📄 의학

Development and Internal Validation of a Prediction Model for Ureteral Access Sheath Insertion Depth During Flexible Ureteroscopy Based on Patient Anthropometric and Anatomical Parameters

본 연구는 연성 요관경 검사 중 요관 접근 시스 삽입 깊이를 정확하게 예측하기 위해 L1-치골 결합 간 거리와 인체 측정학적 매개변수를 포함하는 다변량 릿지 회귀 모델을 개발하고 내부 검증하였으며, 테스트 세트에서 0.661의 R² 값과 실제 깊이의 ±2 cm 이내에 예측값이 들어오는 비율 78.9%를 달성하였다.

원저자: hengda Hu, Weixiong Ma, Wenpu Chen, Guofeng Yu

게시일 2026-09-29

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: hengda Hu, Weixiong Ma, Wenpu Chen, Guofeng Yu

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

수술실에서 신장 결석에 대한 정교한 수술을 수행하는 외과의는 조용한 과제에 직면해 있습니다. 바로 가늘고 유연한 튜브를 몸속 얼마나 깊이 밀어 넣어야 하는가 하는 문제입니다. '요관 접근 셰스(ureteral access sheath)'라고 알려진 이 튜브는 보호용 터널 역할을 하며, 외과의가 섬세한 조직을 손상시키지 않고 신장과 방광을 연결하는 좁은 통로인 요관을 따라 카메라와 도구를 안내할 수 있도록 해줍니다. 만약 튜브를 너무 깊이 밀어 넣으면 신장에 구멍이 나거나 내벽이 찢어질 수 있고, 너무 얕게 밀어 넣으면 외과의가 X선 안내에 따라 튜브를 반복해서 뺐다 넣었다 해야 하므로 환자가 더 많은 방사선에 노출되고 수술 시간이 길어집니다. 수십 년 동안 어디에서 멈출 것인가에 대한 결정은 거의 전적으로 외과의의 직관, 수년간의 경험, 그리고 환자의 체격에 기반한 대략적인 추측에 의존해 왔습니다. 수술이 시작되기 전에 정확한 정지 지점을 알 수 있는 신뢰할 만한 방법은 없었습니다.

상하이 진산 구립 중앙 병원의 연구팀은 이러한 추측을 정밀한 계산으로 대체하기 위해 연구를 시작했습니다. 그들은 환자가 이미 가지고 있는 몇 가지 요소, 즉 키와 몸무게에 수술 전 표준 X선 촬영에서 얻은 특정 측정을 결합하여 이 튜브의 완벽한 삽입 깊이를 예측할 수 있는지에 대해 간단한 질문을 던졌습니다. 이 수술을 받은 124명의 환자를 연구하면서, 연구팀은 이러한 일상적인 측정을 사용하여 튜브가 얼마나 깊이 들어가야 하는지를 예측하는 수학적 모델을 개발했습니다. 그들의 연구는 인체의 두 특정 골격 지점 사이의 거리를 측정함으로써 의사들이 정확한 깊이를 매우 높은 정확도로 추정할 수 있음을 시사하며, 이는 관련자 모두에게 수술을 더 안전하고 빠르게 만들 수 있습니다.

연구진은 이 목적으로 널리 사용되지 않았던 특정 해부학적 관계에 집중했습니다. 그들은 허리 아래쪽의 제1요추 하단부터 골반의 치골 상단까지의 거리를 측정했습니다. 인체에서 요관은 척추 근처의 신장 부위에서 방광으로 내려가는 이 수직 경로를 따라 대략적으로 주행합니다. 연구팀은 이 골격 간의 거리가 수술 전 표준 X선이나 빠른 스캔을 통해 쉽게 확인할 수 있으므로, 요관 경로의 길이를 나타내는 신뢰할 만한 자 역할을 할 것이라는 가설을 세웠습니다. 그들은 이 측정값에 환자의 키, 연령, 성별, 체질량 지수(BMI), 그리고 어느 쪽 신체를 치료하는지에 대한 데이터를 결합했습니다.

