만성폐쇄성폐질환의 재택재활관리를 위한 임상자료 기반 지능형 진단 및 치료 모델

요약

XGBoost와 LSTM을 결합한 임상 데이터 기반 모델은 COPD에 대한 가정 재활을 향상시켜 데이터 정확성과 예측을 향상시킵니다. 98%의 정확도와 42.5%의 지표 개선을 달성하여 기존 병원 기반 치료의 한계를 해결합니다.

초록

만성폐쇄성폐질환(COPD)에 대한 전통적인 병원 내 재활 치료는 자원 부족, 높은 비용, 교통 불편 등의 문제를 안고 있습니다. COPD 재활 치료의 편의성을 향상시키기 위해 COPD의 가정 재활 관리를 위한 임상 데이터 기반 지능형 진단 및 치료 모델이 제안됩니다. COPD의 가정 재활을 위한 지능형 진단 및 치료 모델은 XGBoost 알고리즘과 장단기 기억 네트워크를 결합하여 최적화됩니다. 결과는 XGBoost 알고리즘이 임상 구조화된 데이터 처리에서 가장 높은 정확도를 갖는 반면 랜덤 포레스트(RF) 알고리즘은 임상 구조화된 데이터 처리에서 정확도가 가장 낮다는 것을 나타냅니다. 훈련 샘플의 양이 300개일 때 정확도는 각각 98%와 83%입니다. XGBoost 알고리즘과 장단기 기억 네트워크의 통합은 모니터링 지표를 처리하는 데 사용되어 가장 높은 개선률과 가장 작은 평균 제곱 오차를 제공합니다. 표본 크기가 1000일 때 모니터링 지표의 개선률은 42.5%이고 평균 제곱 오차는 0.041입니다. 연구에서 제안된 방법은 임상 데이터를 효과적으로 처리하고 데이터 처리의 정확성을 향상시키며 COPD의 향후 변화를 정확하게 예측할 수 있습니다.

서론

COPD는 장애율과 사망률이 높은 흔한 만성 질환으로 환자의 생활 수준에 큰 영향을 미칩니다. 전통적인 재활 관리 모델에는 COPD 대처에 있어 정보 지연 및 시기 적절하지 않은 개입과 같은 문제가 있습니다. 그러나 기술이 발전함에 따라 XGBoost(Extreme Gradient Boosting) 알고리즘과 같은 일부 신기술은 COPD¹ 관리에 새로운 가능성을 가져왔습니다. XGBoost는 스포츠 의학을 포함한 다양한 건강 모니터링 상황에 걸쳐 적용 가능성을 입증했지만, 이 연구는 특히 가정 재활 환경에서 COPD 관리를 위한 강점을 활용합니다. 임상 및 원격 모니터링 데이터를 사용하여 COPD 환자에 대한 예측 정확도와 맞춤형 치료를 향상시키는 데 중점을 두고 있습니다². 예를 들어, 심박수, 호흡수 등과 같은 생리학적 지표를 수집함으로써 이러한 조합은 COPD 환자 관리에 도움이 될 뿐만 아니라 건강 관리에 대한 새로운 관점과 접근 방식을 제공합니다³. XGBoost는 효율적인 그래디언트 부스팅(GB) 의사 결정 트리 알고리즘입니다. XGBoost는 병렬 컴퓨팅 및 캐싱 기술을 사용하여 훈련을 더 빠르게 만들고 대규모 데이터베이스 및 복잡한 특성의 관리를 처리할 수 있습니다. 또한 다양한 유형의 데이터 세트를 처리하는 데 탁월한 성능을 발휘하며 일반화 능력이 뛰어납니다⁴. LSTM(Long Short-Term Memory)은 시계열 데이터를 처리하고 학습하는 데 일반적으로 사용되는 특수 RNN 구조입니다. LSTM은 시간에 민감하며 시계열 데이터 내에서 패턴과 특성을 식별할 수 있으므로 신호 처리 및 시계열 예측과 같은 할당에 유용합니다. 질병의 정확한 예측과 개인화된 개입을 달성하기 위해 임상 데이터의 지능형 진단 및 치료 모드를 COPD의 가정 재활 관리에 적용하는 방법이 제안됩니다. 이 연구는 XGBoost와 LSTM을 혁신적으로 결합하여 COPD 가정 재활의 지능형 진단 및 치료 모드를 최적화합니다. 이 둘의 결합은 정확한 질병 예측을 달성하고 데이터 기반 맞춤형 개입 계획을 제공하여 COPD 가정 재활 관리의 지능 수준을 향상시킬 수 있습니다.

