코로나-19 관련 출판된 논문 소개

현재까지 저희 코로나-19 프로젝트 관련해서 출판된 논문을 소개해 드립니다.

아직 revision중인것이나 작성중인것도 있어서 한꺼번에 소개해드리려다가 끝이없어서 이 시점에서 소개드립니다.

모두 JMIR (Journal of Medical Internet Research, IF 5)에소개된 논문들이며,

JMIR은 medical informatics 분야 세계 1위 저널로 IF와 상관없이 그 자체로 의미가 크게 느끼고 있습니다.

각 논문에 대해 보기 편하시게

<세줄 요약> 및 <초록 번역>을 제공해드립니다 ^^

------------------------------------------------

A Patient Self-Checkup App for COVID-19: Development and Usage Pattern Analysis

https://www.jmir.org/2020/11/e19665

< 세줄요약 >

1) 코로나-19 환자 대상 전문가 6명 기반으로 어떤 환자를 검사해야하는지 선별 알고리즘을 제작함 (expert-opinion, rule-based)

2) 웹앱으로 제작, 3월1일 - 3월 27일간 8만명이상 접속. 반정도가 해외에서 접속

3) digital literacy가 떨어지는 60대 이상이어도 이 앱은 사용률이 높았다. (필요가 강하면 digital literacy를 극복할 수 있다는 증거는 아닐지..?)

< 초록번역 >

배경 : 코로나-19 감염에 대한 정해진 가이드라인이 없으며, 많은 국가들이 콜센터 등의 방법을 이용하고 있으나, 이런 방법은 이미 과도한 부담이 되고 있는 의료시스템에 부하를 더할 뿐이다. 이 연구는 이런 배경에서, 검사가 필요한 환자를 선별하는 알고리즘을 개별하고 이를 이용하여 웹 앱을 개발한 사례를 소개한다.

목표 : 대중을 대상으로 웹앱을 제작하여 본인이 자가 검사를 통하여 언제 의료시설을 찾아야하는지를 안내해 주는 것을 목표로 한다.

방법 : 코로나-19 환자를 직접 선별/검사/치료하는 6명의 전문의와의 상의를 통해 어떤 환자를 선별하여 검사/치료해야하는지 알고리즘을 개발하였다. 의료 자원이 부족한 상황에서 어떤 환자에 집중해야하는지에 초점이 맞춰져 있었다. 스마트폰에서 접속이 편하도록 설계된 웹 앱으로 제작하였다. 2020년 3월 1일부터 3월 27일까지 환자들의 접속 및 사용 패턴을 분석하였다. 사용 패턴과 해당 지역의 코로나-19 확진자수, 사망자수, 디지털 리터러시를 분석하였다.

결과 : 알고리즘은 환자들의 기본정보, 체온 및 다른 증상을 기반으로 제작하였다. 총 83,460 사용자가 105,508번 접속하였다. 특별한 홍보를 하지 않았으나 반정도의 사용자들이 해외에서 접속하였다. 60세 이상의 사용자들의 디지털 리터러시는 50대에 비해서 절반밖에 되지 않지만, 실제 접속수는 비슷하였다.

결론 : 전문가 의견 기반 코로나-19 환자 선별 알고리즘을 제작하였으며 모바일 웹앱을 제작하여서 많은 사용자들에게 편의를 제공하였다.

------------------------------------------------

COVID-19 Outcome Prediction and Monitoring Solution for Military Hospitals in South Korea: Development and Evaluation of an Application

https://www.jmir.org/2020/11/e22131

< 세줄요약 >

1) 4개 병원 276명 코로나-19 환자 데이터를 이용하여 입원 후 산소 치료까지의 기간을 예측하는 Cox proportional hazards ratio모델 제작함 (산소치료가 필요한 환자를 선별!)

