이 콘텐츠를 보려면 JoVE 구독이 필요합니다. 로그인하거나 오늘 무료 평가판을 시작하세요.

연구 논문

급성 췌장염의 다장기 부전 증후군을 위한 재현 가능한 입원 시 생화학적-응고 점수 산출 프로토콜

46 조회수

⸱

DOI:

10.3791/71269

⸱

2026년 9월 8일

 ,  ,  , 
1Department of Gastroenterology, The First People's Hospital of Jiashan, Jiashan Hospital Affiliated to Jiaxing University

이 논문에서

요약

본 논문에서는 급성 췌장염에서 다장기 기능 부전 증후군의 조기 위험 계층화를 위한 코호트 구성, 실험실 표준화, 페널티 모델 개발, 검증 및 병상 점수 구축 프로토콜을 제시합니다.

초록

급성 췌장염에서 다기관 기능 부전 증후군을 조기에 인식하는 것은 여전히 어려운데, 이는 전통적인 중증도 평가가 완료되기 전에 장기 기능 저하가 발생할 수 있기 때문입니다. 본 논문은 입원 후 24시간 이내에 수행된 일상적인 실험실 검사 결과를 기반으로 입원 시 생화학-응고 복합 점수를 개발, 검증 및 적용하기 위한 재현 가능한 프로토콜을 설명합니다. 다기관 기능 부전 증후군은 하나 이상의 장기 시스템 전체에 걸쳐 임상적으로 중대한 기능 부전을 반영하며, 조기 모니터링 강도, 단계적 치료 계획 및 중환자 진료 자원 배분에 직접적인 정보를 제공하므로 일차 평가 지표로 선정되었습니다. 본 프로토콜은 다기관 코호트 구성, 적격성 스크리닝, 평가 지표 판정, 실험실 단위 표준화, 결측치 처리, 예측 변수 스케일링, 패널티 회귀 모델 개발, 홀드아웃 검증, 점수 구축, 기존 중증도 점수와의 벤치마킹 및 민감도 분석을 다룹니다. 정보 손실을 줄이기 위해 모델 개발 단계에서는 연속형 실험실 변수를 유지하며, 최종 모델을 실용적인 침상 옆 점수로 변환할 때에만 임상적으로 해석 가능한 범주를 사용합니다. 절차적 체크포인트에는 코호트 구성 확인, 결측치 임계값, 고정된 전처리 규칙, 모델 선택 결과, 검증 결과 및 최종 점수 해석이 포함됩니다. 이 워크플로우를 사용하면 일상적으로 측정되는 생화학 및 응고 마커를 급성 췌장염 관련 다기관 기능 부전 증후군을 위한 구조화된 입원 위험 층화 도구로 통합할 수 있습니다. 이 점수는 보다 면밀한 관찰, 반복적인 실험실 평가 및 장기 지원 경로 준비를 지원하기 위한 것이며, 임상적 판단이나 기성 중증도 프레임워크를 대체하기보다는 이를 보완해야 합니다.

서론

급성 췌장염은 흔한 소화기 응급 질환으로, 경미하고 자가 제한적인 염증부터 장기 기능 부전이 동반되어 빠르게 진행되는 질환에 이르기까지 임상 경과가 다양합니다. 현재의 중증도 평가는 일반적으로 개정된 애틀랜타 분류(revised Atlanta classification)를 따르며, 이는 국소 합병증, 전신 합병증, 그리고 장기 부전의 발생 여부와 지속 기간에 따라 질병의 중증도를 정의합니다1. 입원 초기에는 위험 평가 및 치료 단계 상향 결정을 지원하기 위해 병상 옆 점수 체계(bedside scoring systems)가 사용되기도 합니다. 급성 췌장염 병상 옆 중증도 지수(Bedside Index for Severity in Acute Pancreatitis)는 초기 24시간 이내에 확인 가능한 5가지 변수를 사용하여 원내 사망 위험을 추정하기 위해 개발되었습니다2. 최근의 임상 지침은 중증 질환의 조기 발견, 반복적인 재평가, 적절한 수액 소생술, 장기 지원 계획 및 적시의 치료 단계 상향을 지속적으로 강조하고 있습니다3.

일상적인 진료에서 초기 위험 평가는 여전히 어렵습니다. 급성 췌장염의 염증 반응은 빠르게 변화하며, 일부 전통적인 점수 체계는 반복적인 측정, 입원 후 변화하는 생리학적 변수 또는 첫 임상 진료 시점에 확보되지 않을 수 있는 영상 의학적 소견을 필요로 합니다4. 그 결과, 위험 분류는 샘플링 시간, 지역적 워크플로우 및 치료 경로에 따라 달라질 수 있습니다. 이러한 불확실성은 저위험군 환자에게 불필요한 집중 모니터링이나 중재로 이어질 수 있는 반면, 상태가 빠르게 악화되는 환자는 치료 단계의 격상이 지연되는 경험을 할 수 있습니다. 급성 췌장염의 중증도 예측에 관한 최근 검토에 따르면, 임상 점수 및 개별 바이오마커의 성능은 환자군, 질환 중증도 분포 및 평가 기간에 따라 다양하게 나타난다고 언급되었습니다5.

