임상 데이터를 이용한 미숙아 기관지폐 이형성증 조기 예측

배경:

조산은 신생아 이환율과 사망률의 주요 원인입니다. 기관지폐이형성증(BPD)은 특히 매우 낮은 재태 연령이나 출생 체중을 가진 미숙아에서 가장 흔한 만성 폐질환 중 하나입니다. BPD는 장기적인 산소 의존성, 입원 기간 및 호흡기 합병증을 증가시킵니다. BPD의 조기 예측은 임상 관리 최적화에 중요합니다.

재태 연령, 출생 체중, 기계 환기 기간, 산소 치료, 감염 및 혈역학적 요인은 BPD의 알려진 위험 요인입니다. BPD를 조기에 예측하기 위해 여러 임상 위험 모델이 개발되었지만, 그 임상 적용 가능성은 제한적입니다.

인공지능(AI)과 기계 학습의 최근 발전은 임상 데이터 분석과 질병 위험 예측에 잠재력을 보여주고 있습니다. ChatGPT, Gemini, Claude와 같은 대규모 언어 모델(LLM)은 복잡한 임상 데이터셋을 해석하고 위험 예측을 생성할 수 있습니다. 그러나 미숙아의 BPD 예측에서 이들의 성능을 평가한 연구는 제한적입니다.

목적:

출생 후 1주, 2주, 3주의 임상 데이터를 사용하여 미숙아(재태 연령 <32주 또는 <1,500그램)의 BPD 예측에서 다양한 LLM의 성능을 후향적으로 평가합니다. 본 연구는 AI 생성 예측과 실제 임상 결과를 비교하는 것을 목표로 합니다.

연구 설계:

후향적, 관찰적, 단일 기관 연구 Konya City Hospital의 NICU 임상 데이터는 병원 기록에서 추출되고 익명화됩니다. AI 모델(ChatGPT, Gemini, Claude)은 재태 연령, 출생 체중, 성별, 호흡 지원, 산소 요구량, 기계 환기 기간, 감염 상태 및 기타 관련 매개변수를 포함한 표준화된 데이터셋을 받습니다. AI 예측은 추정 확률 백분율과 함께 BPD 위험을 낮음, 중간, 높음으로 분류합니다.

참가자:

포함 기준: 재태 연령 <32주 또는 <1,500그램의 미숙아, 완전한 임상 데이터, 연구 기간 동안 NICU에서 추적 관찰된 환자 제외 기준: 주요 선천성 기형, 불완전한 임상 데이터 또는 조기 출생 후 사망이 있는 영아

결과:

주요 결과: 실제 임상 결과와 비교한 BPD 예측에서 AI 모델의 정확도 부차적 결과: AI 예측의 민감도와 특이도, 주간 예측 비교, AI 모델 간 성능 비교

통계 분석:

기술 통계(평균, 표준 편차, 개수, 백분율) 예측 성능 지표: 정확도, 민감도, 특이도, ROC 분석 DeLong 검정을 사용한 모델 및 주간 예측 비교 통계적 유의성: p < 0.05

환경:

단일 기관, 병원 기반, Konya City Hospital NICU 후향적 임상 데이터 수집

표본:

대상 인구: BPD 고위험 미숙아(<32주 또는 <1,500그램) 표본 크기: G-power 소프트웨어(검정력 80%, 유의수준 5%, 중간 효과 크기 = 0.3)를 사용하여 계산된 최소 108명의 영아

AI 모델 프로토콜:

각 출생 후 주에 대한 표준화된 프롬프트:

출생 후 [1/2/3]주차 미숙아의 임상 데이터:

• 재태 연령: [주 + 일]
• 출생 체중: [그램]
• 성별: [남성/여성]
• 산전 스테로이드: [예/아니오]
• 계면활성제 치료: [투여 횟수]
• 호흡 지원: [기계 환기/CPAP/HFNC]
• FiO2 요구량: [%]
• 패혈증/PDA 상태: [예/아니오]

BPD 위험(낮음/중간/높음)을 예측하고 각 범주에 대한 확률(%)을 제공하십시오.

윤리:

연구는 기관 윤리 위원회의 승인을 받았습니다. 데이터는 익명화되고 기밀성이 유지됩니다.