Development and External Validation of a 72-Hour Dynamic Trajectory-Based Machine Learning Model for Mortality Prediction in ICU Patients with Sepsis and Pre-Existing Hypertension

기술 요약: 고혈압 환자의 패혈증 사망률 예측을 위한 72시간 동적 궤적 기반 머신러닝 모델

문제 정의
패혈증은 전 세계적으로 주요한 사망 원인으로 남아 있으며, 특히 기존에 고혈압을 앓고 있는 환자의 경우 관리가 더욱 복잡합니다. 만성 고혈압 환자는 혈관 자율 조절 능력이 변화하고 혈관 순응도가 감소되어 있어, 비고혈압 환자에 비해 장기 혈류를 유지하기 위해 더 높은 관류 압력을 필요로 할 가능성이 있습니다. 가이드라인은 평균 동맥압(MAP) 목표를 65 mmHg 이상으로 제시하고 있으나, 고혈압 환자에게 최적인 목표치는 여전히 불분려하며, 낮은 목표치는 급성 신손상(AKI)과 연관될 수 있습니다. 또한, 기존의 중증도 점수(예: SOFA, SAPS II)는 주로 정적인 기저 변수에 의존하므로, 중환자실(ICU) 내 초기 소생술 단계에서 발생하는 진화하는 생리학적 궤적과 이질적인 치료 반응을 포착하는 데 한계가 있을 수 있습니다. 이 특정 고위험군을 위해 초기 동적 혈역학 및 관류 데이터를 통합하도록 설계된 예측 도구가 부족한 실정입니다.

연구 방법론
본 연구는 두 개의 공개된 중환자 데이터베이스인 MIMIC-IV(개발 코호트)와 eICU-CRD(외부 검증 코호트)를 활용하여 회고적 코호트 설계를 채택하였습니다.

• 코호트 선택: 본 연구는 성인(18~89세) 중 패혈증이 있고 기존에 고혈압을 앓고 있는 환자에 초점을 맞추었습니다. 선정 기준은 첫 ICU 입원, ICU 체류 기간 72시간 이상, 그리고 첫 72시간 이내의 혈관 수축제 사용을 포함했습니다. 후보 예측 변수의 결측치가 20%를 초과하는 환자는 제외되었습니다.
• 특징 공학(Feature Engineering):
  • 정적 변수: 인구통계학적 특성, 동반 질환, 초기 활력 징후, 실험실 결과 및 첫 72시간 내 기록된 중증도 점수.
  • 동적 변수: 연속적이고 반복적인 측정값을 첫 72시간 동안 6개의 연속적인 12시간 시간 창(time window)으로 재구성하였습니다. 각 창에 대해 첫 번째 값, 마지막 값, 평균, 기울기, 표준 편차, 변화 진폭을 포함한 시계열 특징을 추출하였습니다.
  • 전처리: 결측값은 다중 대치법(MICE)을 사용하여 처리하였습니다. SOFA와 SAPS II는 벤치마크 비교 대상으로만 사용하기 위해 특징 선택 과정에서 제외되었습니다.
• 특징 선택: 두 단계 접근 방식을 적용하였습니다:
  1. Boruta 알고 Algorithm: 병원 내 사망과 관련된 변수를 식별하기 위한 광범위한 스크리닝에 사용되었습니다.
  2. LASSO 회귀: Boruta로 선택된 변수들에 적용되어 차원을 추가로 축소하고 최종 특징 세트를 선정하였습니다.
• 모델 개발: 7가지 머신러닝 알고리즘(로지스틱 회귀, 서포트 벡터 머신(SVM), k-최근접 이웃(KNN), 랜덤 포레스트, 역전파 신경망(BPNN), LightGBM, XGBoost)을 학습시키고 5-겹 교차 검증을 통해 비교하였습니다. 가장 성능이 우수한 모델에 대해 시그모이드 확률 보정(sigmoid probability calibration)을 수행하였습니다.
• 평가 지표: 성능은 AUC(ROC 곡선 아래 면적), 정확도, 민감도, 특이도, 양성 예측도(PPV), 음성 예측도(NPV), Brier 점수, 보정 기울기(calibration slope), 결정 곡선 분석(DCA)을 통해 평가되었습니다. 모델 해석성을 위해 SHAP(Shapley Additive Explanations) 값을 사용하였습니다.

