우리는 정기적으로 수집된 Medical Information Mart for Intensive Care IV 임상 데이터를 사용하여 척추 신경외과 수술을 받는 성인의 병원 내 골다공증 분류를 위한 주의력 기반 TabTransformer 모델을 개발하고 내부적으로 평가하였습니다.
연구 논문
TabTransformer 기반 병원 내 척추 신경외과 수술을 받는 성인의 골다공증 분류
* These authors contributed equally
이 논문에서
요약
초록
목표는 정기적으로 수집된 표 형태의 임상 데이터를 사용하여 척추 신경외과 수술을 받는 성인의 병원 내 골다공증 분류를 위한 딥러닝 모델을 개발하고 내부적으로 평가하는 것이었습니다. 이 회고적 연구는 중환자실 의료 정보 시장(MIMIC-IV) 데이터베이스를 사용하여 척추 신경외과 수술을 받은 성인 환자를 확인했습니다. 골다공증은 입원 시 기록된 ICD-9/10 진단 코드로 정의되었습니다. 인구통계학적 특성, 약물 기록, 실험실 측정, 동일 입원 환자들의 활력 징후가 모델 개발에 사용되었습니다. 훈련, 검증, 테스트 세트로 계층화된 후, 클래스 불균형은 훈련 세트에서만 다뤄졌습니다. TabTransformer 기반 모델이 개발되어 XGBoost, LSTM_Attention, 그리고 시간적 컨볼루션 네트워크(TCN)와 비교되었습니다. 모델 해석 가능성은 SHapley 가법 설명(SHAP)을 사용하여 평가되었습니다. 보유된 테스트 세트에서 TabTransformer는 수신기 동작 특성 곡선(AUC) 아래 면적이 0.953, 평균 정밀도(AP)가 0.799로 최고의 전체 성능을 달성했습니다. TCN, XGBoost, LSTM_Attention의 대응 값은 각각 0.937/0.707, 0.857/0.303, 0.755/0.179였습니다. SHAP 분석 결과, 나이, 성별, 크레아티닌, 적혈구 분포 폭, 중탄산염, 인산염, 호중구, 그리고 여러 약물 관련 변수가 모델 결과에 영향을 미치는 요인으로 확인되었습니다. 이 단일 기관 후향적 코호트에서 TabTransformer 모델은 병원 내 골다공증 분류에서 강한 식별 성능을 보였으며, SHAP을 통해 해석 가능한 특징 수준의 연관성을 제공하였습니다. 예측 변수와 결과가 동일한 입원 내에서 정의되었기 때문에, 이 프레임워크는 시간적으로 명시적인 미래 위험 예측 도구가 아니라 내부적으로 검증된 탐색적 분류 모델로 해석되어야 합니다.
서론
골다공증(OP)은 골밀도 감소와 뼈 조직 구조 열화가 특징인 광범위한 골격 질환으로, 뼈 취약성 증가와 골절 가능성 증가를 초래합니다. 특히 노인과 폐경 후 여성들 사이에서 여전히 심각한 공중보건 문제를 제기하고 있습니다2. 척추 신경외과 수술을 받는 입원 환자에서는 가동성 저하, 전신 스트레스 반응, 약물 노출, 그리고 지시 입원 시 대사 항상성 장애로 인해 뼈 건강이 영향을 받을 수 있습니다. 신경학적 질환과 척수 손상에 대한 이전 증거는 고정과 전신 질환이골 손실 가속화에 기여할 수 있음을 시사하지만, 이 특정 임상 맥락에서 골다공증 관련 신호는 아직 충분히 특성화되지 않았습니다.
일상적으로 수집되는 전자 건강 기록 데이터는 인구통계학적 특성, 약물 기록, 실험실 검사, 활력 징후 등 이미 이용 가능한 변수를 사용하여 이 집단에서 골다공증 관련 패턴을 조사할 기회를 제공합니다. 일부 돌봄 관련 변수(예: 약물 사용 패턴)는 기능적 상태나 이동성의 간접적 대리 지표로도 작용할 수 있습니다. 그러나 구조화된 표 형태의 임상 데이터를 사용해 성인이 척추 신경외과 수술을 받는 데 초점을 맞춘 연구는 상대적으로 적습니다. 또한, 중환자실 IV용 의료 정보 마트(MIMIC-IV) 데이터베이스는 다기관 인구를 광범위하게 대표하는 것이 아니라 단일 3차 센터의 대규모 후향적 ICU 코호트를 나타냅니다. 따라서 이 자원을 기반으로 한 분석은 내부 검증과 탐색적 임상 모델링 범위 내에서 해석되어야 합니다. 최근 머신러닝 연구들은 바이오마커와 임상 변수를 통합하여 골다공증 관련 위험 모델링을 개선했으나, 이러한 연구는 주로 비신경외과 환자 집단에서 이루어졌습니다5.
