응급실은 복잡하고 혼잡하며 더 나은 분류와 관리를 위해 긴급한 판단이 필요하다. 적절한 분류를 통해 환자의 상태를 파악하고 치료를 최적화하기 위한 자원을 할당할 수 있다. 임상 환경에서 환자의 적절한 상태를 판단하기 위해 여러 점수 체계가 전문가에 의해 개발됐다. 그러나 대부분의 점수체계는 측정의 주관성으로 인해 신뢰성이 낮고 예측 결과가 좋지 않다.

최근 전자 의료 기록과 데이터 과학의 발전으로 응급실에서 정확한 분류 예측 모델 개발에 기여하고 있다. 환자가 응급실을 방문할 때, 나이와 성별, 초기 활력징후 등 인구통계학적 정보와 같은 정보를 간호사가 필수적으로 수집해야 한다. 우리는 그것을 초기 간호 평가라고 부른다. 이 간호초기평가와 기계 학습을 사용하여 사망률 및 중환자실 입원, 중요한 치료를 포함한 경로와 같은 환자의 미래 예후를 예측할 수 있다. 본 논문에서는 응급실 관련 기계학습 연구의 3 가지 관점이 있다.

먼저 기계학습과 간호초기평가 기반 사망률 및 응급실 중환자실 입실 예측과 같은 기계학습 모델을 개발하고 검증했다. 짧게는 응급실 사망부터 길게는 3 개월 후 사망 혹은 필요한 처치에 대한 예측 모형을 개발하고 검증하였다. 기계학습 연구의 또 다른 어려운 점은 시스템이 결과를 이해할 수 없기 때문에 생기는 블랙박스 현상이다. 이러한 문제를 해결하기 위해 싱가포르 연구진은 해석 가능한 프레임워크 기반의 기계학습을 제안했다. 하지만, 그것은 단일 센터 연구였고, 외부 검증은 보이지 않는 환자와 다른 환자에 대한 예측 모델의 일반화 가능성과 재현성을 결정하기 위해 필수적이다. 따라서 삼성서울병원 자료를 이용하여 외부 검증을 실시하였다.

설명가능한 기계학습이 외부에서 잘 개발되고 검증되었음에도 불구하고 이러한 연구에서는 로지스틱 회귀 계수 기반의 설명성을 사용하고, 점수산출을 위하여 임의의 구간화가 필요하는 등 몇 가지 제약 조건이 있다. 따라서 부분독립그래프 방법을 사용하여 해석 가능한 머신러닝 모델을 제안하고 검증하였다.

응급실 초기평가 및 기계학습 기반의 연구 개발 및 검증이 현재의 응급실 문제를 해결하는 데 기여할 수 있다.