최근의 대부분의 예측 연구들은 입원 후 24시간 이내에 수집된 변수들을 사용하려 했으며, 주로 지속성 장기 부전이나 중증 급성 췌장염을 표적 결과로 설정하였습니다. 이러한 접근 방식은 임상적으로 유용하지만, 발표된 많은 모델들은 단일 센터 설계, 불완전한 검증, 전처리 및 결측치 처리 방법의 불충분한 보고라는 한계가 있습니다6. 예측 모델에서는 선정 기준, 예측 변수 정의, 표본 크기, 결측치 처리, 모델 구축 결정 및 검증 절차가 재현성과 임상적 해석에 직접적인 영향을 미치기 때문에 투명한 보고가 특히 중요합니다7. 입원 기반 방법이 여러 기관에서 사용 가능하려면, 일상적으로 수행되는 검사에 의존하고, 단위 변환 절차를 정의하며, 실험실 측정값이 어떻게 조화되었는지 설명하고, 모델 적합 전 불완전한 예측 변수 값이 어떻게 처리되는지 명시해야 합니다.

생화학적 이상과 응고 이상은 모두 급성 췌장염의 초기 악화와 관련이 있습니다. 염증 활성화, 내피 세포 손상, 혈액 농축, 신장 저관류 및 미세순환 장애가 초기에 발생하여 장기 기능 부전의 원인이 될 수 있습니다. 응고 활성화는 염증과 밀접하게 연관되어 있으며, 급성 췌장염 관련 응고병증은 지속적인 장기 부전 및 불량한 예후로 진행되는 과정의 일부로 설명되어 왔습니다8. D-dimer 또한 급성 췌장염에서 장기 부전, 국소 합병증, 중환자실 입원 및 사망률과 연관된 입원 시 지표로 보고되었습니다9. 하지만 응고 지표들은 체계적인 입원 워크플로우 내에서 루틴한 생화학적 변수들과 결합되어 해석되기보다 개별적으로 해석되는 경우가 많습니다.

다장기 기능부전 증후군은 하나 이상의 장기 시스템 전반에 걸쳐 임상적으로 중대한 기능부전을 나타내므로 본 프로토콜의 1차 종점으로 선정되었습니다. 지속성 장기 부전은 급성 췌장염의 중증도 분류에서 여전히 핵심적인 요소이지만, 다장기 기능부전 증후군은 환자가 더 밀접한 감시, 반복적인 실험실 재평가, 장기 보조 준비 또는 중환자실 자원을 필요로 할 가능성이 있는지라는 실제적인 입원 결정 질문에 더 가깝습니다. 또한 이 종점을 통해 생화학 및 응고 신호를 단일 장기 기반의 결과가 아닌 더 광범위한 전신 악화 패턴과 연계하여 평가할 수 있습니다.

본 방법론 논문은 급성 췌장염 환자의 다기관 기능 부전 증후군에 대한 조기 위험 계층화를 위한 재현 가능한 입원 시 생화학-응고 점수 산출 프로토콜을 설명합니다. 이 프로토콜은 입원 후 24시간 이내에 얻은 일상적인 실험실 변수를 사용하며, 단위 조화 및 결측치 처리 과정을 표준화하고, 벌점화 모델 개발(penalized model development)을 적용하여 최종 모델을 임상적으로 해석 가능한 복합 점수로 변환합니다. 본 프로토콜의 목적은 임상적 판단이나 기설정된 중증도 체계를 대체하는 것이 아니라, 의료 기관이 입원 시 실험실 데이터를 실행 가능한 위험 정보로 체계화하는 데 도움이 되는 투명하고 재현 가능한 워크플로우를 제공하는 것입니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

프로토콜

연구 프로토콜은 가싱대학교 부속 지아산 병원 지아산 제1인민병원의 인간 대상 생물의학 연구 윤리 위원회로부터 승인을 받았습니다(승인 번호 2026 Research Approval No. 005, 접수 번호 LW2026004, 승인 날짜 2026년 1월 13일). 본 후향적 연구는 비식별화된 임상 데이터를 사용하였으므로 개별 고지된 동의 요건은 면제되었습니다. 분석 전, 성명, 병원 등록 번호, 전화번호, 주소 및 주민등록번호를 포함한 직접 식별자는 모두 제거되었습니다. 데이터 처리는 기관의 데이터 보호 요구 사항 및 헬싱키 선언을 준수하였습니다.10.

