Lensky A, et al. J Stroke Cerebrovasc Dis. 2023. PMID: 38104492

Introduction

많은 뇌졸중 환자에서 초기 집중 치료 후 자택으로 퇴원하지 못하고 집중 재활치료 등을 위해 입원치료를 받고 있다. 뇌졸중 환자의 초기 집중 치료 후 전원 장소를 조기에 정확하게 예측할 수 있다면 뇌졸중 환자 관리에 도움이 될 수 있다.

2017년 미국의 질병관리본부(Centers for Disease Control and Prevention, CDC)에서는 수십년 동안 미국의 뇌졸중 사망률은 지속적으로 감소하였음을 발표하였다. 하지만, 뇌졸중 사망률의 감소 원인에 대해서는 명확한 분석이 이루어지지 않았으며, 2017년 이후의 뇌졸중 사망률에 대한 연구는 부족하다. 일반적으로 질병의 사망률은 경제적 안정성, 교육 상태, 사회적 지원, 환경 및 의료 접근성이 영향을 주며, 인종/민족도 주요한 영향 인자로 알려져 있다. 뇌졸중 사망률에도 이러한 인자가 영향을 미쳤을 가능성이 높다.

Objectives

본 논문에서는 초기 집중 치료 후 퇴원 결과를 세 가지 머신러닝(machine learning, ML) 알고리즘의 예측 능력을 평가하고 네 가지 단계의 결과를 예측하여 기존의 퇴원 결과 예측 연구와 비교하고자 하였다.

Methods

l  Dataset: 2015~2019년까지 호주 캔버라 병원(Canverra hospital)에서 초기 뇌졸중 치료를 받은 296명의 뇌졸중 환자

l  변수

SSS, the Scandinavian Stroke Scale

l  Machine learning

①      k-nearest-neighbour (kNN)

②      Adaptive Boosting (AdaBoost)

③      Bootstrap Aggregation (Bag)

Results

l  Accuracies of Machine Learning Analysis

–       Adaptive Boosting 사망 예측에서 가장 높은 정확도(90%)를 보였음.

–       전체 정확도는 kNN이 가장 높은 것(81.7%)으로 나타났음.

l  의미 있는 영향 인자

①      발병 24시간 시점 the Scandinavian Stroke Scale

②      발병 24시간 시점 NIHSS

③      이상지질혈증

④      고혈압

⑤      Premorbid mRS

Conclusions

본 연구 결과를 통해 초급성기 뇌졸중 시기에도 퇴원 결과에 대한 임상적으로 유용한 예측이 가능하다는 것을 알 수 있었다. 특히 사망 예측에 있어서는 Adaptive Boosting이 매우 정확한 예측 결과를 도출시킬 수 있음을 알 수 있었다. 또한 예측 인자의 중요도 분석에서도 이상지질혈증과 고혈압이 예상보다 훨씬 더 퇴원 결과에 기여하는 것으로 나타났다. 향후 뇌졸중 예후 예측에 있어 다양한 machine learning을 통해 보다 정확한 예후 예측이 가능할 것으로 판단된다.