척추마취하에 제왕절개 유도분만 후 저혈압 위험 예측을 위한 인공지능 알고리즘 개발

근거: 제왕절개는 올바르게 설명하면 산모와 아기 모두의 건강을 보호하는 출산 방법입니다. 제왕절개로 인한 출산율은 수년간 전 세계적으로 증가해 왔습니다. 2010년부터 2018년까지 전 세계적으로 추적된 출산 중 21.1%가 제왕절개를 통해 이루어졌습니다. 세계보건기구(WHO)에 따르면 이 비율은 2030년까지 29%로 높아질 것으로 예상된다.

제왕절개 마취는 근본적으로 산모의 임신으로 인한 생리적, 병리학적 변화에 영향을 받습니다. 임신과 출산 중에 발생하는 변화와 그에 따른 차이는 마취과의사에게 어려움을 줄 수 있습니다.

선진국에서는 선택적 제왕절개 중 78%가 척추마취 하에 시행되어 마취과 의사들이 가장 널리 사용하는 기술입니다. 척추 마취는 의원성 교감신경 차단을 유도하여 동맥 및 정맥 혈관 확장과 함께 전신 혈관 저항을 감소시켜 저혈압을 유발합니다. Klöhr 등이 보고한 바와 같이 임산부의 척추 마취 후 저혈압 발생률은 7.4%~74%입니다. 태아의 하대정맥 압박으로 인해 앙와위 저혈압 증후군이 발생하고, 경막외 부위의 측부정맥총이 발달하여 뇌척수액 내 척수강내 국소마취제가 상승하는 등의 요인으로 인해 임산부에서 저혈압 발생 빈도가 더 높습니다. 환자의 저혈압과 서맥이 심화되면 심장 허탈, 태아 저산소증, 산증이 발생하여 산모와 태아 건강 모두에 예측할 수 없는 위험을 초래할 수 있습니다. 마취과 의사의 역할은 이러한 위험한 상태를 효과적으로 예방하거나 관리하는 것입니다.

최근 딥 러닝과 인공 지능(AI)의 발전이 마취 분야에서 자리를 잡았습니다. 마취에 AI 적용은 크게 5가지로 분류할 수 있다. 1) 마취 깊이 모니터링(예: 마취 중 뇌파 데이터 분석 기술), 2) 마취 깊이에 따른 마취제 전달 제어, 3) 사건 예측, 4) 초음파 유도, 5) 통증 관리.

이러한 애플리케이션 중에서 이벤트 예측은 마취과의사에게 특히 중요합니다. 사건이 발생하기 전에 미리 알면 사건을 예방하거나 보다 정확한 관리가 가능해집니다. 수술 중 저혈압을 예측하는 알고리즘을 개발하고 이러한 알고리즘을 검증하는 연구를 포함하여 사건 예측을 위해 AI를 사용한 문헌에는 53개의 연구가 있었습니다. 이 프로젝트가 기존 연구와 다른 점은 다음과 같습니다.

이러한 연구는 제왕절개 중 척추마취로 인한 저혈압을 예측하기 위해 특별히 개발된 것은 아닙니다.

이들 연구에서는 저혈압 예측을 위해 주로 파동 분석(비침습적 또는 침습적)을 사용했습니다. 본 프로젝트에서는 이 접근 방식을 활용하지 않습니다. 수술 전 평가가 수행되고 환자 특성이 기록됩니다. 따라서 결과 알고리즘은 동적/실시간 데이터 입력 알고리즘이 아닙니다.

수술 전 특성을 쉽게 기록할 수 있고, 침습적 동맥 모니터링이 필요하지 않으며, 적용 가능성이 높기 때문에 알고리즘 개발이 더욱 실용적입니다. 개발된 알고리즘은 실용적으로 사용할 수 있습니다.

학습할 알고리즘은 Hatib 등의 연구와 유사하게 저혈압 위험을 백분율로 보고합니다.

AI와 그 하위 집합인 머신러닝 알고리즘은 우리 삶의 모든 측면에 영향을 미칩니다. 의료 분야에서는 특히 임상 의사 결정에서 인적 오류를 줄이는 방법이 되었습니다.