머신러닝 방법은 특히 이질적인 변수 간에 복잡하고 비선형적인 상호작용이 존재할 때 고차원 표 임상 데이터를 분석하는 데 점점 더 많이 사용되고 있습니다. 이러한 접근법 중 TabTransformer 아키텍처는 범주 변수와 수치 변수 모두에 대한 유연성을 유지하면서도 자기 주의를 통해 특징 간 맥락적 관계를 모델링할 수 있어 혼합 표 입력에 매우적합합니다. SHapley 가적 설명(SHAP)과 결합하면, 이러한 모델은 특징 기여를 해석 가능한 설명으로 제공하여, 인구통계학적, 실험실적, 생리학적 및 약물 관련 변수가 모델 출력과 어떻게 연관되는지 탐색적 평가를 가능하게 합니다.
따라서 본 연구에서는 MIMIC-IV 데이터를 사용하여 인덱스 입원 중 척추 신경외과 수술을 받은 성인의 병원 내 골다공증 식별을 위한 주의력 기반 TabTransformer 모델을 개발하고 내부적으로 평가하였습니다. 인구통계학적 변수와 입원 수준 집계 약물, 검사실, 활력 징후 특징을 사용하여 TabTransformer 모델을 여러 기초 모델과 비교하고, SHAP 기반 해석을 통해 가장 영향력 있는 특징들을 검토하였습니다. 예측 변수와 결과 모두 동일한 입원 내에서 정의되었기 때문에, 이 분석은 시간적으로 명시적인 미래 위험 예측 모델이 아니라 동시 병원 내 분류 프레임워크를 나타냅니다. 따라서 이 연구는 단일 센터 회고적 ICU 코호트에서 내부적으로 검증된 탐색적 분석으로 의도되었습니다.
액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.
프로토콜
데이터 출처
이 연구는 PhysioNet(https://physionet.org/content/mimiciv/3.1/)에 호스팅된 공개 중환자 치료 데이터베이스인 Medical Information Mart for Intensive Care IV(MIMIC-IV, 버전 3.1)를 기반으로 한 후향적 분석이었습니다. 이 데이터베이스는 매사추세츠 공과대학교 계산생리학 연구소, 베스 이스라엘 디코니스 의료센터, 필립스의 협력으로 개발되었으며, 인구통계 정보, 생체 징후, 실험실 측정, 약물 기록 등 포괄적인 익명성 제거 임상 데이터를 포함하고 있습니다.
MIMIC-IV의 모든 환자 데이터는 건강보험 이동성 및 책임법(HIPAA)에 따라 완전히 식별 해제되어 있으므로, 본 연구는 기관 심사 위원회(IRB)의 승인이 필요하지 않았습니다. 데이터베이스 사용은 데이터 사용 계약(DUA)에 의해 관리되며, 필요한 교육과 인증을 완료한 권한 있는 사용자에게만 접근 권한이 부여됩니다. 저자들은 필요한 교육을 완료하고 접근 자격 증명(PhysioNet 인증 사용자)을 취득했으며, 모든 관련 데이터 사용 규정을 준수하여 이 연구를 수행했습니다.
연구 인구 및 데이터 추출
척추 신경외과 수술을 받은 성인 환자(≥18세)는 절차 관련 ICD 코드를 사용하여 MIMIC-IV 데이터베이스에서 확인하였습니다. 척수 신경외과 절차는 03부터 시작하는 ICD-9 코드(척수 및 척수 수술 포함)와 ICD-10 코드로 00B, 00H, 00J, 00N, 00P, 00Q, 00R, 00S, 00T, 또는 00U로 시작하는 척수 관련 절차로 정의되었습니다. 여러 병원에 입원한 환자의 경우, 동일 개인의 반복 측정을 피하기 위해 자격 있는 절차가 포함된 첫 입원만을 유지하였습니다.