연구 설계 및 다기관 코호트 구성
본 후향적 다기관 코호트 연구에서는 입원 시 생화학 및 응고 데이터를 사용하여 급성 췌장염(AP) 환자의 다기관 기능 부전 증후군(MODS) 조기 위험 계층화를 위한 재현 가능한 점수화 워크플로우를 구축하였습니다. AP는 전형적인 복통, 정상 상한치의 3배 이상인 혈청 아밀라아제 또는 리파아제, 또는 AP와 일치하는 영상학적 소견 중 최소 두 가지 기준을 충족하는 것으로 정의하였습니다. 기초 분석 기간은 병원 입원 후 첫 24시간으로 정의하였습니다. 각 실험실 예측 변수에 대해, 해당 기간 내의 가장 이른 유효 값을 사용하였습니다. MODS의 첫 기록된 발생 이후에 얻은 값은 예측 변수 구축에 사용하지 않았습니다.

2023년 1월 1일부터 2025년 12월 20일까지 참여 센터에서 발생한 연속적인 급성 췌장염(AP) 입원 사례를 통합 스크리닝 로그, 적격성 체크리스트, 데이터 딕셔너리 및 종점 판정 양식을 사용하여 스크리닝하였다. 스크리닝 로그에는 전체 스크리닝 입원 건수, 중복 입원 건수, AP 미확정, 18세 미만, 만성 췌장염, 췌장암 관련 췌장염, 신뢰할 수 없는 입원 시간, 24시간 실험실 데이터 부재, 불완전한 종점 기록으로 인한 제외 건수 및 최종 분석 코호트가 기록되었다. 잠금 처리된 스크리닝 로그는 다음을 생성하는 데 사용되었다. 그림 1환자 수는 그림 1 분석 전, 최종 분석 데이터 세트와 대조하여 확인되었습니다.

분석 코호트가 확정된 후, 환자들을 개발 코호트와 홀드아웃 검증 코호트에 7:3 비율로 배정하였다. 데이터 분할은 R 버전 4.3.2의 caret 패키지 버전 6.0-94를 사용하여 수행되었으며, 랜덤 시드는 20260420으로 고정하였다. MODS 상태와 센터에 따라 층화 추출을 수행하였다. 코호트 간 센터 분포 차이가 5%포인트를 초과하는 경우, 센터-MODS 결합 층을 사용하였다. 코호트 배정은 모델 피팅 전에 저장되었으며, 이후 수정되지 않았다. 전처리 규칙, 결측치 대체 설정, 모델 튜닝, 계수 추정, 점수 산출 및 컷오프 선택은 오직 개발 코호트만을 통해 도출되었다. 홀드아웃 검증 코호트는 확정된 모델의 평가 용도로만 사용되었다.

적격성 기준 및 등록 절차
적격 환자는 AP가 확진되었고, 추적 가능한 병원 입원 시간이 있으며, 입원 후 24시간 이내에 최소 한 번의 생화학적 또는 응고 실험실 패널 검사를 받았으며, 종점 판정을 위한 완전한 병원 내 기록을 보유한 18세 이상의 성인으로 하였다. AP를 확진할 수 없거나, 만성 췌장염 또는 췌장암 관련 췌장염이 있는 경우, 또는 첫 병원 입원 시간을 신뢰성 있게 재구성할 수 없는 경우 환자를 제외하였다. 전원 사례의 경우, 기관 간에 첫 입원 시간, 첫 실험실 샘플링 시간 또는 초기 장기 기능 부전 상태를 추적할 수 없을 때 제외하였다. 연구 기간 중 동일 환자가 반복적으로 입원한 경우, 첫 번째 적격 입원 사례만 유지하였다. 제외된 각 사례에 대해 하나의 주요 제외 사유를 기록하였다.

결과 및 종점 판정
1차 결과 지표는 원내 MODS로, 이는 입원 중 2개 이상의 장기 체계에서 기능 부전이 발생한 것으로 정의되었다. 장기 기능 부전은 전자 의무 기록의 호흡기, 심혈관, 신장, 간, 응고 및 신경계 기록을 통해 평가되었다. 모델 개발 전 모든 센터에 동일하게 사전 지정된 장기 체계 기준이 적용되었으며, 종점 판정에 사용된 운영 기준은 부록 표 1에 요약되어 있다.

