로고

로고

Research

연구 정보

Research Project (승인과제목록)

KNN 연구 요약서

Title Multi-Stage Cumulative Machine Learning Framework for Short- and Long-Term Outcome Prediction in Very Low Birth Weight Infants and Development of a Clinical Decision Support System
Author 오문연
작성자 오문연
Background 극소저체중 출생아(Very-Low-Birthweight Infant, VLBWI; 출생체중 ≤1,500 g)는 NICU 퇴원 후에도 신경발달 장애, 뇌성마비, 청력·시력 손상 등 장기 이환의 위험이 높다. 신경발달 장애(Neurodevelopmental Impairment, NDI)는 VLBWI 생존자의 약 20–40%에서 발생하며, 부모 상담과 장기 추적 계획의 핵심 정보다. 그러나 현재의 NICU 임상 실무에서 장기 예후를 정량적으로 예측하는 체계화된 도구는 부재한 상태다. 머신러닝 기반 예후 예측 모델은 기존 임상 점수(CRIB-II 등)를 능가하는 예측 정확도를 보고하고 있다. 그러나 대부분의 기존 모델은 산전 또는 출생 직후 단일 시점의 독립 모델로서, 임상 경과에 따라 축적되는 정보를 반영하지 못하며, NDI 등 퇴원 후 장기 결과를 예측 목표에 포함하지 않는다. 본 연구팀은 KNN 2014–2023 데이터를 이용하여 산전 변수 19개 기반 Stage 1 단일시점 예측 모델을 개발하고 원내 사망 예측 AUC ≥ 0.92를 달성한 결과를 발표한 바 있다 (Oh MY, Lee JH. BMC Med Inform Decis Mak. 2026). 본 연구는 이 결과의 방법론적 후속 연구로서, **(1) 출생 직후 임상 변수를 추가 통합하는 Stage 2**, **(2) 교정 18개월 신경발달 결과를 목표로 하는 Stage 3**을 단계적으로 개발하여, **산전 → 출생 직후 → 교정 18개월**을 잇는 다시점 누적형(multi-stage cumulative) 예측 프레임워크를 완성하고 이를 웹 기반 임상결정지원시스템(CDSS)으로 구현한다.
Aim / Hypothesis **일차 목적** KNN 2014–2024년 등록 VLBWI에서 출생 직후 임상 변수(Stage 2)와 교정 18개월 신경발달 추적 데이터(Stage 3)를 단계적으로 통합하는 다시점 누적형 예측 프레임워크를 개발하고, 각 단계별 예측 성능 및 임상적 유용성을 평가한다. **이차 목적** 1. Stage 1 (산전) 및 Stage 2 (출생 직후) 모델의 원내 사망, 중증 기관지폐이형성증(Severe BPD) 예측 AUROC를 비교하고, CRIB-II 기존 임상 점수와 직접 비교하여 머신러닝 모델의 부가적 예측 가치를 정량화한다. 2. Stage 3 모델에서 교정 18개월 NDI(신경발달 장애) 예측 성능을 평가하고, NICU 재원 중 임상 경과 변수(BPD 중증도, IVH, 재원일수 등)의 기여도를 SHAP으로 분석한다. 3. Decision Curve Analysis(DCA)를 통해 각 단계별 모델의 임상 유용성(net benefit)을 평가한다. 4. 개발된 Stage 1+2+3 모델을 웹 기반 CDSS 프로토타입으로 구현하여 임상 활용 가능성을 시연한다.
Inclusion Criteria - **Korean Neonatal Network (KNN)** 레지스트리 - KNN 등록 NICU 입원 (2014년 1월 1일 – 2024년 12월 31일) - Inborn 출생 (3차 기관 내 분만) *Stage 3 분석 추가 기준:* 생존 퇴원 후 KNN FU1(교정 18개월) 추적 완료 (`vny1` = 2)
Exclusion Criteria - 주요 선천기형 (`svamal` ≠ 정상) - 주요 예측변수 결측으로 분석 불가한 경우
