Core Concepts
심층 표현 학습 기반 접근을 통해 패혈증 유발 급성 호흡부전 환자의 다양한 임상 궤적 표현형을 도출하고 이를 통해 예후 예측 및 맞춤형 치료 전략 수립에 활용할 수 있다.
Abstract
이 연구는 패혈증 유발 급성 호흡부전(ARF) 환자의 임상 궤적을 분석하여 데이터 기반의 고유한 표현형을 도출하는 것을 목표로 한다.
연구 방법:
2016-2021년 사이 의료 집중 치료실(MICU)에 입원한 패혈증 환자 중 24시간 이상 기계 환기가 필요했던 3,349건의 환자 데이터를 수집하였다.
6가지 심혈관-호흡 지표(PaO2, PaCO2, FiO2, SpO2, HR, MAP)를 입력 데이터로 사용하여 심층 표현 학습 기반 클러스터링 알고리즘(CRLI)을 적용하였다.
최적의 클러스터 수를 결정하기 위해 K-means 알고리즘과 동적 시간 워핑(DTW) 기법을 활용하였다.
도출된 4가지 표현형을 임상 전문가가 간 기능 장애/이질적, 고이산화탄소혈증, 저산소혈증, 다장기 기능 장애 증후군으로 특성화하였다.
각 표현형의 28일 생존율 분석 결과, 표현형 간 유의한 차이가 관찰되었다(p<0.005).
결과 요약:
심층 표현 학습 기반 접근을 통해 패혈증 유발 ARF 환자의 4가지 고유한 표현형을 도출하였다.
각 표현형은 서로 다른 사망률 추세와 중증도를 보였다.
이러한 표현형화는 예후 예측 및 맞춤형 치료 전략 수립에 활용될 수 있다.
Stats
표현형 4의 심정지 발생률은 37.44%로 다른 표현형에 비해 유의하게 높았다(p<0.00001).
표현형 2의 만성 폐쇄성 폐질환 발생률은 0.5187로 다른 표현형에 비해 유의하게 높았다(p<0.00001).
표현형 1의 경증 간 질환 및 중등도-중증 간 질환 발생률은 각각 0.2735와 0.1538로 다른 표현형에 비해 유의하게 높았다(p<0.00001, p<0.00001).
Quotes
"심층 표현 학습 기반 접근을 통해 패혈증 유발 ARF 환자의 4가지 고유한 표현형을 도출하였다."
"각 표현형은 서로 다른 사망률 추세와 중증도를 보였다."
"이러한 표현형화는 예후 예측 및 맞춤형 치료 전략 수립에 활용될 수 있다."