훈련된 두 명의 검토자가 입원 기록, 경과 기록, 중환자실 기록, 시술 기록, 실험실 보고서, 활성 징후 기록 및 퇴원 요약지를 사용하여 익명화된 각 기록을 독립적으로 평가하였습니다. 판정 양식에는 환자 연구 코드, 관련 장기 시스템, 소스 기록, 발생 날짜 및 시간, 근거가 되는 실험실 또는 생리학적 수치, 검토자 결정 및 최종 판정 상태가 기록되었습니다. 검토자 간의 일치 의견은 최종 결정으로 수용되었으며, 불일치 사항은 제3의 상급 검토자가 해결하였습니다. 이차 결과 지표에는 중환자실 입원, 침습적 또는 비침습적 기계적 환기, 신대체 요법, 원내 사망률, 감염성 괴사 또는 배농 시술, 그리고 입원 기간이 포함되었습니다. 입원 기간은 퇴원 날짜에서 입원 날짜를 뺀 후 1일을 더하여 계산하였습니다.

입원 시 후보 예측 인자
후보 예측 인자는 입원 후 24시간 이내에 확인 가능한 루틴 변수로 제한하였다. 24시간 창 내에서 반복 검사가 수행된 경우, 가장 먼저 측정된 적격 값을 유지하였다. 생화학적 변수에는 백혈구 수, C-reactive protein, 프로칼시토닌(사용 가능한 경우), 젖산, 포도당, 총 칼슘, 혈액 요소 질소, 크레아티닌, 알라닌 아미노전이효소, 총 빌리루빈, 알부민 및 젖산 탈수소효소가 포함되었다. 응고 변수에는 혈소판 수, 프로트롬빈 시간, 프로트롬빈 시간-국제 표준화 비율, 활성화 부분 트롬보플라스틴 시간, 피브리노겐 및 D-dimer가 포함되었다.

환자군 특성 설명 및 벤치마크 점수 계산을 위해 기저 임상 변수를 수집하였습니다. 해당 변수에는 연령, 성별, 체질량 지수, 증상 발현부터 입원까지의 시간, AP 원인, 흡연 여부, 췌장염 기왕력, 동반 질환, 입원 시 심박수, 평균 동맥압, 전신성 염증 반응 증후군 상태, Bedside Index for Severity in Acute Pancreatitis 점수, Acute Physiology and Chronic Health Evaluation II 점수 및 Sequential Organ Failure Assessment 점수가 포함되었습니다. 프로트롬빈 시간과 프로트롬빈 시간-국제 표준화 비율을 모두 사용할 수 있는 경우, 모델링에는 프로트롬빈 시간-국제 표준화 비율을 사용하였으며, 기술적 보고를 위해 프로트롬빈 시간을 유지하였습니다. 추출 파일은 입원당 한 행으로 구성되었으며 센터 코드, 환자 연구 코드, 입원 시간, 샘플링 시간, 원시 값, 원시 단위, 표준화 값, 표준화 단위, 소스 테이블 및 결측치 플래그를 포함하였습니다.

센터 간 실험실 측정값 표준화
분석 전 모든 실험실 변수를 미리 지정된 대상 단위로 변환하였다: 백혈구 수 및 혈소판 수, 109/L; C-반응성 단백질, mg/L; 프로칼시토닌, ng/mL; 젖산, 포도당, 총 칼슘 및 혈액 요소 질소, mmol/L; 크레아티닌 및 총 빌리루빈, µmol/L; 알라닌 아미노전이효소 및 젖산 탈수소효소, U/L; 알부민 및 피브리노겐, g/L; 프로토롬빈 시간 및 활성화 부분 트롬보플라스틴 시간, seconds; 프로토롬빈 시간-국제 표준 비율, 단위 없는 비율; 그리고 D-dimer, mg/L fibrinogen-equivalent units. µg/mL fibrinogen-equivalent units로 보고된 D-dimer 값은 1:1 수치 변환을 통해 mg/L fibrinogen-equivalent units로 변환하였다. D-dimer units로 보고된 D-dimer 값은 해당 지역 실험실에서 검증된 변환 계수를 제공한 경우에만 변환하였다. 검증된 변환 계수가 없는 값은 모델링 시 결측치로 처리하였다.

각 센터의 보고 단위, 참고 범위, 분석 기록 및 분석기 노트는 데이터를 통합하기 전에 검토되었습니다. 조화 파일(harmonization file)에는 원래 단위, 대상 단위, 변환 규칙 및 변환 확인을 담당한 검토자가 유지되었습니다. 기본 분석에서 실험실 수치는 센터별 참고 범위로 정규화되지 않았는데, 이는 점수가 절대적인 임상 수치를 사용하도록 설계되었기 때문입니다. 결측치 대체 및 민감도 분석 과정에서 센터 코드는 그대로 유지되었습니다. 비음성 테스트의 음수 값, 호환되지 않는 단위, 24 h 범위를 벗어난 타임스탬프 및 소스 기록으로 뒷받침되지 않는 값들은 플래그 처리되었습니다. 소스 기록을 통해 전사 오류 또는 단위 변환 오류가 확인된 경우에만 값을 수정하였으며, 그렇지 않은 경우에는 결측치로 처리했습니다.

