Deep Learning-Based Estimation of Hemorrhage Progression and Compensatory Reserve in an Animal Model with or without β-Blocker Administration = 딥러닝 기반 β-차단제 조건별 동물 모델에서의 출혈 진행 및 보상능 추정 연구

다국어 초록 (Multilingual Abstract)

Hemorrhagic shock remains a leading cause of preventable death in trauma patients, with delayed recognition of early blood loss potentially contributing to increased mortality. Traditional monitoring methods based on vital signs and laboratory tests frequently lack sensitivity in detecting and assessing the severity of hemorrhage. These limitations become particularly pronounced—and are poorly understood—under conditions of physiological compensation or pharmacological suppression, such as those induced by β-blocker administration. To overcome these limitations and enable earlier detection compared to conventional methods, we developed a hybrid deep learning model combining one-dimensional convolutional neural network (1D CNN) and bidirectional long short-term memory (BiLSTM) layers for real-time estimation of hemorrhage progression and compensatory reserve from multichannel physiological signals collected in a controlled swine hemorrhage-resuscitation model, including subjects receiving the β-blocker.
Eight physiological signals—heart rate (HR), mean arterial pressure (MAP), end-tidal carbon dioxide (EtCO2), arterial blood pressure (ABP), photoplethysmogram (PPG), electrocardiogram (ECG), pulse pressure variation (PPV), and central venous pressure (CVP)—were continuously recorded and analyzed using multitask modeling to detect bleeding events, classify hemorrhage severity, identify β-blockade status, estimate cumulative blood loss volume (BLV), and predict compensatory reserve index (CRI). The hemorrhage detection model achieved an AUC of 0.96, reliably identifying bleeding states even under β-blockade conditions. Hemorrhage class classification showed an overall accuracy of 72.3%, which is likely due to the subtle physiological differences between early hemorrhage phases and their temporal proximity between hemorrhage classes. The model effectively identified β-blocker treated subjects during both hemorrhage and resuscitation phases (AUC = 0.99), confirming its sensitivity to pharmacologically altered responses.
For regression tasks, continuous BLV estimation achieved strong correlation (r = 0.74), although slightly overestimated blood loss under β-blockade, reflecting clinically meaningful changes in compensatory dynamics relevant for early intervention decisions. Continuous CRI prediction also demonstrated robust predictive performance (r = 0.81), closely approximating the dynamic interplay of physiological compensation and decompensation.
These findings demonstrate that the proposed deep learning framework effectively integrates multiple physiological signals, capturing subtle, clinically relevant physiological variations and enabling real-time, clinically actionable insights. This approach shows strong potential for early hemorrhage detection and management, especially in emergency or resource-limited settings, and maintains robust performance even under physiologically altered conditions such as β-blocker administration. Thus, the proposed framework provides a quantitative foundation for capturing individualized physiological responses, and is expected to contribute meaningfully to the development of patient-specific therapeutic strategies in future clinical applications.

국문 초록 (Abstract)

