획기적인 머신 모델, ICU 환자의 심정지를 높은 정확도로 예측

npj Digital Medicine에 게재된 획기적인 연구에서 연구진은 심전도(ECG) 데이터를 사용하여 중환자실(ICU) 환자의 심정지를 예측하는 데 뛰어난 정확도를 보여주는 새로운 머신러닝(ML) 모델을 공개했습니다.

향상된 예측 모델의 필요성 규명

중환자 치료 의학의 발전에도 불구하고, ICU에 입원한 환자들 사이에서 예기치 않게 발생하는 급성 심정지의 발생률은 여전히 과제로 남아 있습니다. 병원 내 심정지의 다양한 원인은 실시간 감지를 위한 정확한 예측 모델 개발을 필요로 하며, 이는 심폐소생술(CPR) 및 초기 제세동과 같은 즉각적이고 생명을 구하는 중재 조치를 가능하게 합니다.

이전의 모델들은 전자 의료 기록(EMR)의 임상적 특징에 의존했지만, 다양한 EMR 변수 수집의 한계로 인해 ECG 데이터 기반의 ML 알고리즘으로 전환하게 되었습니다. 심전도 기반 예측 모델은 상시 실시간 모니터링을 보장하여, 병원 내 심정지 예측에 잠재적인 돌파구를 제공합니다.

연구팀은 4,821명의 환자가 포함된 5,679건의 ICU 입원 기록에서 구조화된 ECG 데이터셋을 신중하게 구성했습니다. 심전도 신호를 사용하여 시간 영역, 주파수 영역 및 비선형 측정을 포함한 74가지 심박수 변이도(HRV) 측정값의 포괄적인 세트를 계산했습니다. BorutaShap 알고리즘은 예측 모델의 입력 특징으로 이 측정값 중 33개를 선택했습니다.

연구진은 경도 그래디언트 부스팅 머신(LGBM) 알고리즘을 사용하여 베이지안 최적화를 통해 모델 하이퍼파라미터를 최적화했습니다. 주요 결과는 0.5~24시간 이내의 심정지 발생이었고, 2차 결과는 다양한 시간 간격에서 고려되었습니다.

눈부신 결과 및 비교 분석

ML 모델은 주요 결과에 대해 수신자 작동 특성 곡선 아래 면적(AUROC) 0.881과 정밀도-재현율 곡선 아래 면적(AUPRC) 0.104라는 뛰어난 성능을 달성했습니다. 모델의 판별 성능은 2차 결과 전반에 걸쳐 견고하게 유지되어 ICU 환자의 심정지 예측에서 그 신뢰성을 입증했습니다.

43가지 특징을 활용하는 임상 매개변수 기반 모델과 ML 모델을 비교한 결과, HRV 측정값을 사용한 연구 모델의 AUROC(0.881 대 0.735, p < 0.001)가 훨씬 더 높았습니다. 이는 갑작스러운 심정지 예측에서 ECG 기반 ML 모델의 우월성을 강조합니다.

핵심 HRV 측정값 및 향후 영향력 공개

특징 중요도 분석은 RR 간격의 20번째 백분위수(Prc20NN), RR 간격 히스토그램의 삼각형 보간(TINN), RR 간격의 사분위 범위(IQRNN)를 포함한 상위 6가지 측정값을 식별했습니다. 이러한 측정값은 갑작스러운 심정지 발생 약 6시간 전에 동적인 변화를 보였으며, 환자의 심장 상태 실시간 평가에 귀중한 통찰력을 제공합니다.

연구 결과는 더 높은 IALS(가속/감속 세그먼트)가 손상된 심장 상태와 관련이 있을 수 있음을 시사하며, ML 모델이 갑작스러운 심정지 위험이 있는 환자를 식별하는 잠재력을 강조합니다.

이 연구의 중요한 강점 중 하나는 모델의 높은 접근성과 다양한 의료 환경으로의 이전 가능성입니다. ICU 환경에서 표준 관행인 지속적인 ECG 모니터링은 임상 실습에서 이 예측 모델의 적용을 간단하게 만듭니다.

연구는 중요한 실시간 통찰력을 제공하지만, 연구진은 HRV 측정값과 심정지 간의 인과관계를 확립하기 위한 추가 조사가 필요함을 인정합니다.