본 연구에서는 척추마취를 받는 임산부를 대상으로 인구통계학적 정보, 활력징후, 특정 혈액 지표, 척추마취 투여와 관련된 특정 특성 등을 체계적으로 기록할 예정이다. 혈액 매개변수에는 전체 혈구수, 혈청 전해질, 간 효소 수치(ALT/AST) 및 Syndecan-1이 포함됩니다. 모든 혈액 매개변수는 원래 연구 프로토콜에 나열되어 있습니다. 신데칸-1(Syndecan-1)은 혈관 내피 당층의 분해 또는 손상으로 혈청으로 흘러나오는 분자입니다. 특히 용적 부하, 패혈증, 염증 과정 중에 증가합니다. 혈청 신데칸-1 수치는 임신 주수가 진행됨에 따라 증가하며, 20주에서 30주 사이에 가장 크게 증가합니다. 임신 후기에 자간전증이 발생하면 Syndecan-1 수치가 감소합니다.

고혈압 임신에서 신데칸-1 수치는 정상 임신에 비해 크게 변하지 않지만, 자간전증이 있는 경우 신데칸-1 수치에서는 ​​차이가 관찰되었습니다. 따라서 방법 섹션에서 언급한 바와 같이 고혈압 및 자간전증 임산부는 연구에 포함되지 않습니다.

척추마취를 받은 제왕절개 환자를 대상으로 수술 전과 수술 후 Syndecan-1의 수준을 조사한 연구에서 유의미한 차이가 발견되었습니다. 이 연구는 수술 전 예방적 수액 볼루스 투여가 내피 글리코칼릭스 분해에 영향을 미친다는 결론을 내렸습니다. 이번 연구를 바탕으로 신데칸-1은 저혈압을 예측하는 새로운 지표가 될 수 있는 이론적 잠재력을 갖고 있다. Syndecan-1은 이전에 임산부를 대상으로 연구된 바 있지만, 수술 전 Syndecan-1 수준과 제왕절개 환자의 척추 마취 중 저혈압 사이의 관계를 조사한 문헌 연구는 없습니다. 이 연구에서는 Syndecan-1과 저혈압 사이의 관계를 조사하고 개발된 알고리즘에서 그 위치를 평가할 것입니다.

각 환자의 초기 데이터를 기록한 후 저혈압 발생을 관찰하고 문서화합니다. 수집된 데이터를 분석해 유도 후 저혈압 발생 여부와의 관계를 규명할 예정이다. 또한 이 데이터를 활용해 인공지능 알고리즘을 개발할 예정이다. 주요 목표는 알고리즘을 개발하는 것입니다. 연구 기간 동안 임산부에게 적용되는 마취 관리에는 변화가 없습니다.

이에 개발된 알고리즘은 척추마취로 인한 저혈압을 조기에 식별(수술 시작 전 저혈압 위험 예측)하고 조기 치료 개시를 가능하게 하는 것을 목표로 한다.

방법:

프로젝트 시간: Hacettepe University 비중재 임상 연구 윤리 위원회에서 프로젝트에 대한 윤리적 승인을 받았습니다. 해당 사업은 2023년 11월부터 2024년 4월까지 진행될 예정이다.

프로젝트의 방법론 및 데이터 수집 도구:

수술실 입실 기준을 충족하는 환자의 데이터는 제왕절개를 위해 입원 후 송부되는 정기검사 결과, 수술 전 간호사 관찰서, 수술 중 마취로 모니터링한 활력징후 기록 등을 통해 확보한다. 환자가 수술실로 이동한 후 마취과 의사가 데이터 수집 양식의 정보를 작성합니다. 척추 마취 후 저혈압 지속 기간은 임산부의 마취 투여 직후부터 시작되어 약 10~15분 이내에 최저 수준에 도달합니다. 20~30분 내에 정상으로 돌아오는 것으로 알려져 있습니다. 그러나 저혈압 지속 기간은 재태 연령, 마취 용량, 환자의 전반적인 건강 상태 및 기타 요인에 따라 달라질 수 있습니다. 특히 마취 용량이 높거나 고혈압이 있는 임산부의 경우 저혈압 지속 기간이 길어질 수 있습니다. 따라서 저혈압 지속 기간은 환자별로 개별적으로 평가해야 합니다. 그러나 본 연구에서는 처음 15분 동안의 관찰을 선호합니다. 이러한 선호는 알고리즘이 수술 전 특성을 기반으로 척추 유발 저혈압을 예측하기 때문에 이루어집니다. 관찰 기간이 길어지면 출산의 발생, 심박출량의 증가, 수술 중 옥시토신 주입 시작 등으로 인해 혈역학이 여러 독립적인 요인에 의해 영향을 받는 복잡한 상황이 됩니다. 데이터 수집은 처음 15분 후에 종료되며, 15분 이후에 발생한 저혈압은 연구에 기록되지 않습니다. 관찰이 종료됩니다.

