전자 건강 기록 데이터를 이용한 LMIC 국가의 감염병 예측 (DiGi)

뎅기열은 남아시아와 동남아시아에서 급속히 확산되고 있는 감염병입니다. 확진 진단에는 실험실 검사(PCR 또는 항원 검사)가 필요하지만, 발병률이 가장 높은 지역에서는 종종 이용할 수 없습니다. 뎅기열 환자를 정확히 식별하고, 중증 질환으로 진행될 소수의 뎅기열 환자를 파악하는 것은 적절한 치료를 신속히 시행하기 위해 중요합니다.

기존 모델은 임상 및 실험실 특징을 결합하여 사용합니다. 2013년부터 2014년까지 방콕 열대병원에 입원한 397명의 환자 데이터로 개발 및 검증된 모델은 변수(간 기능 및 전혈구 수)와 임상 증상(열, 점상 출혈, 출혈 등)의 베이지안 모델링을 사용하여 뎅기열을 다른 발열성 질환과 구별했습니다. 결과 모델의 AUC는 0.75였으며, NS1을 포함할 경우 0.8로 향상되었습니다. 순차적 장기 부전(SOFA) 점수 또는 수정된 버전은 활력 징후와 혈액 검사(간, 신장 및 혈액학) 데이터를 사용하며, 사망 가능성이 높은 환자를 잘 나타냅니다. 그러나 중등도 중증 질환(예: 중환자실 입원 필요 예측)에서는 성능이 떨어집니다.

이러한 접근법은 유망하지만, 일반화 가능성의 제한, 다중 혈액 검사 및 임상 증상의 사용으로 인해 한계가 있습니다. 뎅기열을 신속히 진단하고 질병 중증도를 예측할 수 있는 저비용의 쉬운 도구는 이 지역에서 큰 가치가 있을 것입니다. 현대적인 기계 학습 방법을 통해 이제 이는 실현 가능하며, 대량의 훈련 데이터 필요성과 같은 이전의 장벽은 극복할 수 있습니다. 예를 들어, 대규모 데이터셋으로 모델을 생성한 후, 더 작고 다른 데이터셋(다른 지역/조건의 데이터 또는 더 적은 입력 데이터)에 맞게 최적화할 수 있습니다.

우리는 이전에 데이터 기반 기계 학습 알고리즘이 여러 영국 국민보건서비스(NHS) 신탁 기관 간에 일반화될 수 있음을 보여준 바 있습니다(COVID-19 예측용). 초기에는 77,000명 이상의 환자 데이터로 훈련되었지만, 우리는 활력 징후 데이터와 병상 혈구 수만으로 영국 병원에 내원한 환자의 COVID-19 진단을 예측할 수 있는 모델을 만들었습니다. 우리는 이 모델을 베트남의 두 병원 데이터를 사용하여 중저소득국가(LMIC) 환경에 맞게 조정할 수 있는 능력을 입증했습니다. 조정된 모델은 AUROC 약 0.75, AUPRC 약 0.89를 달성했습니다(더 많은 데이터가 이용 가능한 영국 현장과 유사). 소량의 영국 데이터 하위 집합을 사용하여 베트남에서 모델 개발을 지원하는 '전이 학습'을 수행하면 성능이 5-10% 향상되었습니다. 또한 결측값 처리에 통계 방법을 사용하면 예측 성능을 2-5% 더 향상시킬 수 있음을 발견했습니다. 이 기계 학습 모델은 '기준 모델'로도 기능하며, 새로운 작업(즉, 뎅기열)에 맞게 조정될 수 있습니다.