환자실(ICU)에서 흔히 발생하는 심각한 합병증으로, 이환율 증가, 입원 기간 연장 및 상당한 의료 비용(연간 약 40억~160억 달러로 추정)과 관련이 있다. 현재의 진단은 간호사가 실시하는 CAM-ICU(Confusion Assessment Method ICU)에 의존하고 있으나, 이는 측정 빈도가 낮고(최저 38%의 입원 환자만 측정됨) 증상이 나타난 후 사후적으로 식별된다는 단점이 있다. 주변 광도 및 소음과 같은 환경적 요인이 생체 리듬 교란에 기여한다는 사실은 알려져 있으나, 이러한 환경 변수(음압 및 빛 강도)를 활용하여 전향적으로 예측하는 위험 평가 모델을 개발한 선행 연구는 없었다.

방법론
본 연구는 2019년 5월부터 2024년 9월까지 플로리다 대학교 샌즈 병원(University of Florida Shands Hospital)에서 진행된 두 건의 전향적 단일 센터 연구(PAIN 및 ADAPT) 데이터를 활용하였다.

• 코호트: 최종 ICU-ENV 데이터셋은 18세 이상이며 ICU에 입원하여 최소 24시간 이상 체류할 것으로 예상되는 309명의 환자(개발용 247명, 테스트용 62명)로 구성되었다.
• 데이터 수집:
  • 주변 센서: 빛 강도는 ActiGraph GTX3+(PAIN 연구) 및 Thunderboard Sense 2(ADAPT 연구)를 통해 수집되었다. 음압은 iPod Touch와 AudioTools(PAIN) 및 Thunderboard Sense 2(ADAPT)를 통해 수집되었다.
  • 정답(Ground Truth): 섬망 상태는 RASS(Richmond Agitation Sedation Scale), GCS(Glasgow Coma Scale), CAM-ICU 점수를 기반으로 한 복합 알고리즘을 사용하여 전자 건강 기록으로부터 매일 도출되었다.
• 전처리:
  • 빛 데이터: "주간"(07:00–18:59)과 "야간"(19:00–06:59)으로 평균화하였다.
  • 소음 데이터: 7가지 통계적 기술자($L_{max}$, $L_{min}$, $L_{99}$, $L_{90}$, $L_{50}$, $L_{10}$, $L_{01}$)로 변환하였다.
  • 윈도잉(Windowing): 데이터는 7일간의 관찰 창을 기준으로 제로 패딩(zero-padding)되었다. 10개의 예측 지평(관찰 후 1~7일, 14일, 21일, 28일)을 정의하였다.
• 모델 아키텍처: 네 가지 순차적 신경망 모델인 LSTM, GRU, CNN, Transformer를 평가하였다. CNN 모델이 가장 우수한 성능을 보였다.
• 해석 가능성: 특성 중요도와 영향의 방향을 결정하기 위해 SHAP(Shapley Additive Explanations) 분석을 사용하였다.

주요 결과

• 모델 성능: 합성곱 신경망(CNN)이 모든 데이터셋에서 가장 강력한 판별력을 달성하였다.
  • 소음 전용 모델: AUC 0.80을 달eric하였으며, 28일 예측 창에서 정점을 찍었다.
  • 빛 전용 모델: 중간 정도의 성능을 보였으며, 5일 예측 창에서 정점을 찍었다.
  • 결합 모델 (소음 + 빛): 7일 예측 창에서 가장 높은 위험 계층화 점수를 달성하였다. 결합 모델은 소음 전용 모델에 비해 전체적인 분류 정확도는 약간 감소했으나, 조기 위험 탐지 능력을 유의미하게 개선했다.
• 위험 계층화: 결합 모델은 센싱 직후(1일 차)에 가장 높은 상대 위험도(RR)를 할당하였는데, 이는 소음 전용 모델보다 1.8배, 빛 전용 모델보다 2.6배 높은 수치이다.
• 특성 중요도 (SHAP 분석):
  • 소음: 소음 특성이 지배적인 예측 변수였다. 특히 주간 $L_{90}$(지속적인 전경 소음)과 야간 $L_{max}$가 유의미한 양의 예측 변수였다. 반대로 주간 $L_{min}$(배경 소음)은 음의 예측 변수였다.
  • 빛: 야간 빛 강도보다 주간 빛 강도가 더 중요했다.
  • 상호작作用: 결합 모델에서도 소음 특성이 빛 특성보다 더 많은 정보를 제공하였다.

의의 및 주장
저자들은 이것이 오직 주변 환경 요인(빛과 소음)만을 사용하여 ICU 섬망 발생을 예측하고 위험을 계층화하는 타당성을 조사한 첫 번째 연구라고 주장한다.

• 임상적 유용성: 본 연구는 수동적 주변 센싱, 특히 소음이 섬망 위험 추정에 있어 임상적으로 의미 있고 해석 가능한 신호를 제공함을 입증한다.
• 조기 개입: 소음을 빛 데이터와 통합하는 것은 센싱 직후(초기 시점)에 더 높은 위험 점수를 부여함으로써, 다각적인 ICU 전략을 풍부하게 하고 잠재적으로 조기 개입을 용이하게 하는 실질적인 경로를 제공한다.
• 한계점: 저자들은 표본 크기(309명)가 작다는 점이 모델의 견고성을 제한하며, 과적합을 피하기 위해 많은 파라미터 수를 가진 모델을 학습시키는 데 제약이 있음을 인정하였다. 또한, 센서 간의 배치 효과(특히 빛 강도 분포와 관련하여)가 빛 전용 모델의 낮은 성능에 기여했을 수 있음을 언급하였다.

결론
본 연구는 중환자실 내 섬망 위험을 모니터링하기 위한 퍼베이시브 센싱(pervasive sensing) 활용의 토대를 마련하였다. 음압 수준이 예측 정확도의 주요 동력임이 입증되었으나, 빛 데이터를 통합함으로써 위험 평가의 시간적 해상도를 높여 기존의 임상 평가를 보완할 수 있는 비침습적이고 지속적인 모니터링 접근 방식을 제공한다.