Development and Validation of a Predictive Model of Major Adverse Kidney Events within 30 Days in Patients with Sepsis-Associated Acute Kidney Injury： Retrospective Cohort Study

중환자실에서 신체는 종종 두 개의 전선에서 벌어지는 전쟁과 싸우고 있습니다. 한 가지 적은 패혈증으로, 이는 감염에 대한 생명을 위협하는 반응으로 면역 체계를 과잉 가동시켜 장기와 조직을 손상시킵니다. 다른 하나는 급성 신손상으로, 혈액에서 노폐물을 걸러내는 신장의 갑작스러운 기능 부전입니다. 이 두 가지 상태가 동시에 발생하면 상황은 특히 위험해집니다. 신장은 신체가 패혈증에 의해 압도당할 때 가장 먼저 고통받는 장기 중 하나이며, 신장이 기능을 상실하면 사망이나 장기적인 장애의 위험이 급격히 높아집니다. 수십 년 동안 의사들은 이러한 질환을 진단하고 관리하기 위해 일반적인 가이드라인에 의존해 왔지만, 이러한 규칙들은 병실에 누워 있는 개별 환자의 독특하고 복잡한 현실이 아닌 광범위한 인구 집단을 위해 설계된 것입니다. 과제는 일반적인 규칙에서 정밀한 예측으로 이동하는 것이었습니다. 즉, 어떤 특정 환자가 한 달 이내에 심각한 신장 결과를 겪을 가능성이 가장 높은지 조기에 파악하여, 그들을 구하기 위해 맞춤형 치료를 제공하는 것입니다.

연구팀은 더 높은 정확도로 이러한 예측을 할 수 있는 도구를 구축하고자 했습니다. 그들은 미국 내 중환자실에 입원했던 수천 명의 환자로부터 얻은 방대한 디지털 의료 기록을 활용했습니다. 구체적으로, 그들은 패혈증 진단 후 이틀 이내에 급성 신손상이 발생한 10,906명의 성인 집단에 집중했습니다. 연구진은 데이터에서 '주요 불리한 신장 사건(major adverse kidney events)'의 위험 신호를 나타내는 패턴을 식[]별할 수 있는지 확인하고자 했습니다. 이 결과는 세 가지 요소의 심각한 조합입니다: 병원 내 사망, 혈액을 여과하기 위한 기계(투석) 필요, 또는 퇴원 후에도 영구적으로 손상된 상태로 남는 신장 기능입니다. 답을 찾기 위해 팀은 단일 공식이나 단순한 체크리스트에 의존하지 않았습니다. 대신, 그들은 컴퓨터가 인간의 눈이 놓칠 수 있는 방대한 양의 데이터 속에서 복잡하고 숨겨진 관계를 찾아낼 수 있게 해주는 머신러닝(기계 학습)이라고 불리는 정교한 형태의 컴퓨터 학습을 사용했습니다.

연구진은 환자의 중환자실 입원 첫 24시간 동안 수집된 광범위한 정보를 컴퓨터에 입력했습니다. 여기에는 연령 및 성별과 같은 기본 세부 사항, 심장 질환이나 당뇨병과 같은 다른 질병의 병력, 그리고 현재의 신체 상태에 대한 스냅샷이 포함되었습니다. 컴퓨터는 심박수와 호흡 속도와 같은 활력 징후뿐만 아니라 간과 신장이 얼마나 잘 작동하는지, 혈액 내 산소량은 얼마인지, 그리고 신체가 감염을 어떻게 처리하고 있는지 측정하는 상세한 혈액 검사 결과도 살펴보았습니다. 또한 환자가 신장에 해로울 수 있는 약물이나 혈압을 지지하는 약물을 투여받았는지 여부도 기록했습니다. 연구팀은 각기 다른 수학적 접근 방식을 사용하여 데이터로부터 학습하는 8가지 유형의 머신러닝 알고리즘을 테스트했습니다. 그들은 이 모델들을 대규모 환자 집단으로 훈련시킨 다음, 별도의 그룹에 테스트하여 모델이 이전에 본 적 없는 사람들의 결과를 올바르게 예측할 수 있는지 확인했습니다.

