About KNN
News
Research
Tools
Data Display
DM & Monitoring
QI
연구 정보
KNN 연구 요약서
Title | Development of a prediction model for growth failure during NICU admission in Very Low Birth Weight using machine learning |
---|---|
Author | 한정호 / 책임저자 : 이순민 |
작성자 | 이순민 |
Background | 극소 저체중 출생아는 출생 이후 태아의 성장 속도와 유사한 성장을 이루는 것을 그 목표로 하지만 여러가지 제한이 많다. 다양한 산전 인자들 뿐만 아니라, 입원 중 질병 이환, 정맥 영양 및 장관 영양을 포함한 영양 요법 등은 극소 저체중 출생아의 퇴원 시점 체중에 영향을 미치며, 많은 경우 성장 부전으로 이어질 수 있다. 2013-2014년, 2년동안 2799명의 KNN에 등록된 환자를 분석한 결과, 입원 중 성장 부전(Change in weight Z score between at birth and discharge <-1.28 using the Fenton growth chart)의 전체 빈도는 45.5%로 거의 절반에 달했으며 그 중 부당 경량아(SGA)가 44.5%, 적정 체중아(AGA)가 36.2%였다. 동반한 질병 이환이 많은 경우 성장 부전의 빈도가 더 높았다. 성장 부전은 그 자체로 환아에게 문제를 야기할 뿐만 아니라, 장기적인 신경학적 발달에도 영향을 미치는 것으로 알려져 있다. 극소 저체중 출생아의 생존율이 증가함에 따라 입원 기간 중 적절한 영양 요법 및 지속적인 성장 상태 확인, 그에 따른 적절한 의학적 중개를 통해 성장 부전의 발생율을 줄이는 일이 장기 예후 개선에 중요한 역할을 차지할 것이다. |
Aim / Hypothesis | 극소 저체중 출생아에서 성장 부전의 위험 인자를 확인하고, 퇴원 시점의 성장 부전을 machine learning을 통하여 예측하는 모델을 개발하고 검증한다. |
Inclusion Criteria | VLBW infants |
Exclusion Criteria | 퇴원 전 사망, 심각한 선천성 기형 |
Study Design Statistical methods | -문헌 고찰을 통해 risk factor 검출을 통한 머신러닝의 Algorithm을 구축할 수 있는 임상적 가설 설정 - KNN데이터를 활용하여 Growth failure (퇴원시 체중과 출생시 체중 z-score의 차이가 10% (SD 1.28) 이상인 경우)와 정상 성장군으로 분류 - 데이터 전처리를 통해 불필요한 정보를 제거하고, 데이터를 머신 러닝에 사용할 수 있는 형태로 변환 - Support Vector Machine, K-Nearest Neighbors, Artificial Neural Network, Naiive Bayesian 등의 인공지능 통계분석 방법을 활용하여, 각 군 간의 위험인자, 예후인자 등을 분석 - Training set에서의 성장 부전 여부를 machine learning model을 통해 예측. - Training set 에서의 결과를 확인하고 machine learning modelling을 통한 성장 부전 여부 예측의 타당성을 검토. - 학습 결과 정확도, 정밀도, 재현율, F-점수를 사용하여 분석 - ROC curve, AUC 를 확인 |
Primary Outcomes | 입원 중 성장 부전에 영향을 미치는 위험인자 분석 |
Secondary Outcomes and Definitions | 입원 중 성장 부전 예측 모델의 정확도, 정밀도 확인 |
Protocols | 후향적 연구 (Retrospective study) |
Funding | none |