Pietro Cassieri, Aiman Faiz, Anna Maria De Roberto, Claudio Pascarelli, Gianvito Mitrano, Gianluca Fimiani, Marina Garofano, Christiancarmine Esposito, Genoveffa Tortora, Alessia Bramanti, Giuseppe Scanniello
개요
심부전(HF)의 관리에는 지속적인 모니터링, 악화의 조기 감지 및 개인 맞춤 치료 전략이 필요하므로 현대 의료에서 상당한 어려움을 제시합니다. 본 논문에서는 기계 학습(ML) 기법을 기반으로 심부전 위험 환자를 식별하는 예측 모델을 제시합니다. 이 모델은 두 가지 전문 모델(임상 및 심초음파 특징 활용)을 사용하고 이 두 모델의 예측을 결합하는 메타 모델을 사용하는 수정된 스태킹 기법인 앙상블 학습 방식입니다. 실제 데이터 세트에서 모델을 평가한 결과, 고위험군 환자의 계층화에서 우수한 성능을 보이는 것으로 나타났습니다. 특히, 높은 민감도(95%)를 얻어 거의 모든 고위험군 환자를 식별했습니다. 정확도는 84%로 일부 ML 환경에서는 중간 수준으로 간주될 수 있지만, 심부전 위험 환자를 식별하는 데 우선순위를 두었기 때문에(텔레모니터링 프로그램 참여 요청) 허용 가능한 수준입니다. 초기 결과는 ML 기반 위험 계층화 모델이 PrediHealth 프로젝트뿐 아니라 의료 전문가에게도 귀중한 의사 결정 지원 도구 역할을 하여 조기 개입 및 개인 맞춤 환자 관리에 도움이 될 수 있음을 시사합니다. 예측 모델의 가치와 잠재력을 더 잘 이해하기 위해 세 가지 기준 모델을 사용하여 얻은 결과와 비교했습니다. 예비 결과는 제안된 예측 모델이 특징을 단순히 고려하는 기준 모델보다 성능이 우수함을 나타냅니다.
시사점, 한계점
•
시사점:
◦
ML 기반 심부전 위험 예측 모델이 고위험군 환자를 효과적으로 식별하여 조기 개입 및 개인 맞춤 관리에 도움을 줄 수 있음을 보여줍니다. (높은 민감도 95%)
◦
제안된 앙상블 학습 모델이 기준 모델보다 우수한 예측 성능을 보입니다.
◦
PrediHealth 프로젝트와 같은 텔레모니터링 프로그램에서 유용한 의사결정 지원 도구로 활용될 수 있습니다.
•
한계점:
◦
모델의 정확도(84%)가 일부 ML 환경에서는 중간 수준으로 평가될 수 있습니다.
◦
본 연구는 예비 결과를 바탕으로 하며, 더 큰 규모의 데이터와 다양한 환경에서 추가적인 검증이 필요합니다.
