이 단일 센터 회고적 연구에서는 뇌동맥류성 지주막하 출혈 후 지연성 뇌허혈을 예측하기 위한 로지스틱 회귀 모델을 개발하고 내부적으로 검증하였습니다. 680명의 환자를 대상으로 한 분석에서 6가지 초기 임상, 실험실 및 영상 변수가 예비 예측 가치를 나타냈습니다. 임상 적용 전 추가적인 외부 검증이 필요합니다.
이 콘텐츠를 보려면 JoVE 구독이 필요합니다. 로그인하거나 오늘 무료 평가판을 시작하세요.
이 단일 센터 회고적 연구에서는 뇌동맥류성 지주막하 출혈 후 지연성 뇌허혈을 예측하기 위한 로지스틱 회귀 모델을 개발하고 내부적으로 검증하였습니다. 680명의 환자를 대상으로 한 분석에서 6가지 초기 임상, 실험실 및 영상 변수가 예비 예측 가치를 나타냈습니다. 임상 적용 전 추가적인 외부 검증이 필요합니다.
지연성 뇌허혈(DCI)은 뇌동맥류성 지주막하 출혈(aSAH) 이후 발생하는 2차 신경학적 손상의 중요한 원인입니다. 본 후향적 단일 센터 연구에서는 2022년 7월부터 2024년 12월 사이에 치료받은 aSAH 성인 환자 680명의 데이터를 사용하여 DCI 예측 모델을 개발하고 평가했습니다. 환자들은 결과 기반 층화 추출을 통해 8:2 비율로 나누어, 544명의 환자로 구성된 훈련 코호트와 136명의 환자로 구성된 내부 검증용 홀드아웃 코호트로 구분하였습니다. DCI는 훈련 코호트에서 175명, 내부 검증 코호트에서 42명의 환자에게서 발생했습니다. 예측 변수 선택은 10-겹 교차 검증을 포함한 라쏘(least absolute shrinkage and selection operator) 회귀 분석을 사용하여 훈련 코호트에서 수행되었습니다. 최종적으로 연령, 뇌부종, 저알부민혈증, 수정 Fisher 등급, Hunt-Hess 등급, 세계신경외과학회(WFNS) 등급의 6가지 변수가 선정되었습니다. 로지스틱 회귀, extreme gradient boosting, light gradient boosting machine, 서포트 벡터 머신, k-최근접 이웃 모델을 비교 분석하였습니다. 로지스틱 회귀 모델은 내부 검증 코호트에서 ROC 곡선 아래 면적(AUC) 0.832(95% 신뢰 구간, 0.758–0.906)를 나타냈습니다. 보정 기울기, 보정 절편 및 Brier 점수는 각각 0.98, 0.02, 0.168이었으나, 이러한 보정 추정치에 대한 신뢰 구간은 확보되지 않았습니다. 본 연구 결과는 단일 홀드아웃 내부 검증 코호트에서의 예비 성능을 나타냅니다. 현재로서는 불완전한 재현성 기록, 모델 절편의 부재, 재표본 추출 기반의 낙관주의 보정 부족 및 외부 검증의 부재로 인해 환자 수준의 확률 계산 및 임상 적용이 어렵습니다.
aSAH 이후의 DCI에 대한 여러 예측 모델이 제안되었으나, 많은 모델이 작은 표본 크기, 불완전한 보정 평가, 모델 개발 절차의 불충분한 보고 및 외부 검증의 부족으로 인해 한계를 보였습니다. 많은 연구가 주로 판별력에 집중한 반면, 보정, 재현성 및 임상적 영향 평가는 덜 일관되게 보고되었습니다. 따라서 모델 성능은 투명한 방법을 통해 평가되어야 하며, 검증이 단일 센터로 제한된 경우에는 신중하게 해석해야 합니다.
