[논문]응급환자의 중증도 예측을 위한 APACHE II 기반 CAOPI 시스템

이영호; 강운구; 정은영; 윤은실; 박동균

doi:10.9708/jksci.2011.16.1.175

응급환자의 중증도 예측을 위한 APACHE II 기반 CAOPI 시스템
A CAOPI System Based on APACHE II for Predicting the Degree of Severity of Emergency Patients 원문보기

韓國컴퓨터情報學會論文誌 = Journal of the Korea Society of Computer and Information, v.16 no.1, 2011년, pp.175 - 182

이영호 (가천의과학대학교 유헬스케어연구소) , 강운구 (가천의과학대학교 유헬스케어연구소) , 정은영 (가천의대 길병원 유헬스케어센터) , 윤은실 (가천의과학대학교 유헬스케어연구소) , 박동균 (가천의대 길병원 유헬스케어센터)

초록
AI-Helper

본 연구에서는 환자의 중증도 분류 및 인체 주요 장기의 상태 예측을 위하여 APACHE II(Acute Physiology And Chronic Health Evaluation) 기반 CDSS 도구인 CAOPI(Computer Aided Organ Prediction Index) 시스템을 제안한다. 기존 ICU 환자의 중증도 평가방법은 APACHE II를 이용하여 특정 시점의 중환자 위험도를 특정한 시점 데이터를 이용하여 산출하는 방식이었으나, 실시간으로 변화하는 환자의 상태에 맞춰 조치를 취하는데는 한계가 있다. CAOPI 시스템은 중환자실에 입실하는 환자들의 질병 중증도를 정확히 분류하고, 환자의 사망예측 뿐만 아니라장기 상태를 시각화 하여 위험도를 수치화 하였다. 또한 위험도를 특정 장기별로 구분하여 담당의 사가 환자의 상태에 맞는 맞춤형 응급조치를 취할 수 있도록 설계 및 개발 하였다.

Abstract ▼ AI-Helper

This study proposes CAOPI(Computer Aided Organ Prediction Index) system based on APACHE II(Acute Physiology And Chronic Health Evaluation) for classifying disease severity and predicting the conditions of patients' major organs. The existing ICU disease severity evaluation is mostly about calculating risk scores using patients' data at certain points, which has limitations on making precise treatments. CAOPI system is designed to provide personalized treatments by classifying accurate severity degrees of emergency patients, predicting patients' mortality rate and scoring the conditions of certain organs.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

따라서 의료 정보의 흐름에 있어서 반드시 참조해야 할 환자에 대한 위급 정보 등을 뷰어를 이용하여 인증된 의료진이 언제 어디에서나 접근 할 수 있도록 하였다. 그렇게 함으로써, 환자 진료에 있어 신속한 조치가 가능하여 보다 양질의 의료서비스를 시행 할 수 있다는 점에 본 연구의 의의가 있다.
이는 기존의 APACHE Ⅱ 시스템을 분석하고 임상적 특성을 고려하여 예측함으로써 환자에게 맞춤형 조치를 가능하게 했다는 점에 의의가 있다. 기존의 APACHE Ⅱ를 이용한 많은 중증도 분류도구의 타당성을 검증하는 연구에서 벗어나 APACHE Ⅱ의 특징을 분석하고 이를 기반으로 환자의 진료를 보다 효율적으로 할 수 있도록 하기 위한 연구를 진행하였다. 또한 환자의 장기를 네 부분으로 나눔으로써 환자의 사망률 예측 뿐 아니라 장기 상태도 추정할 수 있도록 구성하였다.
본 연구에서는 환자의 중증도 분류 및 인체 주요 장기 상태 예측을 위하여 APACHE Ⅱ에 기반을 둔 CAOPI 알고리즘을 개발하였고, Test Bed를 구축한 사례를 알아보았다. 이는 기존의 APACHE Ⅱ 시스템을 분석하고 임상적 특성을 고려하여 예측함으로써 환자에게 맞춤형 조치를 가능하게 했다는 점에 의의가 있다.
본 연구에서는 기존의 APACHE II의 변수들을 이용하였고, 중환자실에서 얻을 수 있는 데이터를 활용하여 환자 장기 (Organ) 각각의 상태를 파악할 수 있도록 하였다. 환자의 Organ상태를 파악하여 환자를 보다 집중 케어 할 수 있도록 하기 위한 것이다. 각 Organ의 상태에 대한 수학적인 수치는 표 1과 같고, 상태는 3단 척도법으로 (Danger, Abnormal, Normal) 나타내었다[14].