결과 변수인 골다공증은 인덱스 입원 시 기록된 ICD-9 코드와 M80, M81, M82로 시작하는 ICD-10 코드를 기반으로 정의되었습니다. 예측 변수와 결과 모두 동일한 입원 경험에서 도출되었기 때문에, 본 연구의 분석 과제는 전향적 위험 예측보다는 병원 내 분류로 구성되었습니다.
총 10,803명의 환자가 포함 기준을 충족하였습니다. 층별 분할 후, 데이터셋은 훈련 세트(n = 7,561), 검증 세트(n = 1,621), 테스트 세트(n = 1,621)로 나뉘었습니다. 모든 구획에서 계급 분포가 매우 불균형했다. 훈련 대상 환자 중 499명(6.60%)이 골다공증 양성, 7,062명(93.40%)이 골다공증 음성이었습니다. 검증 대상 환자 중 107명(6.60%)이 양성, 1,514명(93.40%)이 음성이었습니다. 검사 세트는 동일한 분포를 보였으며, 양성 107명(6.60%)과 음성 1,514명(93.40%)이 나타났습니다.
임상 데이터는 MIMIC-IV의 관계형 데이터베이스 관리 소프트웨어를 사용해 추출하였습니다. 추출된 변수에는 인구통계학적 특성(예: 연령 및 성별), 실험실 측정, 활력 징후, 약물 기록 등이 포함되었습니다. 각 환자에 대해 인덱스 입원 데이터는 이후 특징 구성에 사용되었습니다.
유효한 모델 평가를 보장하기 위해, 데이터셋은 먼저 훈련, 검증, 그리고 층별 표본추출(70%, 15%, 15%)을 사용한 테스트 세트로 나뉘었습니다3,7. 편향을 유발할 수 있는 모든 후속 전처리 단계들, 즉 특징 선택 및 재샘플링은 전적으로 훈련 집합 내에서 수행되었습니다. 훈련 집합의 클래스 불균형은 다수 클래스의 다운샘플링과 합성 소수 과잉 샘플링 기법(SMOTE)의 조합으로 해결되었으며, 검증 및 테스트 세트는 실제 유병률을 반영하기 위해 원래의 클래스 분포를 유지했습니다.
특징 공학
해석 가능성을 유지하면서 모델 성능을 향상시키기 위해 다단계 특징 엔지니어링 파이프라인이 구현되었습니다. 각 환자에 대해 지수 입원의 약물, 검사 및 활력 징후 기록은 요약 수준 특징(예: 반복 측정 평균값, 약물 평균 노출 등)으로 집계되었습니다.
특징 희소성을 줄이기 위해 30% 이상의 누락된 후보 특징 그룹은 제외했습니다. 데이터 누출을 방지하기 위해 이 필터링 단계는 오직 훈련 세트만을 사용하여 수행되었고, 동일한 특징셋을 검증 및 테스트 세트에 적용했습니다.
이후 Mann–Whitney U 검정을 사용하여 특징군 수준에서 단변량 특징 스크리닝이 수행되어 골다공증 양성 환자와 골다공증 음성 환자 간 분포를 비교하였습니다. 특징 그룹은 통계적 유의성에 따라 순위를 매기고, 상위 k개 그룹(k = 20)은 후속 모델링을 위해 유지하였습니다. 이 선정 절차는 정보 유출을 방지하기 위해 훈련 세트 내에서만 수행되었습니다.
후보 특징 그룹 간 누락 비율이 상대적으로 높기 때문에, 이 상위 k 단계 선택 단계의 주요 역할은 특징 차원성을 엄격히 최적화하기보다는 통계적 신호가 약한 특징을 걸러내는 것이었습니다. 실제로 모델 성능은 합리적인 범위 내 k의 정확한 값에 대해 매우 민감하지 않았으며, 이 단계는 주로 저정보 특성을 배제하고 임상적으로 관련 있는 신호를 보존하는 견고성 지향적 선별 절차였음을 시사합니다.
기본적인 인구통계학적 특징은 모든 모델에서 유지되었습니다. 이 인구통계학적 변수들의 누락값은 훈련 집합에서 계산된 평균값을 사용하여 귀속되었습니다. 평균 보정은 이 대규모 데이터셋에서 단순하고 안정성이 높기 때문에 선택되었으나, 분산을 줄이고 편향을 유발할 수 있습니다; 이 한계는 인정됩니다.
