악화 지수 모델은 환자 결과를 적절하게 예측합니다.

출처: 게티 이미지

마크 멜치오나

2023년 8월 3일 - 새로운 연구에 따르면 병원 환경 내에서 DTI(Deterioration Index)를 사용하면 적당한 결과가 제공되지만 다양한 인구통계학적 그룹을 일관되게 처리하지 못하는 것으로 나타났습니다. 연구자들은 이 모델에 대해 추가 검증이 필요하다고 결론지었습니다.

악화란 기계적 환기, 중환자실 이송 또는 병원 내 사망을 의미합니다. 연구에 따르면 병원에서 피할 수 있는 사망의 약 15%는 임상적 쇠퇴를 무시한 결과입니다.

이 문제가 널리 퍼져 있음을 고려하여 임상적 악화를 측정하는 방법이 존재합니다. 그 중 하나의 도구는 2017년에 개발된 기계 학습 모델인 DTI입니다. 수백 개의 병원이 이 모델을 사용하고 있지만 외부적으로는 아직 검증되지 않은 상태입니다. 검증이 부족하면 공정한 운영 능력에 대한 회색 영역이 생성됩니다.

따라서 연구자들은 이 모델을 검증하고 편향 가능성을 확인하는 것을 목표로 삼았습니다. 이 연구에서 연구자들은 13,737명의 환자를 보유한 8개의 이질적인 미국 중서부 병원을 포함했습니다. 이 환자 모집단은 5,143,513건의 DTI 예측, 14,834건의 입원, 13,918건의 만남을 생성했습니다.

연구에 따르면 악화는 기계적 환기, 중환자실 이송 또는 병원에서의 사망과 관련된 사례를 나타냅니다. 전체 악화 유병률은 10.3%였다. 모든 하위 그룹에서 편향 측정에 대한 일관된 결과가 하나도 없었습니다. 아메리칸 인디언이나 알래스카 원주민으로 확인된 사람들의 경우 편견 측정이 14% 더 나빴습니다. 인종을 밝히지 않은 환자 중 이 수치는 19%였다.

이 결과로 연구자들은 DTI가 환자 악화를 어느 정도 예측할 수 있다는 결론을 내렸습니다. 그러나 다양한 인구통계학적 그룹에 걸쳐 관찰 및 접촉 수준에서 일관되지 않은 결과로 인해 연구자들은 추가 조치를 요구하게 되었습니다. 여기에는 모델 교육 데이터의 투명성을 통합하고 모델을 추가로 검증해야 하는 필요성이 포함되었습니다.

환자 악화를 예측하기 위해 기계 학습을 사용하는 것은 일반적이며 투명성을 중요하게 생각합니다.

지난 4월, Nationwide Children's Hospital은 입원한 어린이의 위험을 예측하기 위해 악화 위험 지수(DRI)를 고려한 기계 학습 모델을 만들었습니다. 이를 통해 연구자들은 조기 발견이 부작용을 예방하는 데 중요하기 때문에 기존 프로그램보다 더 빠르게 이 프로세스를 실행하는 것을 목표로 했습니다. DRI와 함께 연구자들은 EHR도 고려했습니다. 이를 통해 광범위한 데이터에 접근할 수 있었습니다.

연구자들은 심장, 악성 종양 및 일반 진단 그룹의 정보를 사용하여 세 가지 예측 모델을 훈련했습니다. 이러한 모델은 도구에 대한 알고리즘을 만드는 데 도움이 되었습니다.

연구 결과, DRI가 기존 상황 인식 프로그램보다 훨씬 높은 민감도 수준에 도달한 것으로 나타났습니다. 정확한 경고도 모델이 표시한 기능이었습니다.

상황 인식 프로그램과 비교하여 이 모델은 초기 18개월 동안 악화 사건이 77% 감소했습니다. 이와 함께 모델은 투명했습니다.

Nationwide Children's의 IT 연구 및 혁신 부문 데이터 과학자이자 이 출판물의 공동 저자인 타일러 고햄(Tyler Gorham)은 "이것은 블랙박스가 아닙니다. 우리는 임상의에게 무엇이 들어가고 알고리즘이 어떻게 데이터를 평가하여 경보를 발령하는지 보여줍니다."라고 말했습니다. 보도 자료. "임상 팀이 경보가 발생한 이유를 확인할 수 있기 때문에 이 도구는 임상 의사 결정을 지원하는 데 도움이 됩니다." "임상 팀이 경보가 발생한 이유를 확인할 수 있기 때문에 이 도구는 임상 의사 결정을 지원하는 데 도움이 됩니다."

게다가 머신러닝은 환자의 악화를 예측할 수 있습니다. 그러나 연구자들은 이러한 자원 유형을 사용하여 악화를 예측할 때 투명성을 고려해야 합니다.