Development and External Validation of a Machine Learning Model for Postoperative Infection After Cardiopulmonary Bypass Surgery

기술 요약: 인공심폐기 수술 후 수술 후 감염 예측을 위한 머신러닝 모델의 개발 및 외부 검증

문제 제기
인공심폐기(CPB) 수술 후 발생하는 수술 후 감염은 빈번하고 심각한 합병증으로, 기계 환기 기간 연장, 입원 기간 연장, 비용 증가 및 사망률 상승과 관련이 있습니다. 전통적인 위험 평가 도구와 단일 바이오마커(예: C-반응성 단백질, 호중구)는 예측 정확도가 제한적인 것으로 나타났으며, 이에 따라 강력하고 다차원적인 예측 모델에 대한 필요성이 인식되고 있습니다. 이 분야의 기존 머신러닝(ML) 연구들은 높은 편향 위험, 부적절한 보고, 그리고 결정적인 외부 검증의 결여로 인해 일반화 가능성과 임상적 유용성이 제한되는 경우가 많습니다. 본 연구는 해석 가능한 ML 모델을 개발하여 CPB 수술 후 30일 이내의 수술 후 감염을 예측하고, 독립적인 외부 코호트에서 이를 엄격하게 검증함으로써 이러한 격차를 해소하고자 합니다.

방법론
본 연구는 모델 개발과 외부 검증을 포함하는 2단계 접근 방식을 채택하였습니다:

1. 데이터 소스:
   • 개발 및 내부 검증: MIMIC-IV 데이터베이스(Beth Israel Deaconess Medical Center, 2008–2019)에서 데이터를 추출하였습니다. 코호트는 CPB 수술을 받은 성인 환자 2,166명을 포함하였습니다. 데이터셋은 훈련 및 내부 테스트를 위해 70/30 비율로 분할되었습니다.
   • 외부 검증: 2025년 10월부터 2026년 2월 사이에 청도대학교 부속 병원(중국)에서 모집된 96명의 전향적 코호트를 활용하였습니다.
2. 변수 추출:
   • 데이터는 수술 후 첫 48시간 이내에 수집되었습니다.
   • 변수에는 인구통계학적 특성, 입원 유형, 수술 이력, 동반 질환, 활력 징후(체온, 심박수, 호흡수, 혈압, 산소 포화도) 및 실험실 수치(호중구 수, 크레아티닌, 알부민, 간/신장 기능, 전해질)가 포함되었습니다.
   • MIMIC 코호트에서 결측치가 있는 변수(<30%)에 대해서는 missForest 패키지를 사용하여 다중 대치법을 적용하였습니다. 외부 코호트에는 결측치가 없었습니다.
   • 결과(Outcome)는 임상 기준 및 미생물 배양에 근거하여 30일 이내에 발생하는 모든 수술 후 감염(패혈증, 폐렴, 수술 부위 감염 또는 카테터 관련 혈류 감염)으로 정의되었습니다.
3. 특성 선택 (Feature Selection):
   • 10회 교차 검증을 포함한 LASSO 회귀를 사용하여 초기 스크리닝을 수행하였습니다.
   • 이후 Boruta 알고리즘을 사용하여 추가 필터링을 진행하였습니다.
   • 최종적으로 8개의 특성이 선택되었습니다: 입원 유형, 호중구 수, 크레아티닌, 호흡수, 심박수, 체온, 산소 포화도, 알부민.
4. 모델 개발:
   • 5가지 알고리즘(로지스틱 회귀(LR), XGBoost, Gradient Boosting Machine(GBM), Support Vector Machine(SVM), 신경망)을 학습시키고 그리드 탐색(grid search) 및 교차 검증을 통해 튜닝하였습니다.
   • 성능은 AUC(Area Under the Receiver Operating Characteristic Curve), 민감도, 특이도, 정확도, F1 점수, 보정 곡선(calibration curves) 및 결정 곡선 분석(DCA)을 사용하여 평가되었습니다.
   • 해석 가능성은 SHAP(Shapley Additive Explanations)을 사용하여 확보하였습니다.

