리뷰 논문

수혈 부반응의 정밀 위험 평가를 위한 머신러닝 접근법: Scikit-learn 기반 리뷰

DOI:

10.3791/69658

⸱

2026년 1월 20일

 ,  , 
1Department of Transfusion, The Affiliated Hospital of Southwest Medical University, 2Department of Transfusion, Dazhou Central Hospital

* These authors contributed equally

이 논문에서

요약

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

본 리뷰는 수혈 부작용 예측을 위한 scikit-learn 머신러닝 라이브러리의 잠재력을 검토합니다. 위험 평가를 개선하고 기존 접근법의 한계를 해결하며 정밀 수혈 의학 개발을 지원하기 위한 데이터 기반 프레임워크를 제시합니다.

초록

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

수혈 부작용(TAR)은 혈액, 혈액 제품 또는 수혈 관련 물질의 투여로 인해 수혈 중 또는 이후에 발생하는 바람직하지 않은 부작용을 포함합니다. 이러한 반응은 알레르기 반응, 용혈, 수혈 관련 급성 폐손상(TRALI) 등 경증에서 중증의 임상 증상을 유발할 수 있습니다. ABO/Rh 혈액형 매칭이나 대규모 수혈 프로토콜과 같은 현재의 기존 접근법은 환자 결과를 개선할 수 있지만, 복잡한 환자 특화 요인을 해결하지 못합니다. 따라서 전용 TAR 위험 모델 개발이 필수적입니다. 머신러닝(ML) 알고리즘은 대규모 임상 및 실험실 데이터셋을 활용해 진단 및 예후 모델을 구축함으로써 맞춤형 및 정밀 의료를 발전시킬 수 있습니다. 특히, scikit-learn(SK-learn) ML 알고리즘은 아직 TAR 위험 평가에 직접 적용되지 않았습니다; 그럼에도 불구하고, 유사한 의료 위험 예측 모델을 구축하는 데 있어 그 효능은 상당한 인정을 받고 있습니다. 본 리뷰는 다양한 임상 맥락에서 SK-learn의 역할에 중점을 두어 TAR을 예측하고 예방하기 위한 ML 기반 프레임워크를 제시합니다. 우리의 분석은 향후 TAR의 정밀 진단과 SK-learn 알고리즘 개발의 토대를 마련합니다. 무엇보다도, 문헌을 종합한 결과, sklearn이 이 작업에 다재다능하고 강력한 도구 키트를 제공한다는 점이 밝혀졌습니다; 그러나 임상 실무로의 성공적인 전환은 다기관 데이터 이질성과 견고한 모델 해석 가능성 요구와 같은 주요 과제를 극복하는 데 달려 있습니다.

서론

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

수혈은 외상 치료, 외과 수술, 산과 응급 상황, 종양학적 치료, 만성 혈액 질환 관리 등 다양한 임상 맥락에서 사용되는 생명을 구하는 중재입니다. 상당한 치료적 이점에도 불구하고, 수혈은 다양한 부작용을 유발할 수 있으며, 이를 통틀어 수혈 부작용(TAR)이라고 부릅니다3,4. TAR은 경미한 알레르기 반응부터 심각한 합병증까지 다양한 증상을 보이는 다요인 질환을 대표합니다. 가장 빈번한 반응은 열성 비용혈성 수혈 반응(FNHTRs)과 알레르기 반응으로, 각각 수혈 10만 단위당 약 26명과 21명, 5.6명으로 보고되었습니다. 반면 ABO/Rh 혈액형 매칭과 표준화된 수혈 절차는 TAR 위험을 크게 줄여 환자 안전을 높일 수 있습니다 7,8,9. 특히 복잡하거나 면역 매개 원인이 있는 사건들을 완전히 예방할 수는 없습니다.

증거는 인공지능(AI)의 하위 분야인 ML이 복잡하고 다중 모달 데이터의 통합을 촉진한다는 것을 시사합니다. 이 역량은 임상 의사결정을 향상시키고, 개인 맞춤형 치료를 촉진하며, 의료 서비스를 최적화하여 궁극적으로 환자 결과를 개선합니다10,11. 2007년에 도입된 SK-learn은 오픈소스 Python 머신러닝 라이브러리입니다. 핵심 기능에는 ML 알고리즘을 통해 구현된 회귀분석과 분류, 군집화, 차원 축소, 모델 선택 및 전처리 기능이 포함됩니다. 의료 응용 분야에서 SK-learn은 주로 질병 예측, 진단 분류, 임상 위험 계층화에 사용됩니다13,14. 예를 들어, 한 연구에서는 SK-learn 라이브러리를 활용해 당뇨병성 신병증과 비당뇨성 신병증을 효과적으로 구분하는 예측 모델을 구축하여 임상 진단과 치료를 지원했습니다15. sklearn 알고리즘의 장점을 활용하여, 수혈 후 부작용(TAR) 위험 예측 모델 구축에 있어 그 효율성이 크게 인정받고 있습니다16,17.

본 리뷰는 SK-learn 머신러닝 알고리즘의 최신 발전을 종합하여 다양한 질병 맥락에서 번역 응용을 구체화합니다. 더 나아가, 위험층별 TAR 진단 및 예측 모델링에서 SK-learn의 향후 임상 적용을 위한 틀도 마련합니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

리뷰 및 관점

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

TAR 개요
TAR의 병인 기전
TAR은 다양한 임상 증상과 병태생리학적 메커니즘을 포괄합니다(표 I). 이 반응들은 주로 면역 매개 및 비면역 매개 아형으로 분류됩니다 7,9,18,19. 면역 매개 반응은 일반적으로 항원-항체 상호작용을 포함하며, 이는 용혈이나 전신 염증 반응을 유발합니다. 대표적인 예로는 급성 용혈성 수혈 반응(AHTR)을 유발할 수 있는 ABO 부적합성이 있습니다. 이 상태는 발열, 옆구리 통증, 고혈압, 퍼포성 혈관 내 응고(DIC), 급성신부전 7,9,20으로 나타납니다. 더불어, 제1형 과민반응은 알레르기 수혈 반응을 유발할 수 있으며, 임상 증상은 경미한 두드러기부터 생명을 위협하는 아나필락시스까지 다양합니다. 특 히, 이러한 반응은 잔류 기증자 혈장 단백질, 특히18, 21, 22, 23 등 소꽃가루 알레르기 물질이 존재하기 때문에 혈소판 산물과 자주 연관된다. TRALI는 수혈 후 6시간 이내에 급성 저산소혈증과 비심인성 폐부종이 나타나는 것으로 임상적으로 정의됩니다. 발병 기전은 주로 인간 백혈구 항원(HLA) 또는 과립구 특이적 항원에 대한 공여자 유래 항체(21,22,24)와 관련된다. 특히, 키드 시스템 항원과 같은 특정 혈액형 항원은 기증자 유래 항HLA 항체에 의해 표적이 될 경우 지연 용혈 수혈 반응(DHTRs)을 유발할 수 있습니다. 별도로, 수혈 관련 급성 폐 손상의 일종인 TRALI는 호중구 활성화 기전을 통해 기증자 항HLA 항체에 의해 매개되는 독특한 병리학적 실체를 나타냅니다 6,22. 비면역 매개 수혈 반응은 세균 오염에 의한 정화조 반응, 부피 과부하, 기계적 또는 열적 용혈, 수혈 관련 순환 과부하(TACO)9,23 등 여러 임상 요인을 포함합니다. 패혈조 수혈 반응은 박테리아에 오염된 혈액 제물의 주입에서 발생하며, 가장 흔히 혈소판에서는 포도상구균 속, 황색포도상구균, 대장균이, 적혈구에서는 예르시니아 장대결증이 있습니다. 임상적으로는 고열, 경직, 저혈압을 보이며 빠르게 쇼크로 진행될 수 있습니다. 특히, 고감도 병원체 선별검사의 도입으로 고전적 수혈 매개 감염(TTI, 예: HIV, HCV) 위험이 크게 감소했습니다. 그 결과, 특히 실온에 보관된 혈소판 수혈에서 발생하는 패혈 반응은 TTI보다 수혈 감염성 합병증으로 더 자주 보고되고 있습니다. 바이러스, 박테리아, 기생충 등 다양한 병원체에 의해 발생할 수 있는 수혈 전염성 감염은 선천 면역 체계를 활성화하여 TAR을 유발할 수 있습니다. 최근 체계적 문헌고찰은 면역원성 병원체의 포괄적 선별이 감염 관련 TAR 25,26,27,28(표 1)을 예방하는 주요 과제임을 강조합니다.

