Development and temporal validation of an auditable EHR-based risk-ranking pipeline integrating Chinese admission notes and laboratory data for cardiac intensive care: a retrospective cohort study

기술 요약: 심장 중환자실을 위한 감사 가능한 EHR 기반 리스크 랭킹 파이프라인의 개발 및 시계열 검증

문제 정의
심장 중환자실(CCU)에서의 조기 위험 계층화는 현재 구조화된 전자 건강 기록(EHR) 필드가 입원 서술형 기록에 담긴 임상적 맥락을 완전히 포착하지 못한다는 점으로 인해 어려움을 겪고 있다. 기존의 위험 도구들은 구조화된 변수들을 활용하지만, 자유 형식의 입원 기록에 나타나는 증상 궤적, 의뢰 경로, 임상의가 인지한 불안정성과 같은 중요한 맥락적 세부 사항을 놓치는 경우가 많다. 또한, 중국 입원 데이터에서 부정적 결과의 정의는 '의사 권고에 반하는 퇴원(DAMA)'으로 인해 복잡해지는데, DAMA는 위중증, 경제적 제약 또는 조기 호전 상태를 반영할 수 있는 이질적인 범주이다. 모든 DAMA 사례를 사망과 동일하게 취급하는 것은 결과의 오분류를 초0 야기한다. 본 연구는 중국 입원 기록의 특징들이 감사 가능한 규칙 기반 변수로 변환되어 구조화된 데이터 단독 모델보다 위험 순위를 개선할 수 있는지 여부를 다루며, 동시에 임상적 판정을 통해 결과 정의를 정교화한다.

방법론
본 연구는 2023년부터 2025년 사이에 완산 의과대학 부속 병원에 입원한 1,365명의 고유한 CCU 환자를 대상으로 하는 단일 센터 후향적 코호트 설계를 채택하였다.

• 코호트 분할: 2023~2024년에 입원한 환자들은 개발 코호트($N=822$)를 형성하였고, 2025년에 입원한 환자들은 시계열 검증 코호트($N=536$) 역할을 하였다.
• 결과 정의: 일차 결과는 병원 내 사망 또는 위중증으로 인한 DAMA로 정의되었다. DAMA 사례는 위중증/치료 중단, 타 병원 전원, 또는 호전 후 조기 퇴원의 세 가지 범주로 임상적으로 판정되었다. 오직 첫 번째 범주만이 일차 결과에 포함되었으며, 전원 및 호전 후 퇴원은 오분류를 줄이기 위해 제외되었다. 판정이 불가능한 두 건의 DAMA 사례를 제외하여 총 1,363명의 환자가 분석에 사용되었다.
• 예측 인자:
  • 구조화 데이터: 임상 변수(연령, 성별, 활력 징후, 입원 경로, 진단 그룹) 및 초기 실험실 수치(헤모글로빈, 백혈구 수, 혈소판, NLR, SII, BNP, hs-cTnI, hs-CRP, 크레아티닌).
  • 비구조화 데이터: 입원 기록(주호소, 현병력, 과거력, 흡연/음주력)은 규칙 기반 자연어 처리(NLP) 방식을 사용하여 처리되었다. 사전 정의된 중국 임상 표현을 사용하여 특정 증상(예: 흉통, 호흡 곤란), 처치 및 동반 질환에 대한 특징 플래그를 추출하였다. 텍스트 길이 또한 포함되었다.
• 모델링: L2 규제 로지스틱 회귀를 사용하여 네 가지 모델을 비교하였다:
  1. 임상 모델.
  2. 임상 + 실험실 모델.
  3. 규칙 기반 텍스트 특징 모델.
  4. 다중 모달 모델 (세 가지를 모두 통합).
     또한 문자 단위 TF-IDF를 사용하는 탐색적 모델도 테스트되었다.
• 평가: 성능은 변별력(AUC, AUPRC), 교정(절편, 기울기, 플롯), 결정 곡선 분석(DCA), 그리고 증분 가치 지표(IDI, cNRI)를 통해 평가되었다. 신뢰 구간을 위해 부트스트랩 리샘플링(1,000회 반복)이 사용되었다.