선택된 약물, 실험실, 활력 징후 특징에 대해, 기록된 측정이나 노출의 부재는 0으로 인코딩하여 모델 학습에 일관된 수치 입력을 가능하게 했습니다. 이 접근법은 특히 0이 생리학적으로 의미가 없는 변수의 경우 진정한 0 값과 결손 또는 비노출을 혼동할 수 있음을 인정합니다. 그러나 이 부호화 전략은 모든 표본에 일관되게 적용되었고, Z-점수 표준화가 적용되어 척도 관련 왜곡을 완화했습니다. 이 가정의 잠재적 영향은 제한 사항으로 논의됩니다.
모든 수치 특징은 훈련 세트에서 추정된 평균 및 표준편차를 기반으로 Z-점수 정규화를 사용하여 표준화되었습니다:
z = (x — μ)/σ
여기서 x는 원시 특징값을, μ와 σ는 훈련 집합에서 계산된 평균 및 표준편차를 나타냅니다. 범주별 변수들은 딥러닝 모델의 입력 요구사항을 충족하도록 수치적으로 인코딩되었습니다.
이 특징 공학 전략은 인구통계학, 신장 기능, 혈액학적 지수, 염증 지표, 대사 지표 등 임상적으로 중요한 영역을 보존하면서 차원성을 체계적으로 줄이도록 했습니다. 훈련, 검증 및 테스트 세트 전반에 걸친 연구 모집단의 상세한 기초 특성은 표 1에 제시되어 있습니다.
| 특징 | 총 | 훈련 세트 | 검증 집합 | 테스트 세트 | P 값 |
| (n=5238) | (n=1996) | (n=1621) | (n=1621) | ||
| 성별 | <0.001 | ||||
| 남성 | 2477 (47.29%) | 834 (41.78%) | 797 (49.17%) | 846 (52.19%) | |
| 여성 | 2761 (52.71%) | 1162 (58.22%) | 824 (50.83%) | 775 (47.81%) | |
| 연식 | 60.69 (48.29, 70.61) | 63.45 (52.00, 72.41) | 58.00 (46.00, 69.00) | 60.00 (46.00, 70.00) | <0.001 |
| 높이 | 165.23 (160.79, 171.21) | 164.25(161.41, 172.23) | 166.32 (161.85, 171.22) | 165.22 (161.31, 169.89) | <0.001 |
| 무게 | 72.01 (56.77, 82.46) | 75.45 (63.22, 81.45) | 70.55 (60.22, 79.33) | 73.62 (65.22, 81.88) | <0.001 |
| 세나 | 1.00 (-0.73, 8.60) | 1.00 (-0.30, 8.60) | 1.00 (-1.00, 8.60) | 1.00 (-1.00, 8.60) | <0.001 |
| 도큐세이트 나트륨 | 100.00 (100.00, 100.00) | 100.00 (100.00, 100.00) | 100.00 (100.00, 100.00) | 100.00 (100.00, 100.00) | 0.001 |
| 헤파린 | 5000.00 (1655.28, 5000.00) | 5000.00 (-1.00, 5000.00) | 5000.00 (1600.00, 5000.00) | 5000.00 (3750.00, 5000.00) | 0.292 |
| 염화나트륨 0.9% 플러시 | 3.00 (1.76, 3.00) | 3.00 (3.00, 3.00) | 3.00 (-1.00, 3.00) | 3.00 (3.00, 3.00) | <0.001 |
| 적혈구 | 3.96 (3.51, 4.35) | 3.90 (3.49, 4.28) | 4.02 (3.53, 4.40) | 3.97 (3.50, 4.38) | <0.001 |
| 헤모글로빈 | 11.81 (10.51, 13.02) | 11.66 (10.47, 12.82) | 11.91 (10.58, 13.14) | 11.90 (10.49, 13.15) | <0.001 |
| RDW | 13.98 (13.22, 15.15) | 14.12 (13.35, 15.24) | 13.90 (13.10, 15.06) | 13.90 (13.18, 15.13) | <0.001 |
| 헤마토크릿 | 35.67 (31.95, 39.00) | 35.32 (31.63, 38.50) | 36.00 (32.28, 39.37) | 35.77 (32.01, 39.25) | <0.001 |