본 연구의 목적은 일상적으로 이용 가능한 초기 임상, 실험실 및 영상 변수를 사용하여 DCI 예측 모델을 개발하고 내부적으로 평가하는 것이었습니다. 동일한 선택된 예측 인자 세트를 사용하여 다섯 가지 모델링 접근 방식을 비교하였습니다. 의도한 예측 시점은 최초 입원, 실험실 및 영상 평가 이후이면서 주요 DCI 위험 기간 이전이었습니다. 해당 모델들은 연구 기반의 위험 추정을 위해 개발되었으며, DCI를 진단하거나 임상적 판단을 대체하거나 독자적으로 치료법을 결정하기 위한 목적이 아니었습니다. 임상에 적용하기 전에는 외부 검증, 재보정 및 임상적 영향 테스트가 필요합니다.
지연성 뇌허혈(Delayed cerebral ischemia, DCI)은 지주막하 출혈(aSAH) 이후 임상적으로 가장 중요하며 잠재적으로 예방 가능한 2차 손상 중 하나입니다. DCI는 보통 발병 후 수일 뒤, 일반적으로 3~14일 이내에 발생하는 합병증으로, 새로운 국소 신경학적 결손, 의식 수준의 악화 및/또는 후속 신경영상 검사상 뇌경색의 발생과 관련이 있습니다. 기관마다 진단 관행에 일부 차이가 있으나, DCI는 항상 중환자실의 장기 체류, 높은 의료 자원 소모 및 불량한 신경학적 예후와 연관됩니다. 보고된 DCI의 발생률은 통상적으로 30~40%이며, 이는 해당 질환의 유병률과 중요한 예후적 함의를 강조합니다.1,2,3,4,5,6특히, 지연성 뇌허혈(DCI)은 단일 경로로 발생하는 과정이 아닙니다. 그동안 대혈관 뇌혈관 연축에 초점이 맞춰져 왔으나, 축적된 증거들에 따르면 초기 뇌손상, 피질 확산성 저분극, 신경 염증, 미세 혈전증, 내피 세포 기능 장애, 자가 조절 능력 손상 및 미세 순환 부전이 모두 허혈성 위험의 요인임을 보여줍니다. 이러한 다요인적 병태생리는 다음을 설명하는 데 도움이 됩니다. 혈관경련 표적 치료가 지연성 뇌허혈(DCI) 관련 경색을 완전히 예방하지 못할 수 있는 이유와 일반적인 임상 환경에서 고위험군 환자를 식별하기 어려운 이유에 대하여.
aSAH 이후 DCI의 위험 층화는 매우 중요하며, 고위험 환자를 신속하게 식별함으로써 더 세밀하게 모니터링하고 예방적 또는 구제 조치를 즉각적으로 강화할 수 있기 때문입니다7. 임상 현장에서의 모니터링 계획에는 더 빈번한 신경학적 검사, 경두개 도플러 초음파, 컴퓨터 단층 촬영 관류술과 같은 정밀 영상 기법의 사용, 혈역학 및 혈관 내 용적 최적화, 니모디핀 요법의 엄격한 준수, 그리고 뇌수종, 재출혈, 발작, 감염 또는 대사 불균형과 같은 신경학적 악화의 조기 식별이 포함될 수 있습니다. 그럼에도 불구하고, 개인별 데이터 기반의 DCI 확률 추정치보다는 전반적인 중증도 척도와 임상의의 경험이 임상적 결정에 더 큰 영향을 미치는 경향이 있습니다8,9,10. 그 이유 중 하나는 문헌에 따르면 위험 요인이 다양하며, 환자 요인, 출혈량, 생리적 이상 및 신경학적 등급 척도 간의 상호작용이 비선형적이고 복잡할 수 있기 때문입니다. 이전 연구자들은 연령, 고혈압, 기저 신경학적 상태, 뇌동맥류 특성, 실험실 지표(혈청 나트륨 및 알부민 등), 출혈량을 나타내는 영상 특징, 수술 전후 또는 치료 관련 요인을 포함하여 DCI의 잠재적 예측 인자들을 조사해 왔습니다. 전통적인 회귀 분석 기법이 도움이 되었으나, 예측 인자 간에 상관관계가 있거나, 예측 인자와 위험 사이의 관계가 비선형적이거나, 변수 간의 상호작용이 있는 경우에는 제한적일 수 있습니다11. 동시에, DCI 위험을 평가하기 위해 여러 도구(가장 일반적으로는 노모그램)가 제안되었습니다. 노모그램은 실행 가능하고 시각적으로 명확하지만, 대부분 적은 표본을 기반으로 하고 포함된 변수가 적으며, 과적합되었거나 검증이 부족할 수 있습니다. 또한, 특정 센터에서 개발 및 테스트된 모델은 환자 구성, 영상 해석, 치료 및 DCI 진단 임계값의 차이로 인해 다른 의료 기관에 즉각적으로 적용하기 어려울 수 있습니다.