TAR의 역학
선진국에서는 TAR의 전체 발생률이 상대적으로 낮습니다. 현재 감시 데이터에 따르면 알레르기 반응과 열성 비용혈성 수혈 반응(FNHTRs)이 가장 자주 보고되는 부작용 중 하나이며, 많은 보고 시스템에서 알레르기 반응이 FNHTR보다 더 흔하게 나타납니다. 지연 혈청학적 수혈 반응(DSTR)은 덜 흔히 보고됩니다 5,9,29. 그럼에도 불구하고 TAR은 개발도상국과 특정 인구에서 여전히 상당한 임상적 도전을 제기하고 있으며, 이러한 높은 위험 프로필은 표준화된 선별 검사 프로토콜의 차이, 최적이지 않은 혈액 제품 취급 절차, 이질적인 수혈 관행, 인구 특이적 유전적 소인 등 다요인 요인에서 비롯됩니다26,27. 겸상적혈구병 환자는 용혈성 수혈 반응과 동종면역에 특히 취약합니다. 이러한 위험 증가는 낫 헤모글로빈 자체의 존재보다는 만성 염증, 주로 백인 기증자와 아프리카계 혈통 SCD 환자 집단 간 적혈구 항원의 표현형 차이, 그리고 평생 수혈에 대한 높은 노출 때문으로 기인한다20,30. 특히, 주요 중국 의료기관의 최근 감시 데이터는 소아 및 신생아 인구에서 성인보다 알레르기성 TAR 발생률이 더 높다는 것을 보여주었는데, 이는 수혈 임계치와 임상 관행의 차이에 기인합니다. 반면, 유럽 코호트들은 이 연령대에서 상반되는 역학적 양상을 보였다19, 31, 32. 예를 들어, Guo, K. 등은 주요 중국 국가 센터의 어린이들이 성인보다 알레르기 반응을 더 자주 경험한 반면, 신생아의 수혈 임계값과 관행은 유럽 전역에서 크게 다르다고 보고했습니다.

현재 TAR 위험 평가 모델을 개발하는 임상시험들은 위험 계층화된 예방 조치, 지속적인 실시간 모니터링 시스템, 고위험군을 위한 맞춤형 관리 프로토콜이라는 세 가지 핵심 전략적 접근법을 활용하고 있습니다. 이 위험 모델은 수혈 수혜자에게 보편적으로 적용 가능한 포괄적인 선별 도구와 특정 부작용 하위 유형을 식별하기 위한 특수 예측 알고리즘을 포함하는 이중 모드 분류 시스템을 보여줍니다34,35. 영국의 중대적 수혈 위험(SHOT) 시스템이 대표되는 일반화된 위험 평가 도구는 인구 수준 데이터셋을 활용해 수혈 수혜자를 계층화합니다. 이 시스템들은 다발 수혈 병력이나 자가면역 질환 병력이 있는 환자를 포함한 고위험군 집단을 식별하는 데 특별한 효능을 보입니다36. 기존의 수혈 위험 및 임상 지식(TRACK) 점수 방법론은 미리 정해진 컷오프 값을 가진 정적인 성과 지표를 사용하여 미리 정의된 의사결정 경계 내에서 모델 성능을 정량화합니다. 이 접근법은 제한된 운영 매개변수37 하에서 모델의 예측 능력을 특징짓습니다. 최근의 발전은 수혈 예측을 위한 새로운 위험 층화 도구를 만들어냈습니다. 새로 개발된 SCORE 시스템은 수혈 확률을 추정하기 위해 임상적으로 검증된 6가지 예측 요인을 통합합니다. 비교 분석 결과, 이 단순화된 모델이 심장 수술에서 수혈 요구량을 예측할 때 기존 TRACK 점수와 유사한 예측 정확도와 보정 성능을 달성함을보여줍니다.

특정 반응 모델 외에도, 최근에는 많은 생체 내 모델이 연구되었습니다. TRALI는 기증자 유래 항인백혈구/호중구 항원(항HLA/HNA) 항체, 인터루킨-6 포함 수혜자 염증 바이오마커 상승, 투여된 수혈량 34,39,40의 상호작용에 의해 결정되는 임상적으로 중요한 합병증입니다. 수혈 관련 순환 과부하(TACO) 위험은 종종 B형 나트륨이뇨펩타이드(BNP 또는 NT-proBNP) 수치, 심장 기능 장애 병력, 높은 수혈율, 양성 체액 균형 등의 지표를 포함하는 임상 점수 체계를 사용하여 평가됩니다. 면역 매개 용혈 위험은 간접 항글로불린 검사(간접 쿰스 검사)를 통해 선제적으로 항체 선별을 통해 평가되며, 이는 수혜자의 혈장 내 임상적으로 중요한 동항체를 검출합니다. 이러한 항체를 확인하면 항원음성인 혈액 단위를 수혈에 사용할 수 있게 되어, 용혈을 유발할 항원-항체 반응을 예방할 수 있습니다. 환자의 수혈 병력도 이전 민작화 및 지연성 용혈 반응 위험을 파악하는 데 매우 중요합니다. 이 기전적 모델들은 다차원 임상 및 실험실 매개변수를 통합하여 부작용 예측의 정밀도를 높입니다 34,39,41. 또한, 중증 출혈 외상이나 수술 환자에서 출혈성 쇼크로 인한 사망률을 줄이기 위해 적혈구, 혈장, 혈소판의 비율을 표준화하기 위해 대규모 수혈 프로토콜(MTPs)이 개발되었습니다42,43. 하지만 이러한 관행들은 수혈 관련 이환율을 낮췄으며, 수혈 안전성을 정의하는 면역학적·비면역학적 변수의 복잡한 상호작용을 완전히 포착하지는 못합니다. 기존의 많은 점수 체계와 프로토콜은 통제된 조건이나 좁은 환자 집단에서 검증되어 실제 이질적인 환경에서는 최적이 아닙니다 16,44,45,46. 진화하는 병원체 프로필, 기증자 인구 변화, 현대 의료 서비스의 복잡성은 정적인 접근법에 도전을 더합니다 25,26,47. 이러한 배경은 임상 데이터, 실험실 결과, 다중경제학과 같은 신흥 분야를 결합해 보다 강력한 예측 모델을 만드는 머신러닝 적용 수혈 위험 평가에 대한 관심이 커지고 있습니다(그림 1)48, 49, 50.

머신러닝을 통한 현재 임상 위험 평가 모델 구축
머신러닝(ML)은 기초적인 인공지능 패러다임으로서, 잠재 데이터 패턴의 자동 발견과 예측 모델의 귀납적 생성을 통해 적응적 의사결정을 가능하게 하여, 명시적 절차적 프로그래밍을 우회하고 의료 진단과 예측 등 복잡하고 진화하는 분야에서 지속적인 성능 개선을 가능하게 합니다51. 머신러닝의 진화는 세 가지 뚜렷한 단계를 거쳤습니다: (1) 이론적 기초를 마련한 기초 시대52; (2) 지지 벡터 기계와 앙상블 기법의 중요한 발전으로 특징지어지는 알고리즘 르네상스53; 그리고 (3) 딥러닝 혁명으로, GPU 가속과 빅데이터에 의해 촉진된 합성곱 및 반복 신경망이 여러 분야에서 변혁적인 패러다임 전환을 촉발했습니다54. 의료 응용 분야에서는 의료 영상 진단과 바이오마커 검출에 혁신을 가져왔습니다55.

현재 머신러닝 시스템은 학습 메커니즘에 따라 세 가지 핵심 패러다임으로 분류됩니다: (1) 예측 모델링을 위해 라벨이 붙은 학습 집합에 의존하는 지도 학습; (2) 주석이 없는 데이터에서 잠재 구조를 드러내는 비지도 학습; 그리고 (3) 자동화된 특징 추상화를 위해 계층적 신경 아키텍처를 활용하는 딥러닝. 이 패러다임들은 현대AI 응용의 기초가 되는 방법론을 구성합니다.

최근 몇 년간 ML은 의료 진단 표지자 개발, 예후 평가, 위험 모델 구축에 널리 적용되고 있습니다57,58. 의료 데이터는 종종 고차원성을 보이며, 이는 전통적인 방법으로의 효과적인 분석에 큰 도전이 됩니다14,59. ML 기법은 복잡한 데이터셋에서 중요한 특징을 추출하는 데 탁월하여 중요한 특징 식별을 용이하게 합니다. 수혈 의학에서 ML의 적용이 빠르게 발전하고 있습니다. 예를 들어, ML 모델은 의료 영상 분류 및 병리 분석과 같은 작업에서 우수한 성능을 보여 조기 진단 및 예후 층화의 정확도를 크게 향상시켰습니다60,61. 유전체 및 대사체 프로필과 같은 환자별 데이터를 활용함으로써 ML은 개인 맞춤형 치료 반응을 예측하여 정밀 의학 분야의 발전을 이끌고있습니다. 수혈 필요성 예측을 넘어, ML은 혈액 제품 관리 최적화에도 적용되고 있습니다. 연구들은 ML을 혈소판 사용량 예측, 수술 전 혈액 주문 일정 개인화 등 다양한 작업에 활용해 재고 관리 개선과 낭비 감소 가능성을 입증했습니다.