Study Design Statistical methods ## Study Design 본 연구는 KNN 레지스트리를 이용한 후향적 코호트 연구로, 다시점 누적형 예측 모델 개발 및 내부 검증을 포함한다. 본 프레임워크는 세 단계로 구성되며, 각 Stage의 Out-of-Fold(OOF) 예측값이 다음 Stage의 입력 변수로 전달되어 예측 정보가 시간 순서에 따라 누적된다. - **Stage 1 [출생 전]**: 산전 변수 19개(재태 연령, 출생체중, 성별, 모체 합병증 등)를 입력으로 원내 사망, Severe BPD, 분만실 소생술을 예측한다. - **Stage 2 [생후 0–7일]**: Stage 1의 OOF 예측값 3개에 출생 직후 임상 변수 13개(Apgar 점수, 체온, 혈액가스 수치, 소생술 세부 항목 등)를 추가하여 원내 사망과 Severe BPD를 예측한다. - **Stage 3 [교정 18개월]**: Stage 1+2의 OOF 예측값에 NICU 재원 중 임상 경과 변수(BPD 중증도, Severe IVH, NEC, 재원일수, 퇴원 시 성장 지표 등)를 추가하여 교정 18개월 시점의 NDI(신경발달장애)를 예측한다. **내부 검증**: 5-fold Stratified Cross-Validation **Stage 3 대상**: 생존 퇴원 후 FU1 추적 완료 환자 (추적 완료율, 추적 손실 분석 포함) **모델**: XGBoost, LightGBM, Random Forest, CatBoost, Logistic Regression, Voting Ensemble **하이퍼파라미터 최적화**: Optuna (5-fold CV 기반, 50 trials) **클래스 불균형**: SMOTE (학습 fold에만 적용) **누적 통합 방식**: 이전 Stage OOF 예측값을 다음 Stage 입력 변수로 Stacking **Calibration**: Isotonic regression post-hoc calibration ## Statistical Methods **성능 지표** | 지표 | 방법 | 적용 목적 | | AUROC | sklearn roc_auc_score | 판별력 | | Calibration curve | sklearn calibration_curve (10 bins) | 확률 정확도 | | Brier score | sklearn brier_score_loss | 복합 예측 오차 | | Hosmer-Lemeshow test | 10-decile χ² | 보정 유의성 | | Decision Curve Analysis | dcurves 패키지 | 임상 유용성 net benefit | | DeLong test | pROC (AUC 비교) | Stage간 AUC 차이 유의성 | **CRIB-II 비교 (Stage 2 한정)** Parry 2003 공식 기반 CRIB-II 점수 산출 후 Stage 2 모델과 직접 비교. **Stage 3 추적 손실 분석** FU1 추적 완료 여부를 종속변수로 한 로지스틱 회귀로 추적 손실(loss to follow-up)의 비무작위성(informative censoring) 여부를 평가. 분석 감도 검증을 위해 추적 완료군 대비 전체 생존 퇴원군 비교. **소프트웨어**: Python 3.12 (XGBoost, LightGBM, scikit-learn, Optuna, SHAP, dcurves) **유의수준**: 양측 p < 0.05
Primary Outcomes **Stage 1+2** - 원내 사망 (In-hospital mortality; `dcd` = 3) - 중증 기관지폐이형성증 **Stage 3** - NDI_full: 사망 OR 뇌성마비 OR 청력장애 OR 시력상실 OR 인지지연 (교정 18개월) - NDI_partial: 사망 OR 뇌성마비 OR 청력장애 OR 시력상실 (인지검사 미시행 제외)