머신러닝 방법은 엄격한 선형 가정을 세울 필요 없이 임상 데이터의 더 많은 차원을 탐색하고 더 복잡한 경향을 관찰할 수 있게 해주므로, 전통적인 임상 예측 모델을 보완할 수 있습니다. 머신러닝 기반의 예측 모델은 최근 몇 년 동안 결과 및 합병증 예측뿐만 아니라 의사 결정 지원을 포함하여 뇌혈관 질환 분야에서 점점 더 많은 응용 사례가 발견되고 있습니다.12,13,14일반적으로 적용되는 머신러닝 알고리즘에는 Extreme Gradient Boosting(XGBoost) 및 Light Gradient Boosting Machine(LightGBM)과 같은 앙상블 트리 방법, 서포트 벡터 머신(SVM)과 같은 커널 기반 분류기, 그리고 k-최근접 이웃(KNN)과 같은 거리 기반 분류기가 포함됩니다. 이러한 모델들은 원칙적으로 비선형성을 모델링할 수 있습니다. 그리고 전통적인 방식보다 더 많은 상호작용을 하며15하지만 ML 모델에는 과적합 위험, 해석력 저하, 그리고 전처리, 튜닝, 보정, 평가 및 검증 처리 필요성과 같은 실질적인 문제들이 수반됩니다. 광범위한 임상 시나리오에서, 특히 예측 변수의 수가 적고 신호 대 잡음비가 적당한 경우, 잘 지정된 로지스틱 회귀 분석이 더 복잡한 알고리즘만큼 또는 그보다 더 효과적으로 수행될 수 있다는 점에 주목할 필요가 있습니다. 따라서 성능 및 임상 적용 가능성과 상관관계가 있는 모델을 식별하기 위해, 유사한 예측 변수와 평가 지표를 사용한 다양한 알고리즘의 비교 분석이 필요합니다.16,17,18.
지연성 뇌허혈에 대한 여러 예측 모델이 이전에 제안되었으나, 많은 모델이 소규모 표본 크기, 제한적인 보정 평가, 알고리즘 간의 직접 비교 부족 및 불충분한 검증과 같은 중요한 한계점을 가지고 있습니다. 또한, 이전 연구들은 변별력(discrimination)을 주로 강조하는 반면, 실제 임상 적용에 필수적인 보정(calibration) 및 임상적 유용성 지표에 대한 보고는 부족한 경우가 많았습니다. 본 연구는 비교적 대규모 코호트에서 예측 모델을 개발하고, LASSO(least absolute shrinkage and selection operator) 회귀 분석을 사용하여 체계적인 예측 변수 선택을 구현하며, 통합 모델링 프레임워크 내에서 여러 머신러닝 알고리즘을 비교하고, 변별력, 보정 및 결정 분석 성능을 종합적으로 평가함으로써 이러한 공백을 해결하고자 합니다.