더 나아가, ML은 영상, 유전체학, 전자 건강기록(EHR) 등 다중 출처 데이터를 통합하여 포괄적인예측 모델을 구축할 수 있게 합니다. 또한, ML은 중환자실 환자의 패혈증 예측과 같은 실시간 위험 경고를 지원하고, 진단 워크플로우를 자동화하여의료 전문가의 업무 부담을 줄여줍니다. 머신러닝은 멀티오믹스 데이터를 통합하고 복잡한 패턴을 분석하며 약물 설계를 가속화함으로써 암 예후 모델과 표적 개발의 정밀도를 크게 향상시켰습니다. 또한 머신러닝은 암의 존재 여부와 확인되지 않은 패턴을 모두 식별하여 진단 정확도를 높입니다65. 시뮬레이션 연구에서는 방사선 전문의가 예측된 음성 사례를 건너뛰어 전체 민감도와 특이도를 유지하면서도 유방촬영술 80.7%만 읽을 수 있다는 점이 입증되었습니다. CNN 모델은 유방 초음파 이미지에서 기능적 조직을 분할하는 데 사용될 수 있음이 입증되었으며, 이를 통해 임상의들이 이러한 영상의 해석과 진단을 돕는 데 도움을 줍니다66. 예후와 치료 선택은 종양의 특성에 크게 의존하며, 많은 특성은 이미지 기반 ML 모델을 통해 예측할 수 있습니다. 일부 연구자들은 3D CNN을 활용해 CT 스캔에서 수작업으로 선택한 관심 영역(ROI)에서 폐선암의 EGFR 돌연변이 상태를 예측하여, 암 유전체형 분석에 비침습적 대안을 제공하고 잠재적 치료 전략을 제시했습니다67. 단세포 전사체학과 공간 전사체학과 같은 신흥 유전체 기술은 고형 종양의 조직병리학적 특성 정의에 혁신을 가져올 큰 가능성을 지니고 있습니다. 구체적으로, 단세포 전사체학은 세포 조성을 상세히 분석할 수 있게 하여 ML 모델이 암 치료 반응과 잠재적 약물 내성 기전을 예측할 수 있게 합니다68.

딥러닝(DL)은 ML의 하위 분야로서 뇌의 신경 구조에서 영감을 받은 다층 신경망 알고리즘을 활용해 예측 모델링을 수행합니다69. 신경망 아키텍처를 활용하는 ML 방법인 로지스틱 회귀와 달리, DL은 데이터 양과 차원이 증가함에 따라 모델을 기하급수적으로 확장할 수 있게 합니다69. DL은 의료 분야에서 광범위하게 적용되어 왔습니다. 최근 몇 년간 신흥 딥러닝 기법들이 암 진단, 예후, 치료 요법 식별에 널리 채택되고 있습니다. 다층 인식론(MLP), 순환 신경망(RNN), 합성곱 신경망(CNN) 등 다양한 신경망 아키텍처는 고급 방법론의 기초 구성 요소로 작용합니다69. 연구들은 이미지 수준뿐만 아니라 픽셀 단위에서도 암 위험을 예측할 수 있는 CNN 모델을 도입하여, 악성 종양이 발생할 가능성이 가장 높은 부위를 강조하는 히트맵을 제공합니다70. 조직학 기반 암 등급 시스템에 딥 CNN을 통합하는 것은 성공적이었으며, 연구들은 이 모델들이 전립선암, 유방암, 대장암, 림프종암 등급을 통해 인간 병리학자와 비슷한 성능을 낼 수 있음을 보여줍니다71,72,73,74,75. 연구자들은 CNN 기반 생성기를 이용한 암 조직 분할이 CNN 기반 분류기가 전립선암 등급을 예측하는 데 도움을 줄 수 있음을 입증했습니다76. 일부 연구자들은 하이브리드 그래프 합성곱 신경망(GCNN) 모델을 활용하여 유전자 발현 프로필을 STRING 단백질-단백질 상호작용(PPI) 네트워크에 매핑하여 유방암 분자 아형의 예측을 가능하게 했습니다69,77. 머신러닝은 특히 진단 모델링 분야에서 비암 질환에도 상당한 적용 가능성을 보여주었습니다. 예를 들어, 연구들은 다양한 기간 동안 COVID-19 환자의 사망률과 중증 사건을 예측하기 위해 머신러닝 모델의 외부 및 전향적 훈련과 검증을 수행했습니다. 이 모델들은 고위험 환자를 성공적으로 식별하고 예측 결과에 기여하는 근본 관계를 명확히 했습니다78. 전통적인 방사선 측정 모델은 주로 의료 영상에서 명확히 파생된 수작업 설계 특징에 의존합니다. 연구자들은 전이 학습을 통해 추출한 심층 특징이 교모세포종(GBM) 환자의 전체 생존율(OS) 예측을 위한 방사선 신호 생성에 활용될 수 있는지 탐구해 왔습니다79. 최근 몇 년간 ML은 미생물학에서 상당한 진전을 이루었습니다80. 이 분야의 핵심 응용 분야는 의료 전문가들이 환자 내 감염병에 책임이 있는 미생물을 신속하고 정확하게 진단할 수 있도록 하는 것으로, 이는 적절한 치료 전략을 결정하는 데 매우 중요합니다. 적절한 입력 데이터를 제공하면 ML 모델은 정밀한 진단을 달성할 수 있습니다80. 사전 학습된 합성곱 신경망(CNN)을 특징 추출기로 사용하고 환자 수준의 교차 검증을 결합하면 말라리아에 감염된 세포와 비감염 세포를 효과적으로 구별하여 질병 선별 과정을 향상시킬 수 있음이 입증되었습니다81. 영국에서 온 1,839개의 박테리아 분리주를 기반으로 한 기계 학습 모델이 개발되어 내성 프로필을 분류하려 했습니다. Mycobacterium tuberculosis (M. tuberculosis) 8종의 항결핵제(이소니아지드, 리팜피신, 에탐부톨, 피라지아마이드, 시프로플록사신, 목시플록사신, 오프록사신, 스트렙토마이신)에 이르렀으며, 여기에는 다제내성 결핵도 포함됩니다. 이전 방법과 비교했을 때, 가장 우수한 모델은 이소니아지드, 리팜피신, 에탐부톨에 대해 2-4% 감도를 개선하여 97%의 감도를 달성했습니다 (P < 0.01). The sensitivity for ciprofloxacin and multidrug-resistant tuberculosis increased to 96%. For moxifloxacin and ofloxacin, the sensitivity increased from 83% and 81%, respectively, based on known resistance alleles, to 95% and 96% (P < 0.01), representing improvements of 12% and 15%, respectively. Notably, compared with rule-based approaches, the model enhanced the sensitivity for pyrazinamide and streptomycin by 15% and 24%, respectively, reaching 84% and 87% (P < 0.01). The top-performing model also increased the area under the ROC curve for pyrazinamide and streptomycin by 10% (P < 0.01) and for other drugs by 4-8% (P < 0.01).

예를 들어, DL 모델은 일반적으로 유방촬영 영상을 분석하여 미래에 환자가 암에 걸릴 가능성을 예측하도록 훈련됩니다. 또한 일부 연구자들은 이 직접 위험 예측 방법의 장점을 강조하며, Inception-ResNet-v2 합성곱 신경망 모델이 생성하는 유방암 위험 점수가 임상 유방 밀도 평가에서 도출된 점수보다 더 정확하다고 밝혔습니다83. 마찬가지로, 일부 연구자들은 환자 연령과 같은 임상 특징에 의존하는 Tyrer-Cuzick 위험 모델을 능가하는 DL 기반 유방촬영술 모델을 개발했으며, 이는 여성84의 유방암 발병 위험 5년 예측에 있어 더 뛰어난 성과를 내고 있습니다.