| 비중(比重) | 1.01 (1.01, 1.02) | 1.01 (1.01, 1.02) | 1.01 (1.01, 1.02) | 1.01 (1.01, 1.02) | <0.001 |
| 중탄산염 | 25.72 (24.04, 27.15) | 25.86 (24.17, 27.27) | 25.65 (23.92, 27.03) | 25.62 (24.00, 27.12) | <0.001 |
| 호중구 | 68.67 (60.52, 76.23) | 69.41 (61.90, 76.52) | 68.10 (59.60, 75.88) | 68.34 (59.75, 76.23) | <0.001 |
| 크레아티닌 | 0.82 (0.68, 1.02) | 0.81 (0.68, 1.00) | 0.83 (0.69, 1.02) | 0.83 (0.68, 1.03) | <0.001 |
| 인산염 | 3.29 (2.92, 3.64) | 3.27 (2.93, 3.57) | 3.30 (2.93, 3.69) | 3.30 (2.90, 3.65) | 0.002 |
| 요소 질소 | 15.43 (12.08, 20.18) | 15.74 (12.50, 20.20) | 15.00 (11.64, 19.89) | 15.48 (12.00, 20.43) | <0.001 |
| 림프구 | 19.12 (12.22, 26.15) | 18.81 (12.49, 25.30) | 19.36 (12.40, 27.07) | 19.24 (11.72, 26.27) | 0.001 |
| 알라닌 아미노트랜스퍼라제(ALT) | 20.49 (10.84, 32.82) | 20.47 (11.67, 32.06) | 20.00 (10.00, 32.93) | 21.00 (10.67, 33.67) | 0.3283 |
| MCV | 90.90 (87.50, 94.32) | 91.03 (87.64, 94.51) | 90.64 (87.43, 94.00) | 91.00 (87.40, 94.40) | <0.001 |
| MCHC | 33.14 (32.37, 33.92) | 33.11 (32.37, 33.88) | 33.16 (32.38, 33.97) | 33.16 (32.35, 33.93) | <0.001 |
| 호염기구 | 0.42 (0.27, 0.61) | 0.41 (0.27, 0.59) | 0.45 (0.29, 0.63) | 0.41 (0.26, 0.60) | 0.037 |
표 1. 연구 모집단의 기초 특성은 훈련, 검증, 시험 세트별로 층화되었습니다.
모델 아키텍처
이기종 표형 임상 특징 간의 복잡한 관계를 모델링하기 위해, 우리는 PyTorch 프레임워크6을 사용하여 구현된 TabTransformer 기반 아키텍처를 사용했습니다. 이 모델은 범주 변수와 수치 변수 모두를 처리하고, 자기 주의 메커니즘을 통해 특징 간 맥락적 상호작용을 포착하도록 설계되었습니다.
입력 표현
범주 변수는 먼저 조밀한 임베딩으로 변환되었다. 각 범주적 특징은 차원 d(embedding_dim = 256)의 임베딩 벡터에 매핑되었다. 수치 특징은 Z-점수 정규화를 통해 표준화되었고, 선형 변환 계층을 통해 동일한 임베딩 공간에 투영되어 범주 특징과의 공동 처리가 가능했습니다.
임베드된 특징 벡터들은 토큰의 연속을 형성하기 위해 연결되었습니다:
X = [x1,x 2,... xn]
여기서 각 xi ∈ Rd 는 내장된 특징을 나타냅니다.
트랜스포머 인코더
연결된 특징 임베딩은 트랜스포머 인코더 계층 스택을 통과했습니다(num_layers = 3). 각 계층은 다중 헤드 자기 주의와 위치별 피드 포워드 네트워크로 구성되었습니다.
다중 헤드 자기 주의 메커니즘은 다음과 같이 정의됩니다:
—> 주의(Q,K,V) = 소프트맥스 
V
여기서 Q, K, V는 쿼리, 키, 값 행렬을 나타냅니다. 다양한 특징 상호작용을 포착하기 위해 다중 주의 헤드(num_heads = 8)가 사용되었습니다.
각 변압기 블록에는 다중 헤드 자기 주의, 잔류 연결 및 계층 정규화, 피드 포워드 네트워크, 드롭아웃(속도 = 0.243)이 포함되었습니다.
특징 집계 및 분류
최종 트랜스포머 계층의 출력은 평탄화되어 분류를 위해 다층 퍼셉트론(MLP)을 통과했습니다. MLP는 비선형 활성화 함수를 가진 하나 이상의 완전 연결 층으로 구성되었습니다.
