로고

로고

Research

연구 정보

Research Project (승인과제목록)

KNN 연구 요약서

Title 극소저체중출생아의 사망 시기 별 위험인자를 분석하는 딥러닝 (multi-layer perception) 모델 만들기
Author 황제균, 차종호, 나재윤, 안자혜, 이현주, 박현경, 김창렬
작성자 황제균
Background 의학의 발전에도 불구하고 미숙아, 특히 극소저체중출생아의 사망률은 높다. CRIB (Clinical Risk Index for Babies), SNAP-II (simplified score for neonatal acute physiology-II) 등의 scoring system이 개발되어 있고, 최근 KNN 데이터를 활용한 연구 (과제번호2021-006, 2019-016, 2018-001) 에서도 극소저체중출생아의 사망을 예측하려는 노력은 계속되어 온다. 그러나 기존 연구의 경우 일반적인 통계학적인 방법을 사용하여 사망의 위험 요인을 분석하거나, 사망률을 예측하여 제시하였다. 이에 본 연구진은 통상적인 기법의 통계학적인 방법을 사용하여 위험요인을 분석하는 연구 및 기존 알려져 있는 인공지능 기법을 사용하여 사망을 예측하는 모델을 구축해온 방법이 아닌, 더 나아가 (1) 딥러닝 (MLP) 기법을 통해, (2) 신생아가 사망하는 시점을 출생일 다음날까지 / 출생 후 일주일 이내 / 출생 후 28일 이내 (혹은 환자수에 따라 신생아중환자실 퇴원일)의 세 시점으로 나누어 각각의 시기별 사망의 위험인자를 분석하는 인공지능 모델을 직접 만들어 제시하고자 한다. 또한 딥러닝의 특성상 연구 대상이 많을수록 예측을 잘 할 수 있기 때문에 이전 연구에서 더 나아가 최근까지의 data를 포함하여 연구하면 더 좋은 결과가 나올 것으로 기대한다.
Aim / Hypothesis This study aims to determine perinatal and neonatal factors that are available at different time points of hospitalization, using data from a nationwide registry of very low birth weight (VLBW) infants, and to develop the mortality prediction model (MPM) for using multi-layer perception (MLP) based network.
Inclusion Criteria All KNN variables
Exclusion Criteria Undefined mortality over 50% missing data
Study Design Statistical methods Using prenatal and neonatal variables, we will establish a prediction model by serial time periods; (1) within 1 day after birth date (TL-1d), (2) from Day 2 to Day 7 after birth (TL-7d), (3) from Day 8 to Day 28 (TL-28d) or Day 8 to initial discharge from NICU (TL-dc). We develop MLP-based network with ensemble method at each timeline by leveraging the results of multiple traditional and deep approaches (mortality prediction model, MPM). Performance will measure by Area Under the Receiver Operating Characteristics Curve (AUROC) and compare with traditional approaches Shapley additive explanation (SHAP) will use to interpret the result of the model.
Primary Outcomes Comparisons of performance our model vs. conventional ML algorithms between 3 time periods.
Secondary Outcomes and Definitions To identify and interpret which variables have the most influence, perform SHAP analysis. 출생 체중 (혹은 임신 주수) 별 사망률의 차이에 대한 분석 추가
Protocols Prospective cohort data의 분석
Funding None

질병관리청 바로가기

대한신생아학회 바로가기

국립보건연구원 바로가기

Korean Neonatal Network TEL : 070-8095-2023   FAX : 02-3410-3540   
E-mail : knn@knn.or.kr

COPYRIGHT © 2022 KNN. ALL RIGHTS RESERVED.