또한 머신러닝은 수혈 의학에도 적용되고 있습니다. 수혈 의학에 AI를 적용하려는 관심 증가는 국제 수혈학회(ISBT) 임상 수혈 실무 그룹이 주최하는 전용 학회에서 AI의 잠재력을 탐구하는 주요 전문 포럼에 포함된 점에서 더욱 강조됩니다. 수혈(BT)은 중환자실 수술 환자들의 의료 서비스에서 매우 중요한 요소입니다. 이 연구는 UMC 데이터베이스에 있는 9,118명의 외과 중환자실 환자 데이터를 분석하여 머신러닝을 활용해 수혈 요구량을 예측하였습니다. ICU 입원 6시간 전부터 입원 후 1, 2, 3, 6시간 데이터의 데이터를 사용하여 XGBoost와 로지스틱 회귀(LR) 알고리즘의 성능을 비교함으로써, 수혈군과 비수혈군 간 환자 특성에서 유의한 차이가 있음을 밝혀냈습니다. 이 결과는 기계 학습이 수술 중환자실 환자의 수혈 필요를 예측하는 데 있어 타당성을 확인시켜 줍니다86. 동종 수혈은 고관절 수술에서 자주 필요하지만, 이환 위험이 증가하는 것과 관련이 있습니다. 수혈 요구량의 정확한 예측은 혈액 산물 폐기물을 최소화하고 수술 전 의사결정을 최적화하는 데 필수적입니다. 최근 연구들은 환자 인구통계 데이터, 수술 전 검사 결과, 수술 정보를 통합하여 수혈 위험을 예측하는 14개의 머신러닝 알고리즘을 확립했습니다. 모델 성과는 분별, 교정, 결정 곡선 분석을 통해 평가하였습니다. SHAPLEY 가법 설명(SHAP)이 모델 해석에 사용되었으며, 능선 분류기가 가장 높은 예측 정확도를 보였으며, AUC 0.85(95% 신뢰구간: 0.81-0.88)와 브라이어 점수 0.21을 달성했습니다. 본 연구의 머신러닝 모델은 고관절 수술에서 수술 전후 수혈 필요성에 대해 임상 변수를 활용하여 높은 예측 성능을 보여주었습니다87.

더 나아가 머신러닝은 신약 설계에 성공적으로 통합되어 시간과 계산 비용 같은 문제를 해결하고 신뢰성을 향상시켰습니다88,89. 단백질의 3차원 리간드 결합 환경을 활용함으로써, 머신러닝은 신약 개발에서 중요한 단계인 표적 단백질 구조 결정에 도움을줍니다. 예를 들어, AI 기반 도구인 AlphaFold는 단백질 데이터 뱅크(PDB) 데이터를 직접 학습할 수 있으며, 아미노산 서열(91)에서 단백질 3D 구조를 예측할 수 있습니다. AlphaFold는 두 단계 과정을 사용합니다: 첫째, CNN이 단백질의 아미노산 서열을 거리 및 비틀림 매트릭스로 변환하고; 둘째, 구배 최적화 기법을 통해 이 매트릭스를 단백질의 3D구조로 변환합니다.

Scikit-learn(sklearn)은 사용 편의성, 방대한 문서, 그리고 견고한커뮤니티 지원으로 널리 인정받는 Python 기반 머신러닝 라이브러리입니다. 이 연구는 로지스틱 회귀, 지지 벡터 기계, 무작위 숲과 같은 감독 기반 방법뿐만 아니라 군집화 및 차원 축소93을 포함한 비지도 방법을 포괄적으로 제공합니다. 또한 통합 프레임워크93에서 데이터 전처리, 모델 학습, 교차 검증, 하이퍼파라미터 튜닝을 간소화하는 파이프라인을 제공합니다. 모델 해석 가능성을 위한 도구들, 즉 순열 특징 중요도와 부분 의존성 플롯 등, 그리고 난덤 숲 및 경배 부스트 같은 고급 앙상블 기법은 의료 환경에서 일관되게 견고한 예측 성능을 보입니다45,93.

이러한 특징들을 바탕으로 SK-learn은 질병 진단12,94, 생존 시간 예측95, 대규모 영상 데이터셋 분석(96), 수혈 사용 위험 예측 모델 구축97과 같은 의료 연구 과제에 광범위하게 활용되어 왔습니다. 이 섹션은 구체적인 적용 사례와 기술적 구현을 상세히 검토하며, 질병 진단 및 위험 평가 모델 구축에 있어 SK-learn의 장점을 보여줍니다(그림 2). 특히 암 영역에 집중하며, 이 분야는 그 응용이 가장 광범위하고 성숙한 분야이며, 성공적인 진료법을 분석하고 기존 과제 12,93,95,98을 해결합니다. 더 나아가 이러한 통찰이 TAR 위험 예측 모델 개발에 귀중한 참고 자료이자 영감이 될 수 있음을 탐구합니다.

SK-learn은 지지 벡터 기계(SVM), 랜덤 포레스트, 로지스틱 회귀 등 전통적인 머신러닝 기법과 다층 지각론(MLP) 분류기와 같은 딥러닝 접근법을 통합한 견고한 알고리즘 프레임워크를 제공하여 다양한 암 데이터셋 모델링에 적합합니다. 예를 들어, 부신피질암 진단을 위한 새로운 조직학 시스템 개발에서 연구자들은 파이썬의 sklearn 라이브러리를 활용해 다차원 수학 모델을 구축했습니다. 이 모델은 전체 진단 정확도 100%를 달성했으며, 모든 형태학적 변이에 폭넓은 적용 가능성을 입증했습니다99.

또한 SK-learn, GridSearchCV, RandomizedSearchCV 도구를 통해 자동화된 하이퍼파라미터 최적화가 가능합니다. 예를 들어, 림프절 전이를 예측할 때 XGBoost 모델의 매개변수를 교차 검증을 통해 미세 조정하여 AUC 값 0.95212를 얻었습니다. 예를 들어, 지지 벡터 기계(SVM)는 유방암 분류 작업에서 우수한 성능을 보입니다. 비선형 커널 함수는 고차원 영상 데이터를 효과적으로 처리할 수 있게 합니다. 구강암 환자의 스펙트럼 데이터를 분석한 연구에서는 SVM이 재귀적 특징 제거(RFE)와 결합했을 때 95%의 민감도와 96%의 특이도를 달성하여 전통적인 Fisher 선형 판별 분석(FLD)을 크게 뛰어넘는 것으로 나타났다100. 또한, UCI 유방암 데이터셋에 대한 비교 분석에서 SVM이 분류 정확도와 일반화 능력 측면에서 K-평균 군집화와 인공 신경망보다 우수한 성능을 보였음이입증되었습니다. SVM이 고차원 데이터를 처리할 수 있는 능력은 TAR 예측에도 똑같이 중요하며, 모델이 수많은 임상 및 실험실 매개변수를 통합해야 합니다.

무작위 포레스트 방법은 특징 중요도 분석에서 우수한 성능을 보입니다. 일부 연구자들은 무작위 포레스트를 활용해 유전체 및 임상 데이터를 통합하고 유방암 예후와 관련된 주요 특징을 식별했습니다. 군집화 결과는 임상 결과와 유의한 상관관계를 보였다102. 이 접근법은 TAR 모델링에 직접 적용되어 특정 기증자 항체나 수혜자 염증 표지자와 같은 가장 영향력 있는 위험 요인을 다양한 후보 특징에서 식별할 수 있습니다.

XGBoost는 대표적인 그라디언트 부스트 알고리즘으로서 암 병기 예측에서 뛰어난 성능을 보여줍니다. TCGA의 다중체학 데이터를 기반으로 한 연구에 따르면, XGBoost가 DNA 메틸화 특징과 결합되어 분류 모델103의 예측 성능을 더욱 향상시킬 수 있습니다. 유방암 전이에 관한 또 다른 연구에서는 XGBoost가 Grid-Search CV를 통해 하이퍼파라미터를 최적화하고 SHAP 값 시각화와 결합했습니다. SQSTM1과 GDF9와 같은 여섯 가지 핵심 유전자가 성공적으로 확인되었습니다. 모델의 AUC는 0.82에 도달하여 전이 위험 예측에 새로운 바이오마커104를 제공했습니다. XGBoost와 같은 고성능 앙상블 기법과 SHAP 설명의 결합은 TAR 모델에 적용할 수 있는 강력한 패러다임으로, 임상의에게 투명하고 실행 가능한 위험 평가를 제공합니다.

SK-learn은 암 데이터의 고차원성, 불균형, 누락값을 효과적으로 해결하는 표준화된 데이터 전처리 도구 키트를 제공합니다. 예를 들어, 대장암 예측에서는 CEA와 헤모글로빈 등 네 가지 핵심 지표를 선별하는 로지스틱 회귀 모델을 사용하여 곡선 아래 면적(AUC)이 0.849인 비침습적 진단 모델을 구축했으며, 이는 단일 종양 마커105로만 진단하는 것보다 현저히 우수한 성능을 보였습니다. 불균형 데이터 처리 측면에서, 불균형-학습 라이브러리의 SMOTE 과잉표본 기법을 결합하여 XGBoost는 소수자 범주(악성 표본)의 민감도를 유방암 분류에서 8.36% 향상시켰으며, F1 점수는 96.2%106에 도달했습니다.

SK-learn과 SHAP, eli5 같은 도구의 조합은 암 모델에 대해 투명한 해석 가능성을 제공합니다. 유방암에서 센티넬 림프절 전이 예측에 있어 SHAP 값을 시각화한 XGBoost 모델은 "의심스러운 림프절"과 "경계 비상"과 같은 초음파 특징이 전이 위험에 가장 크게 기여함을 보여주며, 이는 임상 진단 논리12와 매우 일치합니다.

