광범위한 주변 환경 감지 정보를 이용한 중환자실(ICU) 섬망의 위험 계층화

섬망(Delirium)은 중환자실(ICU)에서 흔히 발생하는 심각한 합병증으로, 이환율 증가, 입원 기간 연장 및 의료 비용 상승과 관련이 있습니다. 이러한 유병률에도 불구하고, 조기 예측과 예방은 여전히 어려운 과제로 남아 있습니다. 주변 소음 및 빛과 같은 환경적 요인이 섬망의 발생에 영향을 미칠 수 있지만, 위험 평가에서는 종종 간과됩니다. 본 연구에서는 빛의 세기(light intensity)와 음압 레벨(sound pressure levels)이 여러 예측 지평(prediction horizons)에 걸쳐 독립적으로 섬망을 예측할 수 있는지 조사했습니다. 우리는 309명의 환자를 대상으로 9개의 ICU에서 수집된 데이터를 사용하여 10개의 예측 창 크기(prediction-window sizes)에 대해 섬망을 예측하는 네 가지 효율적인 순차적 신경망(sequential neural network) 모델을 평가했습니다. 우리는 Shapley Additive Explanations (SHAP) 분석을 사용하여 특성 중요도(feature importance)와 영향의 방향을 보고했습니다. 합성곱 모델(convolutional model)은 소리 데이터와 결합 데이터 모두에서 AUC = 0.80을 기록하며 가장 강력한 판별력을 달성했습니다. 전반적으로 소리 특성이 지배적인 예측 인자였습니다. 소리를 빛과 통합하면 단기($<1$주) 예측이 향상되었으며, 결합 모델은 감지 기간 직후에 가장 높은 위험을 할당했습니다. 이러한 발견은 수동적 주변 환경 감지(passive ambient sensing), 특히 소리가 섬망 위험 추정을 위한 임상적으로 의미 있고 해석 가능한 신호를 추가할 수 있으며, 다중 모드(multimodal) ICU 예측 및 예방 전략을 풍부하게 하는 실질적인 경로를 제공할 수 있음을 시사합니다.