데이터 전처리 및 결측 데이터 처리
모델 적합 전, 변수, 센터 및 MODS 상태별로 결측치를 요약하였습니다. 전체 결측률이 30%를 초과하거나 단일 센터에서 결측률이 50%를 초과하는 경우, 해당 후보 예측 변수는 모델 개발에서 제외하였습니다. 후보 예측 변수의 40% 이상이 결측되었거나 일차 결과(primary outcome)를 판정할 수 없는 환자는 모델링 데이터 세트에서 제외하였습니다.

연속형 예측 변수들은 개발 코호트에서 추정된 1번째 및 99번째 백분위수에서 윈저화(winsorized)되었습니다. 동일한 임계값이 홀드아웃 검증 코호트에도 적용되었습니다. 검증 데이터에서 임계값은 재추정되지 않았습니다. 윈저화 후 왜도가 2보다 큰 변수들은 자연로그를 사용하여 변환되었습니다. 0을 포함할 수 있는 변수의 경우 log(x + 0.01)이 사용되었습니다. 연속형 예측 변수들은 개발 코호트의 평균과 표준편차를 사용하여 표준화되었으며, 동일한 매개변수가 검증 데이터에 적용되었습니다.

다중 대체(Multiple imputation)는 R의 mice 패키지 버전 3.16.0의 연쇄 방정식(chained equations)을 사용하여 수행되었습니다. 데이터셋당 20회의 반복을 통해 20개의 대체 데이터셋을 생성했습니다. 연속형 변수에는 예측 평균 일치법(predictive mean matching)을, 이분형 변수에는 로지스틱 회귀 분석을, 명목 범주형 변수에는 다항 로지스틱 회귀 분석을 사용했습니다. 대체 모델에는 모델 개발을 위한 후보 예측 인자, 센터 코드, 코호트 지표 및 MODS 상태가 포함되었습니다. 검증 결과는 전처리 규칙, 변수 적격성 또는 임계값을 수정하는 데 사용되지 않았습니다. 회귀 추정치는 보고 시 Rubin의 규칙(Rubin’s rules)을 사용하여 통합되었습니다. 예측 지표는 각 대체 데이터셋 내에서 계산되었으며, 통합 추정치 또는 범위가 포함된 중앙값 추정치로 요약되었습니다. 두 가지 민감도 분석이 사전에 지정되었습니다. 하나는 최종 모델 예측 인자에 결측치가 없는 환자만을 이용한 완전 사례 분석(complete-case analysis)이며, 다른 하나는 가장 이른 값 대신 24시간 이내의 적격 실험실 수치 중 최악의 값을 사용하는 기저치 분석(baseline-value analysis)입니다.

통계 분석 및 모델 개발
기초 특성은 개발 코호트와 홀드아웃 검증 코호트에서 각각 요약되었습니다. 연속형 변수는 평균 ± 표준편차 또는 중앙값 및 사분위 범위로 표기하였으며, 범주형 변수는 n (%)로 표기하였습니다. 입원 시 생화학 및 응고 변수를 MODS 환자와 비환자 간에 비교하였습니다. 연속형 변수에는 Student’s t-test 또는 Wilcoxon rank-sum test를 사용하였고, 범주형 변수에는 카이제곱 검정 또는 Fisher’s exact test를 사용하였습니다. 이러한 P 값은 기술 통계용이며 예측 변수 선택을 위해 단독으로 사용되지 않았습니다.

모델 개발은 개발 코호트로 제한되었다. 이벤트 수가 제한적이고 상관관계가 있는 실험실 예측 변수가 존재하는 상황에서 과적합을 줄이기 위해 패널티 로지스틱 회귀분석을 기본 모델로 사용하였다. 모델은 R version 4.3.2에서 glmnet package version 4.1-8을 사용하여 이항 분포(binomial family), 표준화된 예측 변수, 그리고 alpha = 1로 지정된 최소 절대 수축 및 선택 연산자(LASSO) 패널티를 적용하여 적합되었다. 패널티 튜닝을 위해 무작위 시드(random seed)를 20260420으로 고정한 상태에서 10회 반복된 10겹 교차 검증을 수행하였다. 패널티 매개변수는 1-표준 오차 규칙(one-standard-error rule)을 사용하여 선택하였다. 계수 경로, 교차 검증 오차 값, 선택된 패널티 매개변수 및 유지된 예측 변수를 저장하였다. 분석 워크플로우는 그림 2에 표시되어 있다. 프로토콜에 사용된 소프트웨어, 통계 패키지, 데이터베이스 시스템 및 실험실 플랫폼은 재료 표에 나열되어 있다.

