비계획적 말초삽입 중심정맥관 발관 예방을 위한 임상 의사결정 지원 모델 연구 : 설명 가능한 딥러닝 모델을 활용한 생존분석 기반의 시간 의존적 위험 예측 및 주요 위험인자 규명 = A Study on a Clinical Decision Support Model for Preventing Unplanned Peripherally Inserted Central Catheter Removal

국문 초록 (Abstract)

말초삽입 중심정맥관 (Peripherally Inserted Central Catheter, PICC)은 장기적이고 반복적인 정맥 접근이 필요한 환자에게 널리 사용되나, 유지 기간 중 다양한 카테터 합병증으로 인해 계획되지 않은 조기 발관이 발생하며 이는 치료 연속성의 중단, 재삽입에 따른 침습, 입원 기간 연장 및 의료비 증가로 이어진다. 비계획적 PICC 발관은 단일 요인으로 설명되기 어려운 복합적 사건이며, 기존 예측 연구는 대부분 특정 시점의 발생 여부를 판별하는 이진 분류로 설계되어 시간에 따른 위험 변화와 중도 절단을 충분히 반영하지 못하였다. 이에 본 연구는 생존분석 기반 딥러닝 모델을 활용하여 카테터 합병증으로 인한 비계획적 발관 위험을 시간에 따라 동적으로 예측하고, 설명 가능한 인공지능 기법 (Explainable AI, XAI)을 통해 주요 위험인자의 기여 방향성과 상대적 중요도를 규명함으로써 해석 가능한 임상 의사결정 지원 모델을 제안하고자 하였다.
본 연구는 2개 의료기관의 후향적 의무기록 코호트를 대상으로 하였다. 내부 코호트는 인천광역시 소재 의료기관에서 말초삽입 중심정맥관을 삽입한 843건으로 구성하였고 이 중 사건 발생군은 43건이었다. 외부 검증용 코호트는 서울특별시 소재 의료기관의 218건을 사용하였고 이 중 사건 발생군은 18건이었다. 생존분석의 표준 통계 모형인 Cox 비례위험 모형을 기준 모형으로 설정하고, 선형성과 비례위험, 반모수 구조의 가정을 단계적으로 완화하는 DeepSurv와 DeepPAMM, CoxTime, DeepHit를 비교 검증하였다. 학습 데이터의 불균형은 오버샘플링 기법을 통해 보정하였으며, 모델 성능은 Concordance Index (C-index)와 Integrated Brier Score (IBS), 그리고 7일과 14일, 30일 시점의 시간 의존적 AUC (Time-dependent AUC)로 평가하였다. 모델 해석에는 설명 가능한 인공지능을 적용하여 각 변인의 기여도와 방향성을 산출하고 이를 Cox 비례위험 모형의 위험비와 비교하였다.
내부 코호트는 DeepPAMM이 C-index 0.74, 14일 시점 AUC 0.87로 가장 우수한 판별 성능을 보였으며, CoxTime은 7일 시점에서 AUC 0.87로 단기 위험 예측에 강점을 나타내었다. 반면 외부 코호트는 DeepPAMM과 DeepHit에서 40일 이후부터 큰 오차를 보인 데 비해, 상대적으로 단순한 구조의 Cox 비례위험 모형과 CoxTime이 모든 시점에서 안정적인 성능을 유지하였다. 설명 가능한 인공지능 분석 결과 카테터 삽입 길이와 카테터 직경, 말초삽입 중심정맥관 삽입 과거력, 카테터 삽입 위치가 주요 위험인자로 확인되었으며, 시간이 경과할수록 카테터 삽입 길이의 기여도가 최상위로 상승하는 경향이 내부 및 외부 코호트에서 일관되게 관찰되었다. 또한 고령 환자에서 카테터 삽입 길이가 적정 범위를 벗어나 과도하게 길어질수록 발관 위험이 높게 예측되는 두 변인 간 비선형적 상호작용을 규명하였다. 단변량 Cox 분석에서는 내부 코호트의 모든 변인이 통계적으로 유의하지 않았고, 외부 코호트에서는 카테터 삽입 위치만이 유의한 인자로 확인되어 위험비 0.25, p값 0.002로 좌측 대비 우측 삽입군에서 발관 위험이 유의하게 낮았다.
본 연구는 생존분석 기반 딥러닝 모델이 비계획적 말초삽입 중심정맥관 발관 위험을 시간에 따라 동적으로 예측하고 설명 가능한 인공지능 기반 해석을 통해 그 근거를 제시함으로써, 고위험 환자를 조기에 식별하고 예방적 중재를 지원할 수 있는 해석 가능한 임상 의사결정 지원 모델로서의 가능성을 보였다. 아울러 단변량 통계 분석 결과는 개별 변인의 선형적 기여만으로는 발관 위험을 충분히 설명하기 어려움을 보여, 변인 간 비선형적 상호작용을 학습하는 딥러닝 기반 생존분석 모델의 필요성을 뒷받침하였다. 다만 데이터 규모와 모델의 일반화 성능, 그리고 다양한 임상 조건에서의 검증과 관련한 한계가 남아 있으므로, 향후 후속 연구를 통해 다기관 데이터의 확장 및 전이 학습을 통한 모델 일반화 성능 확보, 중증도 및 총비경구영양 여부를 고려한 하위군 분석을 진행하고자 한다.

