프로포폴과 레미펜타닐 목표 농도 주입 중 이중분광지수의 예측 - 딥러닝 접근법

Abstract

연구 배경<br/> 프로포폴과 레미펜타닐의 목표 농도 주입을 이용한 총정맥마취는 약동 약리 모델에 기반하여 원하는 효과를 빠르게 얻을 수 있어 널리 사용되고 있는 방법이다. 그러나 목표 농도 주입 중 효과처 농도는 가장 널리 사용되고 있는 마취 심도 감시 장치인 이중분광지수와 일치하지 않음이 보고 되어 왔다. 본 연구에서는 기계 학습의 일종인 딥러닝 기법을 이용하여 프로포폴과 레미펜타닐의 투여 후 이중분광지수 값의 시간에 따른 변화를 보다 높은 정확도로 예측할 수 있는 모델을 개발해 고전적 약동학 모델과 성능을 비교하여 보았다.<br/> <br/> 대상 및 방법 <br/> 전자 의무 기록 및 수술 중 생체 신호 레지스트리로부터 환자의 나이, 성별, 키, 몸무게, 프로포폴 및 레미펜타닐 주입 용량, 효과처 농도 계산값, 이중분광지수 측정값을 후향적으로 수집하였다. 수집된 데이터를 환자 단위로 무작위 배정하여 학습군, 검증군, 시험군으로 나누었다. 학습군 데이터는 딥러닝 모델의 학습에, 검증군의 데이터는 학습의 중단 및 모델의 선택, 시험군의 데이터는 최종 모델의 성능 평가에 이용하였다. 전처치를 위해 모든 군에서 목표 농도 주입 장비의 주입 기록을 10초 단위로 합하고, 학습군의 이중분광지수 값은 국소가중회귀법을 이용하여 평활화 하였다. 딥러닝 기법들 중, 약동학 구획 모델과 구조적 유사성이 있는 장단기기억모형을 이용하여 약물의 시간에 따른 변화를 모델링하고, 앞먹임 신경망을 이용하여 공변량의 영향 및 용량 반응 관계를 모델링하였다. 학습된 딥러닝 모델의 성능 평가를 위해 Short 등에 의해 보고된 반응 표면 모델과 비교하였다.<br/> <br/> 결과<br/> 총 231명의 환자 데이터가 수집되었다. 모델의 학습에 131명의 환자 데이터가 사용되었으며 평가를 위해 100명의 환자 데이터가 사용되었다. 최적의 성능을 보이는 모델은 8개의 상태 변수를 가진 장단기기억모형과 이어지는 16개의 숨김 노드를 가지는 앞먹임 신경망으로 구성되었다. 딥러닝 모델의 예측치와 실제 측정된 이중분광지수 간의 평균 제곱근 편차는 9±2로서 반응 표면 모델의 15±4 에 비해 통계적으로 유의하게 작았다 (P < 0.001).<br/> <br/> 결론<br/> 프로포폴과 레미펜타닐의 목표 농도 주입 중 딥러닝 모델을 이용한 이중분광지수의 예측은 기존의 반응 표면 모델과 비교하였을 때 더 나은 성능을 보였다. 마취 약리학 연구에 있어서 딥러닝 접근법은 정확도와 확장성의 측면에서 활용 가능성이 높다고 생각된다.<br/>