일차성 분만후출혈 응급실 환자에서 머신러닝 기반 대량수혈의 예측모델 개발

Abstract

연구 배경 및 목적: 초기에 대량 수혈 프로토콜로 환자 사망률을 줄일 수 있음에도, 임상 초기에서 일차 분만후출혈 환자에서 대량수혈의 필요성을 정확하게 파악하는 것은 여전히 주요 과제로 남아 있다. 연구 방법: 일차성 분만후출혈 환자에서 임상 경과 초기 및 말기에 추출한 변수를 이용하여 대량수혈 예측을 위한 임상적 특징을 후향적으로 분석하였다. 환자의 임상 경과 초기에 얻은 9가지 초기 변수(나이, 성별, 분만 유형, 초기 의식 상태, 초기 활력 징후, 쇼크 지수, 젖산염)과 후기에 얻어진 헤모글로빈, 헤마토크릿, 혈소판 수, 혈중 요소 질소, 크레아티닌, 프로트롬빈 시간, 피브리노겐, d-이합체, 피브린 분해 산물, 알부민을 모두 포함한 19가지 변수를 각각 나누어 분석하였다. 분석에는 다항식 커널을 이용한 서포트 벡터 머신(SVM poly), 방사형 기저함수 커널을 이용한 서포트 벡터 머신(SVM radial), K-최근접 이웃(KNN), 극한 경사 부스팅(XGBoost), 로지스틱 회귀, 랜덤 포레스트, 의사결정 트리 등 7가지 머신러닝 알고리즘 모델을 각각 초기 및 전체 변수들에 대해서 각각 시행되었다. 결과 및 고찰: 612명의 환자 중 101명(33.4%)의 환자에서 대량수혈이 필요하였다. 355명(59.8%)의 환자가 초산이었으며, 407명(66.5%)의 환자가 질식분만 후 일차성 분만후출혈이 발생하였다. 모든 변수를 분석에 사용하였을 때 랜덤 포레스트 모델에서 가장 높은 성능이 관찰되었으며, 대량수혈 위험도 예측 모델의 AUC, 정확도, 민감도, 특이도 값은 각각 89%, 74%, 95%, 0.885로 나타났다. 분석 결과, 젖산염, 쇼크 지수, 초기 의식 상태가 초기 대량수혈의 가장 중요한 위험 요인으로 나타났다. 혈소판 시간, 초기 혈청 단백질 또는 알부민 수치, 헤모글로빈도 전체 기간의 대량수혈 예측 모델에 중요한 요인으로 나타났다. 결론: 본 연구는 일차성 분만후출혈 응급실 환자에서 비교적 정확하고 임상적으로 적용가능한 대량수혈 예측모델을 개발함으로써 대량수혈의 위험인자와 출혈성 쇼크 관리가 이루어 질 수 있도록 하였다. |Objective: While an early massive transfusion (MT) protocol can reduce patient mortality, accurately assessing the risk of MT in emergency department (ED) patients with primary postpartum hemorrhage (PPH) presents a challenge. Therefore, the objective of this study is to identify influential factors and develop predictive models to assess the likelihood of the need for MT occurrence in ED patients with primary PPH. Methods: Clinical features to assess variables extracted in the early and late phases of the clinical course in ED patients with primary PPH for predicting MT were retrospectively analyzed. Nine variables obtained early in the clinical course of the patients (age, sex, delivery type, initial mental status, initial vital signs, shock index, and lactate) were categorized as 'early features'. In addition, 'all features' were analyzed, including all variables obtained in the late phase: hemoglobin, hematocrit, platelet counts, blood urea nitrogen, creatinine, prothrombin time, fibrinogen, d-dimer, fibrin degradation product, and albumin. Seven machine learning algorithm models have been developed using early and all features, respectively: Support Vector Machine with Polynomial Kernel (SVM poly), Support Vector Machine with Radial Basis Function Kernel (SVM radial), K-Nearest Neighbors (KNN), Extreme Gradient Boosting (XGBoost), Logistic Regression (Logistic), Random Forest, and Decision Tree. Results: Out of the 612 patients, 101 (33.4%) required MT. When all features were analyzed, the Random Forest model showed the highest performance. The area under the curve values, accuracy, sensitivity, and specificity of the prediction model for MT risk prediction were 0.885, 89%, 74%, and 95%, respectively. Conclusion: This study provides a relatively accurate and applicable identification of risk factors associated with MT that may be useful for improving hemorrhagic shock management in ED patients with PPH patients.