패널티가 적용된 선택 이후, 패널티가 없는 로지스틱 회귀 분석은 주요 추론 모델로 사용되지 않았습니다. 임상적 해석을 위해 오즈비(odds ratio)가 보고된 경우, 이는 선택 후의 기술적 추정치로 표기되었습니다. 판별력은 수신자 작동 특성 곡선 아래 면적(AUC-ROC)을 사용하여 추정하였으며, 95% 신뢰구간은 pROC 패키지 버전 1.18.5의 DeLong 방법을 사용하여 계산하였습니다. 보정(calibration)은 보정 절편, 보정 기울기, Brier 점수 및 보정 곡선을 통해 평가하였습니다. 개발 코호트에서는 1,000회 반복의 부트스트랩 재표본 추출을 사용하여 낙관주의-교정 성능을 추정하였습니다. 결정 곡선 분석(Decision-curve analysis)은 수정된 분석 세트에서 제외되었으므로, 원고에서 임상적 순이익에 관한 주장은 삭제되었습니다.

점수 도출 및 해석
점수 기반의 입원 생화학-응고 복합 점수는 고정된 페널티 모델 계수로부터 도출되었습니다. 모델 피팅 과정에서는 연속 변수가 사용되었습니다. 침상 옆 계산을 지원하기 위해 모델 최종 확정 후에만 범주화된 임계값이 도입되었습니다. 임계값은 기설정된 임상 참조 범위, 일반적으로 사용되는 실험실 이상치 임계값 또는 검증 전 개발 코호트에서 정의된 계수 기반 컷포인트에 따라 선택되었습니다. 검증 코호트에서 임계값 최적화는 수행되지 않았습니다.

고정 계수의 방향과 상대적 크기에 따라 정수 점수를 할당하였습니다. 점수가 높을수록 더 불량한 실험실 프로파일을 나타냈습니다. 총점은 유지된 성분들의 점수를 합산하여 계산하였습니다. 사전에 지정된 위험 범주는 오직 위험 층화(stratification)를 위해서만 사용되었으며, MODS를 정의하는 데 사용되지 않았습니다. 이 점수는 더 면밀한 관찰, 반복적인 실험실 평가 또는 장기 지원 경로 준비가 필요할 수 있는 환자를 식별하기 위한 목적으로 고안되었습니다. 이는 단독 진단 규칙, 항응고 요법의 트리거 또는 임상의의 재평가를 대체하는 수단으로 사용되지 않았습니다.

홀드아웃 검증 및 벤치마킹
고정된 전처리 규칙, 결측치 대체 구조, 윈저라이징 임계값, 표준화 파라미터, 모델 계수, 점수 산정 규칙 및 사전 지정된 컷오프 값을 홀드아웃 검증 코호트에 적용하였습니다. 추가적인 예측 변수 선별, 모델 재적합, 계수 재보정 또는 임계값 최적화는 수행하지 않았습니다. 검증 성능은 판별력, 보정력, Brier score, 민감도, 특이도, 양성 예측도 및 음성 예측도를 사용하여 요약하였습니다.

데이터를 사용할 수 있는 동일한 입원 기간을 기준으로 기설정된 중증도 도구들을 계산하였으며, 여기에는 Bedside Index for Severity in Acute Pancreatitis, Acute Physiology and Chronic Health Evaluation II 점수, Sequential Organ Failure Assessment 점수, Ranson 점수, Harmless Acute Pancreatitis Score 및 전신성 염증 반응 증후군 기준이 포함되었습니다. 비교에는 동일한 종점, 분석 대상군 및 검증 프레임워크가 사용되었습니다. 곡선 하 면적의 짝지은 비교는 DeLong 검정을 사용하여 수행되었습니다.

모든 검증 플롯 및 점수 층화 플롯은 고정된 분석 데이터 세트를 통해 생성되었습니다. 각 그림 패널의 표본 크기는 그림 작성 전 최종 분석 코호트, 개발 코호트, 보류 검증 코호트 또는 사전 지정된 점수 층과 대조하여 확인되었습니다. 고차원 오믹스, 생태학적 카운트 데이터 또는 차등 풍부도 분석을 위해 설계된 시각적 방법은 일반적인 임상 실험실 데이터에는 사용되지 않았습니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

결과

코호트 특성 및 기저치 비교 가능성
최종 분석 코호트에는 급성 췌장염 환자 총 300명이 포함되었습니다. 미리 지정된 7:3 층화 무작위 분할(stratified hold-out split)에 따라 210명의 환자는 개발 코호트로, 90명의 환자는 홀드아웃 검증 코호트로 할당되었습니다. 포함된 모든 환자는 입원 후 24시간 이내에 적절한 생화학 및 응고 측정치 결과가 확인되었습니다.