제안된 모델의 유용성을 보장하려면 몇 가지 매개변수와 제약 조건을 고려해야 합니다. 이 방법에는 신뢰할 수 있는 웨어러블 센서 또는 가정 모니터링 장치에서 주기적으로 수집된 구조화된 임상 데이터(예: 폐 기능 데이터 및 혈중 산소 데이터)와 원격 모니터링 데이터(예: 심박수, 산소 포화도, 활동 수준)가 필요할 수 있습니다. 안정적인 훈련을 위해서는 표본 크기가 최소 300개 샘플이어야 하며, 최적의 성능을 위해서는 1000개 이상의 표본이 선호됩니다. 또한 특히 LSTM 교육 측면에서 충분한 처리 능력이나 예측 기능을 위한 클라우드 기반 배포 솔루션의 사용이 필요한 계산 요구 사항도 있습니다.

COPD는 유출 제한, 급성 악화 및 삶의 질(QoL) 손상을 특징으로 하는 진행성 비가역적 호흡기 질환입니다. 이는 전 세계 건강, 복지 및 의료 시스템의 인구에 큰 영향을 미칩니다. 따라서 COPD의 조기 예측과 시기적절한 개입은 병리학적 질병 진행 및 병원 입원을 제한하는 데 필수적입니다⁵. 기계 학습(ML) 기술은 고급 데이터 기반 모델링 접근 방식을 통해 임상적으로 관련된 데이터로 COPD 진단 및 예후 경로를 개선하는 것으로 나타났습니다. XGBoost는 임상 변수⁶ 간의 불균형한 데이터 및 비선형 상호 작용에 대해 가장 효과적이고 성공적인 ML 모델을 생성하는 것으로 인용되었습니다. 전자 코 데이터가 있는 XGBoost 및 SVM(Support Vector Machines)으로 우수한 폐 질환 분류 정확도가 보고되었습니다. 또한 불균형한 임상 데이터를 사용하여 COPD의 위험을 예측하기 위해 ML 기반 예측 모델을 구축하여 예측 신뢰성을 향상시키기 위해 XGBoost를 권장했습니다⁷. 또한 COPD 분류 작업에서 다른 ML 모델 중에서 XGBoost의 강력한 성능이 검증되었습니다. 앙상블 학습은 또한 COPD의 식별 및 분류, 폐암 감지를 위해 여러 자가 학습 ML 모델을 사용하여 효과적으로 사용되었으며, 특히 호흡기 진단 데이터에서 XGBoost의 역할을 참조합니다⁸. 요약하면, 이러한 선행 조사는 변압기 LSTM 기능을 사용하여 수정된 애플리케이션에서 XGBoost를 사용하여 COPD 가정 재활 환자를 위한 지능형 진단 및 치료 모델을 구축하고 예측 정확도를 높이고 더 나은 맞춤형 건강 및 의료 제공을 제공할 수 있는 기초를 제공합니다⁹.

프로토콜

이 연구는 Taizhou Cancer Hospital의 윤리 위원회에서 검토 및 승인했습니다. 기관 및 국가 윤리 기준에 따라 데이터 수집 전에 모든 참가자로부터 서면 동의서를 얻었습니다. 사용된 시약과 소프트웨어는 재료 표에 나열되어 있습니다.

1. 워크플로 개요

XGBoost를 사용하여 구조화된 임상 데이터를 처리하기 위한 엔드 투 엔드 워크플로는 그림 1 에 나와 있으며 기능 수집, 트리 구성, 잔여 업데이트, 정규화 및 평가를 포함합니다. LSTM을 사용한 원격 모니터링 데이터를 위한 전처리 및 시퀀스 모델링 워크플로는 10분 리샘플링, 갭 처리, 7일 비중복 윈도우, 네트워크 아키텍처 및 추론을 포함하는 그림 2에 나와 있습니다.

2. 환자 모집 및 인구 통계

2023년 3월부터 2024년 1월까지 타이저우 암병원의 외래 진료소와 입원 병동에서 연속적으로 환자를 모집했습니다. 포함 기준은 GOLD 기준(FEV₁/FVC < 70%)에 따라 확인된 COPD 진단, 등록 시 안정적인 상태, 40세에서 80세 사이의 연령이었습니다. 제외 기준에는 폐암, 조절되지 않는 심혈관 질환 또는 정보에 입각한 동의를 방해하는 인지 장애와 같은 심각한 동반 질환이 포함되었습니다. 총 214명의 환자가 등록되었습니다(평균 연령 63.7 ± 8.9세, 남성 68%, 현재 또는 이전 흡연자 54%).

