📄 intensive care and critical care medicine

Development of an Intelligent Predictive Indicator System for Weaning and Extubation Timing in Mechanically Ventilated Patients Based on the Delphi Method

본 연구는 델파이 기법을 활용하여 기계 환기 환자의 이탈 및 발관 시기를 안내하기 위한 6개의 주요 지표와 58개의 하위 지표로 구성된 포괄적이고 전문가 검증을 거친 지능형 예측 지표 체계를 개발함으로써, 중환자실에서의 임상 의사 결정 지원 및 지능형 평가를 위한 견고한 프레임워크를 구축하였다.

원저자: Li, P., Wang, Y., Zhang, Y., Meng, X., Zhang, H.

게시일 2026-08-04

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Li, P., Wang, Y., Zhang, Y., Meng, X., Zhang, H.

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ⚕️ 이것은 동료 심사를 거치지 않은 프리프린트의 AI 생성 설명입니다. 의학적 조언이 아닙니다. 이 내용을 바탕으로 건강 관련 결정을 내리지 마세요. 전체 면책 조항 읽기

중환자실(ICU)을 환자의 생명 유지 장치가 비행기인 고도의 긴장감이 흐르는 조종석이라고 상상해 보십시오. 환자가 스스로 숨을 쉴 수 없을 때, 그들을 대신해 일을 해줄 기계가 필요합니다. 하지만 모든 비행에는 까다로운 순간이 있습니다. 바로 조종사가 언제 다시 조종간을 잡게 할 것인지 결정하는 순간입니다. 너무 일찍 조종사에게 제어권을 넘기면 비행기가 추락할 수도 있고(환자가 다시 호흡 곤란을 겪음), 너무 오래 기다리면 조종사의 근육이 가만히 앉아 있는 동안 약해지거나 기체가 추가적인 무게로 인해 손상될 수도 있습니다. 현재 의사와 간호사들은 완벽한 대시보드 없이 감각에만 의존해 비행하는 조종사처럼, 경험에 기반해 이 타이밍을 추측해야 하는 경우가 많습니다. 이는 잘못된 추측이 기계 의존 시간 연장, 감염 증가, 또는 더 나쁜 결과로 이어질 수 있기 때문에 위험합니다. 큰 질문은 이것입니다. 기계 호흡에서 인간의 호흡으로 전환하는 정확한 시점을 알려주는 초스마트 디지털 대시보드를 어떻게 구축할 것인가?

이 논문은 그 디지털 대시보드의 설계도를 만드는 것에 관한 것입니다. 베이징 대학 인민 병원의 연구팀은 단순히 추측하는 것을 멈추고 '스마트'한 시스템을 설계하기로 했습니다. 그들은 단순히 규칙 목록을 임의로 만든 것이 아니라, **델파이 기법(Delphi method)**이라 불리는 방법을 사용했습니다. 이는 마치 매우 진지한 다회차 '전문가 합의' 게임을 개최하는 것과 같습니다. 전 세계 최고의 ICU 의사, 간호사, 호흡 치료사 21명을 가상 공간에 모아놓고, "환자가 스스로 숨을 쉴 준비가 되었다는 것을 알려주는 가장 중요한 신호는 무엇입니까?"라고 묻는 것과 같습니다.

연구진은 가능한 모든 단서를 찾기 위해 수천 건의 기존 의학 연구들을 파헤치기 시작했습니다. 그 결과 혈액 검사 결과부터 환자의 폐 상태에 이르기까지 204개의 잠재적 단서가 담긴 복잡한 더미를 얻었습니다. 그런 다음 이 목록을 21명의 전문가에게 보냈습니다. 전문가들은 각 단서가 얼마나 중요한지를 "중요하지 않음"부터 "매우 중요함"까지의 척도로 평가했습니다. 또한 그들은 용어에 대해 논쟁하고 자신들이 생각하는 누락된 아이디어를 추가했습니다.

첫 번째 투표가 끝난 후, 팀은 이를 정리할 필요가 있음을 깨달았습니다. 그들은 13개의 새로운 단서(통증 확인이나 호흡관 주변의 공기 누출 정도 등)를 추가하고 일부 카테고리를 분리했습니다. 그리고 수정된 목록을 동일한 전문가들에게 두 번째 라운드로 보냈습니다. 이번에 전문가들은 자신의 답변에 더욱 확신을 가졌습니다. 결과는 어떠했을까요? 깔끔하고 체계적이며 높은 합의를 이룬 6개의 주요 카테고리와 58개의 구체적인 세부 규칙이 도출되었으며, 이는 인공호흡기 적용 환자의 여정 전체를 포괄합니다.

