[논문]인공지능 기법을 이용한 조영제 부작용 예측 연구

김상현

doi:10.7742/jksr.2023.17.3.423

인공지능 기법을 이용한 조영제 부작용 예측 연구
Contrast Media Side Effects Prediction Study using Artificial Intelligence Technique 원문보기

한국방사선학회 논문지 = Journal of the Korean Society of Radiology, v.17 no.3, 2023년, pp.423 - 431

초록
AI-Helper

본 연구의 목적은 환자의 신체정보와 인공지능 기법을 활용하여 부작용에 영향을 미치는 인자들을 분석하고 조영제 부작용의 정도를 예측하여 이를 완화하는 기초자료로 활용되고자 한다. 연구에 사용한 데이터는 서울 소재 종합병원의 검진을 시행한 CT 검사 58,000건 중 조영제 부작용이 발생한 1,235건 중 과거력 조사에서 조영제 부작용이 없었던 606명의 검사자를 대상자로 하였다. 606개 샘플 중 70%는 훈련 셋으로 사용하고 나머지 30%는 검증을 위한 테스트 셋으로 사용하였다. 나이, BMI(Body Mass Index), GFR(Glomerular Filtration Rate), BUN(Blood Urea Nitrogen), GGT(Gamma Glutamyl Transgerase), AST(Aspartate Amino Transferase,), and ALT(Alanine Amiono Transferase)의 feature를 독립변수로 조영제 중증도를 목표변수로 사용하였다. AdaBoost, Tree, Neural network, SVM, Random foest 알고리즘을 통해 AUC(Area under curve), CA(Classification Accuracy), F1, Precision, Recall을 파악하였다. 분류 예측에 사용된 알고리즘 중 가장 높은 평가지표를 나타내 것은 AdaBoost와 Random Forest이다. 모든 모델의 예측에서 가장 큰 요인은 GFR, BMI, GGT 이였다. 이는 신장 여과 기능, 비만에 따라 주입되는 조영제 양의 차이와 대사증후군의 여부에 따라 조영제 부작용 중증도에 영향을 미치는 것을 알 수 있었다.

Abstract ▼ AI-Helper

The purpose of this study is to analyze the factors affecting the classification of the severity of contrast media side effects based on the patient's body information using artificial intelligence techniques to be used as basic data to reduce the degree of contrast medium side effects. The data used in this study were 606 examiners who had no contrast medium side effects in the past history survey among 1,235 cases of contrast medium side effects among 58,000 CT scans performed at a general hospital in Seoul. The total data is 606, of which 70% was used as a training set and the remaining 30% was used as a test set for validation. Age, BMI(Body Mass Index), GFR(Glomerular Filtration Rate), BUN(Blood Urea Nitrogen), GGT(Gamma Glutamyl Transgerase), AST(Aspartate Amino Transferase,), and ALT(Alanine Amiono Transferase) features were used as independent variables, and contrast media severity was used as a target variable. AUC(Area under curve), CA(Classification Accuracy), F1, Precision, and Recall were identified through AdaBoost, Tree, Neural network, SVM, and Random foest algorithm. AdaBoost and Random Forest show the highest evaluation index in the classification prediction algorithm. The largest factors in the predictions of all models were GFR, BMI, and GGT. It was found that the difference in the amount of contrast media injected according to renal filtration function and obesity, and the presence or absence of metabolic syndrome affected the severity of contrast medium side effects.

주제어

표/그림 (12)

표 Table 1. Variable information and characters (n=606)
표 Table 2. Severity of hypersensitivity reaction
그림 Fig. 1. Predicted model of contrast media side effects.
표 Table 3. Aspects of contrast media side effects (n=606)
표 Table 4. Type of contrast media side effects (n=606)
표 Table 5. Prediction importance of BMI
표 Table 6. Prediction importance of Age
표 Table 7. Prediction importance of GFR
표 Table 8. Prediction importance of GGT
표 Table 9. Prediction importance of AST
표 Table 10. Prediction importance of ALT
표 Table 11. Prediction importance of BUN