최종 출력 층은 S결점 활성화 함수를 사용하여 골다공증의 예측 확률을 산출했습니다:
—> 
= σ(z)
여기서 z는 logit 출력입니다.
손실 함수와 훈련 전략
이 모델은 이진 교차 엔트로피 손실을 사용하여 훈련되었습니다:
—> L = −(1/N) Σ [ yi log(ŷi) + (1 − yi) log(1 − ŷi) ]
여기서y는 진짜 라벨, i 는 예측된 확률을 나타냅니다.
이 모델은 Adam 옵티마이저(학습률 = 1.9e-4, 배치 크기 = 64)를 사용하여 100 에포크에 대해 최적화되었습니다. 과적합을 방지하기 위해 검증 성능(인내 = 15)을 기반으로 조기 정지를 적용했습니다. 재현성을 지원하기 위해 모든 실험 절차는 일정한 무작위 시드(시드 = 42)를 사용하여 수행되었습니다.
모델 해석 가능성
해석 가능성을 높이기 위해 SHapley 가적 설명(SHAP)이 학습된 모델에 적용되었습니다. SHAP 값은 테스트 세트에서 계산되어 각 특징이 예측 결과에 얼마나 기여하는지 정량화하여, 모델 행동에 대한 전역 및 개인 수준 해석을 가능하게 했습니다.
그림 1에서 볼 수 있듯이, 워크플로우는 MIMIC-IV 데이터 전처리부터 모델 구축 및 분류까지의 과정을 요약합니다. TabTransformer 아키텍처는 자기 주의를 통해 이기종 표형 특징 간 상호작용을 포착하는 반면, SHAP 기반 시각화는 특징 기여도에 대한 해석 가능한 통찰을 제공합니다. 이 프레임워크는 이질적인 척추 신경외과 코호트에서 골다공증 관련 패턴을 내부적으로 검증된 분석을 가능하게 합니다.
그림 1. 워크플로우와 모델 아키텍처를 공부하세요. 이 그림 은 코호트 선정, 데이터 전처리, 특징 공학, 데이터셋 분할, 모델 개발을 포함한 전체 연구 설계를 보여줍니다. 또한 분류에 사용되는 TabTransformer 아키텍처를 요약하며, 특징 임베딩, Transformer 인코더 계층, 최종 분류 출력도 포함합니다. 환자당 첫 자격을 갖춘 입원 환자만 포함되었습니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.
액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.
결과
모델 성능 비교
우리는 제안된 TabTransformer 모델을 보유 테스트 세트에서 세 가지 기초 모델(XGBoost, LSTM with attention, Temporal Convolutional Networks [TCN])과 비교했습니다. 그림 2에서 보듯, TabTransformer는 AUC 0.953(95% 신뢰구간: 0.924–0.977)으로 가장 높은 판별 성능을 보였고, 그 뒤를 TCN(AUC = 0.937, 95% 신뢰구간: 0.903–0.967), XGBoost(AUC = 0.857, 95% 신뢰구간: 0.821–0.890), LSTM_Attention(AUC = 0.755, 95% 신뢰구간: 0.707–0.799)가 뒤를 이었습니다.
정밀도-회상 분석은 그림 3
액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.
토론
본 연구에서는 척추 신경외과 수술을 받는 성인의 병원 내 골다공증 분류를 위한 주의력 기반 TabTransformer 모델을 개발하고, SHapley Additive expPlanations(SHAP)를 사용하여 모델 출력을 결정하는 주요 변수를 탐구하였습니다(그림 5 및 그림 6). SHAP 결과는 연령이 주요 요인이었으며, 그 다음으로 신장 및 대사 지표, 혈액학적 지수, 선택된 약물 변수, 기본 인구통계학적 특성에서 반복되는 신호가 나타났음을 시사합니다. 이러한 결과는 시간적으로 검증된 미래 위험 예측이나 직접적 인과관계의 증거가 아니라, 지수 입원 내 모델에서 파생된 연관성으로 해석되어야 합니다.
액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.
공개 사항
저자들은 이해 상충을 선언할 필요가 없습니다.
감사의 글
저자들은 수천시 지도과학기술프로그램(보조금번호 Z202342)의 재정 지원에 깊이 감사드립니다.
액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.