다국어 초록 (Multilingual Abstract)

Peripherally inserted central catheters are widely used in patients who require long-term and repeated venous access; however, various catheter-related complications during the dwell period can lead to unplanned early removal, which in turn results in interruption of treatment continuity, additional invasiveness from reinsertion, prolonged hospitalization, and increased medical costs. Unplanned removal of a peripherally inserted central catheter is a complex event that cannot be explained by any single factor, and most prior predictive studies have been designed as binary classification predicting whether an event occurs at a specific time point, thereby failing to adequately reflect time-varying risk and censoring. Accordingly, this study aimed to dynamically predict the risk of unplanned removal due to catheter complications over time using survival-analysis-based deep learning models, and to identify the contribution direction and relative importance of key risk factors through explainable artificial intelligence, thereby proposing an interpretable clinical decision support model.
This study used retrospective electronic medical record cohorts from two institutions. The internal cohort comprised 843 cases of peripherally inserted central catheter insertion at an institution in Incheon, of which 43 were events, and was divided into training, validation, and test sets at a ratio of 8:1:1. The external validation cohort comprised 218 cases from an institution in Seoul, of which 18 were events. The Cox proportional hazards model, a standard statistical model in survival analysis, was set as the reference model, and DeepSurv, DeepPAMM, CoxTime, and DeepHit, which progressively relax the assumptions of linearity, proportional hazards, and semiparametric structure, were comparatively evaluated. Class imbalance in the training data was corrected using an oversampling technique, and model performance was assessed using the C-index, IBS, and time-dependent AUC at 7, 14, and 30 days. For model interpretation, SHAP was applied to derive the contribution and directionality of each variable, which were then compared with the hazard ratios from the Cox proportional hazards model.
In the internal cohort, DeepPAMM showed the best discriminative performance with a C-index of 0.74 and an AUC of 0.87 at 14 days, while CoxTime demonstrated a strength in short-term risk prediction with an AUC of 0.87 at 7 days. In contrast, in the external cohort, DeepPAMM and DeepHit showed large errors from 40 days onward, whereas the relatively simple CoxPH and CoxTime maintained stable performance across all time points. SHAP analysis identified catheter insertion length, catheter diameter, history of prior peripherally inserted central catheter insertion, and catheterization site as key risk factors, and the tendency for the contribution of catheter insertion length to rise to the top as time elapsed was consistently observed in both the internal and external cohorts. In addition, a nonlinear interaction between two variables was identified, in which a higher risk of removal was predicted as catheter insertion length deviated from the appropriate range and became excessively long in older patients. In the univariate Cox analysis, none of the variables in the internal cohort were statistically significant, whereas in the external cohort only catheterization site was identified as a significant factor, with a hazard ratio of 0.25 and a p-value of 0.002, indicating a significantly lower risk of removal in the right-side insertion group compared with the left-side group.
By dynamically predicting the risk of unplanned removal of a peripherally inserted central catheter over time and presenting the basis for these predictions through SHAP-based interpretation, this study demonstrated the potential of a survival-analysis-based deep learning model as an interpretable clinical decision support model that can support early identification of high-risk patients and preventive intervention. Furthermore, the univariate statistical analysis showed that the linear contribution of individual variables alone is insufficient to fully explain removal risk, supporting the need for survival-analysis-based deep learning models that learn nonlinear interactions among variables. However, limitations remain regarding data scale, model generalizability, and validation under diverse clinical conditions; therefore, future studies are intended to expand multicenter data, secure model generalization performance through transfer learning, and conduct subgroup analyses considering disease severity and total parenteral nutrition status.

목차 (Table of Contents)

• 제1장 서 론 1
• 제2장 선행연구 동향 및 문헌 고찰 3
• 2.1 비계획적 PICC 발관의 발생률과 임상적 부담 3
• 2.2 비계획적 PICC 발관의 위험인자 4
• 2.3 중심정맥관 접근 측면의 환자 예후 예측 모델 5
• 제3장 연구 방법 7
• 3.1 연구 설계 7
• 3.2 개발 환경 9
• 3.3 데이터 수집 9
• 3.4 데이터 전처리 10
• 3.5 생존분석 모델 학습 11
• 3.5.1 Cox 비례위험 모형 11
• 3.5.2 DeepSurv 12
• 3.5.3 DeepPAMM 12
• 3.5.4 CoxTime 14
• 3.5.5 DeepHit 14
• 3.6 통계 분석 및 모델 해석 15
• 3.6.1 모델 성능의 정량적 평가 15
• 3.6.2 설명 가능한 인공지능 및 생존분석 기반 모델 해석 17
• 제4장 연구 결과 19
• 4.1 연구 대상자의 인구학적 및 임상적 특성 19
• 4.2 비계획적 PICC 발관 예측 성능 23
• 4.3 설명 가능한 인공지능 기반 주요 위험인자 분석 26
• 4.4 주요 위험인자의 통계적 검증 30
• 제5장 고 찰 33
• 제6장 결 론 36