기초 특성은 Table 1에 제시되어 있다. 개발 코호트와 홀드아웃 검증 코호트는 연령(54.0 years ± 16.4 years vs 55.3 years ± 15.2 years, P = 0.486), 성별 분포(남성: 61.9% vs 61.1%, P = 0.898), 체질량 지수(25.0 [22.6–27.9] kg/m2 vs 24.7 [22.2–27.5] kg/m2

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

토론

급성 췌장염과 관련된 다장기 기능 부전 증후군(MODS)은 특히 조기 전신 염증, 혈관 내피 손상, 조직 관류 장애 및 대사적 불안정성을 보이는 환자에게서 입원 후 짧은 기간 내에 발생할 수 있습니다. 본 프로토콜은 입원 후 첫 24시간이 환자가 일반 병동 관찰 상태로 남을지, 아니면 더 면밀한 재평가, 모니터링 강화 또는 장기 지원 경로 준비가 필요할지를 결정하는 경우가 많다는 점에 착안하여 해당 입원 기간을 중심으로 설계되었습니다. 연구 결과, 일상적으로 측정 가능한 생화학 및 응고 변수들을 고정되고 재현 가능한 모델링 워크플로우로 처리했을 때, 급성 췌장염의 조기 MODS 위험 층화를 위한 해석 가능한 점수로 구성할 수 있음이 나타났습니다11. 이러한 접근 방식은 단일 바이오마커나 지연된 중증도 분류만으로는 고위험군 급성 췌장염에서 나타나는 조기 전신 악화 양상을 완전히 파악하지 못할 수 있다는 임상적 현실과 일치합니다12.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

공개 사항

저자들은 본 연구와 관련하여 이해상충이 없음을 밝힙니다.

감사의 글

저자들은 급성 췌장염 환자의 진단, 치료 및 데이터 수집에 참여한 모든 임상의와 실험실 직원들에게 감사를 표합니다. 또한, 본 연구를 가능하게 해준 임상 데이터를 제공해주신 환자분들께도 깊은 감사를 드립니다. 이분들의 기여에 진심으로 감사드립니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

재료

이 논문에 사용된 재료 목록
이름회사카탈로그 번호댓글
이름회사명카탈로그 번호 / URL비고
R statistical softwareR Foundation for Statistical ComputingVersion 4.3.2
https://www.r-project.org/		데이터 전처리, 모델 개발, 검증 및 그림 생성에 사용된 통계 계산 환경.
caret R packageCRAN / Max KuhnVersion 6.0-94
https://cran.r-project.org/package=caret		createDataPartition을 이용한 7:3 비율의 층화 개발 및 홀드아웃 검증 분할에 사용됨.
glmnet R packageCRAN / glmnet authorsVersion 4.1-8
https://cran.r-project.org/package=glmnet		binomial family 및 alpha = 1을 적용한 LASSO 페널티 로지스틱 회귀에 사용됨.
mice R packageCRAN / amices projectVersion 3.16.0
https://cran.r-project.org/package=mice		20개의 대체 데이터셋과 20회의 반복 횟수를 적용한 연쇄 방정식 의한 다중 대체에 사용됨.
pROC R packageCRAN / pROC authorsVersion 1.18.5
https://cran.r-project.org/package=pROC		ROC 분석, AUC 추정, 신뢰 구간 및 DeLong 비교에 사용됨.
cobas 8000 modular analyzer seriesRoche Diagnostics05641446001 / SYS_128
https://diagnostics.roche.com/global/en/products/systems/cobas-8000-analyzer-series-sys-128.html		생화학 및 면역화학 분석. 제출 전 참여 실험실 기록과 분석기 모델 및 카탈로그 정보를 확인하십시오.
XN-1000 Automated Hematology AnalyzerSysmex CorporationModel XN-1000
https://www.sysmex.com/en-us/lab-solutions/hematology/xn-series/xn-1000		백혈구 및 혈소판 수치를 포함한 전혈구 계산 변수. 제출 전 참여 실험실 기록과 확인하십시오.
CS-5100 Automated Blood Coagulation AnalyzerSysmex CorporationModel CS-5100
https://www.sysmex.com/en-us/lab-solutions/hemostasis/sysmex-cs-5100		PT, APTT, 피브리노겐 및 D-dimer를 포함한 응고 변수. 제출 전 참여 실험실 기록과 확인하십시오.
ABL90 FLEX PLUS blood gas analyzerRadiometer Medical ApSModel ABL90 FLEX PLUS
https://www.radiometer.com/en/products/blood-gas-testing/abl90-flex-plus-blood-gas-analyzer		해당 플랫폼을 사용한 경우, 젖산 측정. 제출 전 참여 실험실 기록과 확인하십시오.
전자 의무 기록 시스템참여 병원기관별 상이; 해당 없음입원 기록, 경과 기록, ICU 기록, 처치, 활력 징후 및 퇴원 기록을 추출하는 데 사용됨. 가능한 경우 실제 벤더 및 시스템 이름으로 대체하십시오.
실험실 정보 시스템참여 병원기관별 상이; 해당 없음실험실 타임스탬프, 원시 값, 단위 및 조화된 데이터를 추출하는 데 사용됨. 가능한 경우 실제 벤더 및 시스템 이름으로 대체하십시오.
종점 판정 서식연구팀맞춤형 연구 문서; 해당 없음두 명의 검토자와 한 명의 상급 검토자가 MODS 상태 및 발생 시점을 판정하는 데 사용하는 표준 서식.
데이터 사전 및 단위 변환 표연구팀맞춤형 연구 문서; 해당 없음변수명, 대상 단위, 변환 규칙, 결측치 플래그, 센터 코드 및 분석 준비 형식을 정의함.