SK-learn은 비암 질환 관련 연구에서 상당한 이점을 입증했습니다. 비암성 질환은 전자 건강 기록(EHR), 영상, 유전체학, 단백질체학 등 다중 출처 데이터 통합이 자주 필요합니다. SK-learn은 환자 EHR, 유전 프로필, 생활습관 정보를 통합하여 관련 질환의 위험을 더 정밀하게 예측할 수 있습니다. 예를 들어, SK-learn의 랜덤 포레스트 알고리즘을 사용해 EHR 데이터를 통합하여 심혈관 질환 위험을 예측했습니다. 이 접근법은 심혈관 위험 예측의 정확도를 크게 높였을 뿐만 아니라, 불필요한 치료를 최소화하면서 예방적 개입의 혜택을 받을 수 있는 환자 수를 늘렸습니다(107). 연구진은 Python의 SK-learn 머신러닝 라이브러리를 활용해 관절경 회전근개 수리(ARCR) 후 수술 후 회전근개 재파열 예측을 위해 로지스틱 회귀, 랜덤 포레스트, AdaBoost, CATBoost, LightGBM 등 다섯 가지 AI 모델을 개발하고 훈련했습니다. 훈련된 모델은 이후 평가를 위해 테스트 데이터셋에 적용되었습니다. 특히 LightGBM 모델은 AUC 0.87을 달성하여 ARCR108 이후 재파열 가능성을 추정하는 데 우수한 예측 성능을 입증했습니다.

sklearn은 의료 예측 분야에서 널리 사용되어 왔지만, 현재 수혈 부작용 예측에 대한 직접적인 문헌은 없습니다. 이 격차는 기술적 결함을 의미하는 것이 아니라, 수혈 부작용 예측에 있어 고유한 도전과 아직 활용되지 않은 잠재력을 강조합니다.

수혈로 인한 부작용 위험을 평가하는 전통적인 방법은 주로 정적인 임상 지표, 병력의 사후적 분석, 그리고 여러 제한이 있는 표준화된 선별 선별 설문지에 의존하는데,109,110,111. TAR 행사는 매우 드뭅니다. 일반 성인 인구에서 수혈 반응 발생률은 약 2%로, 극도로 불균형한112 범주를 형성합니다. 이 불균형 때문에 표준 분류기는 다수 클래스의 정확성을 소수 클래스보다 우선시합니다. 이 문제를 해결하기 위해 SMOTE+ENN과 같은 sklearn 불균형-학습 모듈이 데이터셋 재균형을 위한 잘 확립된 해결책을 제공합니다. 수혈 후 부작용 발생에는 다양한 요인이 작용합니다113. SK-learn은 수집된 데이터를 효과적으로 전처리하여 후속 분석을 용이하게 합니다. 이기종 전처리를 위한 컬럼 트랜스포머와 다중 모달 특징 융합을 위한 피처 유합의 사용은 구조화 데이터의 원활한 통합을 가능하게 합니다114,115. 임상 의사결정에서 모델 투명성은 매우 중요합니다. SHAP/LIME는 무작위 숲용 TreeExplainer를 포함한 sklearn 모델과 호환되어 규제 준수를 보장하면서 예측 성능116,117을 유지합니다.

논의된 sklearn의 능력을 TAR 예측을 위한 구체적인 전략으로 전환하기 위해, 우리는 기존의 머신러닝 로드맵(그림 3)에 따라 실용적인 모델링 파이프라인을 제안합니다. 이 프레임워크는 데이터 이질성과 극심한 계급 불균형 등 TAR의 구체적인 문제를 해결하기 위해 설계되었습니다.

수혈 부반응에 대한 견고한 예측 모델 개발은 종단 간 분석 파이프라인을 필요로 합니다. 이 과정은 환자 인구통계, 활력 징후, 실험실 수치, 수혈 세부 사항, 기증자 특성 등 다중 임상 데이터의 통합과 전처리에서 시작됩니다. 이기종 데이터 타입은 sklearn의 ColumnTransformer를 사용하여 파이프라인 내에서 효율적으로 통합하여 적절한 스케일링 및 인코딩을 적용하여 분석을 위한 통합 데이터셋을 생성합니다. 다음 중요한 단계는 희귀한 TAR 사건에 내재된 심각한 계급 불균형을 다루는 것입니다; 엄격하게 판정된 결과로 정의된 대상 라벨은 호환 가능한 불균형-학습 라이브러리의 SMOTE-ENN 기법을 사용하여 모델 편향을 방지할 수 있습니다. 데이터 준비 후에는 sklearn의 일관된 API를 사용하여 여러 알고리즘을 학습 및 평가하며, GridSearchCV를 통해 하이퍼파라미터 튜닝과 보정이 수행되어 성능 최적화와 신뢰할 수 있는 확률 추정을 보장합니다. 임상 신뢰를 증진하고 기전적 통찰을 제공하기 위해, 모델 예측은 SHAP과 같은 도구를 사용하여 해석되며, 이는 특정 특징이 개인의 위험 점수에 얼마나 기여하는지 정량화할 수 있습니다. 모델의 일반화 가능성은 이후 서로 다른 환자 집단의 데이터에 대한 중첩 교차 검증과 같은 견고한 기법을 사용하여 엄격히 검증됩니다. 마지막으로, 임상 번역 가능성을 위해 전체 훈련된 파이프라인을 일련화하여 전자 건강 기록 시스템에 통합할 수 있으며, 이는 임상 현장에서 임상의에게 해석 가능한 위험 점수를 제공하는 실시간 의사결정 지원 도구로 기능할 수 있습니다.

이 리뷰에서는 TAR을 소개하고, 기존 TAR 모델을 요약하며, 머신러닝의 개념을 소개하고, 머신러닝의 장점을 강조하며, 질병 예측에 대한 응용을 논의합니다. 또한 TAR에서 머신러닝의 적용 가능성을 탐구하며, TAR-SK 학습 모델 개발에 있어 미래 연구자들을 위한 지침을 제공합니다. 또한, 우리는 TAR 위험 평가에서 SK-learn의 잠재적 역할에 대해 자세히 설명하되, 주목할 만한 한계가 임상 적용에 상당한 제약을 준다는 점을 강조합니다. 현재 TAR 모델은 주로 소급적 단일 센터 데이터셋에 의존하며, 이는 수혈 관행의 지역적 차이, 소아 및 성인 인구 간 연령 관련 차이와 같은 인구통계학적 특성, 또는 다양한 인구 집단 간 유전적 감수성을 포착하지 못할 수 있습니다 19,26,31,32. 더불어, 이러한 모델들은 TRALI와 같은 면역매개 TAR 메커니즘을 이해하는 데 중요한 다중체학 데이터, 예를 들어 기증자 HLA 항체 프로필과 수혜자 염증 단백질체학을 충분히 통합하지 못하고 있습니다. 이 제한은 면역형과 비면역형 아형을 구분하는 능력을 제한합니다25,40. 해석 가능성은 여전히 핵심 과제입니다: SK-learn이 SHAP 값과 같은 도구를 제공하지만, 희귀 유전 마커와 같은 알고리즘 예측이 위험 인자로서 생물학적 검증이 부족하면, 임상의들은 이러한 모델 채택을 주저할 수 있으며, 이는 머신러닝 결과와 임상 직관 간의 괴리로 이어질 수 있습니다14,50. 실질적인 구현에는 또한 자원이 제한된 환경에서는 종종 제공되지 않는 전자 건강 기록(EHR) 데이터의 견고한 계산 인프라와 표준화된 전처리 등의 도전 과제도 있습니다47,87.

이러한 격차를 해소하기 위해 향후 연구는 영국 SHOT 시스템과 중국 소아 코호트를 포함한 국제 TAR 등록기관의 데이터셋을 통합하는 등 전향적 다기관 데이터 수집을 우선시하여 선택 편향을 줄이고 모델 일반화 가능성을 높여야 합니다19,36. 기증자 혈액의 단일 세포 RNA 시퀀싱과 염증 단백질 마커를 포함한 다중 모달 데이터를 SK-learn 파이프라인에 통합하면, 결핵 약물 내성 예측 연구에서 관찰된 12-24% 민감도 향상과 유사한 TAR 아형 분류가 개선될 수 있습니다73. 면역학자들과 협력하여 SK-learn에서 확인된 위험 특징(특정 HLA 항체 조합)을 시험관 내 보체 활성화 검사와 연결하는 메커니즘을 검증하는 것은 알고리즘 예측과 생물학적 메커니즘 간의 간극을 메울 수 있습니다22,24. 수혈량, BNP 수치와 같은 실시간 EHR 특징을 자동으로 추출하고, 전통적인 진단 기준과 함께 해석 가능한 위험 점수를 제공하는 사용자 친화적인 임상 의사결정 지원 도구 개발은 임상 워크플로우 97,107에 원활하게 통합되기 위해 필수적입니다.

