Construction of a machine learning-based prediction model for intraoperative acquired pressure injury in children undergoing neurosurgery

기술 요약: 소아 신경외과 수술 환자의 수술 중 발생 압박 손상 예측을 위한 머신러닝 기반 예측 모델 구축

문제 제기
수술 중 발생 압박 손상(Intraoperative acquired pressure injury, IAPI)은 신경외 수술을 받는 소아 환자들에게 빈번하고 심각한 합병증이다. 이러한 수술의 섬세한 특성상, 강제적인 자세 유지의 필요성, 국소 조직 압박을 유발하는 기구 사용, 그리고 장기간의 수술 후 침상 안정이 필요하기 때문에 소아 환자들은 높은 위험에 노출된다. 기존 연구들은 신경외과 소아 환자에서 약 11.5%의 발생률을 보고했으나, 이 인구 집단에 대한 구체적인 위험 요인은 완전히 이해되지 않은 상태이다. 또한, 기존의 예측 도구인 노모그램(nomogram)은 중간 정도의 예측 효능(c-index = 0.79)만을 보여주었다. 현재까지 신경외과 수술을 받는 소아의 IAPI를 예측하기 위해 머신러닝(ML) 기법을 사용하여 모델을 구축한 연구는 보고된 바 없다.

연구 방법론
본 회고적 연구는 2023년 1월부터 6월 사이 충칭의 한 3차 소아 전문 병원에서 신경외 수술을 받은 776명의 아동(연령 ≤18세)의 임상 데이터를 활용하였다. 본 연구는 표본 크기 계산을 위해 10 events per variable (EPV) 원칙을 준수하였으며, 최종적으로 14개의 잠재적 위험 요인을 포함하였다.

• 데이터 수집 및 전처리: 데이터에는 인구통계학적 정보, 수술 전 실험실 수치(헤모글로빈, 헤마토크릿, BMI, Braden Q 점수), 그리고 수술 중 변수(ASA 분류, 수술 자세, 수술/마취 시간, 출혈량, 전동 도구 사용, 저체온증)가 포함되었다. IAPI는 2019 NPUAP 기준에 따라 진단되었다.
• 특징 선택 (Feature Selection): 변수를 스크리닝하고 차원을 축소하기 위해 LASSO(Least Absolute Shrinkage and Selection Operator) 회귀를 사용하여 비제로 계수를 가진 13개의 특징을 선택하였다.
• 모델 구축: 데이터셋은 훈련 세트(70%)와 검증 세트(30%)로 분할되었다. 9가지 머신러닝 알고리즘(Logistic Regression, Random Forest, Neural Network, XGBoost, Gradient Boosting Machine, Support Vector Machine, Naive Bayes, K-Nearest Neighbors, Decision Tree)이 구현되었다.
• 최적화 및 검증: 모델은 훈련 세트에 대한 10-겹 교차 검증(ten-fold cross-validation)과 그리드 탐색(grid search)을 통해 튜닝되었다. 성능은 AUC(Area Under the Receiver Operating Characteristic Curve), 민감도, 특이도, 정밀도, F1 점수 및 결정 곡선 분석(DCA)을 사용하여 평가되었다.
• 해석 가능성: 최적의 모델은 SHAP(SHapley Additive exPlanations)을 사용하여 분석되었으며, 이를 통해 특징의 중요도를 시각화하고 의사결정 과정을 설명하였다.

주요 결과

• 발생률: 코호트 내 관찰된 IAPI 발생률은 7.9%(62/766)였다. 대부분의 손상은 1단계(Stage I)였으며(95.16%), 가장 흔한 발생 부위는 뺨, 이마, 관자놀이였다.
• 특징 선택: LASSO 회귀를 통해 연령, 성별, Braden Q 점수, 수술 전 헤마토크릿, 수술 중 출혈량, 수술 시간, 마취 시간, 수술 자세, 전동 도구 사용, ASA 분류, 수술 유형, BMI를 포함한 13가지 핵심 예측 인자를 식별하였다.
• 모델 성능: 9가지 알고리즘 중 XGBoost 모델이 가장 안정적이고 최적의 성능을 보였다.
  • 검증 세트 지표: XGBoost는 AUC 0.7325, 민감도 0.8889, 특이도 0.4813, 정밀도 0.126, F1 점수 0.2207을 달성하였다.
  • 비교: XGBoost 모델은 저자들의 이전 노모그램 모델(0.79)보다 AUC는 약간 낮았으나, 더 높은 민감도를 보였다. 결정 곡선 분석(DCA) 결과, XGBoost가 검증 세트에서 가장 큰 순 임상 이득(net clinical benefit)을 제공하는 것으로 나타났다.
• 위험 요인 분석: SHAP 시각화 결과, 모델의 예측을 주도하는 상위 6가지 위험 요인은 수술 중 출혈량, 수술 자세, 환자 연령, 수술 시간, 마취 시간, 그리고 외부 힘의 사용(예: 드릴/밀링 커터)으로 확인되었다.

핵심 기여

1. 새로운 ML 적용: 본 연구는 신경외과 수술을 받는 소아의 IAPI를 위한 머신러닝 기반 예측 모델을 구축함으로써, 기존에 보고되지 않았던 공백을 메웠다.
2. 알고리즘 비교: 9가지 서로 다른 머신러닝 알고리즘을 체계적으로 비교하여, 이 특정 임상 맥락에서 XGBoost가 우수한 모델임을 확인하였다.
3. 해석 가능성: SHAP 분석을 통합함으로써 "블랙박스" 형태의 예측을 넘어, 특정 임상 지표(출혈량 및 수술 자세 등)가 부상 위험에 어떻게 영향을 미치는지 투명하게 시각화하였다.
4. 위험 요인 정교화: 본 연구는 위험 요인을 재평가하여, 기존의 비-머신러닝 모델에서는 두드러지게 강조되지 않았던 수술 중 출혈량과 전동 도구 사용의 중요성을 확인하였다.

의의 및 주장
저자들은 구축된 XGBoost 기반 예측 모델이 "특정한 예측 효능"을 갖추고 있다고 주장한다. 본 연구의 주요 의의는 임상 간호사가 고위험군 소아 신경외과 환자를 조기에 식별하는 데 도움을 줄 수 있다는 점에 있다. 이 모델을 활용함으로써 의료진은 케어 과정의 초기 단계에서 개인화된 예방 조치를 취할 수 있다. 본 연구는 이 모델이 임상적 판단을 완벽히 대체할 수는 없지만, 가장 중요한 위험 요인을 강조함으로써 스크리닝을 위한 과학적 근거를 제공하고 평가 과정을 효율화하며, 잠재적으로 IAPI 예방 전략의 정확도를 높이고 평가 시간을 단축하는 데 도움을 준다고 강조한다. 저자들은 데이터의 회고적 성격, 외부 검증의 부재, 향-후 연구에서의 위험 요인 간 상호작용 탐색 필요성 등을 언급하며 모델의 일반화 가능성에 대해 겸허한 입장을 유지하였다.