연구 결과는 다음과 같습니다:

시스템의 완전성: 새로운 목록은 환자가 ICU에 도착하기 전의 의료 기록부터 기계에서 떼어내는 순간, 그리고 그 직후에 일어나는 일까지 모든 것을 다룹니다. 이는 환자가 도착한 순간부터 안전해질 때까지 따라다니는 체크리스트와 같습니다.
간호사와 기계를 위한 설계: 전문가들은 이 목록에 통증 점수나 환자의 의식 상태와 같이 간호사가 침상 옆에서 실제로 측정할 수 있는 것들이 포함되도록 했습니다. 또한, 나중에 컴퓨터 프로그램("지능형 예측 시스템")이 데이터를 쉽게 읽을 수 있도록 데이터를 구성했습니다.
전문가들의 합의: 의사와 간호사들은 환자의 호흡 속도, 폐의 강도, 그리고 "어려운 기도(difficult airway)" 여부와 같은 가장 결정적인 징후들에 대해 거의 100%에 가까운 합의를 이루었습니다.
"미결" 목록: 환자의 성별이나 특정 혈당 수치와 같이 전문가들 사이에서 의견이 완전히 일치하지 않은 항목들도 있었습니다. 논문은 이 항목들이 여전히 유용할 수 있지만, 최종 시스템에 정말 필요한지 증명하기 위해 더 많은 테스트가 필요하다고 제안합니다.

논문은 이 새로운 "지표 시스템"이 스마트한 컴퓨터 프로그램을 만들기 위한 토대로 사용될 준비가 되었다고 결론짓습니다. 이것은 아직 완성된 컴퓨터 프로그램은 아니지만, 그 프로그램을 위한 완벽한 설명서입니다. 전문가가 승인한 표준화된 관찰 목록을 보유함으로써, 병원은 궁극적으로 간호사와 의사가 환자를 인공호흡기에서 떼어내는 시점에 대해 더 안전하고, 빠르고, 정확한 결정을 내릴 수 있도록 돕는 도구를 구축할 수 있습니다. 저자들은 이 시스템이 과학적으로 견고하며, 다음 단계인 실제 병원에서의 테스트를 통해 환자들이 더 편하게 숨을 쉴 수 있도록 돕는지 확인될 준비가 되었다고 확신합니다.

기술 요약: 위닝(Weaning) 및 발관(Extubation) 시기 예측을 위한 지능형 예측 지표 시스템 개발

문제 제점
기계 환기는 중환자실(ICU)에서 매우 중요한 생명 유지 중재술이지만, 위닝 및 발관의 시기를 결정하는 것은 여전히 복잡한 임상적 과제이다. 현재의 임상 관행은 의사의 경험에 크게 의존하고 있으며, 표준화되고 통일된 평가 지표 시스템이 부족하다. 기존 도구들은 종종 단일 차원에 국한되어 있어, 포괄적이고 역동적이며 정밀한 평가를 지원하지 못한다. 조기 발관은 재삽관 및 사망의 위험을 높이는 반면, 지연된 발관은 합병증과 자원 소비를 증가시킨다. 또한, 중환자 간호 분야에서는 보조적 평가를 위한 표준화된 지원 도구가 부족하여 간호 중재의 효과를 제한하고 있다. 중환자 치료 분야에서 인공지능이 부상함에 따라, 지능형 예측 및 의사결정 지원 시스템의 기초가 될 수 있는 과학적이고 체계적인 지표 시스템이 절실히 필요하다.

연구 방법론
본 연구는 지표 체계를 구축하기 위해 델파이 기법(Delphi method)과 체계적 문헌 고찰을 엄격하게 결속하여 사용하였다.

초기 항목 풀 생성: 연구진은 2025년 12월까지 6개의 데이터베이스(CNKI, Wanfang, VIP, PubMed, Embase, Cochrane Library)를 통해 포괄적인 검색을 수행하여 1,869개의 논문을 식별하였다. 스크리닝 및 5명의 숙련된 임상의와의 전문가 인터뷰를 거쳐, 204개의 항목(1차 지표 5개, 2차 지표 46개, 3차 지표 153개)으로 구성된 초기 풀을 구축하였다.
전문가 패널: 중국 내 3차 병원에서 근무하는 21명의 전문가 패널을 선정하였으며, 이들은 중환자 의사, 호흡기 치료사, 중환자 간호사(간호 측면의 대표성 강조)로 구성되었다. 모든 전문가는 10년 이상의 경력을 보유하였으며 중급 또는 상급 직위를 가지고 있었다.
델파이 과정: 2026년 2월과 4월에 이메일 및 WeChat을 통해 두 차례의 컨설팅을 실시하였다.
- 1차 라운드: 전문가들은 203개 항목에 대해 5점 리커트 척도로 중요도를 평가하고 질적 피드백을 제공하였다.
- 2차 라운드: 1차 라운드의 통계 분석 및 피드백을 바탕으로 수정된 211개 항목의 설문지를 배포하였다.
통계 분석: 데이터는 SPSS 26.0을 사용하여 분석되었다. 주요 지표는 다음과 같다:
- 전문가 권위( $C_r$ ): 친숙도 계수( $C_s$ )와 판단 근거 계수( $C_a$ )의 평균값으로 계산되었다.
- 합의도: Kendall의 W 계수와 변동 계수(CV)를 사용하여 측정되었다.
- 항목 선별: 평균 중요도 점수(≥4.00), CV(≤0.25) 및 질적 전문가 권고에 따라 항목을 유지, 수정 또는 삭제하였다.