AI 본문요약
AI-Helper

문제 정의

본 연구는 목적은 첫째, 신체정보 자료를 기반으로 CT 검사 시 조영제 중증도를 분류할 수 있는 최적의 알고리즘을 찾고 둘째, 신체정보 중 중증도 분류에 영향을 주는 요인을 제시하여 기초자료로 사용하고자 하였으며 그 결과는 다음과 같다.
본 연구는 지도학습방법 중 결괏값의 추정할 수 있는 알고리즘인 에이다부스트(Adaptive Boosting, AdaBoost) 의사결정나무(Decision tree analysis), 신경망(Neural network), 서포트벡터머신(Surpport vector machine, SVM), 랜덤포레스트(Random forest) 등을 이용하여 환자의 신체정보 중 연속형 데이터인 체질량지수(Body Mass Index, BMI), 나이, 사구체여과율(Glomerular Filtration Rate, GFR), 혈액요소질소(Blood Urea Nitrogen, BUN) 감마 글루타밀 펩티드 전이효소(Gamma Glutamyl Transgerase, GGT), 아스파르트산 아미노기 전이효소(Aspartate Amino Transferase, AST), 알라닌 아미노 전이효소(Alanine Amiono Transferase, ALT)등과의 관계성을 분석하여 부작용 중증도에 미치는 영향을 평가하고자 한다.
인공지능을 활용한 약물 부작용 예측 모델들은 선행연구가 있으나 현재 CT 조영제 부작용에 대해 국한된 연구는 없는 실정이다. 이에 환자의 신체정보와 인공지능 기법을 활용하여 부작용에 영향을 미치는 인자들을 분석하고 조영제 부작용의 정도를 예측하여 이를 완화하는 기초자료로 활용되고자 한다.

제안 방법

606개 샘플 중 70%는 훈련 셋으로 사용하고 나머지 30%는 검증을 위한 테스트 셋으로 사용하였다. Table 1과 같이 나이, BMI, GFR, BUN, GGT, AST, ALT의 변수(feature)를 독립변수로 조영제 중증도를 목표변수로 사용하였다.
0을 사용하였으며 코딩없이 머신러닝과 데이터마이닝 기법을 적용할 수 있다. 신체정보 데이터 셋을 이용하여 에이다부스트, 의사결정나무, 신경망, 랜덤포레스트, 서포트벡터머신 알고리즘을 통해 곡선하면적(Area Under the Curve, AUC), 분류정확도(Classification Accuracy, CA), F1, 정밀도(Precision), 재현율(Recall)을 파악하였다. 본 연구는 목표변수가 있는 지도학습 방법(Supervised modeling) 으로 분류, 판별(Classification)과 추정(Estimation) 둘 다 가능한 알고리즘을 사용하였다.

대상 데이터

본 연구에 사용한 데이터는 서울 소재 종합병원의 검진을 시행한 CT 검사 58,000건 중 조영제 부작용이 발생한 1,235건 중 과거력 조사에서 조영제 부작용이 없었던 606명의 검사자를 대상자로 하였다. 606개 샘플 중 70%는 훈련 셋으로 사용하고 나머지 30%는 검증을 위한 테스트 셋으로 사용하였다. Table 1과 같이 나이, BMI, GFR, BUN, GGT, AST, ALT의 변수(feature)를 독립변수로 조영제 중증도를 목표변수로 사용하였다.
본 연구에 사용한 데이터는 서울 소재 종합병원의 검진을 시행한 CT 검사 58,000건 중 조영제 부작용이 발생한 1,235건 중 과거력 조사에서 조영제 부작용이 없었던 606명의 검사자를 대상자로 하였다. 606개 샘플 중 70%는 훈련 셋으로 사용하고 나머지 30%는 검증을 위한 테스트 셋으로 사용하였다.
연구에 사용된 알고리즘은 AdaBoost, Tree, Neural network, SVM, Random forest이며 이 중 평가지표가 높은 것은 AdaBoost와 Random Forest이다. 각 모델의 예측에서 가장 큰 요인은 GFR, BMI, GGT 이었으며 이는 신장 여과 기능, 비만에 따른 조영제 양, 대사증후군 여부에 따라 조영제의 중증도가 달라진다는 것으로 예상된다.

이론/모형

신체정보 데이터 셋을 이용하여 에이다부스트, 의사결정나무, 신경망, 랜덤포레스트, 서포트벡터머신 알고리즘을 통해 곡선하면적(Area Under the Curve, AUC), 분류정확도(Classification Accuracy, CA), F1, 정밀도(Precision), 재현율(Recall)을 파악하였다. 본 연구는 목표변수가 있는 지도학습 방법(Supervised modeling) 으로 분류, 판별(Classification)과 추정(Estimation) 둘 다 가능한 알고리즘을 사용하였다.

