Development and external validation of a machine learning model to predict rescue antiemetic treatment in the post-anesthetic care unit = 마취 후 회복실에서의 구조 항구토제 투여 예측을 위한 머신러닝 모델의 개발 및 외부 검증

다국어 초록 (Multilingual Abstract)

Purpose: This study aimed to develop and validate a prediction model for rescue antiemetic treatment in the post-anesthetic care unit (PACU) using machine learning techniques.

Methods: Data from two academic hospitals (one for the derivation cohort and the other for the external validation cohort) were collected. A gradient boosting machine (GBM) model was developed to predict rescue antiemetic treatment in the PACU, with input variables selected by the Boruta algorithm from automatically collected electronic health records. The model’s performance, measured by area under the receiver operating characteristic curve (AUROC), was compared with the Apfel and the Koivuranta scores in both internal and external validation.

Results: Four variables were selected by the Boruta algorithm: sex, age, anesthetic duration, and volatile anesthetics. In the internal validation, the GBM model (AUROC, 0.804) showed significantly higher predictive performance than the Apfel (AUROC, 0.637) and Koivuranta (0.698) scores (P<0.001 for both). In the external validation, the GBM model (AUROC, 0.731) also showed significantly higher predictive performance than the Apfel (AUROC, 0.638) and Koivuranta (0.675) scores (P<0.001 for both).

Conclusions: The GBM model with automatically collectible variables showed better performance than traditional risk scores in predicting rescue antiemetics in the PACU. This model can help clinicians identify high-risk patients, adjust anesthetic methods, or prepare timely interventions in the PACU.

국문 초록 (Abstract)

목적: 본 연구는 마취 후 회복실(PACU)에서 구조 항구토제 투여 필요성을 예측하기 위한 머신러닝 모델을 개발하고 검증하는 것을 목표로 하였다.

방법: 두 대학 병원(개발 코호트와 외부 검증 코호트)의 데이터를 수집하였다. 전자의무기록에서 자동으로 수집된 변수들 중 Boruta 알고리즘을 통해 선택된 변수들을 이용하여, PACU에서의 구조적 항구토제 투여를 예측하는 그래디언트 부스팅 머신(GBM) 모델을 개발하였다. 모델의 성능은 수신자 조작 특성 곡선 하 면적(AUROC)으로 측정되었으며, 내부 및 외부 검증을 통해 기존의 Apfel 점수 및 Koivuranta 점수와 비교하였다.

결과: Boruta 알고리즘을 통해 성별, 나이, 마취 시간, 휘발성 마취제 사용 여부의 네 가지 변수가 선택되었다. 내부 검증에서 GBM 모델(AUROC, 0.804)은 Apfel 점수(AUROC, 0.637)와 Koivuranta 점수(AUROC, 0.698)에 비해 통계적으로 유의하게 높은 예측 성능을 보였다 (모두 P<0.001). 외부 검증에서도 GBM 모델(AUROC, 0.731)은 Apfel 점수(AUROC, 0.638)와 Koivuranta 점수(AUROC, 0.675)보다 유의하게 높은 예측 성능을 나타냈다 (모두 P<0.001).

결론: 자동으로 수집 가능한 변수들을 활용한 GBM 모델은 PACU에서 구조적 항구토제 투여를 예측하는 데 있어 전통적인 위험 점수보다 우수한 성능을 보였다. 이 모델은 임상의가 고위험 환자를 식별하고, 마취 방법을 조절하거나 적절한 중재를 준비하는 데 도움을 줄 수 있을 것이다.

목차 (Table of Contents)

• Introduction 1
• Methods 3
• Results 7
• Discussion 19
• References 25
• Abstract in Korean 29