기계학습 기반 성인 정맥영양 자문 결정지원 알고리즘 시범 개발 = Pilot Development of a Machine Learning?Based Decision-Support Algorithm for Adult Parenteral Nutrition Consultation

다국어 초록 (Multilingual Abstract)

Parenteral nutrition is an essential therapeutic option for patients who are unable to meet their nutritional needs through oral or enteral routes, but its complex composition and potential complications require specialized management. Pharmacists in the nutrition support team (NST) are responsible for ensuring the safety and appropriateness of parenteral nutrition prescriptions; however, limited personnel and time often hinder the provision of comprehensive consultations. Although research on automated parenteral nutrition systems using artificial intelligence has recently progressed, evidence remains scarce in Korea. Therefore, this study aimed to pilot-develop a ‘machine learning-based parenteral nutrition consultation decision-support algorithm’ applicable in hospital settings, thereby establishing a methodological foundation for streamlining pharmacist workflows and standardizing decision-making.
This study collected de-identified NST consultation replies written by pharmacists at Seoul National University Hospital from January 1, 2022, to December 31, 2024, via the hospital’s clinical data warehouse (SUPREME 2.0). Free-text fields were segmented into semantic units (chunks) based on delimiters and keywords, and structured variables were constructed using natural language processing, resulting in a total of 74 analytical variables. Subsequently, a three-step algorithm was designed. Step 1 (Model 1) is a regression model predicting calorie and protein requirements. Its performance was evaluated using mean absolute error (MAE), root mean square error (RMSE), mean absolute percentage error (MAPE), and the coefficient of determination (R²) by comparing extreme gradient boosting (XGB), multilayer perceptron (MLP), and ensemble models. Step 2 (Model 2) is a Random Forest–based classification model predicting commercial product suitability (is_special) and central venous administration (is_central). Accuracy, F1 score, AUROC, and AUPRC were calculated, and feature importance was analyzed. Step 3 (Model 3) targeted patients eligible for commercial PN-only regimens and consisted of two components: (1) predicting required calorie, protein, lipid, and dextrose amounts using CatBoost-based out-of-fold estimates, and (2) converting these predictions into feasible combinations of commercial PN products and infusion rates by applying clinical guideline–based constraints and practice-derived rules (e.g., infusion rate 10–80 mL/hr, GIR ≤ 4 mg/kg/min, full-bag administration preference). This study was conducted after approval by the Institutional Review Board (IRB No. 2407-164-1556).
Out of 54,020 total cases, 8,688 PN consultations were analyzed after applying exclusion criteria. Calorie and protein requirements were presented as single values in 66.8% and 60.9% of cases, respectively; when minimum–maximum ranges were provided, the mean absolute ranges were 240.7 kcal/day for calories and 16.4 g/day for protein. In Model 1, XGBoost demonstrated the best performance, with MAE 69.63 kcal/day and R² 0.832 for calorie prediction, and MAE 6.87 g/day and R² 0.697 for protein prediction. Model 2 showed high discriminative power, with AUROC 0.906 for predicting commercial PN suitability and 0.987 for central venous administration. Key predictors included ICU status, renal function indicators (e.g., eGFR_effective, BUN), anthropometric and metabolic variables, and the presence of a central venous catheter. Model 3 structured actual clinical rules (infusion rate 10–80 mL/hr, GIR ≤ 4 mg/kg/min, preference for full-bag administration) to generate optimal formulation combinations. Model 3 showed significant positive correlations with actual pharmacist prescriptions, with Pearson correlation coefficients of 0.75 for calories, 0.76 for protein, 0.68 for lipids, and 0.77 for dextrose (all p < 0.001). Bland–Altman analysis indicated mean differences close to zero, although the 95% limits of agreement were relatively wide due to limitations in available input information.
This is a pilot study that quantified and structured the pharmacist PN consultation process using large-scale real-world data. The developed algorithm was confirmed to predict requirements within safe clinical ranges and support efficient patient triage and standardized prescription combination searches. These findings provide key foundational evidence for the construction of advanced intelligent clinical decision support systems and are expected to expand clinical applicability through future multi-center validation and prospective studies.

국문 초록 (Abstract)