주요 결과

• 코호트 특성: MIMIC 개발 코호트(N=2,166)에서 12.4%(268명)가 수술 후 감염이 발생하였습니다. 외부 검증 코호트(N=96)에서는 감염률이 19.8%(19명)였습니다.
• 모델 성능:
  • GBM의 우수성: Gradient Boosting Machine(GBM) 모델이 전반적으로 가장 우수한 성능을 보였습니다.
  • 판별력: GBM 모델은 개발 코호트에서 0.861(95% CI: 0.831–0.890), 내부 검증 코호트에서 0.791(95% CI: 0.737–0.844), 외부 검증 코호트에서 0.742(95% CI: 0.619–0.866)의 AUC를 달성하였습니다.
  • 기타 지표: 외부 검증에서 GBM 모델은 0.789의 민감도와 0.636의 특이도를 나타냈습니다.
• 해석 가능성 (SHAP 분석):
  • 주요 예측 인자: 체온과 크레아티닌이 모델 예측에 가장 중요한 기여를 하는 것으로 확인되었습니다.
  • 위험 요인: 높은 체온, 심박수, 호흡수 및 크레아티닌 수치는 감염 위험 증가와 관련이 있었습니다. 응급 입원 또한 위험을 유의하게 증가시켰습니다.
  • 보호 요인: 높은 최소 산소 포화도와 높은 최소 알부민 수치는 낮은 위험과 관련이 있었습니다.
  • 비선형 관계: 호중구 수는 비선형 관계를 보였습니다. 너무 낮거나 너무 높은 수치 모두 위험을 높였으며, 중간 수준의 수치는 낮은 위험과 관련이 있었습니다.
• 임상적 유용성: 결정 곡선 분석 결과, 다양한 임계 확률 범위에서 GBM 모델의 순 임상 이득(net clinical benefit)이 확인되었습니다. 모델의 임상적 사용을 용이하게 하기 위해 웹 기반 애플리케이션이 개발되었습니다.

의의 및 주장
저자들은 본 연구가 CPB 환자의 수술 후 감염 조기 위험 평가를 위한 강력하고 외부 검증된 도구를 제공한다고 주장합니다. 강조된 주요 기여는 다음과 같습니다:

1. 외부 검증: 많은 기존 연구와 달리, 본 모델은 독립적인 전향적 외부 코호트에서 검증되었으며, 이는 의료 센터 간의 일반화 가능성에 관한 ML 연구의 흔한 한계를 해결합니다.
2. 해석 가능성: SHAP 분석을 활용함으로써, 본 연구는 "블랙박스" 식의 예측을 넘어 임상의에게 개별 위험 점수에 기여하는 구체적인 생리학적 동인(예: 체온, 신장 기능, 염증 마커)에 대한 통찰력을 제공합니다.
3. 다차원적 접근: 단일 바이오마커에 의존하는 대신 다양한 임상 변수(활력 징후, 검사 수치, 입원 상태)를 통합하여 염증, 혈역학, 장기 기능 장애의 복잡한 상호작용을 포착합니다.
4. 임상 준비성: 모델은 수술 후 48시간 이내에 가용한 일상적인 초기 데이터를 활용하므로, 조기 개입 및 자원 배분을 안내하기 위한 즉각적인 임상 적용이 가능합니다.

본 논문은 외부 검증 코호트의 상대적 규모, 센터 간의 결과 정의 차이로 인한 잠재적 편향, 초기 48시간 이후의 환자 상태 변화 제외와 같은 한계점을 인정하며 겸허한 어조를 유지하고 있습니다. 저자들은 GBM 모델이 유망하지만, 임상적 유용성을 완전히 확립하기 위해서는 더 대규모의 다기관 전향적 연구가 필요하다고 결론지었습니다.