ABO/Rh 매칭 및 TRACK 점수와 같은 전통적인 TAR 모델과 비교할 때, SK-learn은 상당한 장점을 가지고 있습니다. 예를 들어, LightGBM과 같은 앙상블 알고리즘은 기증자 항HLA 항체와 수혜자 IL-6 수치 간의 비선형 상호작용을 모델링하는 데 뛰어나, 항생제 내성 예측 연구에서 민감도를 12-24% 증가시킵니다. 순열(permutation feature importity)과 같은 데이터 기반 기능 우선순위 도구는 혈액 저장 기간과 미발견 합병증 등 사전 정의된 임상 지식을 넘어 새로운 위험 지표를 식별할 수 있습니다45,93. 더불어, 오픈 소스 아키텍처와 적당한 계산 요구사항 덕분에 딥러닝 프레임워크69,93과 달리 자원이 제한된 환경에서도 적용 가능합니다.

이 잠재력을 임상 영향으로 전환하기 위해서는 향후 연구가 여러 핵심 분야에 집중해야 합니다. 첫째, 전향적이고 다중심적인 데이터 수집은 선택 편향을 극복하고 다양한 집단 간 모델 일반화 가능성을 높이기 위해 필수적입니다. 둘째, 기증자 항체 프로필, 수혜자 염증 지표 등 다중 모달 데이터를 통합하면 보다 포괄적인 기능 세트를 제공하여 sklearn 모델이 TAR 하위 유형을 더 잘 구분하고 복잡한 위험 상호작용을 포착할 수 있게 됩니다. 셋째, 알고리즘이 식별한 위험 특성(예: 특정 HLA 항체를 시험관 내 분석과 연계하는 것)의 생물학적 검증은 통계적 예측과 기전적 이해 간의 간극을 해소하여 임상적 신뢰를 구축하는 데 매우 중요합니다. 마지막으로, 실시간 위험 점수를 제공하는 사용자 친화적이고 해석 가능한 임상 도구를 개발하면 이러한 모델들이 일상 업무 흐름에 원활하게 통합될 수 있어, 반응 관리에서 선제 예방으로 패러다임을 전환할 수 있습니다.

결론적으로, 본 리뷰는 전통적인 규칙 기반 방법의 한계를 해결하며 수혈 위험 평가에서 SK-learn의 변혁적 잠재력을 강조합니다. 복잡한 임상 데이터를 통합하고, 위험 특징을 우선순위 지정하며, 해석 가능한 예측을 제공함으로써 SK-learn은 정밀 수혈 의료의 초석 역할을 합니다. 그러나 이 잠재력을 실현하려면 학제간 협력, SK-learn 모델의 대규모 다센터 검증, 멀티오믹스와 실시간 임상 데이터의 통합, 알고리즘 통찰과 생물학적 메커니즘을 연결하는 임상가 친화적인 도구 개발이 필요합니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

결론

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

figure-results-1
그림 1: TAR 카테고리와 현재 위험 평가 모델, 그리고 SK-learn의 TAR 위험 평가 전략을 결합한 그림. (A) TAR은 면역매개 반응과 비면역 매개 반응 두 가지 유형으로 나눌 수 있습니다. (B) TAR을 겨냥한 현재 위험 평가 모델. (C) TRALI 위험 평가 모델 구축 방법론에 따른 TAR에서의 SK-learn의 가설. 약어: TAR = 수혈에 대한 부작용; TRALI = 수혈 관련 급성 폐 손상; TACO = 수혈 관련 순환 과부하.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

공개 사항

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

저자들은 서로 상충하는 이해관계가 없다고 선언한다.

감사의 글

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

이 연구는 루저우 과학기술국, 번호 2024JYJ034, 제목: 혈소판 농축물 내 세포외 소포에 대한 조사 및 저장 시간이 미치는 영향)의 지원을 받았습니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