aSAH 이후 DCI를 예측하기 위한 여러 예측 모델이 제안되었으나, 소규모 코호트, 제한적인 보정 평가, 모델 개발 과정의 불완전한 보고, 외부 또는 시간적 검증의 부족 등 많은 한계가 있었습니다. 또한, 많은 연구가 판별력(discrimination)만을 보고하며, 보정(calibration) 및 결정 곡선 분석(decision-curve analysis)은 일관성 있게 제시되지 않는 경우가 많습니다. 본 연구는 외부 검증 문제를 해결하는 대신, 일상적으로 사용 가능한 임상, 실험실 및 영상 변수를 이용한 단일 센터 개발 및 내부 검증 연구를 제공합니다. 의도된 사용 사례는 입원 및 초기 동맥류 치료 후, 주요 DCI 위험 기간이 도래하기 전의 조기 위험 층화입니다. 이 모델은 임상의가 더 정밀한 신경학적 모니터링, 혈관 영상 감시, 생리학적 이상 교정 및 신경중환자 치료팀의 조기 검토가 필요한 환자를 식별하는 데 도움을 줄 수 있습니다. 본 모델은 임상적 판단을 대체하거나 DCI를 진단하거나, 외부 검증 및 임상적 영향 테스트 없이 치료를 안내하기 위한 용도가 아닙니다. 이전 연구들에서 aSAH 이후 DCI 예측을 위한 여러 모델이 제안되었으나, 많은 연구가 작은 표본 크기, 보정 보고의 불완전함, 모델링 방법 간의 제한적인 비교 또는 외부 검증의 부족으로 인해 한계가 있었습니다. 본 연구는 임상적으로 검증된 결정 도구를 제공한다고 주장하지 않습니다. 대신, 단일 센터 코호트로부터 일상적으로 사용 가능한 조기 임상, 실험실 및 영상 변수를 사용하여 예측 모델을 개발하고 내부적으로 검증하는 것을 목표로 합니다. 의도된 사용 사례는 입원 및 초기 동맥류 치료 후, 주요 DCI 위험 기간 전의 조기 위험 층화입니다. 이러한 상황에서 예측 위험도가 높게 나타나면 더 면밀한 신경학적 평가, 혈관 모니터링, 생리학적 이상 교정 및 신경중환자 치료팀의 조기 검토를 지원할 수 있습니다. 본 모델은 DCI를 진단하거나 임상의의 판단을 대체하기 위한 것이 아닙니다.
액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.
The study was approved by the Institutional Ethics Committee of Yulin First Hospital, Shaanxi Province, China. Because this was a retrospective analysis of routinely collected hospital data, and because all data were anonymized before analysis, the requirement for written informed consent was waived. The study was conducted in accordance with institutional data-protection requirements and the principles of the Declaration of Helsinki.
Data and Methods
Study Population and Design
This was a retrospective single-center cohort study conducted at Yulin First Hospital, Shaanxi Province, China. The hospital records of patients admitted with aSAH between July 2022 and December 2024 were screened. Eligible patients were adults aged 18 years or older with a diagnosis of aSAH confirmed by cranial and intracranial vascular imaging. Patients were required to have been admitted within 72 h after symptom onset and to have undergone aneurysm treatment during the index hospitalization.
Patients were excluded if they had traumatic subarachnoid hemorrhage, non-aneurysmal subarachnoid hemorrhage, severe pre-existing hematological disease, other major intracranial disease affecting outcome assessment, insufficient records for DCI evaluation, or in-hospital death before an adequate DCI assessment period. Excluding early in-hospital deaths may introduce survivorship bias because the most severe cases may be removed from analysis. Therefore, the findings should be interpreted as applying mainly to patients who survived long enough for DCI evaluation.
Data Collection
Clinical, laboratory, imaging, and treatment-related variables were extracted from the electronic medical record using a predefined data-extraction form. The extracted variables included demographic factors, medical history, aneurysm features, early neurological grade, early imaging findings, laboratory results, treatment approach, and hospital complications. The intended prediction time point was after completion of the initial admission and perioperative assessment, but before the main DCI risk window.