3. 데이터 수집

임상 구조화된 데이터에는 폐 기능(FEV₁, FVC), 혈중 산소 포화도(SpO₂), 입원 기간 및 질병 기간이 포함되었습니다. 폐 기능과 SpO₂ 는 백분율, 입원 기간(일), 질병 기간(년)으로 기록되었습니다. 원격 모니터링 데이터는 병원 표준에 따라 검증된 인증된 웨어러블 산소 농도계 및 활동 추적기를 사용하여 수집되었습니다: 맥박 산소 측정기는 Masimo Rad-97 모니터와 교차 확인되었으며(90-100% SpO₂ 범위에서 평균 절대 오차 1.8%), 심박수 센서는 심전도에 대해 검증되었으며(평균 오차 2.3bpm), 만보기 카운터는 런닝머신 프로토콜에서 보정되었습니다. 원시 데이터는 10분 샘플링 간격으로 타임스탬프가 찍힌 CSV 파일로 내보냈습니다.

4. 표본 크기 정당화

XGBoost에 대한 300개의 훈련 샘플과 LSTM에 대한 약 1000개의 겹치지 않는 7일 시퀀스의 임계값은 실험 및 검정력/시뮬레이션 분석을 통해 뒷받침되었습니다. G*Power(버전 3.1)를 사용한 사후 검정력 분석은 300개의 샘플이 로지스틱 회귀 분석에서 α = 0.05에서 중간 효과 크기(Cohen의 f² = 0.15)를 감지하는 데 >80% 검정력을 제공한 것으로 나타났습니다. 시뮬레이션에 따르면 다변량 생리학적 시계열에서 LSTM의 안정적인 수렴을 위해서는 약 1000개의 시퀀스가 필요했습니다. 경험적 증거는 표 1 에 요약되어 있으며 그림 3 과 그림 4에 시각화되어 있습니다.

5. 데이터 전처리

공백, 센티넬 값 또는 NaN으로 식별되는 누락된 항목은 대상 누출을 방지하기 위해 각 기능에 대한 훈련 집합 평균을 사용하여 귀속되었습니다.

(1)

여기서 m_j는 기능 j에 대해 관측된 값의 수입니다. 검증 및 테스트 세트에도 동일 하게 적용되었습니다. 척도 관련 편향을 제거하기 위해 훈련 전용 매개변수를 사용하여 z-점수 정규화로 기능을 표준화했습니다.

(2)

여기서 μ_j와 σ_j는 훈련 데이터에서 추정된 기능 j의 평균 및 표준 편차입니다. 시계열 신호(SpO₂, 심박수, 걸음 수)의 경우 스트림은 10분 주기로 정렬되었습니다. 최대 30분의 짧은 간격은 앞으로 채워졌고, 긴 간격은 3점 이동 평균으로 매끄럽게 처리되었습니다. 그런 다음 누출을 방지하기 위해 1008개의 시간 단계가 있는 7일 슬라이딩 창을 적용하여 겹치지 않는 서열을 형성했습니다(그림 2 참조).

6. 모델 학습

구조화된 임상 데이터의 경우 XGBoost는 이진 로지스틱 목표( 그림 1의 워크플로)에 따라 학습률(0.01-0.3), 최대 깊이(3-10) 및 추정기 수(100-500)에 대한 그리드 검색을 통해 조정되었습니다. 원격 모니터링 데이터의 경우 LSTM은 각각 128개의 단위, Xavier 초기화, 드롭아웃률 0.5 및 시그모이드 출력 계층이 있는 2개의 숨겨진 LSTM 계층으로 구성되었습니다. 최적화는 TensorFlow( 그림 2의 파이프라인)에서 구현된 학습률 0.001의 Adam을 사용했습니다. 과적합은 탈락 및 조기 중단(인내심 = 10)으로 완화되었으며 클래스 불균형은 SMOTE로 해결되었습니다.

7. 평가 전략

구조화된 데이터는 계층화된 10배 교차 검증으로 평가되었습니다. 시계열 데이터는 시간적 순서를 보존하기 위해 워크포워드 검증으로 평가되었습니다. 지표에는 정확도, 정밀도, 재현율, F-측정, ROC 곡선 아래 면적(AUC) 및 평균 제곱 오차(MSE)가 포함되었습니다. 모델 간 차이는 Wilcoxon 부호 순위 테스트(양측)를 사용하여 평가되었습니다. 수치에는 불확실성을 정량화하기 위한 95% 신뢰 밴드 또는 오차 막대가 포함됩니다. 이러한 선택은 시계열 누출의 위험과 검토자가 요청한 통계적 유의성의 필요성을 직접적으로 해결합니다.