성능/효과

연구에 사용된 알고리즘은 AdaBoost, Tree, Neural network, SVM, Random forest이며 이 중 평가지표가 높은 것은 AdaBoost와 Random Forest이다. 각 모델의 예측에서 가장 큰 요인은 GFR, BMI, GGT 이었으며 이는 신장 여과 기능, 비만에 따른 조영제 양, 대사증후군 여부에 따라 조영제의 중증도가 달라진다는 것으로 예상된다. 또한 Neural network와 SVM은 데이터 전처리와 매개변수 설정을 보완하고 분석 시 변수들을 일정한 순서나 방식으로 넣은 것이 아니기 때문에 결과가 일정하지 않을 수 있으므로 이를 보완한다면 신뢰도 높은 알고리즘이 될 것으로 판단된다.

후속연구

각 모델의 예측에서 가장 큰 요인은 GFR, BMI, GGT 이었으며 이는 신장 여과 기능, 비만에 따른 조영제 양, 대사증후군 여부에 따라 조영제의 중증도가 달라진다는 것으로 예상된다. 또한 Neural network와 SVM은 데이터 전처리와 매개변수 설정을 보완하고 분석 시 변수들을 일정한 순서나 방식으로 넣은 것이 아니기 때문에 결과가 일정하지 않을 수 있으므로 이를 보완한다면 신뢰도 높은 알고리즘이 될 것으로 판단된다.

참고문헌 (23)

J. E. Jacobs, B. A. Birnbaum, C. P. Langlotz, "Contrast media reactions and extravasation: Relationship to intra-venous injection rates", Radiology, Vol. 209, No. 2, pp. 411-416, 1998. http://dx.doi.org/10.1148/radiology.209.2.9807567？

상세보기
A. Rosado Ingelmo, I. Dona Diaz, R. Cabanas Moreno, M. C. Moya Quesada, C. Garcia-Aviles, I. Garcia Nunez, J. I. Martinez Tadeo, R. Mielgo Ballesteros, N. Ortega-Rodriguez, M. A. Padial Vilchez, L. Sanchez-Morillas, C. Vila Albelda, E. Moreno Rodilla, M. J. Torres Jaen, "Clinical practice guidelines for diagnosis and management of hypersensitivity reactions to Contrast Media", Journal of investigational allergology & clinical immunology, Vol. 26, No. 3, pp. 144-155, 2016. https://doi.org/10.18176/jiaci.0058？

상세보기
K. Brockow, C. Christiansen, G. Kanny, O. Clement, A. Barbaud, A. Bircher, P. DeWachter, J. L. Gueant, R. M. Rodriguez Gueant, C. Mouton-Faivre, J. Ring, A. Romano, J. Sainte-Laudy, P. Demoly, W. J. Pichler "Management of hypersensitivity reactions to iodinated contrast media", Allergy, Vol. 60, No. 2, pp. 150-158, 2005. http://dx.doi.org/10.1111/j.1398-9995.2005.00745.x？

상세보기
Michael A Bettmann, "Frequently asked questions: iodinated contrast agents", RadioGraphics, Vol. 24, No. 1, pp. 3-10, 2004. http://dx.doi.org/10.1148/rg.24si045519？

상세보기
M. J. Meth, H. I. Maibach, "Current understanding of contrast media reactions and implications for clinical management", Drug Safety, Vol. 29, No. 2, pp. 133-141, 2006. http://dx.doi.org/10.2165/00002018-200629020-00003？

상세보기
D. V. Smit, P. A. Cameron, T. H. Rainer, "Anaphylaxis presentations to an emergency department in Hong Kong: Incidence and predictors of biphasic reactions", Journal of Emergency Medicine, Vol. 28, No. 4, pp. 381-388, 2005. http://dx.doi.org/10.1016/j.jemermed.2004.11.028？

상세보기
S. M. Yu, D. K. Han, J. W. Hong, "Comparative Analysis of Death-Related Iodide Contrast Media due to Adverse Reactions of Contrast Media in Computed Tomography", Journal of Radiological Science and Technology, Vol. 44, No. 1, pp. 47-52, 2021. https://doi.org/10.17946/JRST.2021.44.1.47？

원문보기 상세보기
J. M. Seong, N. K. Choi, J. Lee, Y. S. Chang, Y. J. Kim, B. R. Yang, X. M. Jin, J. Y. Kim, B. J. Park, "Comparison of the Safety of Seven Iodinated Contrast Media", Journal of Korean Medical Science, Vol. 28, No. 12, pp. 1703-1710, 2013. https://doi.org/10.3346/jkms.2013.28.12.1703？

상세보기
S. G. Baek, J. H. Park, S. H. Kang, H. J. Park, "A study on the development of severity-adjustied mortality prediction model for discharge patient with acute stroke using machine learning", Journal of the Korea Academia-Industrial cooperation Society, Vol. 19, No. 11, pp. 126-136, 2018. https://doi.org/10.5762/KAIS.2018.19.11.126？

