기계 학습 모델은 기존 데이터를 사용하여 뇌졸중을 정확하게 예측합니다.

Jan 17, 2024

뇌졸중은 환자가 항상 고전적인 증상을 나타내지 않고 다른 질환에서도 비슷한 증상을 보일 수 있으므로 진단하기 까다로울 수 있습니다. 연구자들은 기존 데이터를 사용하여 뇌졸중을 정확하게 예측하고 진단을 더 쉽게 만드는 기계 학습 모델을 개발했습니다.

진단 오류는 주요 공중 보건 문제를 야기하며 예방 가능한 환자 피해 및 건강 과잉 지출에 기여합니다. 진단 오류로 인한 뇌졸중으로 인한 예방 가능한 사망은 잘못 진단된 심장마비보다 30배 더 흔합니다.

뇌졸중의 징후와 증상은 발작, 편두통, 정신 장애, 약물 및 알코올 중독과 같은 다른 상태와 유사할 수 있으므로 진단하기가 특히 어려울 수 있습니다. 게다가 뇌졸중은 비정형적인 증상을 나타낼 수도 있습니다. 뇌졸중 환자의 약 25%는 일반적인 언어 문제, 안면 처짐 및 사지 약화를 나타내지 않아 의사의 정확한 진단 능력이 더욱 복잡해집니다.

Carnegie Mellon, Florida International 및 Santa Clara Universities의 연구원들은 기계 학습 기술을 사용하여 뇌졸중 진단 시 추측을 일부 제거하는 자동화된 검사 도구를 개발했습니다.

해당 연구의 교신 저자인 Rema Padman은 "임상 기록 및 진단 영상 결과와 같은 세부 데이터를 해석하여 뇌졸중을 감지하는 데 기계 학습 방법이 사용되었습니다."라고 말했습니다. "그러나 병원 응급실, 특히 시골 지역과 서비스가 부족한 지역 사회에서 환자를 처음 분류할 때 그러한 정보를 쉽게 이용할 수 없을 수도 있습니다."

뇌졸중 예측 알고리즘을 개발하기 위해 연구원들은 2012년부터 2014년 사이에 플로리다 급성 치료 병원에 입원한 143,000명 이상의 개별 환자 기록을 사용했습니다. 또한 미국 인구 조사국에서 실시한 미국 지역 사회 조사의 데이터를 통합했습니다. 여기에는 연령과 같은 인구 통계가 포함됩니다. , 성별, 인종 및 기존 건강 상태.

기계 학습 모델은 84%의 정확도로 뇌졸중을 예측했습니다. 또한 감도가 매우 높아 뇌졸중의 최대 30%를 놓치는 경향이 있는 기존 진단 모델보다 성능이 뛰어났습니다.

이번 연구의 주 저자인 Min Chen은 "기존 모델의 중간 정도의 민감도는 뇌졸중 환자의 상당 부분을 놓치게 된다는 우려를 불러일으킵니다."라고 말했습니다. "의료 자원과 임상 직원이 부족한 병원에서 우리의 알고리즘은 현재 모델을 보완하여 적절한 개입을 위해 환자의 우선 순위를 신속하게 정할 수 있습니다."

연구 결과에 따르면 이 기계 학습 모델은 진단 영상이나 실험실 테스트를 통해 확인을 받기 전에 사람이 뇌졸중을 겪었거나 앓고 있을 가능성을 정확하게 예측할 수 있음을 시사합니다.

"우리 모델에는 임상 기록이나 진단 테스트 결과가 필요하지 않기 때문에 경미하고 비정형 증상이 있는 뇌졸중 환자를 치료할 때 오진 문제를 해결하는 데 특히 유용할 수 있습니다"라고 공동 저자인 Xuan Tan은 말했습니다. 공부하다. "또한 의료 제공자가 뇌졸중에 대한 일일 노출이 제한된 소규모 또는 비뇌졸중 센터의 응급실과 민감한 진단 도구의 가용성이 제한된 시골 지역에서도 유용할 수 있습니다."

그러나 연구원들은 자신들의 알고리즘이 독립형 모델이 되도록 의도된 것이 아니라고 지적합니다. 기존 뇌졸중 진단 모델과 함께 사용해야 합니다.

연구자들은 뇌졸중 예측 알고리즘을 병원 입원 시 접근 가능한 자동화된 컴퓨터 지원 검사 도구에 통합할 것을 권장합니다.

이번 연구는 의학인터넷연구저널(Journal of Medical Internet Research)에 게재됐다.

출처: 카네기멜론대학교