정맥영양은 경구 또는 경장 영양 공급이 어려운 환자에게 필수적인 치료법이지만, 조성의 복잡성과 합병증 위험으로 인해 전문적인 관리가 필요하다. 영양집중지원팀 내 약사는 정맥영양 처방의 안전성과 적정성을 담당하나, 인력과 시간의 제약으로 충분한 자문 수행이 어려운 실정이다. 최근 인공지능을 활용한 정맥영양 자동화 연구가 활발히 이루어지고 있으나, 국내에서는 관련 근거가 부족하다. 이에 본 연구는 병원 현장에서 활용 가능한 ‘기계학습 기반 정맥영양 자문 결정지원 알고리즘’을 시범 개발(pilot development)하여, 약사 업무의 효율화와 의사결정 표준화를 위한 방법론적 기초를 마련하고자 하였다.
본 연구는 2022년 1월 1일부터 2024년 12월 31일까지 서울대학교병원에서 작성된 영양집중지원팀 자문 회신을 병원 임상 데이터 저장소(SUPREME 2.0)에서 비식별화하여 수집하였다. 자유기술 영역은 구분 기호와 키워드를 기반으로 의미 단위(chunk)로 분할한 후 자연어처리를 통해 정형 변수를 구축하여 총 74개의 분석 변수를 생성하였다. 이후 세 단계 알고리즘을 설계하였다. 1단계(Model 1)는 필요 열량 및 단백질 요구량을 예측하는 회귀 모형으로, 극단 경사 부스팅(extreme gradient boosting: XGB)과 다층 퍼셉트론(multilayer perceptron: MLP), 앙상블 모형(ensemble model)을 비교하여 평균절대오차(mean absolute error: MAE), 제곱근평균제곱오차(root mean square error: RMSE), 평균절대백분율오차(mean absolute percentage error: MAPE), 결정계수(coefficient of determination: R²)로 성능을 평가하였다. 2단계(Model 2)는 시판 제제 사용 여부(is_special)와 중심정맥 투여 여부(is_central)를 예측하는 랜덤 포레스트 기반 분류 모형으로, 정확도(accuracy), F1 점수(F1), AUROC(area under the receiver operating characteristic curve), AUPRC(area under the precision–recall curve)를 산출하고 변수 중요도를 분석하였다. 3단계(Model 3)는 시판 정맥영양 제제 단독 투여가 가능한 환자를 대상으로, CatBoost 기반 예측값과 임상진료지침·실무 규칙(주입속도, 허용 용적, 투여 경로 제한 등)을 통합하여 목표 열량·단백질·지질·포도당을 충족하는 제제 조합과 주입 속도를 산출하는 최적화 규칙을 구현하였다. 본 연구는 기관생명윤리위원회 승인 후 수행하였다(IRB No. 2407-164-1556).
총 54,020건 중 제외 기준을 적용하여 최종 8,688건의 PN 자문을 분석하였다. 열량·단백질 요구량은 단일값으로 제시된 비율이 각각 66.8%, 60.9%였으며, 최소–최대가 함께 제시된 경우 평균 절대 범위는 열량 240.7 kcal/day, 단백질 16.4 g/day로 확인되었다. Model 1에서 XGBoost는 열량 예측 시 MAE 69.63 kcal/day, R² 0.832, 단백질 예측 시 MAE 6.87 g/day, R² 0.697으로 가장 우수한 성능을 나타냈다. Model 2는 시판 PN 적합성 예측에서 AUROC 0.906, 중심정맥 투여 여부에서 AUROC 0.987를 보여 전반적으로 높은 판별력을 보였다. 주요 예측 인자는 중환자실 입실 여부, 실질 사구체여과율 등 신기능 지표, 체격 및 대사 관련 변수, 중심정맥관 존재 여부 등으로 확인되었다. Model 3는 주입속도(10–80 mL/hr), 포도당 주입 속도(glucose infusion rate: GIR) ≤ 4 mg/kg/min, 1 bag 전량 사용 등 실제 임상 규칙을 반영하여 시판 PN 조합을 최적화하였으며, 실제 처방과 비교한 Pearson 상관계수는 열량 0.75, 단백질 0.76, 지질 0.68, 포도당 0.77로 유의한 양의 상관을 보였다(p<0.001). 다만 입력 정보의 제한으로 인해 Bland–Altman 분석에서 95% 일치한계가 상대적으로 넓게 나타났다.
본 연구는 대규모 실임상 데이터를 통해 약사의 PN 자문 과정을 단계별로 정량화하고 구조화한 시범 개발 연구이다. 개발된 알고리즘은 임상적 안전 범위 내에서 요구량을 예측하고 효율적인 환자 선별 및 표준화된 처방 조합 탐색을 지원할 수 있음을 확인하였다. 이는 향후 고도화된 지능형 임상 의사결정 지원 시스템 구축을 위한 핵심적인 기초 근거를 제공하며, 다기관 검증과 전향적 연구를 통해 실제 임상 적용성을 확대할 수 있을 것으로 기대된다.

목차 (Table of Contents)

• 목 차
• 제 1 장 서론 1
• 제 1 절 연구의 배경 1
• 제 2 절 연구의 필요성 4
• 제 3 절 연구 목적 5
• 제 2 장 연구 방법 7
• 제 1 절 연구 자료 7
• 제 2 절 연구 대상 8
• 제 3 절 데이터 전처리 및 변수 구조화 8
• 제 4 절 알고리즘 파이프라인 개요 12
• 제 5 절 열량 및 단백질 요구량 예측 모델 개발 15
• 제 6 절 PN 투여 경로 및 시판 PN 적합성 분류 모델 개발 19
• 제 7 절 시판 PN 제제 조합 최적화 모델 개발 23
• 제 3 장 연구 결과 28
• 제 1 절 연구 대상자 선정 및 기초 특성 파악 28
• 제 2 절 열량 및 단백질 요구량 예측 모델 결과 33
• 제 3 절 PN 투여 경로 및 시판 PN 적합성 분류 모델 결과 38
• 제 4 절 시판 PN 제제 조합 최적화 모델 결과 43
• 제 4 장 고찰 47
• 제 5 장 요약 및 결론 56
• 참고 문헌 58
• Abstract 60