재료
```html
```
| 이름 | 회사 | 카탈로그 번호 | 댓글 |
|---|---|---|---|
| Adam optimizer | PyTorch | Included in PyTorch | TabTransformer 학습에 사용 |
| Jupyter Notebook | Project Jupyter | 최신 버전 | 모델 개발 및 분석 워크플로우에 사용 |
| MIMIC-IV 데이터베이스 | PhysioNet | 버전 3.1; https://physionet.org/content/mimiciv/3.1/ | 공개된 비식별화된 중환자실 데이터베이스 |
| Python | Python Software Foundation | 최신 버전 | 주요 프로그래밍 환경 |
| PyTorch | PyTorch Foundation | 최신 버전 | TabTransformer를 구현하는 데 사용되는 딥러닝 프레임워크 |
| 관계형 데이터베이스 관리 소프트웨어 | Navicat | 버전 17.0; https://www.navicat.com.cn/ | MIMIC-IV에서 데이터 추출에 사용 |
| scikit-learn | scikit-learn 개발자 | 최신 버전 | 전처리, 데이터 분할 및 기본 모델에 사용 |
| SHAP | SHAP 개발자 | 최신 버전 | 모델 해석 분석에 사용 |
| SMOTE | imbalanced-learn | 최신 버전 | 학습 세트의 소수 클래스 과샘플링에 사용 |
| XGBoost | XGBoost 개발자 | 최신 버전 | 기준 비교 모델 |
참고문헌
- Rachner, T. D., Khosla, S., Hofbauer, L. C. Osteoporosis: now and the future. Lancet. 377 (9773), 1276-1287 (2011).
- Khosla, S., Hofbauer, L. C. Osteoporosis treatment: recent developments and ongoing challenges. Lancet Diabetes Endocrinol. 5 (11), 898-907 (2017).
- Jiang, S. D., Dai, L. Y., Jiang, L. S. Osteoporosis after spinal cord injury. Osteoporos Int. 17 (2), 180-192 (2006).
- Kivrak, M., et al. The impact of the SMOTE method on machine learning and ensemble learning performance results in addressing class imbalance in data used for predicting total testosterone deficiency in type 2 diabetes patients. Diagnostics (Basel). 14 (23), 2634 (2024).
- Carvalho, F. R., Gavaia, P. J. Enhancing osteoporosis risk prediction using machine learning: a holistic approach integrating biomarkers and clinical data. Comput Biol Med. 192, 110289 (2025).
- Huang, X., Khetan, A., Cvitkovic, M., Karnin, Z. TabTransformer: tabular data modeling using contextual embeddings. arXiv. , (2020).
- Kapila, A., Takkar, A. Neurological disorders, corticosteroids, and fracture risk: hiding in the hindsight!. J Postgrad Med Educ Res. 56 (2), 61-62 (2022).
- Battaglino, R. A., Lazzari, A. A., Garshick, E., Morse, L. R. Spinal cord injury-induced osteoporosis: pathogenesis and emerging therapies. Curr Osteoporos Rep. 10 (4), 278-285 (2012).
- Landi, F., Liperoti, R., Russo, A., Giovannini, S., et al. Sarcopenia as a risk factor for falls in elderly individuals: results from the ilSIRENTE study. Clin Nutr. 31 (5), 652-658 (2012).
- Romagnani, P., et al. Chronic kidney disease. Nat Rev Dis Primers. 11 (1), 8 (2025).
- Liu, S., Liang, R. Synergistic impact of immuno-nutritional and hypoxia-metabolic disturbances on post-stroke epilepsy: a “two-hit” prediction model and web-based risk calculator. Front Nutr. 13, 1759899 (2026).
- Liu, S., Zhou, J. Trends and development of enhanced recovery after surgery programs in cranial and spinal neurosurgery. Neurochirurgie. 71 (5), 101704 (2025).
- Carvalho, F. R., Gavaia, P. J., Brito Camacho, A. OrthoMortPred: predicting one-year mortality following orthopedic hospitalization. Int J Med Inform. 192, 105657 (2024).
- Liu, S., Liang, R. Risk stratification for intracranial infection after high-grade gliomas surgery: a nomogram development and validation study. Front Oncol. 15, 1697966 (2025).
액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.
재인쇄 및 허가
이 JoVE 논문의 텍스트 또는 그림 재사용 허가 요청
허가 요청