Development of a predictive model for sepsis‑induced immunosuppression using neural networks

기술 요약: 신경망을 이용한 패혈증 유발 면역 억제 예측 모델 개발

문제 정의
패혈증은 감염에 대한 숙주의 조절되지 않은 반응을 특징으로 하며, 이는 과면역(hyperimmunity)과 저면역(hypoimmunity)이라는 이중 상태로 이어집니다. 저면역 상태가 우세해지면 패혈증 유발 면역 억제가 발생하며, 이는 2차 감염, 다장기 기능 부전 및 사망률 증가와 관련이 있습니다. 임상 공동체는 면역 항상성의 중요성을 인식하고 있으 있으나, 면역 억제의 발생을 정확하게 예측하는 것은 여전히 탐색적인 단계에 머물러 있습니다. 단핵구 HLA-DR(mHLA-DR)과 같은 현재의 지표들은 대규모 데이터베이스 분석을 수행하기에 너무 복잡하거나 비용이 많이 듭니다. 반대로 림프구 수치는 접근성이 높지만, 기존 문헌에서는 모니터링을 위한 명확히 정의된 임계치가 부족합니다. 본 연구는 정밀 치료 및 역동적인 예후 평가를 용이하게 하기 위해, 패혈증 환자의 면역 억제를 조기에 정확하게 예측해야 할 필요성을 해결하는 것을 목표로 합니다.

연구 방법론
본 연구는 MIMIC-IV 데이터베이스를 활용한 후향적 코호트 설계를 사용하였습니다.

• 데이터 소스 및 코호트: 분석에는 Sepsis-3.0 진단으로 중환자실(ICU)에 처음 입원한 성인 환자(18세 이상) 6,954명이 포함되었습니다.
• 결과 정의: 면역 억제는 림프구 수치가 1.0 × 10⁹/L 미만인 경우로 정의되었습니다.
• 예측 변수: 인구통계학적 데이터(연령, 성별, 인종), 임상 지표(BMI, SOFA 점수, Charlson 동반 질환 지수, 최대 젖산 수치), 그리고 치료 요인(응급 입원, 혈관 활성 약물 사용/기간, 기계 환기/기간, 코르티코이드 사용, 진균 감염 및 악성 종양 병력)을 포함한 14개의 변수를 수집하였습니다.
• 데이터 처리: 결측치는 다중 대체법(특히 결측률이 22.16%인 젖산 데이터에 적용)을 통해 처리되었습니다. BMI 변수는 51.13%의 결측률로 인해 제외되었습니다. 데이터는 훈련 세트(80%)와 검증 세트(20%)로 분할되었습니다.
• 모델링 접근 방식: 세 가지 머신러닝 알고리즘을 구축하고 비교하였습니다:
  1. 다층 퍼셉트론 (MLP): 신경망 접근 방식.
  2. 로지스틱 회귀 (LR): 전통적인 통계적 베이스라인.
  3. XGBoost: 그래디언트 부스팅 결정 트리 모델.
• 평가 지표: 모델 성능은 AUC, 정밀도(Precision), 재현율(Recall), F1 점수, 교정 곡선(Hosmer-Lemeshow 테스트) 및 결정 곡선 분석(DCA)을 사용하여 평가되었습니다.

주요 결과

• 코호트 특성: 코호트 내 면역 억제 발생률은 28.5%(6,954명 중 1,983명)였습니다.
• 단변량 분석: 면역 억제와 연령, 성별, 응급 입원, SOFA 점수, Charlson 동반 질환 지수, 진균 감염, 혈관 활성 약물 사용, 혈관 활성 약물 총 사용 기간, 기계 환기 및 젖산 수치 사이에 유의미한 연관성이 발견되었습니다.
• 다변량 분석: 최종 로지스틱 회귀 모델은 8개의 독립적인 예측 인자를 식별하였습니다: 연령, 응급 입원, Charlson 동반 질환 지수, 진균 감염, 혈관 활성 약물 사용, 총 혈관 활성 약물 사용 기간, 기계 환기 및 젖산 수치입니다. 특히 성별, SOFA 점수, 악성 종양 및 기계 환기 기간은 머신러닝 맥락에서는 여전히 유효했으나, 다변량 로지스틱 모델에서는 통계적으로 유의하지 않았습니다.
• 모델 성능:
  • MLP 모델: AUC 0.82, 정밀도 0.7208, 재현율 0.8441, F1 점수 0.7776을 기록하며 우수한 성능을 입증했습니다.
  • XGBoost 모델: AUC 0.602, 재현율 0.113, F1 점수 0.177로 낮은 성능을 보였습니다.
  • 로지스틱 회귀: AUC 0.686으로 중간 정도의 성능을 보였습니다.
• 특성 중요도: MLP 모델에서 면역 억제를 예측하는 데 가장 영향력 있는 요인은 순서대로 응급 입원, SOFA 점수, 연령, 최대 젖산 수치, 기계 환기 기간, 총 혈관 활성 약물 사용 기간, Charlson 동반 질환 지수, 성별, 악성 종양, 인종, 코르티코이드 사용, 진균 감염이었습니다.

의의 및 주장
저자들은 개발된 MLP 모델이 패혈증 유발 면역 억제 위험을 조기에 식별하기 위한 신뢰할 수 있는 도구 역할을 한다고 주장합니다. 다양한 임상 변수를 통합하는 모델의 능력은 다음과 같은 효과를 가능하게 한다고 상정합니다:

1. 조기 개입: 고위험 환자를 식별하여 면역 증강제(예: 타이모신 펩타이드, 과립구 콜로니 자극 인자)의 사용과 같은 적시의 치료 조정을 가능하게 합니다.
2. 정밀 의료: 면역 억제제의 과도한 사용을 피하거나 호르몬 중단의 시기를 최적화하는 것과 같은 개별화된 치료 계획을 촉진합니다.
3. 자원 최적화: 환자의 예후 평가를 개선하여 중환자실 자원을 더 잘 배분합니다.

본 논문은 모델이 잠재적인 임상적 가치를 보여주지만, 광범위한 임상 적용 전 정확도와 보편성을 높이기 위해 다기관 및 대규모 표본 데이터셋에서의 추가 검증이 필요하다고 결론짓습니다. 저자들은 선택 편향과 데이터 손실로 인한 BMI 변수의 제외 등 후향적 연구의 내재적 한계를 인정하며, 인과 관계에 대해서는 추가적인 검증이 필요함을 언급하였습니다.