선택적 척추수술 입원기간 예측을 이끄는 요인

초록

이 체계적 리뷰는 2015년 12월부터 2024년 12월까지 발표된 29개의 연구를 분석하여, 선택적 척추수술 환자의 입원기간(LOS) 예측에 사용된 통계·머신러닝 모델을 비교한다. 머신러닝 모델이 전통적 통계모델보다 높은 AUC(0.94‑0.99)를 보였으며, 연령, 고혈압·당뇨 등 기존 질환, BMI, 수술 종류·시간, 수술 레벨 수 등이 주요 예측인자로 확인되었다. 그러나 외부 검증 부족과 보고 기준의 일관성 결여가 실용화에 장애가 된다.

상세 분석

본 논문은 PRISMA 가이드라인에 따라 체계적 문헌검색을 수행했으며, PubMed, Google Scholar, ACM Digital Library를 활용해 2015‑12‑01부터 2024‑12‑01 사이에 발표된 논문을 대상으로 했다. 선정 기준은 ‘선택적 척추수술 환자’를 대상으로 LOS를 예측하는 통계적 혹은 머신러닝 기반 모델을 적용한 원본 연구이며, 영어 논문에 한정하였다. 세 명의 리뷰어가 독립적으로 스크리닝·데이터 추출을 수행하고, 불일치는 제3의 리뷰어가 중재하였다.

연구 특성에서는 대부분이 후향적 코호트(90%)였고, 데이터 출처는 전자건강기록(EHR) 44.8%, NSQIP 등 국가 데이터베이스 20.7% 등 다양했다. 표본 크기는 100명 미만부터 450,000명까지 폭넓게 분포했으며, 평균 29,671명이었다. 수술 유형은 요추·경추 융합술이 주를 이루었으며, 다레벨 융합, 최소침습술, 종양 절제 등도 포함되었다.

모델링 측면에서 로지스틱 회귀, 다중 선형 회귀 등 전통 통계모델과 랜덤 포레스트, Gradient Boosting, XGBoost, LightGBM, 신경망 등 다양한 머신러닝 기법이 사용되었다. 특히 K‑Nearest Neighbors와 Naïve Bayes가 일부 연구에서 최고 성능을 기록했으며, 전반적으로 머신러닝 모델이 AUC 0.94‑0.99로 통계모델(보통 0.70‑0.85)보다 우수했다. 평가 지표는 AUC, 정확도, 정밀도, 재현율, F1‑score 등이 보고되었으나, 외부 검증을 수행한 연구는 전체의 10% 미만에 불과했다.

예측 변수 분석에서는 연령, 고혈압·당뇨와 같은 기존 질환, BMI, 수술 시간·복잡도, 수술 레벨 수가 일관된 중요 변수로 도출되었다. 일부 연구는 NLP를 활용해 임상 노트에서 추출한 텍스트 데이터를 포함했으며, 이는 모델 성능을 2‑3%p 상승시키는 효과를 보였다.

위험 편향 평가에서는 Cochrane Risk of Bias 도구를 적용했으며, 선택 편향과 보고 편향이 상대적으로 높게 나타났다. 특히 데이터 전처리 과정, 결측치 처리 방식, 클래스 불균형 대응 방법이 연구마다 상이해 재현성이 저하되는 원인이 되었다.

논의에서는 머신러닝의 높은 예측력에도 불구하고, 표준화된 LOS 정의 부재, 외부 검증 부족, 투명한 모델 보고(예: SHAP 값 제공)의 필요성을 강조한다. 또한, 임상 적용을 위해서는 실시간 EHR 연동, 사용자 친화적 인터페이스, 비용‑효과 분석이 선행되어야 함을 제시한다.

결론적으로, 머신러닝은 선택적 척추수술 LOS 예측에 강력한 도구이지만, 실제 임상 현장에 적용하기 위해서는 데이터 표준화, 외부 검증, 모델 해석 가능성 확보가 필수적이다.