KCI등재
전자의무기록 데이터와 머신러닝 기법을 활용한 중환자실 사망 예측모델 개발 = Development of mortality prediction model using electronic health record (EHR) data and machine learning algorithm in intensive care unit (ICU)
저자
발행기관
학술지명
Journal of the Korean Data Analysis Society(Journal of The Korean Data Analysis Society)
권호사항
발행연도
2023
작성언어
-주제어
KDC
310
등재정보
KCI등재
자료형태
학술저널
수록면
1977-1992(16쪽)
DOI식별코드
제공처
본 연구에서는 전자의무기록(Electronic Health Record, EHR) 데이터와 머신러닝(machine learning) 알고리즘 중 XGBoost(eXtreme Gradient Boosting)를 이용하여 사망예측 모델을 개발하고 평가하였다. 연구자료는 2017년 1월 1일부터 2020년 2월 29일에 1개 3차 의료기관의 내과, 외과중환자실에 입실한 환자 중 5211명(사망군: 685명, 생존군: 4526명)의 전자의무기록이다. 모델 개발 시 사용된 변수는 접근성이 높은 신체사정 기록, 신체사정 기록과 혈액검사, 앞서 언급된 변수와 그 외 다양한 변수로 구분하고 변수 중요도(feature importance)에 따라 각각 14개의 변수를 선정하여 모델을 개발하였다. 연구 결과, 호흡양상, 맥박, RASS(Richmond Agitation Sedation Scale), 수술 후 입실 여부가 다른 변수에 비해 상대적으로 높은 중요도를 보였다. 개발된 모델은 APACHE II, Random Forest 모델, 로지스틱 회귀 모델보다 높은 예측력을 보였다. AUC(Area Under Curve) 측면에서 .93 ~ .98 정도, 정확도 측면에서 0.91 ~ 0.95 정도의 우수한 성능이 관측되었다. 다양한 변수를 활용한 모델이 가장 예측력이 높았고 접근성이 좋은 신체사정 기록만을 활용한 모델도 충분한 예측력을 보였다. 본 연구를 통해 간호사가 환자를 직접 관찰하여 기록하는 정보가 사망예측 시 갖는 중요성과 접근성이 높고 간소화된 변수를 머신러닝 기법과 활용해 효율적인 사망예측을 할 수 있음을 확인할 수 있었다. 향후 의료진은 사망예측에 의한 기록 업무 부담을 줄이고 환자에 관한 정확한 정보를 제공받을 수 있을 것으로 기대된다.
더보기In this study, a mortality prediction model was developed and evaluated using Electronic Health Record (EHR) data and the XGBoost (eXtreme Gradient Boosting) machine learning algorithm. The research dataset comprises EHR records of a total of 5,211 patients who were admitted to the medicine and surgery intensive care units of a tertiary medical institution from January 1, 2017, to February 29, 2020. Models were developed based on the accessibility of variable data, their high correlation with mortality, and their diversity. The research results indicated that variables such as respiratory pattern, pulse rate, RASS (Richmond Agitation-Sedation Scale), and post-surgery admission status showed relatively high importance compared to other variables. Models demonstrated higher predictive power compared to APACHE II, Random Forest and logistic regression models (AUC .93 ~ .98, accuracy .91 ~ .95). The model utilizing various variables showed the highest predictive power, but even a model based solely on accessible physical examination records demonstrated sufficient predictive capability. It was confirmed that patient observations recorded by nurses holds high importance and accessibility in mortality prediction. Also using simplified variables with machine learning techniques can efficiently predict mortality. It is expected that healthcare professionals can reduce the burden of record-keeping for mortality prediction and receive more accurate information about patients.
더보기분석정보
서지정보 내보내기(Export)
닫기소장기관 정보
닫기권호소장정보
닫기오류접수
닫기오류 접수 확인
닫기음성서비스 신청
닫기음성서비스 신청 확인
닫기이용약관
닫기학술연구정보서비스 이용약관 (2017년 1월 1일 ~ 현재 적용)
학술연구정보서비스(이하 RISS)는 정보주체의 자유와 권리 보호를 위해 「개인정보 보호법」 및 관계 법령이 정한 바를 준수하여, 적법하게 개인정보를 처리하고 안전하게 관리하고 있습니다. 이에 「개인정보 보호법」 제30조에 따라 정보주체에게 개인정보 처리에 관한 절차 및 기준을 안내하고, 이와 관련한 고충을 신속하고 원활하게 처리할 수 있도록 하기 위하여 다음과 같이 개인정보 처리방침을 수립·공개합니다.
주요 개인정보 처리 표시(라벨링)
목 차
3년
또는 회원탈퇴시까지5년
(「전자상거래 등에서의 소비자보호에 관한3년
(「전자상거래 등에서의 소비자보호에 관한2년
이상(개인정보보호위원회 : 개인정보의 안전성 확보조치 기준)개인정보파일의 명칭 | 운영근거 / 처리목적 | 개인정보파일에 기록되는 개인정보의 항목 | 보유기간 | |
---|---|---|---|---|
학술연구정보서비스 이용자 가입정보 파일 | 한국교육학술정보원법 | 필수 | ID, 비밀번호, 성명, 생년월일, 신분(직업구분), 이메일, 소속분야, 웹진메일 수신동의 여부 | 3년 또는 탈퇴시 |
선택 | 소속기관명, 소속도서관명, 학과/부서명, 학번/직원번호, 휴대전화, 주소 |
구분 | 담당자 | 연락처 |
---|---|---|
KERIS 개인정보 보호책임자 | 정보보호본부 김태우 | - 이메일 : lsy@keris.or.kr - 전화번호 : 053-714-0439 - 팩스번호 : 053-714-0195 |
KERIS 개인정보 보호담당자 | 개인정보보호부 이상엽 | |
RISS 개인정보 보호책임자 | 대학학술본부 장금연 | - 이메일 : giltizen@keris.or.kr - 전화번호 : 053-714-0149 - 팩스번호 : 053-714-0194 |
RISS 개인정보 보호담당자 | 학술진흥부 길원진 |
자동로그아웃 안내
닫기인증오류 안내
닫기귀하께서는 휴면계정 전환 후 1년동안 회원정보 수집 및 이용에 대한
재동의를 하지 않으신 관계로 개인정보가 삭제되었습니다.
(참조 : RISS 이용약관 및 개인정보처리방침)
신규회원으로 가입하여 이용 부탁 드리며, 추가 문의는 고객센터로 연락 바랍니다.
- 기존 아이디 재사용 불가
휴면계정 안내
RISS는 [표준개인정보 보호지침]에 따라 2년을 주기로 개인정보 수집·이용에 관하여 (재)동의를 받고 있으며, (재)동의를 하지 않을 경우, 휴면계정으로 전환됩니다.
(※ 휴면계정은 원문이용 및 복사/대출 서비스를 이용할 수 없습니다.)
휴면계정으로 전환된 후 1년간 회원정보 수집·이용에 대한 재동의를 하지 않을 경우, RISS에서 자동탈퇴 및 개인정보가 삭제처리 됩니다.
고객센터 1599-3122
ARS번호+1번(회원가입 및 정보수정)