주요 결과

전문가 참여 및 권위: 두 라운드 모두 100%의 유효 응답률을 달了하였다. 전문가 권위 계수는 1차 라운드의 0.89에서 2차 라운드 0.93로 증가하여, 허용 기준치인 0.70을 상회하였다. 특히 친숙도 계수가 0.80에서 0.96으로 눈에 띄게 향상되었는데, 이는 시스템에 대한 전문가의 이해가 심화되었음을 나타낸다.
합의도: Kendall의 W 계수는 두 라운드 모두 통계적으로 유의미하였다( $P < 0.001$ ; 1차 0.244, 2차 0.079). 2차 라운드에서 W 값이 약간 감소한 것은 새로운 지표의 추가 및 구조적 재분류 때문이며, 이는 다회차 델파이 연구에서 흔히 발생하는 현상이지 평가 편향이 아니다.
시스템 구조: 최종 시스템은 6개의 1차 지표와 58개의 2차 지표(관련 3차 지표 포함)로 구성된다. 1차 지표는 전체 임상 궤적을 포괄한다:
1. 병력 (Medical History)
2. ICU 입실 평가 (ICU Admission Assessment)
3. 위닝 전/발관 전 평가 (Pre-Weaning/Extubation Assessment)
4. 위닝 평가 (Weaning Assessment)
5. 발관 평가 (Extubation Assessment)
6. 위닝/발관 후 결과 (Post-Weaning/Extubation Outcomes)
지표 정교화: 이 과정을 통해 13개의 항목이 추가, 23개가 수정되었으며, "위닝/발관" 차원을 별도의 "위닝" 및 "발관" 평가로 분리하였다. 높은 지지를 받은 간호 특화 지표로는 RASS 점수, 통증 점수, 커프 누출 검사(cuff leak test), 그리고 침상 옆 구동 압력(bedside driving pressure) 등이 포함되었다.
불일치 항목: 성별, 혈당, 혈액 요소 질소(BUN)와 같은 지표들은 2차 라운드 이후에도 일부 불일치(CV > 0.25)를 유지하였다. 저자들은 이를 직접적인 인과 관계 증거의 부족과, 즉각적인 예측 가치에 대한 의료직과 간호직 간의 관점 차이 때문인 것으로 보고 있다. 이들은 "검증 대기 지표"로 지정되었다.

의의 및 주장
저자들은 본 연구가 포괄적이고 간호 실무가 가능하며 지능형 시스템과 호환되는 지표 프레임워크를 성공적으로 개발했다고 주장한다. 주요 기여는 다음과 같다:

표준화: 본 시스템은 의사의 의사결정과 간호사의 평가 사이의 간극을 메우는 통합되고 표준화된 평가 도구를 제공하며, 현재 중환자 간호에서 부족한 표준화된 지원 도구 문제를 해결한다.
지능형 준비성: 평가 차원을 분리하고 명확한 시점과 함께 용어를 표준화함으로써, 본 시스템은 머신러닝 알고리즘 및 지능형 예측 모델의 데이터 형식 요구 사항을 충족하도록 구조적으로 설계되었다.
임상 운용성: 특정 침상 옆 간호 지표(예: 커프 누출 검사, RASS 점수)를 포함함으로써, 본 시스템이 단순한 이론에 그치지 않고 임상 적용에 실용적임을 보장한다.
AI를 위한 토대: 본 시스템은 위닝 및 발관 시기에 대한 위험 경고 및 지능형 예측 시스템 개발을 위한 핵심적인 이론적 근거 역할을 한다.

저자들은 본 시스템이 향후 가중치 부여(계층 분석 과정, AHP 활용)와 예측 성능 및 환자 결과에 미치는 실제적 영향을 확인하기 위한 대규모 다기관 전향적 검증이 필요함을 인정하며 신중한 입장을 유지하고 있다. 이들은 현재의 작업이 필요한 지표 프레임워크를 구축한 것이지, 아직 완전히 검증된 임상 예측 모델을 구성하는 것은 아님을 강조한다.

유사한 논문