프로젝트 데이터 수집:

환자를 수술실로 데려가기 전, 혈액 매개변수를 위해 환자에게서 채취한 일상적인 분만 전 혈액 샘플에서 적절한 양의 혈액을 채취합니다. Syndecan-1을 제외하고 혈액 매개변수의 다른 매개변수는 Hacettepe 대학 병원 생화학 실험실에서 일상적으로 수행되는 일상적인 테스트입니다.

신데칸-1 측정시 흡광도 판독은 하세테페대학교 생화학과에 위치한 SpectraMax-M2(Molecular Devices, USA) 장비를 이용하여 실시할 예정이다. 이어서, 표준 그래프를 기반으로 GraphPad Prism 프로그램을 사용하여 혈청 신데칸-1 수준을 계산합니다. 신데칸-1 측정에 필요한 ELISA 키트의 조달은 Hacettepe University의 과학 연구 및 프로젝트 사무소에서 얻은 자금을 통해 수행됩니다.

데이터 분석:

알고리즘 개발 단계 전반에 걸쳐 Python 프로그래밍 언어가 사용됩니다. 인공 지능 알고리즘의 개발 프로세스는 생물 의학 연구에서 기계 학습 예측 모델 개발 및 보고를 위한 지침: 다학제적 관점 지침을 따릅니다. 단계는 다음과 같습니다:

• 데이터 수집: 데이터 수집 양식을 작성하여 데이터가 기록됩니다.
• 데이터 처리: 데이터 수집 후 데이터가 처리되며, 훈련 데이터와 내부 검증 데이터로 무작위로 분할됩니다. 데이터에서 아티팩트와 오독이 제거됩니다.
• 주석: 인공지능 분류를 위해 데이터에 라벨을 붙이고, 저혈압의 정의를 주석으로 달겠습니다. 인공지능으로 저혈압을 감지할 수 있는 가능성을 알아보는 연구가 진행된다.
• 기능 선택: 주석이 달린 이벤트를 가장 많이 예측하는 기능이 선택됩니다. 이 프로세스에는 하나 이상의 기능 선택 알고리즘이 사용되며 모델에서 달성한 성공을 기반으로 기능이 선택됩니다.
• 모델 생성: 데이터에서 가장 관련성이 높은 기능을 선택하고 모델이 개발됩니다. K-Nearest Neighbors, SVM(Support Vector Machines), Decision Trees, Random Forest 등 문헌에서 분류 프로세스에 일반적으로 사용되는 기본 분류 알고리즘을 사용하여 기본 성능 비율을 얻습니다. 이어서 딥러닝 방법을 개발하고, 제안한 방법과 기본 방법의 성능 차이를 검토한다.

교차 검증: 모델 초기 버전의 성능은 모델이 이전에 본 적이 없는 데이터 하위 그룹을 사용하여 반복적으로 교차 검증을 받게 됩니다. 이는 데이터가 변함에 따라 성능 변화를 조사하여 모델의 성능을 결정합니다. 데이터 크기에 따라 10겹 교차 검증 또는 5겹 교차 검증 방법이 사용됩니다.

내부 검증: 훈련 데이터로 훈련된 알고리즘의 예측 성능은 한 번도 접한 적이 없는 내부 검증 데이터를 사용하여 평가됩니다.

알고리즘 개발 과정 외에도 비교 대상 변수가 정규 분포를 따르는 경우에는 ANOVA와 같은 통계 테스트; 비교그룹의 수와 변수의 정규분포분석을 바탕으로 Student's t-test와 Mann-Whitney U test를 사용한다. Pearson Correlation Analysis와 Spearman Correlation Analysis는 변수의 정규 분포 분석을 기반으로 저혈압 값과 기타 연속 매개 변수 간의 관계를 분석하는 데 사용됩니다. 또한 민감도, 특이도, 양성 예측값(PPV), 음성 예측값(NPV), 승산비(OR), 위험비(RR), 수신기 작동 특성 곡선 및 곡선 아래 면적을 사용하여 시스템의 예측 가능성을 테스트합니다. (AUROC) 및 Pearson 상관 계수(r) 테스트. p<0.05의 통계적 유의 수준이 허용됩니다. 통계 분석을 위해 사회 과학용 통계 패키지 v26.0(SPSS Inc., Chicago, IL) 소프트웨어가 사용됩니다.