제안 방법

중환자실 실시간 데이터 연동은 중환자실에서 실시간으로 발생하는 데이터들 (Heart Rate, Respiratory Rate, ECG)의 데이터를 측정하여 실시간으로 PAN GW 로 전송해 주게 된다. HR, RR 데이터는 1분에 1회 발생하여 HL7 GW를 통하여 PAN GW로 소켓 통신을 통하여 전송하여 주게 되고 ECG 데이터는 AD Converter Module을 장착하여 이 모듈에서 PAN GW로 초당 360회씩 측정하여 데이터를 보내 주게 된다.
생리학적 측정 결과에 따라 각 항목당 0-4점의 점수를 주고 그 합을 APS라 하였다. 그리고 만성 질환 점수를 CHS라 하여 중증도에 따라 A, B, C, D로 분류한다. 이러한 방법은 중증도 측정과 위험도 예측에 신뢰성이 있고 유용하지만, 복잡하다는 한계점이 있다[11][12].
현재 길병원에서는 극히 일부 데이터만 최소 1분 단위로 측정값을 관리하고 있으며 HR 및 RR에 대한 측정값만을 획득할 수 있다. 다만 실시간 측정이 필요한 심전도의 경우 별도의 A/D converter 모듈을 제작 해 PanGW의 serial adapter로 전달하는 방식으로 구성하였다.
환자 상태에 대한 정보는 환자의 생명과 밀접하게 관련되어있으므로, 의료진에게 보다 신속하고 정확한 정보제공이 요구 된다. 따라서 의료 정보의 흐름에 있어서 반드시 참조해야 할 환자에 대한 위급 정보 등을 뷰어를 이용하여 인증된 의료진이 언제 어디에서나 접근 할 수 있도록 하였다. 그렇게 함으로써, 환자 진료에 있어 신속한 조치가 가능하여 보다 양질의 의료서비스를 시행 할 수 있다는 점에 본 연구의 의의가 있다.
본 연구에서는 APACHE를 이용하여 총체적인 사망률은 측정할 수 있지만, 필요할 때마다 APACHE 점수를 계산하여야 하는 기존의 제약사항을 고려하였다. 또한 APACHE를 기반으로 하여 인체의 주요 장기를 네 가지로 구분하고 점수화를 통하여 현재 시점의 상태를 진단하는 동시에 기존의 중환자실에서 얻을 수 있는 지속적인 생체 데이터를 통하여 장기 상태를 추정할 수 있는 알고리즘을 개발하였다.
또한 각각의 데이터를 하나의 데이터베이스로 통합하여 중환자실 및 응급실에서 환자의 중증도를 측정하여 환자의 중증도를 분류 할 수 있도록 구성하였다.
CAOPI 알고리즘을 구현하여 실시간으로 중환자실 환자 들의 생체정보를 입력 받아 분석해본 결과 분석 단계에서 도출한 현업 요구사항과 설계사항을 전체 시스템에 만족 시킬수 있도록 구성하였으며, 알고리즘을 적용 시켜 결과를 보여 주거나 분석하는 인터페이스가 정상적으로 작동하는지를 검증하였다. 또한 실행 방법 및 예상 결과 등을 포함하는 가상의사 및 환자 시나리오를 바탕으로 수행한 결과 및 데이터가 해당 사이트에 이상 없이 들어오는지를 검증하고 결함을 파악하여 제거하였다.
