Development and external validation of a machine learning model for predicting immediate postoperative instability in adults undergoing cardiac surgery = 성인 심장수술 환자에서 수술 직후 불안정성 예측을 위한 기계학습 예측모델의 개발 및 외부 검증

국문 초록 (Abstract)

배경: 심장수술 환자는 수술 후 혈역학적 불안정성 발생 위험이 높다. 그러나 복잡한 생리적 특성과 다양한 위험 요인으로 인해 수술 직후 발생하는 중증 합병증을 예측하고 관리하는 것은 어렵다. 본 연구의 목적은 심장수술 직후 발생하는 심각한 합병증을 예측하기 위한 머신러닝 모델을 개발하는 것이다.

방법: 2004년 10월부터 2021년 10월까지 서울대학교병원에서 심장 수술을 받은 성인 환자를 대상으로 하였다. 총 37개의 수술 전 및 수술 중 변수를 모델 입력 변수로 사용하였다. 1차 평가변수는 출혈로 인한 재수술, 사망, 심정지, 체외막산소공급 또는 대동맥내 풍선펌프 삽입을 포함한 복합 결과로 정의하였다. 머신러닝 기법은 Extreme Gradient Boosting (XGBoost)을 기반으로 하였으며, 성능 평가는 ROC 곡선하 면적 등을 이용하였다. 외부 검증으로 2019년 1월부터 2022년 6월까지 분당서울대병원 및 세브란스병원에서 심장 수술을 받은 환자의 데이터를 사용하여 분석하였다.

결과: 서울대병원에서 총 7,946명의 환자가 포함되었으며, 외부 검증은 분당서울대학교병원 2,270명과 세브란스병원 1,966명의 환자에서 시행되었다. 복합 합병증의 발생률은 서울대병원에서 5.93%, 분당서울대학교병원에서 1.37%, 세브란스병원에서 2.49% 였다. 모델의 ROC 곡선하 면적은 내부 검증에서 0.804 (95% 신뢰구간, 0.707-0.891) 이었으며, 외부 검증에서는 분당서울대학교병원에서 0.735 (95% 신뢰구간, 0.636-0.829), 세브란스병원에서 0.712 (95% 신뢰구간, 0.630-0.795)로 나타났다.

결론: 본 연구에서 개발한 머신러닝 모델은 수술 전 및 수술 중 데이터를 기반으로 심장 수술 후 즉시 발생하는 혈역학적 불안정 관련 중증 합병증을 예측하는 데 있어 우수한 성능과 신뢰성을 보였다.

다국어 초록 (Multilingual Abstract)

Background: Patients undergoing cardiac surgery are at a high risk of major early postoperative complications that may lead to hemodynamic instability. Predicting and managing immediate postoperative adverse events remain challenging owing to the complex and nonlinear interplay of numerous risk factors. This study aimed to develop and externally validate a machine-learning model to predict composite instability outcomes during the immediate postoperative period after cardiac surgery.

Methods: Adult patients who underwent cardiac surgery at Seoul National University Hospital (SNUH) between October 2004 and October 2021 were included in the model development and internal validation. Thirty-seven preoperative and intraoperative variables were used as the model inputs. The primary outcome was a composite of reoperation for bleeding, death, cardiac arrest, and initiation of mechanical circulatory support with extracorporeal membrane oxygenation (ECMO) or intra-aortic balloon pump (IABP). The model performance was assessed using the area under the receiver operating characteristic curve (AUROC) and corresponding 95% confidence intervals (CIs). For external validation, we analyzed data from Seoul National University Bundang Hospital (SNUBH) and Severance Hospital between January 2019 and June 2021.

Results: A total of 7,946 patients from SNUH were used for model development, with external validation performed in 2,270 patients from SNUBH and 1,966 patients from Severance Hospital. The incidence of the composite outcome was 5.93%, 1.37%, and 2.49% at SNUH, SNUBH, and Severance Hospital, respectively. The gradient boosting machine model achieved an AUROC of 0.804 (95% CI, 0.707-0.891) in internal validation, and 0.735 (95% CI, 0.636-0.829) and 0.712 (95% CI, 0.630-0.795) in external validations at SNUBH and Severance Hospital, respectively.

Conclusion: The proposed machine learning model, which incorporates preoperative and intraoperative data, demonstrated robust performance and generalizability in predicting immediate postoperative adverse events associated with severe hemodynamic instability after cardiac surgery.

목차 (Table of Contents)

• Table of Contents
• Chapter 1. Introduction 1
• 1-1. Study background 1
• 1-2. Purpose of research 1
• Chapter 2. Methods 3
• 2-1. Study design and population 3
• 2-2. Data collection 3
• 2-3. Outcome definition 4
• 2-4. Statistical analysis and model development 5
• Chapter 3. Result and Conclusion 7
• 3-1. Study result 7
• 3-2. Discussion 8
• 3-3. Conclusion 12
• Bibliography 13
• Abstract in Korean 16
• Tables
• [Table 1] 17
• [Table 2] 20
• Figures
• [Figure 1] 21
• [Figure 2] 22
• [Figure 3] 23