주요 결과

• 코호트 특성: 개발 코호트(MIMIC-IV)는 1,215명의 환자(사망 403명, 사망률 33.2%)를 포함했습니다. 외부 검증 코호트(eICU-CRD)는 1,747명의 환자(사망 516명, 사망률 29.5%)를 포함했습니다. 개발 코호트의 사망자는 AKI, 기계 환기 및 혈관 수축제 사용 비율이 더 높았으며, 젖산 수치와 노르에피네프린 요구량도 더 높았습니다.
• 모델 성능 (내부 검증):
  • XGBoost_Sigmoid (보정된 XGBoost)는 AUC 0.7819 ± 0.0493, 정확도 0.7364, 특이도 0.8758로 가장 우수한 성능을 보였습니다.
  • XGBoost_Sigmoid의 통합 out-of-fold AUC는 0.778로, SOFA(0.540) 및 SAPS II(0.638)보다 뛰어난 성능을 나타냈습니다.
  • 보정 분석 결과 기울기는 1.0490, Brier 점수는 0.1783이었습니다.
• 외부 검증:
  • eICU-CRD 코호트에서 모델은 AUC 0.713, Brier 점수 0.1854, 보정 기울기 0.7440을 달성했습니다.
  • 결정 곡선 분석(DCA)은 0.05~0.30의 임계 확률 구간에서 "치료 없음(treat-none)" 전략 대비 순이익(net benefit)을 나타냈습니다.
  • 위험 계층화 결과, 관찰된 사망률이 단계적으로 증가함을 보여주었습니다: 13.7% (저위험), 27.5% (중위험), 47.3% (고위험).
• 특징 중요도 (SHAP 분석): 가장 영향력 있는 예측 변수로 글래스고 혼수 척도(GCS), 평균 소변량, 평균 심박수, 마지막 노르에피네프린 요구량, 연령, 찰슨 지수(Charlson index), 마지막 소변량, 혈소판 수치, 평균 젖산, 염기 과잉(base excess) 기울기가 식별되었습니다. 낮은 GCS, 낮은 소변량, 높은 노르에피네프린 요구량, 고령, 높은 젖산 수치는 사망 위험 증가와 관련이 있었습니다.

의의 및 주장
저자들은 본 연구가 고혈압을 앓고 있는 패혈증 환자를 위해 특화된 72시간 랜드마크 머신러닝 모델을 성공적으로 개발하고 외부 검증을 완료했다고 주장합니다. 본 연구의 주요 의의는 다음과 같습니다:

1. 동적 궤적의 통합: 정적인 스냅샷에 의존하는 기존 점수와 달리, 이 모델은 72시간 동안의 초기 동적 혈역학 및 관류 추세를 통합하여 환자의 소생술 반응을 포착합니다.
2. 우수한 변별력: XGBoost_Sigmoid 모델은 내부 검증 코호트에서 전통적인 중증도 점수(SOFA 및 SAPS II)보다 더 나은 변별력을 보여주었습니다.
3. 재평가를 위한 임상적 유용성: 저자들은 이 모델이 입원 시에만 사용하는 도구가 아니라, 초기 소생술 단계 이후의 조기 위험 재평가를 위한 메커니즘이라고 주장합니다. 이는 임상의가 환자의 생리학적 궤적을 바탕으로 환자를 저위험, 중위험, 고위험군으로 계층화하여, 더 공격적인 관리나 면밀한 모니터링이 필요한 환자를 식별하는 데 도움을 줄 수 있습니다.
4. 해석 가능성: SHAP 분석을 통해 모델은 사망의 핵심 동인(예: 신경학적 상태, 신장 관류, 혈관 수축제 의존도)에 대한 투명한 통찰을 제공하며, 이는 고혈압 환자의 패혈증 병태생리에 관한 임상적 추론과 일치합니다.

본 연구는 모델이 외부 검증에서 중간 정도의 성능을 유지하고 있으나, 이를 표준 침상 옆 임상 의사결정 지원 도구로 구현하기 위해서는 추가적인 전향적 검증과 지역적 재보정(recalibration)이 필요하다고 결론지었습니다.