기존의 APACHE Ⅱ를 이용한 많은 중증도 분류도구의 타당성을 검증하는 연구에서 벗어나 APACHE Ⅱ의 특징을 분석하고 이를 기반으로 환자의 진료를 보다 효율적으로 할 수 있도록 하기 위한 연구를 진행하였다. 또한 환자의 장기를 네 부분으로 나눔으로써 환자의 사망률 예측 뿐 아니라 장기 상태도 추정할 수 있도록 구성하였다.
본 논문의 구성은 크게 두 부분으로 나누어져 있다. 먼저 CAOPI(Computer Aided Organ Prediction Index) 알고리즘을 개발하는 과정을 기술하고, 다음으로 CAOPI 알고리즘을 적용한 Test Bed 구축 사례에 대해 설명한다.
본 연구에서는 APACHE Ⅱ를 이용하여 CAOPI 알고리즘을 개발하였다. APACHE Ⅲ의 구성요소들은 APACHE Ⅱ와 비슷하다.
본 연구에서는 APACHE를 이용하여 총체적인 사망률은 측정할 수 있지만, 필요할 때마다 APACHE 점수를 계산하여야 하는 기존의 제약사항을 고려하였다. 또한 APACHE를 기반으로 하여 인체의 주요 장기를 네 가지로 구분하고 점수화를 통하여 현재 시점의 상태를 진단하는 동시에 기존의 중환자실에서 얻을 수 있는 지속적인 생체 데이터를 통하여 장기 상태를 추정할 수 있는 알고리즘을 개발하였다.
본 연구에서는 기존의 APACHE II의 변수들을 이용하였고, 중환자실에서 얻을 수 있는 데이터를 활용하여 환자 장기 (Organ) 각각의 상태를 파악할 수 있도록 하였다. 환자의 Organ상태를 파악하여 환자를 보다 집중 케어 할 수 있도록 하기 위한 것이다.
본 연구에서는 기존의 APACHE II의 변수들을 이용하였고, 중환자실에서 얻을 수 있는 데이터를 활용하여 환자의 Organ 각각의 상태를 파악할 수 있도록 하였다. 입력되는 데이터는 입력 방식에 따라 크게 stream data와 non-stream data로 구성하였다.
본 연구에서는 기존의 APACHE II의 변수들을 이용하였고, 중환자실에서 얻을 수 있는 데이터를 활용하여 환자의 Organ 각각의 상태를 파악할 수 있도록 하였다. 입력되는 데이터는 입력 방식에 따라 크게 stream data와 non-stream data로 구성하였다. 입력되는 데이터는 크게 네 가지 Organ 으로 분류되는데 각 Organ은 Heart, Lung, Kidney, General과 같이 구성되어 있다.
원내 환자 생체신호 모니터링 시스템은 병원 내 중환자실의 모니터링 장비로부터 다양한 생체 신호를 실시간으로 수집하도록 구성하였다. 중환자실내 생체 신호 모니터링 장비 (Solar 8000M)로부터 실시간 데이터를 얻었고, EMR/OCS등을 이용하여 환자의 생체 신호를 얻었다. 모니터링 시스템의 장비로 수집된 데이터는 CAOPI 알고리즘을 이용하여 분석하였다.

