응급실 환자에서 24 시간 후 혈중 칼륨 수치 변화 추이 예측을 위한 지능형 회귀 모델 개발 및 검증 = Development and Validation of an Artificial Intelligence-Based Regression Model for Predicting 24-Hour Changes in Serum Potassium Levels in Emergency Department Patients

국문 초록 (Abstract)

혈중 칼륨 이상(dyskalemia)는 심각한 부정맥, 심정지 등 치명적인 합병증과 밀접하게 연관되어 있어 응급의료 환경에서 신속하고 정확한 예측이 요구된다. 그러나, 기존 연구들은 주로 고칼륨혈증 또는 저칼륨혈증 여부를 분류하는 이분형 예측 모델에 집중되어 있어, 실제 임상에서 요구되는 정량적 변화를 예측하는데 한계가 있다.
본 연구는 삼성서울병원 응급실에 내원한 성인 환자를 대상으로 시행한 단일 기관 후향적 코호트 연구로 설계되었으며, 2016 년 6 월부터 2024 년 6 월까지의 전자의무기록 데이터를 활용하였다. 최종 분석에는 6,346 명의 고유 환자에서 발생한 7,475 건의 응급실 방문이 포함되었다. 예측 모델의 입력 변수는 내원 당시 최초로 측정된 혈중 칼륨 수치와 함께 활력징후, 혈액검사 결과, 산염기 상태 지표, 신장 기능 지표 및 ATC 코드 기반 약물 투약력으로 구성하였다. 예측 결과 변수는 내원 후 22 시간에서 26 시간 사이에 측정된 혈중 칼륨 수치 중 마지막 값으로 정의하여, 임상 현장의 시간적 변동성을 반영하였다.
총 6 가지 회귀 기반 예측 모델(Linear Regression, Elastic Net, Random Forest, Gradient Boosting, XGBoost, Neural Network)을 개발하여 성능을 비교하였다. 모델 학습은 훈련 데이터셋(80%)에서 5-fold 교차검증과 grid search 기반 하이퍼파라미터 최적화를 통해 수행되었으며, 평가 데이터셋(20%)에서는 부트스트래핑을 이용해 성능의 안정성을 검증하였다. 예측 성능 평가는 RMSE, MAE, R2, MAPE 지표를 종합적으로 활용하였다.
그 결과, Random Forest 와 XGBoost 모델은 통계적으로 유사한 예측 성능을 보였으나, SHAP 기반 변수 기여도 분석에서 임상적으로 의미 있는 변수들의 영향이 보다 잘 반영된 XGBoost 모델을 최종 모델로 선정하였다. XGBoost 모델의 예측 오차는 RMSE 는 0.4913mmol/L 으로 나타났다.
모델의 해석 가능성을 확보하기 위해 feature importance 와 SHAP importance 분석을 수행한 결과, 내원 당시 혈중 칼륨 수치가 가장 중요한 예측 요인이었으며, 마그네슘, 산염기 상태, 신장 기능 지표, 젖산 등이 병태생리적 기전과 일관된 방향으로 예측에 기여하였다. 약물 투약 변수는 전체 평균 기여도는 낮았으나, 특정 임상 상황에서는 예측값을 크게 변화시키는 이질적 효과를 보였으며, 이는 개별 환자 수준 SHAP 해석을 통해 확인되었다.
본 연구는 응급실 환경에서 즉시 활용 가능한 임상 정보를 기반으로, 혈중 칼륨 수치의 변화를 정량적으로 예측하는 인공지능 모델을 제시하였다는 점에서 의의가 있다. 이는 전해질 이상 고위험 환자의 조기 식별과 치료 전략 수립을 지원하는 임상 의사결정 보조 도구로서의 활용 가능성을 시사한다.

다국어 초록 (Multilingual Abstract)

Dyskalemia is closely associated with life-threatening complications, including severe arrhythmias and cardiac arrest, and therefore requires timely and accurate prediction in emergency care settings. However, most previous studies have focused on binary classification models that predict the presence or absence of hyperkalemia or hypokalemia, which limits their ability to capture the quantitative changes in serum potassium levels required for real-world clinical decision-making.
This study was designed as a single-center retrospective cohort study including adult patients who presented to the emergency department of Samsung Medical Center. Electronic medical record data collected between June 2016 and June 2024 were analyzed. The final study population consisted of 7,475 emergency department visits from 6,346 unique patients. Model input variables included the initial serum potassium level measured at presentation, vital signs, laboratory results, acid–base status indicators, renal function markers, and medication exposure defined using Anatomical Therapeutic Chemical (ATC) codes. The outcome variable was defined as the last measured serum potassium value obtained between 22 and 26 hours after emergency department presentation, in order to reflect real-world clinical workflow and temporal variability.
A total of six regression-based prediction models were developed and compared: Linear Regression, Elastic Net, Random Forest, Gradient Boosting, Extreme Gradient Boosting (XGBoost), and a Neural Network. Model training was performed on 80% of the dataset using 5-fold cross-validation with grid search–based hyperparameter optimization, while model performance and stability were evaluated on the remaining 20% using bootstrapping. Predictive performance was assessed using root mean squared error (RMSE), mean absolute error (MAE), coefficient of determination (R2), and mean absolute percentage error (MAPE).
Although the Random Forest and XGBoost models showed statistically comparable predictive performance, the XGBoost model was ultimately selected based on SHAP-based interpretability analysis, which demonstrated a clearer and more clinically coherent contribution of key predictors. The final XGBoost model achieved an RMSE of 0.4913 mmol/L.
To enhance model interpretability, feature importance and SHAP (SHapley Additive exPlanations) analyses were performed. The initial serum potassium level was identified as the most influential predictor, followed by magnesium, acid–base status indicators, renal function markers, and lactate, all of which contributed to predictions in directions consistent with known pathophysiological mechanisms. Medication variables showed low average global importance but exhibited heterogeneous and substantial effects in specific clinical contexts, which were elucidated through patient-level SHAP analyses.
In conclusion, this study presents an artificial intelligence–based model that quantitatively predicts changes in serum potassium levels using readily available clinical data in the emergency department. These findings suggest the potential utility of the proposed model as a clinical decision support tool for early identification of high-risk patients with electrolyte imbalance and for guiding individualized treatment strategies in emergency care settings.

목차 (Table of Contents)

• 제 1 장 서론 1
• 1. 연구 배경 1
• 2. 선행 연구 동향 3
• 3. 연구 목적 4
• 제 2 장 방법 6
• 1. 연구 설계 6
• 2. 임상적 근거 기반 초기 변수 선정 6
• 3. 데이터 수집 및 처리 9
• 4. 모델 개발 14
• 5. 데이터 분석 및 모델 평가 17
• 제 3 장 결과 20
• 1. 데이터 특성 20
• 2. 모델 평가 결과 28
• 3. 주요 예측 요인 분석 34
• 제 4 장 고찰 및 결론 35
• 1. 고찰 35
• 2. 연구의 한계점 38
• 3. 결론 40
• 참 고 문 헌 41
• 부 록 45