발열이 있는 어린 영아에서의 심각한 세균감염 기계학습 예측모델 개발 = Development of a Machine Learning-Based Prediction Model for Serious Bacterial Infections in Febrile Young Infants

국문 초록 (Abstract)

배경: 90일 이하의 발열 영아에서 중증 세균감염(serious bacterial infections, SBI)을 예 측하기 위한 기계학습(Machine Learning, ML) 기반 모델을 개발하고 이를 검증하고자 하였다. 방법: 본 후향적 연구는 발열(≥38.0℃)을 주소로 응급실에 내원한 생후 90일 이하 어린 영아를 대상으로 하였다. 모델 개발에는 2015년부터 2021년까지 서울아산병원을 방문한 환자의 자료를 사용하였고, 외부 검증에는 2022년 1월부터 2023년 8월까지 방문한 환자 들의 자료를 이용하였다. 중증 세균감염 예측을 위해 로지스틱 회귀(Logistic Regression, LR)와 eXtreme Gradient Boosting (XGB) 모델을 개발하였으며, 이들을 기존의 규칙 기 반 모델들과 비교하였다. 결과: 총 2,860명의 환자 데이터가 포함되었으며, 이 중 2,288명(80%)은 개발 데이터셋, 572명(20%)은 검증 데이터셋에 속했다. 중증 세균감염은 개발 데이터셋에서 482명 (21.0%), 검증 데이터셋에서 131명(22.9%)에게서 확인되었다. XGB와 LR 모델은 개발 데 이터셋에서 각각 AUC 0.990과 0.981, 검증 데이터셋에서 각각 0.989와 0.985로 우수한 성능을 보였다. 검증 결과, 두 모델 모두 기존 규칙 기반 모델에 비해 높은 특이도 (82.3-87.0% vs. 46.2-72.2%) 및 양성예측도(61.5-68.5% vs. 34.4-49.8%)를 보였으며, 민감도와 음성예측도는 모두 100%로 완전하게 유지되어 위 음성이 발생하지 않았다. XGB 모델에서 가장 중요한 예측 변수는 소변검사, C-반응단백(CRP), 그리고 프로칼시토 닌(procalcitonin) 이었다. 결론: ML 기반 예측 모델은 뛰어난 성능을 보였으며, 완전한 민감도와 높은 특이도를 바 탕으로 중증 세균감염의 진단 정확도를 향상시키고, 위양성에 따른 불필요한 비용을 줄이 는 데 기여할 수 있을 것으로 보인다.

목차 (Table of Contents)

• 감사의 글 ⅰ
• 국문요약 ⅱ
• 표 목차 ⅲ
• 서론 1
• 연구방법 7
• 모델 개발
• 모델 검증 및 비교
• 통계 분석
• 결과 10
• 연구 대상 및 변수
• 모델 개발 및 검증
• 모델 성능 비교
• 미검출/과검출 증례 분석
• 예측 모델 공개
• 정상 요 검사 환자 분석
• 고찰 27
• 결론 31
• 참고문헌 32
• 논문 구성 및 선행출판 고지 40
• 영문요약 41