대상 데이터

둘째로 환자의 사망률을 예측하는 연구가 있다. 1994년 8월부터 1995년 7월까지 경희의료원 외과계 집중 치료실에입원하였던 환자 86명을 대상으로 APACHE Ⅱ score를 측정하였다[10]. 결론적으로 APACHE Ⅱ score system은 외과계 집중 치료실에 입원하게 되는 환자 또는 응급 질환자의 심한 정도를 구분함으로써 그 결과 및 예후를 예측하는데 유용하게 사용될 수 있다.
본 연구의 TEST BED는 2008년 1월 1일부터 7개월간 인천3차 종합병원에서 중환자실 환자 중 15명을 대상으로 이루어 졌다.
이전의 생체 데이터는 아날로그 타입으로 종이나 필름으로 이루어져 있어서 유지 및 재활용이 어려웠지만, 현재는 디지털 타입으로 컴퓨터를 이용하여 저장 및 활용이 용이하다. 이러한 점을 이용하여 우리는 현재 구축되어 있는 EMR과 OCS 등으로 중환자실 또는 응급실에서 얻을 수 있는 생체 데이터를 활용하여 연구를 진행 하였다[1][2].

이론/모형

APACHE III는 혈중요소 수치, 1일 소변량등 환자의 예후 예측력을 위한 변수가 추가되었지만 본 연구에서는 실시간으로 환자의 정보를 얻고 분석하여야 하기 때문에 APACHE Ⅲ의 변수들의 측정값을 얻기 어려웠다. APACHE Ⅱ의 변수들은 다양한 변수들의 구성으로 이루어져 있고, 환자의 예후 예측력에 대한 임상적 연구가 많이 이루어지고 있다는 점을 고려하여 중증도 분류도구로 APACHE II가 채택되어 본 연구가 진행되었다[13].
중환자실내 생체 신호 모니터링 장비 (Solar 8000M)로부터 실시간 데이터를 얻었고, EMR/OCS등을 이용하여 환자의 생체 신호를 얻었다. 모니터링 시스템의 장비로 수집된 데이터는 CAOPI 알고리즘을 이용하여 분석하였다.

성능/효과

CAOPI 알고리즘을 구현하여 실시간으로 중환자실 환자 들의 생체정보를 입력 받아 분석해본 결과 분석 단계에서 도출한 현업 요구사항과 설계사항을 전체 시스템에 만족 시킬수 있도록 구성하였으며, 알고리즘을 적용 시켜 결과를 보여 주거나 분석하는 인터페이스가 정상적으로 작동하는지를 검증하였다. 또한 실행 방법 및 예상 결과 등을 포함하는 가상의사 및 환자 시나리오를 바탕으로 수행한 결과 및 데이터가 해당 사이트에 이상 없이 들어오는지를 검증하고 결함을 파악하여 제거하였다.
1994년 8월부터 1995년 7월까지 경희의료원 외과계 집중 치료실에입원하였던 환자 86명을 대상으로 APACHE Ⅱ score를 측정하였다[10]. 결론적으로 APACHE Ⅱ score system은 외과계 집중 치료실에 입원하게 되는 환자 또는 응급 질환자의 심한 정도를 구분함으로써 그 결과 및 예후를 예측하는데 유용하게 사용될 수 있다. 또한 치료 방법의 결정에 도움을 주는데 이용될 수 있다.
1985년 Knaus 등이 복잡하다는 문제점을 수정 보완 하여 APACHE Ⅱ를 만들었다. 급성 생리적 이상, 연령, 만성 건강상태에 대한 점수의 합계로 급성 생리적 평가 항목을 12종목으로 감소시켰고, 몇몇 임계치수와 생리적 측정치에 대한 중요성을 변동하였다. 뇌기능 상태와 신기능이 환자의 예후에 크게 영향을 미치기 때문에 GCS(Glasgow Coma Scale)점 수와 급성 신부전시 크레아티닌 점수에 2배를 주어 강조하였다.
이로 인해 의사가 중환자실에 입실한 환자들을 좀 더 쉽게 관리 할수 있고, 환자들의 사망률을 줄일 수 있었다. 기존에 연구되었던 다른 중증도 분석 도구인 SAPSⅡ의 포인트 부여 범위는 크게 다섯 개 부분으로 나누어진 반면, APACHE는 여덟 개의 범위로 세분화함으로서 환자의 중증도를 세밀하게 분석할 수 있었다. 또한 환자의 상태를 부분적으로 판단하여 진료에 보다 효과적으로 활용 할 수 있었다.
본 시스템은 Test Bed를 기반으로 중환자실 환자를 대상으로 Patient Monitor(GE soloar 8000)로부터 수집되는 각종 생체신호 및 임상병리검사 결과를 CAOPI 알고리즘으로 전달해 실시간으로 환자의 상태 변화를 모니터링 할 수 있다. 이 때, 이상 징후 발생 시 다양한 형태로 진행된 데이터를역 추적 하고 분석 할 수 있다.
분석 결과 APACHE Ⅱ의 사망률이 증가할수록 CAOPI 알고리즘을 통해 환자의 신체의 각 부분의 위험도가 증가함을알 수 있었으며, 사망률이 높은 환자들을 재분석한 결과 네가지 장기의 상태가 모두 위험하지는 않았다. 환자들의 이전 병력과 환자의 특징들을 분석해 본 결과 환자의 신체를 네 부분으로 나누었을 때 하나 또는 두 개의 신체 부분이 위험하다는 것을 알 수 있었다.
분석 결과 APACHE Ⅱ의 사망률이 증가할수록 CAOPI 알고리즘을 통해 환자의 신체의 각 부분의 위험도가 증가함을알 수 있었으며, 사망률이 높은 환자들을 재분석한 결과 네가지 장기의 상태가 모두 위험하지는 않았다. 환자들의 이전 병력과 환자의 특징들을 분석해 본 결과 환자의 신체를 네 부분으로 나누었을 때 하나 또는 두 개의 신체 부분이 위험하다는 것을 알 수 있었다. 이는 기존의 APACHE Ⅱ를 분석하여 사망률을 측정했을 때와 달리 환자의 각 신체 부분 중 어느 부분에 이상이 있는지 파악할 수 있다는 장점이 있었다.