Age, sex, body mass index, smoking status, alcohol use, hypertension, diabetes, aneurysm size, aneurysm location, modified Fisher grade, Hunt-Hess grade, World Federation of Neurological Surgeons grade, intraventricular hemorrhage, and rebleeding were taken from admission records and initial imaging. Laboratory variables, including hemoglobin, serum albumin, and serum sodium, were obtained from the earliest available blood test prior to the prediction time point. Cerebral edema was assessed using baseline or immediate post-treatment imaging available before DCI diagnosis. Variables recorded only after DCI onset were not used for model development to reduce information leakage.
Anemia was defined as hemoglobin <110 g/L in female patients and <120 g/L in male patients. Hypoalbuminemia was defined as serum albumin <35 g/L. Hyponatremia was defined as serum sodium <130 mmol/L.
Patients were managed according to the institutional aSAH care pathway. Standard management included early aneurysm securing, neurological observation, blood pressure control, fluid and electrolyte management, and surveillance for complications including hydrocephalus, rebleeding, seizure, infection, vasospasm, and DCI. Nimodipine was used unless contraindicated. Vasospasm monitoring was performed using neurological examination, vascular imaging, and transcranial Doppler ultrasonography when clinically indicated. Hydrocephalus was managed with cerebrospinal fluid diversion when required. Hemodynamic optimization and rescue therapy were applied according to the treating team’s assessment. Because treatment intensity and rescue-therapy details were not completely captured in the retrospective dataset, these factors could not be fully adjusted in the model and were considered a limitation.
Diagnosis of DCI
DCI was defined as a new focal neurological impairment, a decrease in level of consciousness, or a new cerebral infarction on follow-up computed tomography or magnetic resonance imaging occurring during the expected DCI risk window and not explained by another cause. The DCI risk window was defined as days 3–14 after the hemorrhage ictus. Alternative explanations, including rebleeding, hydrocephalus, seizure, infection, metabolic disturbance, sedative effect, and procedure-related infarction, were reviewed before classifying an event as DCI.
Outcome adjudication was performed by two clinicians with experience in the management of aSAH, including one neurosurgeon and one neurologist/neurocritical care physician. The adjudicators reviewed clinical notes, neurological examinations, imaging reports, and follow-up imaging. They were blinded to the final model output during outcome assessment. Disagreements were resolved through consensus discussion with review of the relevant imaging and clinical timeline. Formal inter-rater agreement was not measured, and this limitation was added because DCI classification may involve clinical judgment.
Sample Size Calculation
The sample size was estimated using the 10-events-per-variable (EPV) rule of thumb11. With 20 candidate predictor variables and an expected DCI incidence of approximately 35%, a minimum sample size of 20 × 10 / 0.35 ≈ 572 patients was required. Our final cohort of 680 patients exceeded this requirement. Although the events-per-variable (EPV) rule was applied as a general guideline, modern predictive modeling, particularly machine learning algorithms, may require more flexible sample-size considerations. The final cohort size was considered adequate to ensure model stability, minimize the risk of overfitting, and enable reliable estimation of model performance metrics.
Model development and validation
Patients were allocated to a training cohort of 544 patients and a hold-out internal validation cohort of 136 patients using an outcome-stratified 8:2 split. Outcome stratification was used to maintain a similar proportion of DCI events in the two cohorts. DCI occurred in 175 of 544 patients in the training cohort and 42 of 136 patients in the internal-validation cohort. The 8:2 hold-out design was retained because it was the prespecified model-development strategy and provided a separate cohort for preliminary internal performance assessment.