이 아이디어를 테스트하기 위해 연구팀은 2025년 4월부터 2026년 7월 사이에 이 절차를 받은 연속적인 성인 124명의 데이터를 수집했습니다. 각 수술 과정에서 의료진은 회음부 피부로부터 요관이 신장과 만나는 지점까지 튜브가 삽입된 정확한 깊이를 주의 깊게 기록했습니다. 그런 다음 이 모든 수치를 패턴을 찾도록 설계된 컴퓨터 시스템에 입력했습니다. 시스템은 환자의 신체적 특성과 실제 수술실에서 사용된 깊이를 가장 잘 연결할 수 있는 여섯 가지의 서로 다른 수학적 접근 방식을 테스트했습니다. 목표는 단순히 정확할 뿐만 아니라 복잡한 소프트웨어 없이도 의사가 쉽게 사용할 수 있을 만큼 단순한 방법을 찾는 것이었습니다.

결과는 '릿지 회귀(ridge regression)'라고 알려진 특정 유형의 통계 모델이 가장 효과적이라는 것을 보여주었습니다. 이 모델은 오차 범위 2cm 이내에서 거의 79%의 환자에 대해 정확한 삽입 깊이를 성공적으로 예측했습니다. 이 수술의 세계에서 2cm 이내의 오차는 임상적으로 허용 가능한 수준인데, 이는 튜브가 잦은 재조정 없이도 거의 확실히 정확한 위치에 도달할 수 있음을 의미하기 때문입니다. 모델은 세 가지 요인을 가장 강력한 예측 인자로 식별했는데, 바로 환자의 성별, 키, 그리고 요추와 치골 사이의 특정 거리였습니다. 흥상스럽게도, 연구 결과 요추와 치골 사이의 거리는 키나 몸무게만으로는 포착할 수 없는 고유한 정보를 제공하여 예측의 정밀도를 크게 높여준다는 사실이 밝혀졌습니다.

연구진은 또한 이 새로운 방법이 골격 측정값만을 사용하거나 키와 몸무게 같은 표준 신체 측정값만을 사용하는 것보다 더 나은지 테스트했습니다. 그들은 이 모든 요소를 결합하는 것이 훨씬 더 우수하다는 것을 발견했습니다. 골격 거리만을 사용한 모델은 정확도가 훨씬 떨어졌고, 키와 몸무게만을 사용한 모델 역시 정밀도가 낮았습니다. 이들을 하나로 모음으로써 연구팀은 단일 요인이 설명할 수 있는 것보다 더 많은 변동성을 설명하는 도구를 만들어냈습니다. 연구는 이 모델이 안정적이며 단순히 이 124명의 환자 데이터를 암기한 것이 아니라, 그룹의 서로 다른 하위 집단에 대해서도 일관되게 좋은 성능을 보였기에 다른 사람들에게도 적용될 수 있음을 확인했습니다.

그럼에도 불구하고 저자들은 이것이 내부 연구라는 점에 주의를 기울였습니다. 즉, 자신들이 속한 병원의 환자들만을 대상으로 테스트되었다는 것입니다. 또한 환자 구성이 주로 남성이었는데, 이는 해당 시설의 전형적인 신장 결석 수술 인구 통계를 반영하지만, 모델이 여성에게도 동일하게 잘 작동하는지 확인하기 위해 추가적인 테스트가 필요함을 의미합니다. 연구진은 이 도구가 외과의의 판단이나 수술 중 X선 확인을 대체하기 위한 것이 아님을 강조합니다. 대신, 이는 수술 전 계획을 돕는 보조 도구로서, 외과의에게 단순한 추측보다 훨씬 더 나은 시작점을 제공합니다. 튜브가 가야 할 범위를 좁힘으로써, 이 도구는 외과의가 튜브를 조정해야 하는 횟수를 줄여 수술 시간을 단축하고 환자의 방사선 노출을 줄일 수 있습니다.