후속연구

첫째로 중환자에 대한 중증도 및 예후판정에 대한 객관적인 기술이나 분류법의 부재로 인하여 서로 간의 정보 교환 및 예후판정을 위한 방법의 개발이 필요하였다. 이에 따라 환자의 질병 중증도를 파악하는 여러 가지 방법에 대한 연구가 진행되 었다.
환자의 상태를 측정하기 위해서는 변수가 많고 다양한 APACHE Ⅲ가 유용하게 쓰일 수 있다. 하지만 실시간으로 획득하기 어려운 변수들이 있기 때문에 본 연구에서는 APACHE Ⅱ를 이용하였다는 한계점이 있다. 환자의 중증도를 파악하기 위한 기존의 도구를 이용하여 현재 상태를 진단할 뿐 아니라 예측하려는 시도는 추후 연구에 많은 영향을 미칠 것으로 예상된다.
하지만 실시간으로 획득하기 어려운 변수들이 있기 때문에 본 연구에서는 APACHE Ⅱ를 이용하였다는 한계점이 있다. 환자의 중증도를 파악하기 위한 기존의 도구를 이용하여 현재 상태를 진단할 뿐 아니라 예측하려는 시도는 추후 연구에 많은 영향을 미칠 것으로 예상된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	EMR, OCS와 같은 의료 정보 시스템으로 인해 어떤 장점이 있나요?	이러한 융합 기술 중 대표적인 것은 현재 병원에서 사용되고 있는 의료 정보 시스템인 EMR, OCS 등이 있다[1][2]. 이를 이용 하여 환자의 디지털 생체신호 데이터를 획득 할 수 있고, 병원에서는 중환자의 환자집중관리(Intensive care)에 있어서 서비스의 질과 효율성을 제고할 수 있다.
	IT와 의료산업의 융합 기술은 의료서비스에 어떤 영향을 주나요?	IT와 의료산업의 융합 기술은 의료서비스에 대한 질을 보다 향상시키는 헬스케어 산업의 원동력이 되고 있다. 이러한 융합 기술 중 대표적인 것은 현재 병원에서 사용되고 있는 의료 정보 시스템인 EMR, OCS 등이 있다[1][2].
	IT와 의료산업의 융합 기술 중 대표적인 예로는 무엇이 있나요?	IT와 의료산업의 융합 기술은 의료서비스에 대한 질을 보다 향상시키는 헬스케어 산업의 원동력이 되고 있다. 이러한 융합 기술 중 대표적인 것은 현재 병원에서 사용되고 있는 의료 정보 시스템인 EMR, OCS 등이 있다[1][2]. 이를 이용 하여 환자의 디지털 생체신호 데이터를 획득 할 수 있고, 병원에서는 중환자의 환자집중관리(Intensive care)에 있어서 서비스의 질과 효율성을 제고할 수 있다.