8. 임상 관련성 및 파일럿 테스트

하이브리드 모델은 모니터링 대상 환자의 78%에서 임상 증상 6-12시간 전에 SpO₂ 감소를 예측하고 기준선에 비해 MSE를 42.5% 감소시켰습니다. 20명의 COPD 환자를 대상으로 한 4주간의 파일럿에서 주간 모델 위험 점수는 리뷰의 85%에서 의사 평가와 일치하여 임상 통합 가능성을 뒷받침했습니다.

9. 소프트웨어 및 환경

분석은 NVIDIA RTX 3080 GPU, CUDA 11.6 및 cuDNN 8.2가 있는 Ubuntu 20.04 LTS에서 scikit-learn 1.2.2, XGBoost 1.7.5, TensorFlow 2.13 및 PyTorch 1.13을 사용하여 Python 3.10.6에서 수행되었습니다. 전체 버전 관리 및 공급업체는 번호가 지정되지 않은 재료 표에 나열되어 있습니다.

결과

샘플 크기 안정성 및 최적의 성능
안정성 임계값을 명시적으로 보여주기 위해 먼저 표 1을 제시한 다음 그림 3과 그림 4의 학습 곡선을 제시합니다. 표 1은 구조화된 데이터의 XGBoost 분류기와 다변량 시계열의 LSTM에 대한 증가하는 훈련 크기에 대한 정확도, AUC 및 MSE의 평균 ± SD를 보고합니다. 그림 3에서 볼 수 있듯이 XGBoost 성능은 200개 샘플 미만에서 불안정했습니다(높은 분산; AUC 0.82-0.89)이지만 정확도가 일관되게 >0.95 및 AUC >0.93으로 ≥300으로 안정화되었습니다. 그림 4는 LSTM 정확도가 시퀀스 수에 따라 단조롭게 향...

토론

주요 조사 결과 요약
COPD는 호흡 장애, 이동성 감소 및 반복적인 급성 악화를 통해 상당한 임상적, 사회적 부담을 부과합니다¹⁰. 설명 가능한 분석과 함께 지속적인 가정 모니터링을 활용하면 조기 감지 및 표적 개입이 가능해 이러한 부담을 완화할 수 있습니다. 이 연구에서 구조화된 임상 변수를 위한 XGBoost와 다변량 시계열 신호를 위한 LSTM을 통합하는 하이브리드 워크플로는 ≥300개의 훈련 샘플에서 안정성에 도달하고 ≈1000개의 겹치지 않는 7일 시퀀스에 가까운 최적의 수렴으로 일관되게 강력한 성능을 달성했습니다(표 1; 그림 3,4). 하이브리드 모델은 차별 지표 전반에 걸쳐 고전적인 비교 대상보다 성능이 뛰어났습니다(그림 5<...

재료

이 논문에 사용된 재료 목록

이름	회사	카탈로그 번호	댓글
쿠다	엔비디아	11.6	GPU에서 계산 속도를 높이는 데 사용되는 병렬 컴퓨팅 플랫폼 및 프로그래밍 모델입니다.
cuDNN	엔비디아	8.2	모델 훈련 성능을 최적화하기 위한 심층 신경망을 위한 GPU 가속 라이브러리입니다.
ECG 기계	필립스	페이지라이터 TC70	웨어러블 장치에서 심박수 측정을 확인하는 데 사용됩니다.
GPU 그래픽	엔비디아	RTX 3080 시리즈	대규모 데이터 세트에서 모델 훈련을 가속화하는 데 사용되는 고성능 GPU입니다.
LSTM 모델	-	-	시계열 데이터 처리에 사용되는 장단기 기억 신경망입니다.
맥박 산소 측정기	마시모	라드-97	혈중 산소 포화도(SpO2)를 측정하고 웨어러블 장치의 정확성을 검증하는 데 사용됩니다.
파이썬	파이썬 소프트웨어 재단	3.10.6	데이터 처리, 모델 훈련 및 평가에 사용되는 프로그래밍 언어입니다.
텐서플로우	구글	2.13	LSTM 모델을 훈련하고 신경망 계산을 수행하는 데 사용되는 소프트웨어 라이브러리입니다.
웨어러블 활동 추적기	핏빗	충전 5	걸음 수 및 신체 활동 수준을 추적하는 데 사용됩니다.
XG부스트	-	-	그래디언트 부스팅(기계 학습)에 사용되는 소프트웨어 라이브러리입니다.