주요 결과

• 결과 유병률: 주요 분석 코호트에서 115명(8.4%)의 환자가 일차 결과(사망 또는 위중증 관련 DAMA)를 경험하였다.
• 시계열 검증 성능:
  • 다중 모달 모델은 0.726 (95% CI: 0.656–0.793)의 AUC를 달성하였다.
  • 임상 + 실험실 모델은 0.693 (95% CI: 0.615–0.768)의 AUC를 달성하였다.
  • 규칙 기반 텍스트 특징 모델 단독으로는 0.602의 AUC를 달성하였다.
• 증분 이득: 임상 및 실험실 모델에 텍스트 특징을 추가했을 때 AUC는 0.033만큼의 완만한 증가를 보였다 (95% CI: -0.001 to 0.065; 부트스트랩 $P=0.054$). 95% 신뢰 구간이 0을 통과하였으므로, 이 개선은 통계적으로 불확실함을 나타낸다.
• 정밀도-재현율 및 교정: 정밀도-재현율 성능은 다중 모달 모델에서 명확한 우위를 보이지 않았다. 결정적으로, 시계열 검증 세트의 모든 모델에서 교정 기울기가 1.0보다 현저히 낮게 나타났으며, 이는 모델이 과적합되었거나 지나치게 극단적인 위험 추정치를 생성하고 있음을 의미하며, 재교정 없이는 절대적 위험 전달에 부적합함을 시사한다.
• 민감도 분석: 텍s 특징은 결과 정의에 전원을 부정적 사건으로 포함했을 때(사망 단독 시 AUC 0.694 대비 AUC 0.738) 더 뚜렷한 기여도를 보였다. 모델은 입원 기간 연장에 대한 예측력을 개선하지 못했다.

주요 기여

1. 감사 가능한 파이프라인: 본 연구는 구조화된 EHR 데이터, 실험실 결과, 입원 기록을 통합하는 투명한 규칙 기반 NLP 파이프라인을 개발하였다. 이 접근 방식은 이벤트 수가 제한적인 단일 센터 환경에서의 임상 적용을 위해 '블랙박스' 딥러닝보다 감사 가능성을 우선시한다.
2. 정교화된 결과 판정: 본 연구는 DAMA 사례를 임상적으로 판정하는 것이 종점의 해석력을 크게 향상시킨다는 것을 입증한다. 위중증 관련 중단과 전원 및 호전 후 퇴원을 구분함으로써, 보다 임상적으로 유의미한 중증 부정적 결과의 정의를 구축하였다.
3. 현실적인 성능 평가: 본 논문은 현재의 다중 모달 접근 방식의 한계를 강조하는 엄격한 시계열 검증을 제공한다. 텍스트 특징이 수치적인 변별력을 더해주기는 하지만 그 이득이 미미하며, 교정이 여전히 배포의 주요 장벽임을 명시적으로 보여준다.

의의 및 주장
저자들은 자신들의 작업이 구조화되지 않은 중국 임상 텍스트를 위험 계층화에 통합하기 위한 기초적이고 감사 가능한 프레임워크를 제공한다고 주장한다. 저자들은 다중 모달 파이프라인이 구조화된 데이터 단독보다 수치적으로 높은 변별력을 보였음에도 불구하고, 증분 이득이 완만하며 교정이 최적화되지 않았다는 점을 강조한다.

본 논문은 현재의 모델이 절대적인 개인별 위험 확률을 전달하기보다는 상대적 위험 순위(고위험 환자를 면밀한 검토를 위해 표시하는 것)에 적합하다고 결론짓는다. 저자들은 임상 적용 전 다음과 같은 사항이 필요하다고 명시적으로 밝힌다:

• 독립적인 코호트에서의 외부 검증.
• 로지스틱 재교정 또는 모델 업데이트.
• 텍s 유래 특징에 대한 독립적인 수동 검증.
• 의사 결정 임계값 및 임상 워크플로우에 대한 전향적 평가.

본 연구는 배포 가능한 솔루션이 아니라, 규칙 기반 텍스트 특징이 교정 문제와 엄격한 검증의 필요성을 인정하는 조건 하에 EHR 파이프라인에 통합될 수 있음을 보여주는 가설 생성 단계로서 자리매김하고 있다.