참고문헌

  1. Banks PA, et al. Classification of acute pancreatitis-2012: revision of the Atlanta classification and definitions by international consensus. Gut. 2013;62(1):102-111.
  2. Wu BU, et al. The early prediction of mortality in acute pancreatitis: a large population-based study. Gut. 2008;57(12):1698-1703.
  3. Tenner S, et al. American College of Gastroenterology Guidelines: Management of Acute Pancreatitis. Am J Gastroenterol. 2024;119(3):419-437.
  4. Lee DW, Cho CM. Predicting severity of acute pancreatitis. Medicina (Kaunas). 2022;58(6):787.
  5. Metri A, Bush N, Singh VK. Predicting the severity of acute pancreatitis: current approaches and future directions. Surg Open Sci. 2024;19:109-117.
  6. Efthimiou O, et al. Developing clinical prediction models: a step-by-step guide. BMJ. 2024;386.
  7. Collins GS, Reitsma JB, Altman DG, Moons KGM. Transparent reporting of a multivariable prediction model for individual prognosis or diagnosis: the TRIPOD statement. Ann Intern Med. 2015;162(1):55-63.
  8. Li L, et al. Coagulopathy and acute pancreatitis: pathophysiology and clinical treatment. Front Immunol. 2024;15:1477160.
  9. Wan J, et al. Serum D-dimer levels at admission for prediction of outcomes in acute pancreatitis. BMC Gastroenterol. 2019;19:67.
  10. World Medical Association. World Medical Association Declaration of Helsinki: ethical principles for medical research involving human subjects. JAMA. 2013;310(20):2191-2194.
  11. Garg PK, Singh VP. Organ failure due to systemic injury in acute pancreatitis. Gastroenterology. 2019;156(7):2008-2023.
  12. Wu BU. Prognosis in acute pancreatitis. CMAJ. 2011;183(6):673-677.
  13. Wang H, et al. Early predictive value of different indicators for persistent organ failure in acute pancreatitis: a systematic review and network meta-analysis. J Clin Gastroenterol. 2024;58(3):307-314.
  14. Dumnicka P, et al. The interplay between inflammation, coagulation and endothelial injury in the early phase of acute pancreatitis: clinical implications. Int J Mol Sci. 2017;18(2):354.
  15. Favaloro EJ, Dean E. Variability in D-dimer reporting revisited. Pathology. 2021;53(4):538-540.
  16. Wolff RF, et al. PROBAST: A tool to assess the risk of bias and applicability of prediction model studies. Ann Intern Med. 2019;170(1):51-58.
  17. Riley RD, et al. Calculating the sample size required for developing a clinical prediction model. BMJ. 2020;368.
  18. Collins GS, et al. Evaluation of clinical prediction models (part 1): from development to external validation. BMJ. 2024;384.
  19. Vickers AJ, Elkin EB. Decision curve analysis: a novel method for evaluating prediction models. Med Decis Making. 2006;26(6):565-574.
  20. Riley RD, van der Windt D, Croft P, Moons KGM, editors. Prognosis Research in Healthcare: Concepts, Methods, and Impact. Oxford University Press; Oxford; 2019.
  21. Wu H, Li J, Zhao J, Li S. A new scoring system can be applied to predict the organ failure related events in acute pancreatitis accurately and rapidly. Pancreatology. 2020;20(4):622-628.
  22. Riley RD, et al. Evaluation of clinical prediction models (part 2): how to undertake an external validation study. BMJ. 2024;384.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

재인쇄 및 허가

더 많은 논문 탐색

생화학적 마커응고 마커위험 계층화중증도 점수 산정벌점 회귀 분석실험실 평가모델 검증중환자 치료
문의하기
도서관에 추천하기

개인정보 처리방침

이용 약관

정책

저작권 © 2026 MyJoVE Corporation. 모든 권리 보유.