Development and External Validation of a Machine Learning–Based Clinical Prediction Model for Postoperative Ischemic Stroke in Patients Undergoing Coronary Artery Bypass Grafting: Validation Using the eICU Collaborative Research Database
본 연구는 eICU 데이터베이스를 사용하여 관상동맥 우회술 환자의 수술 후 허혈성 뇌졸중을 예측하는 데 있어 우수한 판별 성능을 보이는 랜덤 포레스트 머신러닝 모델을 개발하고 외부 검증하였으며, 조기 위험 계층화를 지원하기 위해 RDW-CV 및 SII와 같은 주요 예측 인자를 식별하였다.
원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기
심장 수술은 현대 의학의 놀라운 업적으로, 동맥이 위험할 정도로 막힌 사람들에게 생명줄을 제공합니다. 관상동맥 우회술로 알려진 이 절차는 이러한 폐쇄 부위를 우회하여 혈류를 재배치함으로써 심장 근육에 혈류를 복구합니다. 그러나 숙련된 외과의와 첨단 기술이 있음에도 불구하고, 이 여정에는 숨겨진 위험이 따릅니다. 수술 중이나 수술 후에 미세한 혈전이나 파편이 뇌로 이동하여 뇌졸중을 일으킬 수 있습니다. 이러한 합병증은 가장 흔한 결과는 아니지만, 가장 심각한 결과 중 하나입니다. 이는 환자의 회복을 급격히 변화시키고, 사망 위험을 높이며, 지속적인 장애를 남길 수 있습니다. 위험성이 매우 높기 때문에, 의사들은 첫 번째 절개 전부터 누가 이 운명을 겪을 가능성이 가장 높은지를 예측하기 위해 더 나은 방법을 오랫동안 모색해 왔습니다. 전통적인 방법은 연령이나 과거 병력과 같은 알려진 위험 요인 목록을 확인하는 데 의존하지만, 이러한 도구들은 종종 문제가 발생할 수 있음을 알리는 환자의 신체 시스템 간의 미묘하고 복잡한 상호작용을 놓치곤 합니다.
중국의 병원 연구진은 더 날카로운 예측 도구를 구축하기 위해 머신러닝의 힘을 빌려 다른 접근 방식을 취했습니다. 그들은 2019년에서 2021년 사이에 베이징의 한 병원에서 이 우회 수술을 받은 938명의 환자로부터 상세한 기록을 수집하는 것으로 시작했습니다. 목표는 컴퓨터가 인간의 눈이 간과할 수 있는 데이터 속의 패턴을 포착하도록 가르치는 것이었습니다. 연구팀은 환자의 연령, 혈압, 병력을 포함하여 염증, 신장 기능, 혈액의 산소 운반 능력을 측정하는 혈액 검사의 구체적인 수치까지 포함한 방대한 정보를 컴퓨터에 입력했습니다. 컴퓨터의 과제는 뇌졸중을 겪은 환자와 그렇지 않은 환자를 가장 잘 구분해 내는 이러한 요인들의 특정 조합을 찾는 것이었습니다. 이 도구가 훈련된 특정 환자들을 단순히 암기하는 것에 그치지 않도록, 연구진은 미국의 거대 다기관 병원 데이터베이스에 있는 1,177명의 완전히 다른 환자 그룹을 대상으로 도구를 테스트했습니다. 이 두 번째 그룹은 도구가 다른 환경과 다른 사람들에게도 작동하는지 확인하기 위한 엄격한 시험대 역할을 했습니다.
컴퓨터는 여러 가지 수학적 전략을 사용하여 데이터를 분석했고, 결국 가장 성능이 좋은 하나의 전략에 정착했습니다. 이 최고 성능의 모델은 뇌졸중을 예측하는 데 가장 결정적인 일곱 가지 핵심 정보를 식별했습니다. 여기에는 환자의 이전 뇌졸중 병력, 체구, 그리고 혈액으로부터 얻은 특정 측정값이 포함되었습니다. 가장 뚜렷한 지표 중에는 적혈구 크기가 얼마나 변하는지를 나타내는 척도, 전반적인 염증을 측정하기 위해 다양한 면역 세포 수를 결합한 점수, 그리고 혈액이 실제로 얼마나 많은 산소를 운반할 수 있는지에 대한 계산법이 있었습니다. 모델은 또한 신장이 노폐물을 얼마나 잘 여과하는지도 고려했습니다. 연구진이 이러한 요인들이 예측에 어떻게 영향을 미치는지 살펴보았을 때, 높은 수준의 염증과 낮은 산소 운반 능력은 뇌졸중 위험 증가와 연결되어 있는 반면, 더 나은 신장 기능은 보호 효과를 제공한다는 것을 발견했습니다.
연구진이 이 새로운 모델을 미국 환자 데이터에 테스트했을 때, 이 모델은 무작위 확률보다 훨씬 더 뛰어나게 고위험군과 저위험군 환자를 정확히 구별해 내며 신뢰할 수 있는 가이드임을 입증했습니다. 완벽하지는 않았지만, 모델은 한 번도 접해보지 못한 인구 집단에 적용되었을 때도 위험에 처한 이들을 식선별하는 강력한 능력을 유지했습니다. 이 연구는 신체가 염증, 산소 공급, 혈액 구성이 상호작용하는 복잡한 시스템으로서 작용한다는 점을 살펴봄으로써, 의사들이 단일 요인을 개별적으로 보는 것보다 위험에 대해 더 명확한 그림을 얻을 수 있음을 시사합니다. 연구진은 이 도구가 수정구슬은 아니며, 오히려 추가적인 모니터링이나 특정 예방적 관리가 필요할 수 있는 환자들을 표시하는 방법이라고 강조합니다. 이 방법이 모든 병원의 일상적인 표준 절차가 되기 전에는, 훨씬 더 크고 다양한 집단의 사람들을 대상으로 테스트될 필요가 있습니다. 그러나 이 연구는 환자의 삶에서 가장 결정적인 순간 동안 뇌를 보호하기 위해 데이터를 사용하는 데 있어 중요한 진전을 의미합니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.