참고문헌

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Tanhehco, Y. C. Red blood cell transfusion. Clin Lab Med. 41 (4), 611-619 (2021).
  2. Albright, C. M., Spillane, T. E., Hughes, B. L., Rouse, D. J. A regression model for prediction of cesarean-associated blood transfusion. Am J Perinatol. 36 (9), 879-885 (2019).
  3. Abdallah, R., Rai, H., Panch, S. R. Transfusion reactions and adverse events. Clin Lab Med. 41 (4), 669-696 (2021).
  4. Wang, Y., Rao, Q., Li, X. Adverse transfusion reactions and what we can do. Expert Rev Hematol. 15 (8), 711-726 (2022).
  5. Chen, C., et al. Incidence and risk factor of blood transfusion after abdominal radical hysterectomy for cervical cancer: A 10-year retrospective study of the us nationwide inpatient sample. BMC Cancer. 24 (1), 1454(2024).
  6. Deb, J., et al. Delayed haemolytic transfusion reaction due to kidd antibodies. Transfus Clin Biol. 29 (3), 269-272 (2022).
  7. Gehrie, E. A., Savani, B. N., Booth, G. S. Risk factors for hemolytic transfusion reactions resulting from abo and minor red cell antigen incompatibility: From mislabeled samples to stem cell transplant and sickle cell disease. Blood Rev. 45, 100719(2021).
  8. Maitland, K., et al. Transfusion management of severe anaemia in african children: A consensus algorithm. Br J Haematol. 193 (6), 1247-1259 (2021).
  9. McCullagh, J., et al. Assessing the risks of haemolysis as an adverse reaction following the transfusion of abo incompatible plasma-containing components - a scoping review. Blood Rev. 56, 100989(2022).
  10. Beam, A. L., Kohane, I. S. Big data and machine learning in health care. Jama. 319 (13), 1317-1318 (2018).
  11. Nwanosike, E. M., Conway, B. R., Merchant, H. A., Hasan, S. S. Potential applications and performance of machine learning techniques and algorithms in clinical practice: A systematic review. Int J Med Inform. 159, 104679(2022).
  12. Zhang, G., et al. A machine learning model based on ultrasound image features to assess the risk of sentinel lymph node metastasis in breast cancer patients: Applications of scikit-learn and shap. Front Oncol. 12, 944569(2022).
  13. Poly, T. N., Islam, M. M., Li, Y. J. Early diabetes prediction: A comparative study using machine learning techniques. Stud Health Technol Inform. 295, 409-413 (2022).
  14. Esteva, A., et al. Dermatologist-level classification of skin cancer with deep neural networks. Nature. 542 (7639), 115-118 (2017).
  15. Zhou, D., et al. A machine learning model for predicting diabetic nephropathy based on tg/cys-c ratio and five clinical indicators. Diabetes Metab Syndr Obes. 18, 955-967 (2025).
  16. Li, N., Down, D. G. Deep learning for platelet transfusion. Blood. 142 (26), 2231-2232 (2023).
  17. Lou, S. S., et al. Personalized surgical transfusion risk prediction using machine learning to guide preoperative type and screen orders. Anesthesiology. 137 (1), 55-66 (2022).
  18. Kulhas Celik, I., et al. Frequency and clinical characteristics of allergic transfusion reactions in children. Transfus Apher Sci. 60 (4), 103152(2021).
  19. Guo, K., et al. Transfusion reactions in pediatric patients: An analysis of 5 years of hemovigilance data from a national center for children's health in china. Front Pediatr. 9, 660297(2021).
  20. Thein, S. L., et al. Hemolytic transfusion reactions in sickle cell disease: Underappreciated and potentially fatal. Haematologica. 105 (3), 539-544 (2020).
  21. Chin, J. L. J., et al. Poor utility of current nomograms assessing the risk of intraoperative blood transfusion in patients undergoing liver resection for hepatocellular carcinoma and proposal of a new model. Surgery. 172 (5), 1442-1447 (2022).
  22. Nguyen, N. T., Titze, T. L., Nissen-Meyer, L. S. H. Evaluation of transfusion reactions in patients following transfusion of blood components containing antibodies to hla class i - an attempt to prevent trali in patients. Transfus Apher Sci. 63 (4), 103970(2024).
  23. Saadah, N. H., et al. Transition from fresh frozen plasma to solvent/detergent plasma in the netherlands: Comparing clinical use and transfusion reaction risks. Haematologica. 105 (4), 1158-1165 (2020).
  24. Yanagisawa, R., Yamanaka, M., Kawakami, F., Nakazawa, H. Sub-pollen in platelet products: A potential cause of allergic transfusion reactions. Allergol Int. 73 (1), 184-186 (2024).
  25. Kiely, P., et al. Erratum to "emerging infectious diseases and blood safety: Modeling the transfusion-transmission risk" (transfusion medicine reviews 31/3 [2017] 154-164). Transfus Med Rev. 32 (1), 66-68 (2018).
  26. Mangala, C., et al. Prevalence and factors associated with transfusion-transmissible infections (hiv, hbv, hcv and syphilis) among blood donors in gabon: Systematic review and meta-analysis. PLoS One. 19 (8), e0307101(2024).
  27. McManus, H., et al. Risk of variant creutzfeldt-jakob disease transmission by blood transfusion in australia. Vox Sang. 117 (8), 1016-1026 (2022).
  28. Shahi, N., et al. Decision-making in pediatric blunt solid organ injury: A deep learning approach to predict massive transfusion, need for operative management, and mortality risk. J Pediatr Surg. 56 (2), 379-384 (2021).
  29. Rogers, M. A., Rohde, J. M., Blumberg, N. Haemovigilance of reactions associated with red blood cell transfusion: Comparison across 17 countries. Vox Sang. 110 (3), 266-277 (2016).
  30. Shah, N., et al. Real-world effectiveness of voxelotor for treating sickle cell disease in the us: A large claims data analysis. Expert Rev Hematol. 15 (2), 167-173 (2022).
  31. Hanson, S. J., et al. Transfusion practices in pediatric cardiac surgery requiring cardiopulmonary bypass: A secondary analysis of a clinical database. Pediatr Crit Care Med. 22 (11), 978-987 (2021).
  32. Kohorst, M. A., et al. Transfusion reactions in pediatric and adolescent young adult haematology oncology and immune effector cell patients. EClinicalMedicine. 26, 100514(2020).
  33. Houben, N. A. M., et al. Platelet transfusion in neonatal intensive care units of 22 european countries: A prospective observational study. Lancet Reg Health Eur. 47, 101086(2024).
  34. Semple, J. W., Rebetz, J., Kapur, R. Transfusion-associated circulatory overload and transfusion-related acute lung injury. Blood. 133 (17), 1840-1853 (2019).
  35. Murphree, D., et al. Ensemble learning approaches to predicting complications of blood transfusion. Annu Int Conf IEEE Eng Med Biol Soc. 2015, 7222-7225 (2015).
  36. Bolton-Maggs, P. H., Cohen, H. Serious hazards of transfusion (shot) haemovigilance and progress is improving transfusion safety. Br J Haematol. 163 (3), 303-314 (2013).
  37. Leff, J., Romano, C. A., Gilbert, S., Nair, S. Validation study of the transfusion risk and clinical knowledge (track) tool in cardiac surgery patients: A retrospective analysis. J Cardiothorac Vasc Anesth. 33 (10), 2669-2675 (2019).
  38. Madhu Krishna, N. R., et al. Evaluation of risk scores in predicting perioperative blood transfusions in adult cardiac surgery. Ann Card Anaesth. 22 (1), 73-78 (2019).
  39. Roubinian, N. Taco and trali: Biology, risk factors, and prevention strategies. Hematology Am Soc Hematol Educ Program. 2018 (1), 585-594 (2018).
  40. Tung, J. P., et al. Transfusion-related acute lung injury (trali): Potential pathways of development, strategies for prevention and treatment, and future research directions. Blood Rev. 53, 100926(2022).
  41. Hendrickson, J. E., Fasano, R. M. Management of hemolytic transfusion reactions. Hematology Am Soc Hematol Educ Program. 2021 (1), 704-709 (2021).
  42. Nunez, T. C., Young, P. P., Holcomb, J. B., Cotton, B. A. Creation, implementation, and maturation of a massive transfusion protocol for the exsanguinating trauma patient. J Trauma. 68 (6), 1498-1505 (2010).
  43. Ohbe, H., et al. Trends in massive transfusion practice for trauma in japan from 2011 to 2020: A nationwide inpatient database study. J Intensive Care. 11 (1), 46(2023).
  44. Ahmadzia, H. K., et al. Machine learning models for prediction of maternal hemorrhage and transfusion: Model development study. JMIR Bioinform Biotechnol. 5, e52059(2024).
  45. Maynard, S., et al. Machine learning in transfusion medicine: A scoping review. Transfusion. 64 (1), 162-184 (2024).
  46. Mitterecker, A., et al. Machine learning-based prediction of transfusion. Transfusion. 60 (9), 1977-1986 (2020).
  47. Shang, G., Biggerstaff, B. J., Richardson, A. M., Gahan, M. E., Lidbury, B. A. A simulation model to estimate the risk of transfusion-transmitted arboviral infection. Transfus Apher Sci. 55 (2), 233-239 (2016).
  48. D'Alessandro, A. Red blood cell omics and machine learning in transfusion medicine: Singularity is near. Transfus Med Hemother. 50 (3), 174-183 (2023).
  49. Lopes, M. G. M., et al. Big data in transfusion medicine and artificial intelligence analysis for red blood cell quality control. Transfus Med Hemother. 50 (3), 163-173 (2023).
  50. Roubinian, N. H., et al. Donor genetic and nongenetic factors affecting red blood cell transfusion effectiveness. JCI Insight. 7 (1), e152598(2022).
  51. Toma, A., Diller, G. P., Lawler, P. R. Deep learning in medicine. JACC Adv. 1 (1), 100017(2022).
  52. Stilgoe, J. We need a weizenbaum test for ai. Science. 381 (6658), eadk0176(2023).
  53. Valkenborg, D., Rousseau, A. J., Geubbelmans, M., Burzykowski, T. Support vector machines. Am J Orthod Dentofacial Orthop. 164 (5), 754-757 (2023).
  54. Sarker, I. H. Deep learning: A comprehensive overview on techniques, taxonomy, applications and research directions. SN Comput Sci. 2 (6), 420(2021).
  55. Howell, M. D., Corrado, G. S., DeSalvo, K. B. Three epochs of artificial intelligence in health care. Jama. 331 (3), 242-244 (2024).
  56. Rauschert, S., Raubenheimer, K., Melton, P. E., Huang, R. C. Machine learning and clinical epigenetics: A review of challenges for diagnosis and classification. Clin Epigenetics. 12 (1), 51(2020).
  57. Darcy, A. M., Louie, A. K., Roberts, L. W. Machine learning and the profession of medicine. Jama. 315 (6), 551-552 (2016).
  58. Obermeyer, Z., Emanuel, E. J. Predicting the future - big data, machine learning, and clinical medicine. N Engl J Med. 375 (13), 1216-1219 (2016).