테스트를 실행한 후, 한 모델이 가장 신뢰할 수 있는 것으로 나타났습니다. 그것은 CatBoost라고 알려진 시스템이었는데, 이는 비교 대상이었던 다른 7가지 모델보다 환자가 좋은 결과를 얻을지 아니-면 주요 신장 사건에 직면할지를 더 잘 구별해 냈습니다. 연구진이 이 가장 우수한 성능의 모델을 다른 데이터베이스의 완전히 다른 환자 집단에 적용했을 때도 정확도가 유지되었으며, 이는 모델이 학습한 패턴이 첫 번째 데이터 그룹의 우연한 결과가 아니라 실제적인 것임을 시사합니다. 이 모델은 의료 예측에서 강력하다고 간주되는 수준의 정확도를 달ت성하였으며, 대다수 환자의 위험을 정확하게 식별했습니다. 이는 새로운 패혈증 및 신장 손상 환자의 경우, 모델이 초기 데이터를 보고 한 달 이내에 주요 신장 사건을 겪을 위험에 대한 명확한 추정치를 제공할 수 있음을 의미합니다.

의사들이 모델의 결정을 신뢰하고 이해할 수 있도록 하기 위해, 연구진은 모델을 단순히 답만 주는 '블랙박스'로 취급하지 않았습니다. 그들은 예측을 분해하여 각 개인에게 어떤 요인이 위험을 높이거나 낮추고 있는지 정확히 보여주는 방법을 사용했습니다. 분석 결과, 가장 강력한 불리한 결과의 예측 인자는 입원 당시의 신장 손상 심각도 그 자체였습니다. 신장 손상이 더 진행된 단계의 환자들은 불리한 결과를 맞이할 가능성이 훨씬 높았습니다. 신장 외에도, 모델은 환자의 전반적인 건강 이력, 장기 부전의 심각도, 그리고 호흡률의 중요성을 강조했습니다. 또한 신장에 해로울 수 있는 특정 약물에 대한 노출이 위험을 증가시킨다는 점도 보여주었습니다. 이러한 요인들이 어떻게 결합하여 단일 개인에 대한 특정 위험 프로필을 만드는지 보여줌으로써, 모델은 일반적인 통계를 넘어 환자의 상황에 대한 개인화된 관점을 제공합니다.

이 연구는 중환자실 입원 첫날의 데이터를 사용하여 패혈증 환자의 심각한 신장 합병증을 예측하는 것이 가능하다는 것을 확인해 줍니다. 연구 결과는 환자의 즉각적인 활력 징후, 혈액 검사, 그리고 병력을 결합함으로써 컴퓨터 모델이 미래의 위험에 대한 투명하고 정확한 평가를 제공할 수 있음을 시사합니다. 이 접근 방식은 의사의 판단을 대체하는 것이 아니라 이를 지원하는 강력한 도구를 제공합니다. 이를 통해 의료진은 가장 취약한 환자를 조기에 식별하여, 잠재적으로 더 빨리 개입하거나 더 면밀히 모니터링할 수 있게 합니다. 모델이 미국 병원들의 데이터로 테스트되었기에 다른 지역에서도 추가적인 검증이 필요할 수 있지만, 핵심적인 발견은 불리한 신장 결과에 대한 신호가 중증 질환의 시작부터 존재하며 측정 가능하다는 것입니다. 이 작업은 중환자실에서의 케어가 광범한 평균치가 아닌 정밀하고 개별화된 예측에 의해 유도되어, 가장 위험한 환자들이 필요한 관심을 받을 수 있도록 돕는 미래를 향한 한 걸음을 의미합니다.