Secondary Outcomes and Definitions **Stage 1+2 예측 결과변수** | 결과변수 | KNN 변수 | 정의 | | 분만실 소생술 필요 | `resu` | 1 (필요) | | 폐표면활성제 투여 | `sft` | 1 (투여) | | 중증 IVH (Grade 3-4) | `inhg` | isin([4, 5]) | | 동맥관 개존증 치료 | `pdatr` | 2, 3, 4 | | 괴사성 장염 (NEC) | `ntet` | 2 | | 패혈증 | `seps` | 2 | | 복합 이환 | — | 사망 OR Severe BPD OR Severe IVH OR PVL OR NEC OR 패혈증 | **Stage 3 결과변수 (NDI 구성요소)** | 결과변수 | KNN 변수 | 정의 (NICHD 기준) | | 뇌성마비 | `cp1` | isin([2, 3, 4]) | | 청력장애 | `hr1` | == 2 | | 시력상실 | `leye1` | isin([2, 3]) | | 인지지연 | `cognit1` / `mdi1` | BSID-III Cognitive <85 OR BSID-II MDI <70 | | NDI_partial | — | 사망 OR CP OR 청력 OR 시력 | | NDI_full | — | NDI_partial OR 인지지연 |
Protocols ### 1. 데이터 전처리 및 코호트 구성 KNN 레지스트리에서 포함·제외 기준을 적용하여 분석 코호트를 구성한다. 선천기형(`svamal` ≠ 정상) 및 outborn(`bpia` ≠ 1) 제외. CRIB-II 점수는 `gad`, `bwei`, `sex_sys_val`, `bbph`, `btem`, `bbbe` 기반으로 전처리 단계에서 산출한다. FU1 데이터는 입원 데이터와 `raw_row_idx` 기반으로 병합하며, 추적 완료 여부(`vny1` = 2)와 추적 손실 패턴을 기록한다. ### 2. Stage 1 (산전 변수 19개) 모델 재학습 기 발표된 Stage 1 모델 구조를 2014–2024 확장 코호트로 재학습한다. 5-fold Stratified CV로 OOF 예측값(사망, Severe BPD, 소생술) 3개를 생성하고 Stage 2 Stacking 입력으로 전달한다. ### 3. Stage 2 (출생 직후 +13개) 모델 개발 Stage 1 OOF 예측값 3개를 Stacking feature로 포함하여 Stage 2 입력 변수를 구성한다. Optuna HPO를 적용하고, Stage 1 대비 AUROC 향상도를 DeLong 검정으로 평가한다. CRIB-II와 성능을 직접 비교한다. ### 4. Stage 3 (교정 18개월 NDI) 모델 개발 생존 퇴원 후 FU1 추적 완료 환자를 대상으로 Stage 3 모델을 개발한다. 입력 변수는 Stage 1+2 OOF 예측값 + NICU 재원 중 임상 경과 변수 (BPD 중증도, Severe IVH, NEC, 재원일수, 퇴원 시 체중·두위 등). 결과변수는 NDI_full 및 NDI_partial. 추적 손실이 informative한 경우 inverse probability of censoring weighting(IPCW) 감도 분석을 시행한다. ### 5. 성능 비교 및 임상 유용성 평가 Stage 1 vs Stage 2 vs CRIB-II (원내 사망, Severe BPD)와 Stage 3 (NDI) 각각에 대해 AUROC, calibration curve, Brier score, DCA를 산출한다. ### 6. 설명 가능 AI 분석 SHAP TreeExplainer를 각 Stage 최종 모델에 적용한다. Stage 1→2→3 전환 시 각 변수 기여도 변화를 비교하여 시점별 핵심 예측 인자의 변화 패턴을 해석한다. ### 7. 웹 기반 CDSS 구현 개발된 Stage 1+2+3 모델을 FastAPI 백엔드 + Next.js 프론트엔드 구조의 웹 CDSS로 구현한다. 단계적 입력(Stage 1 → Stage 2 → Stage 3)에 따라 예측 결과가 업데이트되는 인터페이스를 제공한다.
Funding 없음.

질병관리청 바로가기

대한신생아학회 바로가기

국립보건연구원 바로가기

Korean Neonatal Network TEL : 070-8095-2023   FAX : 02-3410-3540   
E-mail : knn@knn.or.kr

COPYRIGHT © 2022 KNN. ALL RIGHTS RESERVED.