Predictor selection was performed only in the training cohort using least absolute shrinkage and selection operator regression with 10-fold cross-validation. The selected penalty parameter was λ = 0.031. Six predictors were retained: age, cerebral edema, hypoalbuminemia, modified Fisher grade, Hunt-Hess grade, and World Federation of Neurological Surgeons grade.
Logistic regression, extreme gradient boosting, light gradient boosting machine, support vector machine, and k-nearest neighbor models were developed using the same set of selected predictors. All preprocessing, predictor selection, and model-development procedures were restricted to the training cohort. The internal-validation cohort was not used during predictor selection or model tuning and was evaluated only after model development.
The numerical random seed used for the original cohort allocation was not retained in the archived analysis records and could not be retrospectively verified. Bootstrap optimism correction and repeated k-fold internal validation were also not available. Therefore, the present analysis is described as a single hold-out internal validation rather than an optimism-corrected or repeated cross-validated performance assessment.
Machine-learning reproducibility
LASSO predictor selection used 10-fold cross-validation within the training cohort. Continuous predictors were standardized when required by the modeling algorithm, and categorical predictors were represented using predefined binary clinical categories. The validation cohort was not used for tuning or model selection.
The archived analysis materials did not retain the final tuning grids, selected hyperparameters, complete package versions, original random seed, or a confirmed class-imbalance procedure for XGBoost, LightGBM, SVM, and KNN. These settings were therefore not reconstructed or estimated. The machine-learning comparisons should consequently be interpreted as exploratory comparisons of algorithms rather than fully reproducible model-development experiments. Reproducibility information, both available and unavailable, should be summarized in Supplementary Table 1.
Bias Control & Sensitivity Analysis
Consecutive eligible patients were included to reduce selection bias. Standardized variable definitions and a structured data-extraction form were used to reduce information bias. Predictors were restricted to information available before the intended DCI prediction time point to reduce information leakage. Predictor selection, preprocessing, and model development were performed only in the training cohort.
Modified Fisher grade, Hunt-Hess grade, and WFNS grade represent related aspects of hemorrhage burden and neurological severity. Although all three variables were retained after LASSO selection, the numerical variance inflation factor values and the results from a sensitivity model excluding overlapping severity scales were not included in the archived analysis output. These analyses could not be reconstructed from the aggregate tables because patient-level correlations and fitted model outputs are required. Therefore, the individual coefficients of these severity measures were not interpreted as independent or causal effects. They were retained only as components of the prediction model selected in the training cohort.
Model Interpretability
Clinical applicability was believed to require model interpretability as a crucial element. In the most effective model, the effects of predictors were considered to assess the clinical plausibility and conformity with existing pathophysiological knowledge of delayed cerebral ischemia. This method enabled a clear assessment of model behavior and improved the potential for clinical translation.
Missing Data
Variable-level missingness was assessed during data preparation. However, the original pre-imputation missing counts and percentages for each candidate variable were not retained in the archived analysis records and could not be accurately reconstructed from the aggregate tables. Consequently, no assumption of complete data was made, and no unverified missingness percentages were reported.
A verified supplementary missing-data table should be generated directly from the original deidentified patient-level dataset. Supplementary Table 2 should report, for every candidate variable, the number and percentage of missing observations before data handling, the method used to address missingness, and the number of observations included in the final analysis. The inability to recover the original variable-specific missingness pattern was considered a limitation of the present report.
Statistical Analysis
Predictor selection was performed in the training cohort using LASSO regression with 10-fold cross-validation. Discrimination was assessed using the area under the receiver operating characteristic curve with 95% confidence intervals. Calibration was described using calibration plots and point estimates of the calibration slope, calibration intercept, and Brier score. Bootstrap confidence intervals for calibration measures were not available.
Threshold-dependent classification measures were calculated from the available internal-validation confusion matrices. The exact numerical probability threshold used to generate the archived confusion matrices was not retained and could not be verified. Therefore, these measures were interpreted descriptively and were not used as the primary basis for model selection. Decision-curve analysis was also considered exploratory because the exact prespecified threshold range and patient-level net-benefit output were not retained. A two-sided P value below 0.05 was considered statistically significant.
