머신러닝 알고리즘 기반 ECMO 환자의 예후 예측 모델 구축

체외막 산소화(ECMO)는 중증 심폐 부전 환자에게 지속적인 체외 호흡 및 순환 지원을 제공하는 데 사용됩니다. 중환자의학에서 가장 중요한 생명 유지 방법이자 중환자실(ICU)에서 가장 복잡하고 비용이 많이 드는 치료 방법 중 하나입니다. 유지하려면 많은 자원이 필요합니다. 따라서 환자의 적응증을 엄격하게 파악하고 환자의 예후를 정확하게 예측하는 것이 임상적 의사결정에 도움이 되기 위해서는 특히 중요합니다.

이전에 발표된 여러 연구에서는 ECMO 환자의 예후를 예측하기 위해 임상 점수를 사용했지만 대부분 성인 호흡 곤란 증후군(ARDS), 호흡 부전, 폐 이식, 심인성 쇼크 등과 같은 특정 환자 그룹의 ECMO 결과에 중점을 두었습니다. 에. 또한 이러한 추정치의 대부분은 전통적인 통계 방법을 사용하여 계산되었으며 특성 변수가 더 많은 데이터 세트에 대한 피팅 능력이 제한되어 있습니다.

인공지능(AI)과 머신러닝(ML)은 기존 통계 방법에 대한 보다 진보된 대안을 제공하며, 고차원 특성 변수 및 비선형 데이터가 포함된 데이터 세트를 처리하는 데 있어 비교할 수 없는 이점을 제공합니다. 그리고 모델 성능을 향상시키기 위해 자체 반복이 가능합니다. 또한, 인과관계 또는 통계 데이터를 기반으로 정보를 처리할 수 있는 ML은 임상 지표와 질병 예후 사이의 숨겨진 종속성을 밝혀내고 임상 의사결정을 지원할 수 있어 최선의 대안으로 부상했습니다. 입원. 관련 문헌과 중환자의학 ECMO 전문가의 통찰력을 바탕으로 총 69개의 임상 특성 지표가 식별되었습니다. 이러한 지표에는 ECMO 환자의 연령, 키, 체중 및 병력과 같은 인구통계학적 데이터가 포함되었습니다. 또한 ECMO 지원 시작 전 24시간 이내에, 지원 중단 후 24시간 이내에 감염 지표를 평가했습니다. 또한 심장, 신장, 간 기능과 관련된 지표와 쇼크 유형(분포성 쇼크, 저혈량성 쇼크, 심인성 쇼크, 폐쇄성 쇼크)도 포함되었습니다. 또한 ECMO 지원 시작 후 3일 이내의 일일 평균 액체량, ECMO 지원 기간 및 ICU 입원 기간도 고려되었습니다.