  59. Topol, E. J. High-performance medicine: The convergence of human and artificial intelligence. Nat Med. 25 (1), 44-56 (2019).
  60. McKinney, S. M., et al. International evaluation of an ai system for breast cancer screening. Nature. 577 (7788), 89-94 (2020).
  61. Coudray, N., et al. Classification and mutation prediction from non-small cell lung cancer histopathology images using deep learning. Nat Med. 24 (10), 1559-1567 (2018).
  62. Jiang, P., et al. Signatures of t cell dysfunction and exclusion predict cancer immunotherapy response. Nat Med. 24 (10), 1550-1558 (2018).
  63. Ardila, D., et al. End-to-end lung cancer screening with three-dimensional deep learning on low-dose chest computed tomography. Nat Med. 25 (6), 954-961 (2019).
  64. Tomašev, N., et al. A clinically applicable approach to continuous prediction of future acute kidney injury. Nature. 572 (7767), 116-119 (2019).
  65. Swanson, K., Wu, E., Zhang, A., Alizadeh, A. A., Zou, J. From patterns to patients: Advances in clinical machine learning for cancer diagnosis, prognosis, and treatment. Cell. 186 (8), 1772-1791 (2023).
  66. Xu, Y., et al. Medical breast ultrasound image segmentation by machine learning. Ultrasonics. 91, 1-9 (2019).
  67. Wang, S., et al. Predicting egfr mutation status in lung adenocarcinoma on computed tomography image using deep learning. Eur Respir J. 53 (3), 1800986(2019).
  68. Wu, Z., et al. Single-cell techniques and deep learning in predicting drug response. Trends Pharmacol Sci. 41 (12), 1050-1065 (2020).
  69. Tran, K. A., et al. Deep learning in cancer diagnosis, prognosis and treatment selection. Genome Med. 13 (1), 152(2021).
  70. Ha, R., et al. Convolutional neural network based breast cancer risk stratification using a mammographic dataset. Acad Radiol. 26 (4), 544-549 (2019).
  71. Ryu, H. S., et al. Automated gleason scoring and tumor quantification in prostate core needle biopsy images using deep neural networks and its comparison with pathologist-based assessment. Cancers (Basel). 11 (12), 1860(2019).
  72. Nir, G., et al. Comparison of artificial intelligence techniques to evaluate performance of a classifier for automatic grading of prostate cancer from digitized histopathologic images. JAMA Netw Open. 2 (3), e190442(2019).
  73. Ström, P., et al. Artificial intelligence for diagnosis and grading of prostate cancer in biopsies: A population-based, diagnostic study. Lancet Oncol. 21 (2), 222-232 (2020).
  74. Ehteshami Bejnordi, B., et al. Using deep convolutional neural networks to identify and classify tumor-associated stroma in diagnostic breast biopsies. Mod Pathol. 31 (10), 1502-1512 (2018).
  75. El Achi, H., Khoury, J. D. Artificial intelligence and digital microscopy applications in diagnostic hematopathology. Cancers (Basel). 12 (4), 797(2020).
  76. Poojitha, U. P., Lal Sharma, S. Hybrid unified deep learning network for highly precise gleason grading of prostate cancer. Annu Int Conf IEEE Eng Med Biol Soc. 2019, 899-903 (2019).
  77. Szklarczyk, D., et al. String v10: Protein-protein interaction networks, integrated over the tree of life. Nucleic Acids Res. 43 (Database issue), D447-D452 (2015).
  78. Vaid, A., et al. Machine learning to predict mortality and critical events in a cohort of patients with covid-19 in new york city: Model development and validation. J Med Internet Res. 22 (11), e24018(2020).
  79. Lao, J., et al. A deep learning-based radiomics model for prediction of survival in glioblastoma multiforme. Sci Rep. 7 (1), 10353(2017).
  80. Goodswen, S. J., et al. Machine learning and applications in microbiology. FEMS Microbiol Rev. 45 (5), fuab015(2021).
  81. Rajaraman, S., et al. Pre-trained convolutional neural networks as feature extractors toward improved malaria parasite detection in thin blood smear images. PeerJ. 6, e4568(2018).
  82. Hamidinekoo, A., Denton, E., Rampun, A., Honnor, K., Zwiggelaar, R. Deep learning in mammography and breast histology, an overview and future trends. Med Image Anal. 47, 45-67 (2018).
  83. Dembrower, K., et al. Comparison of a deep learning risk score and standard mammographic density score for breast cancer risk prediction. Radiology. 294 (2), 265-272 (2020).
  84. Yala, A., et al. Toward robust mammography-based models for breast cancer risk. Sci Transl Med. 13 (578), eaba4373(2021).
  85. Al-Riyami, A. Z., Gammon, R. R., Seheult, J., Arora, S., Goel, R. Artificial intelligence and transfusion education, research and practice: The view from the isbt clinical transfusion working party. Vox Sang. , 1-7 (2025).
  86. Sheikhalishahi, S., et al. Predicting blood transfusion demand in intensive care patients after surgery by comparative analysis of temporally extended data selection. BMC Med Inform Decis Mak. 24 (1), 397(2024).
  87. Zang, H., Hu, A., Xu, X., Ren, H., Xu, L. Development of machine learning models to predict perioperative blood transfusion in hip surgery. BMC Med Inform Decis Mak. 24 (1), 158(2024).
  88. Lavecchia, A., Cerchia, C. In silico methods to address polypharmacology: Current status, applications and future perspectives. Drug Discov Today. 21 (2), 288-298 (2016).
  89. Gupta, R., et al. Artificial intelligence to deep learning: Machine intelligence approach for drug discovery. Mol Divers. 25 (3), 1315-1360 (2021).
  90. Smith, J. S., Roitberg, A. E., Isayev, O. Transforming computational drug discovery with machine learning and ai. ACS Med Chem Lett. 9 (11), 1065-1069 (2018).
  91. Powles, J., Hodson, H. Google deepmind and healthcare in an age of algorithms. Health Technol (Berl). 7 (4), 351-367 (2017).
  92. Senior, A. W., et al. Improved protein structure prediction using potentials from deep learning. Nature. 577 (7792), 706-710 (2020).
  93. Abraham, A., et al. Machine learning for neuroimaging with scikit-learn. Front Neuroinform. 8, 14(2014).
  94. Dreizin, D., et al. Deep learning-based quantitative visualization and measurement of extraperitoneal hematoma volumes in patients with pelvic fractures: Potential role in personalized forecasting and decision support. J Trauma Acute Care Surg. 88 (3), 425-433 (2020).
  95. Nayshool, O., Kol, N., Javaski, E., Amariglio, N., Rechavi, G. Surviveai: Long term survival prediction of cancer patients based on somatic rna-seq expression. Cancer Inform. 21, 11769351221127875(2022).
  96. Tanaka, T. [[fundamentals] 5. Python+scikit-learn for machine learning in medical imaging]. Nihon Hoshasen Gijutsu Gakkai Zasshi. 79 (10), 1189-1193 (2023).
  97. Cohen, O., Barzilai, M., Cohen, O. Ai applications in transfusion medicine: Opportunities, challenges, and future directions. Acta Haematol. 148 (5), 516-526 (2025).
  98. Tang, M., et al. An artificial intelligence-assisted clinical framework to facilitate diagnostics and translational discovery in hematologic neoplasia. EBioMedicine. 104, 105171(2024).
  99. Urusova, L., et al. The new histological system for the diagnosis of adrenocortical cancer. Front Endocrinol (Lausanne). 14, 1218686(2023).
  100. Majumder, S. K., Ghosh, N., Gupta, P. K. Support vector machine for optical diagnosis of cancer. J Biomed Opt. 10 (2), 024034(2005).
  101. Liu, H. X., et al. Diagnosing breast cancer based on support vector machines. J Chem Inf Comput Sci. 43 (3), 900-907 (2003).
  102. Quist, J., Taylor, L., Staaf, J., Grigoriadis, A. Random forest modelling of high-dimensional mixed-type data for breast cancer classification. Cancers (Basel). 13 (5), 991(2021).
  103. Ma, B., et al. Diagnostic classification of cancers using extreme gradient boosting algorithm and multi-omics data. Comput Biol Med. 121, 103761(2020).
  104. Li, Q., et al. Xgboost-based and tumor-immune characterized gene signature for the prediction of metastatic status in breast cancer. J Transl Med. 20 (1), 177(2022).
  105. Li, H., et al. Colorectal cancer detected by machine learning models using conventional laboratory test data. Technol Cancer Res Treat. 20, 15330338211058352(2021).
  106. Tran, T., Le, U., Shi, Y. An effective up-sampling approach for breast cancer prediction with imbalanced data: A machine learning model-based comparative analysis. PLoS One. 17 (5), e0269135(2022).
  107. Weng, S. F., Reps, J., Kai, J., Garibaldi, J. M., Qureshi, N. Can machine-learning improve cardiovascular risk prediction using routine clinical data. PLoS One. 12 (4), e0174944(2017).
  108. Shinohara, I., et al. Re-tear after arthroscopic rotator cuff tear surgery: Risk analysis using machine learning. J Shoulder Elbow Surg. 33 (4), 815-822 (2024).
  109. Roubinian, N. H., et al. Incidence and clinical characteristics of transfusion-associated circulatory overload using an active surveillance algorithm. Vox Sang. 112 (1), 56-63 (2017).
  110. Vlaar, A. P. Transfusion-related acute lung injury: Current understanding and preventive strategies. Transfus Clin Biol. 19 (3), 117-124 (2012).
  111. Allain, J. P., Goodrich, R. Pathogen reduction of whole blood: Utility and feasibility. Transfus Med. 27 (Suppl 5), 320-326 (2017).
  112. Hendrickson, J. E., et al. Incidence of transfusion reactions: A multicenter study utilizing systematic active surveillance and expert adjudication. Transfusion. 56 (10), 2587-2596 (2016).
  113. Wang, K., et al. Improving risk identification of adverse outcomes in chronic heart failure using smote+enn and machine learning. Risk Manag Healthc Policy. 14, 2453-2463 (2021).
  114. Lipkova, J., et al. Artificial intelligence for multimodal data integration in oncology. Cancer Cell. 40 (10), 1095-1110 (2022).
  115. Ahn, S. Building and analyzing machine learning-based warfarin dose prediction models using scikit-learn. Transl Clin Pharmacol. 30 (4), 172-181 (2022).
  116. Nayebi, A., Tipirneni, S., Foreman, B., Reddy, C. K., Subbian, V. An empirical comparison of explainable artificial intelligence methods for clinical data: A case study on traumatic brain injury. AMIA Annu Symp Proc. 2022, 815-824 (2022).
  117. Contreras, J., Winterfeld, A., Popp, J., Bocklitz, T. Spectral zones-based shap/lime: Enhancing interpretability in spectral deep learning models through grouped feature analysis. Anal Chem. 96 (39), 15588-15597 (2024).

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

재인쇄 및 허가

이 JoVE 논문의 텍스트 또는 그림 재사용 허가 요청

허가 요청

태그

관련 논문