표제지
목차
논문요약 11
Chapter 1. 서론 13
1. 응급실의 현황 13
2) 응급실 환경의 문제점 15
2. 응급실에서 초기정보 활용 16
1) 응급실 초기정보 16
2) 기존 응급실 활용 스코어 17
3. 기계학습을 활용한 문제해결 및 방향성 19
1) 의료분야에서 기계학습을 활용한 예측모형 개발 19
2) 기계학습 모형의 한계점 및 방향성 19
4. 논문의 구성 20
Chapter 2. 본론 21
I. 모델 개발 21
I-1. Machine Learning and Initial Nursing Assessment-Based Triage System development for Emergency Department 21
I-2. Predicting Mid-Term Survival of Patients During Emergency Department Triage for Resuscitation Decision 34
I-3. Machine learning-based suggestion for critical interventions in the management of potentially severe conditioned patients in emergency department triage 50
II. 모델 검증 70
II-1. An external validation study of the Score for Emergency Risk Prediction (SERP), an interpretable machine learning-based triage score for the emergency department 70
III. 모델 제안 82
III-1. Development and External Validation of Interpretable Partial Dependent Plot-based Triage Score for Emergency Departments 82
Chapter 3. 고찰 93
Chapter 4. 결론 95
참고문헌 96
Abstract 104
Table 1-1. 권역응급의료센터 응급실 중증 환자수 14
Table 1-2. 임상현장에서 사용되고 있는 스크리닝 툴 18
Table 2-1-1. 연구대상환자의 인구통계학적 정보 25
Table 2-1-2. KTAS에 따른 응급실 진료결과 및 사망/중환자실 입원 분포 27
Table 2-1-3. 주증상 빈도 테이블 28
Table 2-1-4. 각 방법론에 따른 AUROC 결과 28
Table 2-1-5. 결과변수의 비율에 따른 AUROC 결과 비교 29
Table 2-2-1. 연구대상환자의 인구통계학적 특성 40
Table 2-2-2. 일 변량 및 다변량 콕스 위험 회귀 분석을 통해 추론된 3개월 사망률과 관련된 위험 요인 결과 42
Table 2-2-3. KTAS와 기계학습기반 3개월 사망률의 발생 확률분포 45
Table 2-2-4. DNR (Do Not Resuscitate)을 받은 환자와 3개월 생존 예측 결과 45
Table 2-3-1. XGBoost 모델 생성에서 고려된 하이퍼 파라미터 55
Table 2-3-2. 응급실에서 CRIs를 수행한 환자군과 하지 않은 환자군의 인구통계학적인 특성 58
Table 2-3-3. 각 처치 별 AUROC 및 AUPRC, 민감도, 특이도, PPV, NPV 및 신뢰구간 결과 61
Table 2-3-4. 다른 기계학습 방법론과 입력정보에 대한 AUROC 및 AUPRC 결과 61
Table 2-3-5. 예측 처치 개수에 따른 응급실 2차결과변수의 위험도 63
Table 2-4-1. 2016~2020년 응급실 방문환자의 인구통계학적 특성 74
Table 2-4-2. SERP와 기타 스코어에 따른 AUROC값 비교 76
Table 2-4-3. 판데믹 전과 후의 AUROC 결과 비교 77
Table 3-1-4. 동일 특이도에 따른 민감도 및 PPV 값 비교 78
Table 2-5-1. 기계학습 방법론과 모수에 따른 AUROC 결과값 85
Table 2-5-2. 2016년부터 2020년까지 각 병원의 인구통계학적인 정보 87
Table 2-5-3. 유형, 시간, 병원에 따른 결과값 비교 89
Table 2-5-4. 삼성서울병원 자료를 활용한 동일 특이도에 따른 다른 결과값 비교 90
Figure 1-1. 응급실 이용자 연도별 현황 (2015 ~ 2019년) 13
Figure 1-2. 응급실 이용자 중환자실 입실 및 사망 현황 14
Figure 1-3. 응급실 초기정보와 그 활용 17
Figure 2-1-1. 연구의 전체 과정, 데이터는 훈련용, 검증용, 평가용 세가지로 나뉘며, KTAS와 SOFA score 그리고 간호초기평가의 로지스틱 회귀분석과 딥러닝의 비교로 이루어짐 24
Figure 2-1-2. 2016~2017년 응급실 방문환자 코호트의 연구 집단 제외기준 25
Figure 2-1-3. KTAS와 기계학습기반의 KTAS의 분포 비교 30
Figure 2-1-4. 랜덤 포레스트로부터 산출된 변수중요도 그래프 30
Figure 2-2-1. 연구 집단 대상 선정 과정 39
Figure 2-2-2. 폐암환자 중 응급실 방문환자의 치료정보 순서 41
Figure 2-2-3. 사망 결과변수와 방법론에 따른 예측 결과 44
Figure 2-2-4. 환자 별 사망에 기여하고 있는 인자확인을 위한 SHAP 결과 46
Figure 2-3-1. 결과변수에 대한 정보를 포함하고 있는 Flowsheet 예시 52
Figure 2-3-2. CrIs를 예측하기 위한 전체적인 연구디자인 55
Figure 2-3-3. 2016~2018년의 응급실 방문환자 대상 선정 과정 58
Figure 2-3-4. 각 처치에 따른 최초 수행 시간 60
Figure 2-3-5. 각 처치를 예측하는데 중요하게 판단되는 중요도 변수 63
Figure 2-3-6. 전자 의무기록에 통합되기 위한 통신의 과정 65
Figure 2-3-7. 전자 의무 기록에 통합되어 각 처치의 필요성을 결정하는 데 사용되는 모습 예시 66
Figure 2-4-1. 2016~2020년 응급실 방문환자 코호트의 연구 집단 제외기준 및 판데믹 기간에 따른 사망 74
Figure 2-4-2. KTAS와 SERP의 100명당 사망에 따른 필요한 경보의 수 비교 79
Figure 2-5-1. PDP기반 스코어 프레임워크 85
Figure 2-5-2. 각 병원에 따른 연구집단 및 사망자 수 87
Figure 2-5-3. Autoscore와 PDP기반 score의 그래프 비교 89
Figure 2-5-4. 박스 플랏을 활용한 사망그룹과 비 사망 그룹 간의 PDP 스코어 비교 90