Core Concepts
연합 학습 모델은 다기관 데이터를 활용하여 수술 후 주요 합병증을 정확하게 예측할 수 있으며, 개별 기관 모델보다 우수한 일반화 성능을 보인다.
Abstract
이 연구는 수술 후 주요 합병증 예측을 위한 연합 학습 모델을 개발하였다. 두 개의 대학병원(UFH GNV, UFH JAX)에서 수집한 전자의무기록 데이터를 활용하였다.
주요 내용은 다음과 같다:
연합 학습 모델은 중앙 집중형 모델과 유사한 성능을 보였으며, 개별 기관 모델보다 우수한 일반화 성능을 나타냈다.
연합 학습 모델은 성별, 인종 등 환자 특성에 따른 편향성이 낮았다.
데이터 크기 차이에 따른 민감도 분석 결과, 데이터가 작은 기관의 성능 향상은 제한적이었으나 대규모 데이터 기관의 성능 저하를 방지할 수 있었다.
이 연구는 연합 학습이 다기관 데이터를 활용하여 수술 후 합병증 예측 모델을 개발하는 데 효과적임을 보여준다.
Stats
매년 미국에서 약 15만 명의 환자가 수술 후 30일 이내에 사망한다.
수술 후 합병증은 최대 32%의 수술에서 발생한다.
UFH GNV 코호트에서 수술 후 합병증 발생률은 다음과 같다:
급성 신손상 15%, 심혈관 합병증 12%, 신경학적 합병증 17%, 장기 중환자실 입실 29%, 장기 기계 환기 9%, 패혈증 8%, 정맥 혈전색전증 5%, 창상 합병증 16%, 병원 내 사망률 2%
UFH JAX 코호트에서 수술 후 합병증 발생률은 유사하나, 신경학적 합병증(12%), 장기 중환자실 입실(24%), 창상 합병증(14%)은 다소 차이가 있었다.