이 연구의 궁극적인 목표는 주관적인 기술을 보다 객적인 과학으로 바꾸는 것입니다. 일상적인 X선 촬영을 통해 요추에서 골반까지의 거리를 측정하고 몇 가지 간단한 숫자를 계산기에 입력함으로써, 외과의는 이제 첫 절개를 하기 전에 정확한 깊이에 대한 데이터 기반의 추정치를 가질 수 있습니다. 연구팀은 이 계산법을 온라인 도구로 공개하여 어떤 의사라도 즉시 사용할 수 있도록 했습니다. 비록 이 연구가 중요한 진전이기는 하지만, 저자들은 이 도구가 전 세계적으로 표준 절차로 채택되기 전에 더 크고 다양한 집단의 사람들을 대상으로 테스트되어야 한다고 인정합니다. 현재로서는, 이 연구는 단순한 측정이 현대적인 분석과 결합될 때 복잡한 의료 과업에 어떻게 더 큰 정밀함을 가져올 수 있는지를 보여주는 명확한 사례로 남아 있습니다.

기술 요약: 요관 접근 시스(UAS) 삽입 깊이 예측 모델의 개발 및 내부 검증

문제 제기
연성 요관경 검사(fURS) 중 요관 접근 시스(UAS)의 최적 배치는 현재 주로 외과의의 경험, 수술 중 투시 조영술(fluoroscopy), 그리고 체형에 대한 주관적 추정에 의해 결정됩니다. 부정확한 삽입은 심각한 위험을 초래할 수 있습니다. 과도한 깊이는 요관 손상, 천공 또는 점막 박리를 유발할 수 있는 반면, 불충분한 깊이는 반복적인 투시 조영 조정을 필요로 하여 방사선 노출과 수술 시간을 증가시킵니다. 최근 유연하고 탐색 가능한 흡인 시스(FANS)의 도입으로 정밀한 깊이 선택의 필요성이 높아졌으나, 이러한 결정을 안내할 검증된 사전 계획 도구는 존재하지 않습니다. 기존 연구들은 키와 체형이 요관 길이와 상관관계가 있다고 보고했으나, UAS 삽입 깊이를 예측하기 위한 구체적이고 즉시 사용 가능한 방사선학적 예측 인자는 공식적으로 모델링된 바 없습니다.

방법론
본 단일 센터 후향적 코호트 연구는 TRIPOD 가이드라인을 준수하였으며, 2025년 4월부터 2026년 7월 사이에 UAS 삽치를 동반한 fURS를 받은 연속적인 성인 환자 124명을 대상으로 하였습니다.

데이터 수집: 주요 결과 변수는 실제 UAS 삽입 깊이(cm)였으며, 이는 수술 중 회음부 피부로부터 신우요관 이행부(UPJ)까지의 거리를 측정하였습니다. 여섯 가지 후보 예측 인자로 키, 연령, 성별, 수술 측, 체질량 지수(BMI), 그리고 새로운 방사선학적 측정치인 L1–치골 결합 거리(사전 촬영된 평면 엑스레이 또는 CT 스카우트 이미지에서 L1 척추의 하단 종판으로부터 치골 결합 상연까지의 두측-미측 거리)를 선정하였습니다.
모델 개발: 데이터셋은 층화 무작위 추출을 통해 훈련 세트(70%, n=86)와 테스트 세트(30%, n=38)로 분할되었습니다. 여섯 가지 회귀 알고리즘(Ridge, Lasso, Bayesian Ridge, Random Forest, Support Vector Regression(SVR), Multilayer Perceptron(MLP))을 평가하였습니다. 하이퍼파라미터는 평균 절대 오차(MAE)를 선택 기준으로 사용하여 5회 교차 검증을 통해 조정되었습니다.
검증: 모델 성능은 $R^2$ , MAE, RMSE 및 실제 깊이의 $\pm$ 2 cm 이내에 예측값이 포함되는 비율을 사용하여 평가되었습니다. 내부 검증에는 leave-one-out 교차 검증(LOOCV)과 부트스트랩 리샘플링(1,000회 반복)을 포함하여 낙관성(optimism)을 추정하고 과적합을 보정하였습니다. 또한, 기존의 인체 계측 변수만을 사용했을 때와 비교하여 L1–치골 결합 거리의 증분 가치를 정량화하기 위해 중첩 모델 비교를 수행하였습니다.