원문보기 상세보기
J. Ring, K. Messmer, "Incidence and severity of anaphylactoid reactions to colloid volume substitutes", Lancet (London, England), Vol. 309, No. 8009, pp. 466-469, 1977. https://doi.org/10.1016/s0140-6736(77)91953-5？

상세보기
J. H. Choi, H. G. Rye, "Analysis of occupational injury and feature importance of fall accidents on the construction sites using adaboost", Journal of the Architectural Institute of Korea Structure & Construction, Vol. 35, No. 11, pp. 155-162, 2019. https://doi.org/10.5659/JAIK_SC.2019.35.11.155？

원문보기 상세보기
W. B. Son, J. M. Jang, "A Decision Tree Analysis-based Exploratory Study on the Effects of Using Smart Devices on the Expansion of Social Relationship", Informatization Policy, Vol. 26, No. 1, pp. 62-82, 2019. https://doi.org/10.22693/NIAIP.2019.26.1.062？

원문보기 상세보기
J. S. Jung, J. W. Yoon, "Author identification using artificial neural network", Journal of the Korea Institute of Information Security and Cryptology, Vol. 26, No. 5, pp. 1191-1199, 2016. http://dx.doi.org/10.13089/JKIISC.2016.26.5.1191？

원문보기 상세보기
H. I. Lim, "Design of similar software classification model through support vector machine", Journal of Digital Contents Society, Vol. 21, No. 3, pp. 569-577, 2020. http://dx.doi.org/10.9728/dcs.2020.21.3.569？

상세보기
P. J. Kim, "An Analytical study on automatic classification of domestic journal articles using random forest", Journal of the Korean Society for Information Management, Vol. 36, No. 2, pp. 55-77, 2019. http://dx.doi.org/10.3743/KOSIM.2019.36.2.057？

원문보기 상세보기
G. Liccardi, G. Lobefalo, E. Di Florio, C. Di Iorio, L. Occhiochiuso, L. Romano, G. Savoia, R. M. Massa, G. D'Amato, "Strategies for the prevention of asthmatic, anaphylactic and anaphylactoid reactions during the administration of anesthetics and/or contrast media", Journal of Investigational Allergology and Clinical Immunology, Vol. 18, No. 1, pp. 1-11, 2008.？

상세보기
J. H. Kim, S. H. Shin, H. C. Kang, "A Case study on the use of ROC curve and AUC in the evaluation of discriminant model", Journal of The Korean Data Analysis Society, Vol. 20, No. 2, pp. 609-619, 2018. http://doi.org/10.37727/jkdas.2018.20.2.609？

상세보기
Y. M. Kang, S. Y. Ok, "Mobile User Task Prediction Models and Accuracy Evaluation Method", Journal of the Korea Institute Of Information and Communication Engineering, Vol. 11, No. 9, pp. 1742-1748, 2007.？
S. W. Choi, T. H. Ko, K. J. Hong, K. H. Kim, "Machine Learning-Based Prediction of Korean Triage and Acuity Scale Level in Emergency Department Patients", Healthcare Informatics Research, Vol. 25, No. 4, pp. 305-312, 2019. https://doi.org/10.4258/hir.2019.25.4.305？

상세보기
K. H. Kang, "Network Anomaly Detection Technologies Using Unsupervised Learning AutoEncoders", Journal of The Korea Institute of Information Security and Cryptology, Vol. 30, No. 4, pp. 617-629, 2020. http://doi.org/10.13089/JKIISC.2020.30.4.617？

원문보기 상세보기
M. S. Kim, D C. Kweon, "Analysis of eGFR Calculator in Patients Undergoing Contrast Media Enhanced CT Examination", Journal of Radiation Industry, Vol. 13, No. 1, pp. 9-15, 2019. http://dx.doi.org/10.23042/radin.2019.13.1.9？
Y. K. Kim, Y. M. Kim, "Optimization of protocol for injection of iodinated contrast medium in pediatric thoracic CT examination", Journal of the Korean Society of Radiology, Vol. 13, No. 6, pp. 879-887, 2019. http://dx.doi.org/10.7742/jksr.2019.13.6.879？

원문보기 상세보기
D. H. Hong, "Comparison of CT exposure dose prddiction models using machine learning-based body measurement information", Journal of Radiological Science and Technology, Vol. 43, No. 6, pp. 503-509, 2020.

저자의 다른 논문 :

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