중환자실의 섬망 발생 예측을 위한 생체신호 기반 모델

Abstract

뇌졸중 환자가 흔히 겪는 섬망은 주의력 저하, 의식변화, 기억력과 사고 과정의 손상을 포함한 인지기능 저하로 특징지어지는 급성 정신적 착란 상태로, 중환자실(Intensive Care Unit, ICU)에서 흔히 보고되는 신경정신학적 증후군 중 하나이다. 섬망이 있는 뇌졸중 환자는 사망률(Mortality)이 높고 입원기간도 길어진다는 연구결과가 있지만, 이러한 환자들은 조기 예측과 예방을 통해 예후를 개선시킬 수 있다. 섬망은 CAM-ICU(The Confusion Assessment Method for ICU) 라는 사정 도구를 이용하여 평가한다. 하지만, 일반적으로 8시간 간격으로 시행되는 CAM-ICU는 지속적으로 평가되지 않기 때문에 정확한 섬망 발생시점을 알 수 없고, 환자의 상태에 따라 섬망 평가가 불가능한 경우도 있다. 이에 본 연구에서는 중환자실 환자의 생체신호(Biosignal)를 활용하여 섬망 예측 모델을 개발하고, 섬망 상태 예측에 대한 평가를 실시하였다. 머신러닝 모델은 CAM-ICU보다 더 자주 시행될 수 있을 뿐만 아니라, CAM-ICU 평가가 불가능한 환자에 대해서도 섬망 발생을 감지할 수 있다.

본 연구는 모델 개발을 위해 환자 대조군 연구 설계를 적용하였고, Case와 Control을 1:4의 비율로 짝짓기 하여 섬망 환자 84명, 비섬망 환자 336명이 포함되었다. 섬망 발생여부는 간호사가 1일 3회 측정한 CAM-ICU 결과와 임상 데이터, 간호기록을 2명의 숙련된 신경과 전문의가 정밀하게 차트 리뷰하여 최종 대상자를 선정했다. 데이터는 전자의무기록(Electronic Medical Record, EMR)에 기록된 임상 변수와 환자감시장치(Patient Monitoring Device, PMD)에서 측정된 활력징후(Vital-Sign), 심전도 (Electrocardiogram, ECG) 데이터를 활용하였고, 최종 모델은 단계적 (STEPWISE) 선택법을 이용하여 중요도가 높은 20개 변수를 선정하여 모델을 학습시켰다.

머신러닝 모델은 여러 분류 알고리즘 모델을 활용하여 성능이 가장 좋았던 로지스틱 회귀(Logistic Regression, LR)로 최종 모델을 개발하였다. 학습 데이터(Train Data)와 평가 데이터(Test Data)는 전체 데이터셋을 임의로 8:2 비율로 나누었고, 다시 훈련 데이터의 10%를 검증 데이터로 구성하여 평가 데이터에 사용할 초매개변수 (Hyper-parameter)를 조정하였다. 이러한 과정을 50회 반복하여 총 50개의 학습·검증·평가 데이터셋을 구성하였고, 모든 평가 데이터를 이용하여 측정한 모델 성능의 평균값과 95% 신뢰구간 (Confidence Interval, CI)을 계산하였다. 모델의 평가 지표는 Area Under the Receiver Operating Characteristic curve(AUROC), Area Under the Precision Recall curve (AUPRC), Accuracy, Precision, Recall, F1-score, Sensitivity, Specificity를 이용하였다.

모델은 이벤트 발생 30분 전인 예측시점에서 8시간 직전의 데이터를 이용하여 학습시켰고, 다음과 같은 2가지 방법으로 평가하였다: (1) 이벤트 발생 직전 섬망 환자 분류 (2) 이벤트 발생 직전 시점에 따른 모델의 예측 확률 및 알람 추이에 대한 시계열적 평가. (1) 평가 방법에 따른 성능측정 결과, AUROC 0.782 [95% CI: 0.763-0.801], AUPRC 0.555 [95% CI: 0.524-0.586], Accuracy 0.736 [95% CI: 0.711-0.761] 의 성능을 보여주었고, (2) 평가 방법의 성능측정 결과, AUROC 0.731 [95% CI: 0.715-0.747], AUPRC 0.297 [95% CI: 0.28-0.314], Accuracy 0.689 [95% CI: 0.665-0.712] 의 성능을 보여주었다.

본 연구는 머신러닝 모델이 섬망이 발생한 시점과 발생하지 않은 시점의 생체신호(Biosignal) 데이터를 활용하여 이벤트 발생 여부를 예측할 수 있음을 보여주었고, 섬망 환자 중에서도 이벤트 발생 시점에 가까울수록 모델의 예측확률이 높아짐을 확인하였다.

결론적으로, 본 연구의 결과는 섬망 발생 직전의 데이터 패턴을 모델이 학습하여 섬망 환자와 비섬망환자를 분류할 수 있을 뿐만 아니라, 섬망 환자의 예측에서도 이벤트 발생시점에 가까워질수록 모델의 예측 확률이 증가함을 보여주었다.