ICU 사망률 예측에서의 생리적 궤적 및 관측 패턴: 측정 조건 변화 하의 전이 가능성

목표: ICU 사망률 예측에서 생리적 궤적(physiological trajectories)의 예측 가치와 단순 관측 패턴(observation patterns)의 예측 가치를 구별하고, 측정 시점(measurement timing)이 관측량과 독립적으로 성능에 영향을 미치는지 평가하는 것입니다.

재료 및 방법: MIMIC-III, MIMIC-IV, 그리고 eICU를 사용하여 입원 중 사망률을 48시간 기준으로 예측했습니다. 계층적 표현(Nested representations)은 최신 값 스냅샷(R1), 종단적 생리 요약(longitudinal physiological summaries, R2), 측정 빈도 및 시점 특징(measurement frequency and timing features, R3)을 점진적으로 통합했습니다. 7,762명의 MetaVision 환자를 대상으로 적합된 모델은 204개 병원의 21,682명 MIMIC-IV 환자와 43,878명 eICU 환자에게서 평가되었습니다. 보유한 관측 개수(number of retained observations)를 일정하게 유지하면서 측정 시점의 영향을 평가했습니다.

결과: 생리적 궤적은 eICU에서 외부 예측 성능을 개선했습니다 (R2-R1 로그 손실 차이 -0.00922, 95% CI -0.01148 ~ -0.00704). 관측 패턴 특징은 현지 개발된 eICU 모델(R3-R2 -0.00257, 95% CI -0.00370 ~ -0.00146)을 개선했지만, MetaVision으로부터 전이될 때는 명확하게 개선되지 않았습니다 (-0.00012, 95% CI -0.00206 ~ +0.00208). R3는 30개의 소스 부트스트랩 재적합(source bootstrap refits) 중 10개에서 선호되었습니다. 매칭된 관측 개수 조건에서, 시간 창 전체에 걸쳐 측정값을 유지하는 것이 무작위 보유 방식 대비 R3의 로그 손실을 0.03280만큼 감소시켰고, R2는 0.00703 감소를 보였습니다. 마지막 12시간을 제거하는 것은 count-matched random removal 대비 R3에서 0.01947 증가를, R2에서 0.00822 증가를 가져왔습니다. 가용성이 줄어들자, 현지화된 R3의 증가는 유익한 것에서 해로운 것으로 바뀌었습니다.

논의: 생리적 궤적이 더 일관되게 전이되는 반면, 관측 패턴 특징은 측정 시점과 가용성에 특히 민감했습니다. 결론: 임상 예측 모델은 새로운 환자 집단뿐만 아니라 입력 데이터를 제공하는 측정 조건 하에서도 평가되어야 합니다.