출혈성 쇼크는 외상 환자에서 여전히 예방가능한 주요 사망 원인 중
하나이며, 조기 출혈의 탐지가 지연될 경우 사망률이 증가할 수 있다.
활력징후와 혈액검사등에 기반한 기존의 모니터링 방법들은 출혈 탐지와
출혈 정도의 추정에 있어서 민감도가 낮은 경우가 많다. 특히 생리적
보상상태나 β-차단제 투여와 같은 약리학적 억제 조건에서는 이러한
한계가 두드러지며 거의 알려진 바가 없다. 이러한 문제를 극복하고
기존 방식보다 더 빠르고 정확한 출혈 감지를 가능하게 하기 위해,
우리는 1 차원 합성곱 신경망과 양방향 장단기 기억 네트워크를 결합한
하이브리드 딥러닝 모델을 개발하였다. 본 모델은 β-차단제를
투여받은 개체를 포함한 돼지 출혈–소생 모델에서 수집된 다채널
생리신호를 기반으로, 출혈 진행도와 보상 예비력을 추정한다.
심박수, 평균 동맥압, 호기말 이산화탄소 농도, 동맥혈압, 광용적맥파,
심전도, 맥압 변동성, 중심정맥압 등 총 8 개의 생리신호가 지속적으로
기록되었으며, 이를 바탕으로 출혈 발생 탐지, 출혈 단계 분류, β-차단
여부 식별, 누적 출혈량 추정, 보상 예비력 지수 예측의 다중 작업
모델링을 수행하였다. 출혈 탐지 모델은 AUC 0.96 의 성능을 보여주며,
β-차단 상태에서도 안정적으로 출혈 상태를 식별함을 확인하였다.
출혈 단계 분류는 전체 정확도 72.3%를 기록했으며, 이는 주로 출혈
초기 단계와 시간적으로 인접한 신호사이의 출혈로 인한 생리학적
차이가 미세하기 때문으로 보인다. β-차단 여부 식별 모델은 출혈 및
소생 구간 모두에서 AUC 0.99 로 매우 높은 정확도를 보이며, 약물로
인한 생리 반응의 변화를 민감하게 포착함을 입증하였다.
회귀 추정에서는 누적 출혈량의 연속 추정이 상관계수 r = 0.74 로
높은 상관성을 보였으며, β-차단 상태에서는 출혈량을 다소 과대
추정하는 경향을 나타났다. 이는 조기 출혈 중재 판단에 도움이 될 수
있는 보상 역학의 임상적으로 의미 있는 변화를 반영하는 것으로 보인다.
보상 예비력 지수의 연속 예측도 r = 0.81 의 상관계수를 보여주며,
생리학적 보상과 탈보상 간의 동적 상호작용을 정밀하게 추정하였다.
이러한 결과는 제안된 딥러닝 프레임워크가 다양한 생리신호를
효과적으로 통합하여 미세하지만 임상적으로 중요한 생리 변화를 포착할
수 있으며, 실시간으로 임상적 의사결정에 활용 가능한 통찰을 제공할
수 있는 가능성을 보여준다. 본 접근법은 특히 응급 상황이나 자원이
제한된 환경에서 조기 출혈 감지 및 관리에 있어 높은 잠재력을
확인하였으며, β-차단제 투여와 같은 생리학적 변화 조건에서도
강건한 성능을 유지함을 확인함으로써 환자 맞춤형 처치를 가능하게
하는 실용적 기반이 될 수 있을 것으로 기대된다.

목차 (Table of Contents)

• Abstract i
• Table of Contents v
• List of Tables ix
• List of Figures xi
• List of Abbreviations xv
• Chapter 1. Introduction 1
• 1.1. Background 1
• 1.2. Hemorrhagic shock and physiological compensation 3
• 1.2.1. Pathophysiology of hemorrhage 3
• 1.2.2. Physiologic compensation and decompensation 6
• 1.3. Approaches to hemorrhage assessment 9
• 1.3.1. Conventional clinical methods 9
• 1.3.2. Signal-based assesment of hemorrhage and compensatory reserve 12
• 1.4. β-blockade and modulation of physiologic response 16
• 1.5. Challenge and objective 19
• Chapter 2. Materials and Methods 21
• 2.1. Swine hemorrhage model and experimental protocol 21
• 2.1.1. Animal preparation and instrumentation 21
• 2.1.2. Hemorrhage and resuscitation procedure 23
• 2.1.3. β-blocker administration 25
• 2.2. Physiologic signal processing framework 27
• 2.2.1. Signal acquisition and physiologic feature extraction 27
• 2.2.2. Window segmentation and data labeling 29
• 2.3. Compensatory reserve index calculation 31
• 2.4. Physiologic state categorization 36
• 2.4.1. Hemorrhage detection 36
• 2.4.2. Hemorrhage stage categorization 38
• 2.4.3. β-blockade group identification 40
• 2.5. Regression-based estimation 42
• 2.5.1. Blood loss volume estimation 42
• 2.5.2. Continuous prediction of compensatory reserve index 44
• 2.6. Deep learning model design and training strategy 46
• 2.6.1. Modeling framework for hemorrhage and compensation 46
• 2.6.2. Traing configuration and evaluation strategy 50
• 2.7. Ablation study design 54
• Chapter 3. Results 56
• 3.1. Physiological response during hemorrhage and resuscitation 56
• 3.1.1. Typical and group-specific physiologic trends 56
• 3.2. Physiological state categorization performance 65
• 3.2.1. Performance of hemorrhage detection 65
• 3.2.2. Analysis of hemorrhage stage classification 70
• 3.2.3. Discrimination of β-blockade group 75
• 3.3. Regression-based estimation result 81
• 3.3.1. Blood loss volume estimation 81
• 3.3.2. Compensatory reserve index prediction 86
• 3.4. Ablation study and performance comparison 90
• Chapter 4. Discussion 101
• 4.1. Interpretation and significance of deep learning-based modeling of hemorrhagic and compensatory responses 101.
• 4.2. Limitations 106
• 4.3. Future work 107
• Chapter 5. Conclusion 109
• Acknowledgement 111
• References 112
• Abstract in Korean 121
• 감사의 글 123