참고문헌 (16)

Sek-Koun Youn et al, "EMR Management system for the patient management," Korean Institute of Information Technology, Vol 4, No. 2, 2006.
Lee SB, Chung JY, Do BS, "Status of the Use and Assessment of Order-Communicating System(OCS) in Emergency Care Center," Yeungnam University, Vol 14, No 1, pp.85-93, 1997.

원문보기 상세보기
Scneff M et al, "Predicting patient outcome from intensive care: A guide to APACHE, MPM, SAPS, PRISM and other prognostic scoring system," J Intensive Care Med, Vol. 5, No. 1, 1990.
Knaus WA, et al, "The value of measuring severity of disease in clinical research on acutely ill patient," J Chron Dis , Vol 37, No 6, p445-463, 1984.
Lee, Kyeong Ok et al, "Patient Severity Classification in a Medical ICU using APACHE III and Patient Severity Classification Tool," Journal of Korean Academy of Nursing, Vol 30, No 5. 2000.
Young-Joo Lee et al, "Statistical Analysis of the Patients in the ICU by Using the APACHE II Scoring System," The Korean Society of Critical care medicine, Vol 13, No 1, 1998.
Lee KM, Lee GH, Um DJ, Choi R, "APACHE II Score and Evaluation of Intensive Care Unit Patients," Korean J Anesthesiol, Vol 27, No 2, 1994.
Cho KW, Hwang SY, Hong ES, "Comparison of Predicted Outcomes of TRISS, APACHE II, and SAPS II Scoring Systems in Intensive-care-unit Trauma Patients," J Korean Soc Emerg Med, Vol 13, No 4, 2002.
Le Gall JR, Lemeshow S, Saulnier F., "A new simplified acute physiology score (SAPS II) based on a European/North American multicenter study," JAMA, Vol 271, No 17, pp.2957-2963, 1993.
Kim YH et al, "The Application of APACHE 2 Scoring System for the Patients of Surgical Intensive Care Unit ", Kyung Hee University Medcial center, Vol 13, No 2, 1997.
Knaus WA et al, "APACHE II: A Severity of Disease Classification System," Crit Care Med, Vol 13, No 10, pp.818-824, Oct. 1985.

상세보기
Knaus WA et al, "The APACHE III Prognostic System: Risk Prediction of Hospital Mortality for Critically Ill Hospitalized Adults," Chest, Vol 100, No 6, pp.1619-1636, dec, 1991.

상세보기
Kim DS et al,. " The Prognostic Value of the First Day and Daily Updated Scores of the APACHE 3 System in Sepsis," The Korean Academy of Tuberculosis and Respiratory Diseases, Vol 42, No 6, pp.871 -878, 1995.

원문보기 상세보기
Park dong-kyun et al, "Design of an APACHE II -based I CDSS for Predicting the Degree of Severity of Emergence Patients," Korean Society for Internet Information, pp.247-252, 2009.
Kim SH et al, "The SOFA Score to Evaluate Organ Failure and Prognosis in the Intensive Care Unit Patients," Tuberculosis and respiratory diseases, Vol 57, No 4, 2004.
Knaus WA, Wagner DP, Lynn J., "Short-Term Mortality Predictions for Critically Ill Hospitalized Adults," Science and Ethics Science, Vol 254, No 5030, pp.389-394, Oct, 1991.

저자의 다른 논문 :

LOADING...

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증