액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.
훈련 코호트와 내부 검증 코호트 간의 기선 특성 비교
총 680명의 aSAH 환자가 포함되었습니다. 훈련 코호트는 544명의 환자로 구성되었으며, 그 중 175명에서 DCI가 발생했습니다. 내부 검증 코호트는 136명의 환자로 구성되었으며, 그 중 42명에서 DCI가 발생했습니다. DCI 발생률은 훈련 코호트에서 32.2%, 내부 검증 코호트에서 30.9%였습니다. 기초 특성은 표 1에 제시되어 있습니다. 일부 보관된 표 항목에 분모 불일치가 포함되어 있으므로, 최종 제출 전에 해당 표를 원본 환자 수준 데이터 세트와 대조하여 확인해야 합니다.
| 변수 |
액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.
본 연구에서는 초기 임상, 실험실 및 영상 변수를 이용하여 aSAH 후 DCI에 대한 예측 모델을 개발하고 내부적으로 검증하였습니다. 예측 변수 선택 후 연령, 뇌부종, 저알부민혈증, 수정 Fisher 등급, Hunt-Hess 등급 및 세계신경외과학회(WFNS) 등급의 6가지 변수가 유지되었습니다. 평가된 모델들 중 로지스틱 회귀 분석이 안정적인 내부 판별력과 수용 가능한 보정도를 보였습니다. 검증 코호트가 훈련 코호트와 동일한 센터 및 기간에서 추출되었으므로, 본 결과는 예비적인 내부 검증으로만 해석되어야 합니다.
선택된 예측 인자들은 aSAH 맥락에서 임상적으로 타당합니다. 수정된 Fisher 등급이 높을수록 출혈 부담이 더 큼을 반영하며, Hunt-Hess 및 WFNS 등급은 내원 당시의 신경학적 중증도를 나타냅니다14,15. 뇌부종은 초기 뇌 손상을 나타낼 수 있으며,...
액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.
저자들은 익명화된 임상 데이터를 수집하는 데 도움을 준 유린 제1병원의 의료 기록 직원들의 지원에 감사드립니다. 해당 직원들은 연구 설계, 결과 판정, 통계 모델링, 결과 해석, 원고 작성 또는 최종 원고 승인에 참여하지 않았으며, 따라서 저자 자격 기준을 충족하지 않았습니다.
액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.
| 이름 | 회사 | 카탈로그 번호 | 댓글 |
|---|---|---|---|
| 전자 의료 기록 시스템 | Yulin First Hospital | 해당 없음 | 회고적 임상 데이터의 출처; 정확한 상용 플랫폼은 보관된 기록에 남아 있지 않음. |
| IBM SPSS Statistics | IBM Corporation | Version 25.0 | 기술 및 추론 통계 분석. |
| K-최근접 이웃 구현 | 패키지/소스 보관되지 않음 | 사용 불가 | 탐색적 머신러닝 모델; 정확한 패키지 및 버전은 원래 코드 환경에서 복구해야 함. |
| LightGBM | Microsoft / open-source project | 버전 사용 불가 | 탐색적 그래디언트 부스팅 모델; 정확한 패키지 버전 및 하이퍼파라미터가 보관되지 않음. |
| R 통계 소프트웨어 | R Foundation for Statistical Computing | Version 4.3.2 | 통계 모델링 및 내부 성능 평가. |
| 서포트 벡터 머신 구현 | 패키지/소스 보관되지 않음 | 사용 불가 | 탐색적 머신러닝 모델; 정확한 패키지, 커널 설정 및 버전이 보관되지 않음. |
| XGBoost | Open-source project | 버전 사용 불가 | 탐색적 그래디언트 부스팅 모델; 정확한 패키지 버전 및 하이퍼파라미터가 보관되지 않음. |
액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.