주요 기여

새로운 방사선학적 예측 인자: 본 연구는 L1–치골 결합 거리를 사전 예측 인자로 도입하였습니다. 이 측정치는 후복막 요관의 수직 범위를 근사하며, 추가적인 방사선 노출이나 비용 없이 일상적인 사전 영상 촬영을 통해 얻을 수 있습니다.
최적화된 머신러닝 모델: 비교 분석을 통해, 본 연구는 Ridge 회귀(규제 매개변수 $\alpha=1=10$ )를 최적의 알고리즘으로 식별하였습니다. 이 모델은 정확성, 안정성 및 해석력 사이의 최적의 균형을 달ts하며, 표본 크기가 제한적인 상황에서 과적합 문제를 겪은 더 복잡한 비선형 모델(SVR, MLP)보다 우수한 성능을 보였습니다.
임상 도구: 임상가가 환자의 인구통계학적 정보와 L1–치골 결합 거리를 입력하여 예측 삽입 깊이를 생성할 수 있는 자유롭게 접근 가능한 온라인 계산기를 개발하였습니다.

결과

예측 성능: 최종 Ridge 회귀 모델은 테스트 세트에서 $R^2$ 0.661, MAE 1.24 cm, RMSE 1.56 cm를 달성하였습니다. 결정적으로, 예측값의 **78.9%**가 임상적으로 허용 가능한 임계치인 $\pm$ 2 cm 이내에 포함되었습니다.
변수 중요도: 표준화된 계수를 통해 남성 성별 ( $\beta=0.927$ ), 키 ( $\beta=0.811$ ), 그리고 L1–치골 결합 거리 ( $\beta=0.740$ )가 가장 강력한 예측 인자임을 확인하였습니다. BMI 또한 독립적으로 기여하였으며( $\beta=0.410$ ), 연령과 측(side)은 조정 후 유의미한 독립적 예측 인자가 아니었습니다.
증분 가치: L1–치골 결합 거리를 포함하는 것은 인체 계측 변수만을 사용하는 것보다 모델을 유의미하게 개선하였습니다. $R^2$ 는 인체 계측 변수만 사용했을 때의 0.606에서 전체 모델 적용 시 0.649로 증가하였으며, 이는 통계적으로 유의미한 향상이었습니다 ( $\Delta R^2 = +0.043, p < .001$ ).
내부 검증: 부트스트랩 내부 검증 결과, 낙관성이 매우 낮음(optimism = 0.026)을 확인하였으며, 낙관성이 보정된 $R^2$ 는 0.659, 캘리브레이션 슬로프는 1.033으로 나타나 양호한 모델 보정력을 입증하였습니다.

의의 및 주장
저자들은 본 연구가 인체 계측 파라미터와 새로운 저비용 방사선학적 측정을 결 sense한 최초의 UAS 삽입 깊이 예측 머신러닝 모델을 제공한다고 주장합니다. 연구는 이 모델이 약 1.4 cm의 평균 오차를 가지며, 이는 칼릭스(calyx) 손상을 피하기 위해 안전하다고 간주되는 2 cm 임계치보다 훨씬 낮아 임상적으로 수용 가능한 정확도를 제공한다고 명시합니다.

본 연구의 의의는 이 모델이 외과의의 판단을 대체하기보다는 계획 보조 도구로서 기능할 수 있다는 점에 있습니다. 초기 삽입 범위를 좁힘으로써, 특히 수련의나 숙련도가 낮은 외과의에게 있어 방사선 노출과 수술 시간을 줄이기 위한 투시 조영 조정 횟수를 감소시킬 수 있습니다. 저자들은 L1–치골 결형 거리가 표준적인 키나 BMI 측정치에 반영되지 않는 신체 비율의 독립적인 해부학적 변이를 포착한다는 점을 강조합니다.

한계 및 향-후 방향
본 논문은 현재 적용 가능성에 대해 신중한 입장을 유지하고 있습니다. 모델이 내부 검증만 거쳤음을 인정하며, 광범위한 임상 적용 전 더 크고 다양한 다기관 코호트를 통한 외부 검증이 필요함을 명시하고 있습니다. 또한, 남성 중심의 코호트(72.6%) 구성과 외과의의 추정치 또는 투시 조영 조정 횟수에 대한 데이터 부재를 한계점으로 언급하였습니다. 저자들은 이 모델이 유용한 출발점이 될 수는 있으나, 수술 중 투시 조영을 통한 확증의 필요성을 대체할 수는 없다고 결론지었습니다.

유사한 논문