2) 이 모델을 이용하는 환자용앱/의료진용앱을 제작, 데이터를 수집하고 이 데이터를 이용하여 근거기반 가이드를 제공하는 플랫폼을 제작함 -> 군 병원 등 밀집지역에서 도움이 될 것으로 기대

3) PSSUQ를 이용하여 50명대상 사용성 설문 결과 2.2로 결과가 좋게 나옴

< 초록 번역 >

배경 : 코로나-19가 판데믹으로 지정됨에 따라 공공의료시스템에 많은 부담이 되고 있다. 코로나-19 사망률의 차이는 의료자원의 가용률 차이와 연관이 되고 있다고 알려져있다. 이에 따라 치료가 필요한 환자를 선별하는것이 매우 중요하며, 밀집되어 생활하는 군인력에서 이런 문제는 더욱 더 중요하다. 이 연구에서는 이런 배경에서, 근거 기반 예후 예측 시스템을 개발하여 환자를 선별하는 것은 매우 중요하다.

목표 : 이 연구는 국내 군 병원에서 데이터를 수집하고 환자 선별을 위한 근거기반 솔루션을 구축하고 제작하며, 이에 대한 사용성 평가를 진행한다.

방법 : 플랫폼의 구성은 사용자에게 데이터 기반 결과를 알려주고, 이 결과를 얻기위해 제공한 데이터를 재사용하여 선순환을 이루는 구조이다. 이런 플랫폼을 구축하기위해 환자용앱, 의료진용앱 두 가지 앱을 제작하였다. 주요 예후 인자는 산소 투여의 필요성이었다. 4개의 ㅂ여원에서 환자 데이터를 수집하여 Cox proportional hazards model을 제작하였고, 예측 값은 첫 산소 투여까지의 입원 후 기간이었다. 환자의 기본정보, 이전 과거력, 증상, 사회학적 과거력 과 체온을 이용하였다. Post-Study System Usability Questionnaire (PSSUQ)를 이용하여 50명의 의료진을 대상으로 의료진용앱 사용성 연구도 진행하였다.

결과 : 환자용앱과 의료진용앱은 많은 사용자에게 제공하기 위해 웹을 통하여 배포되었다. 총 246명의 환자 데이터를 이용하였다. 7.32%의 적은 확률로 환자들이 전문적 치료를 필요하였다. 예측 모델을 만들기 위해 선정된 변수들은 나이, 체온, 병전 신체 자유도, 심혈관계 질환 과거력, 고혈압, 다발지역 방문여부, 오한, 열감, 호흡곤란, 그리고 피로감이었다. C statistics는 0.963 (95% CI 0.936-0.99)였다. PSSUQ결과 평균 2.2로 사용성이 좋게 나왔다.

결론 : 이 논문에서 제시된 플랫폼은 근거 기반 환자 선별 알고리즘을 제작하며, 이는 군에서 필수적이다. 잘 디자인된 사용성 및 정확한 예측 모델을 기반으로, 이 플랫폼은 코로나-19 상황에서 환자들의 생명을 살리고 코로나-19의 전파를 막는데 도움이 될 수 있다.

------------------------------------------------

An Easy-to-Use Machine Learning Model to Predict the Prognosis of Patients With COVID-19: Retrospective Cohort Study

https://www.jmir.org/2020/11/e24225/

< 세줄요약 >

1) 코로나-19 상황에서 중환자실에 갈 환자를 예측하는 기계학습(인공지능) 모델을 제작함 -> 현재 docl 앱에 사용중

2) 100개 병원에서 4787명의 환자 데이터를 이용하였으며, 해당 기간내 국내 입원환자 전체 데이터임

3) AUC 0.897, (외부검증 0.885) 로 높은 discrimination power를 보여주었으며, CURB-65보다 유의미하게 정확함 (0.836, 0.843)

< 초록 번역 >

배경 : 집중치료가 필요한 환자를 선별하는 것은 코로나-19 상황에서 사망률을 낮추는데 핵심적이다. 몇 점수 기반 방법론이 소개되었으나 많은 경우 혈액검사나 영상검사 결과를 필요로하지만, 이는 언제나 구하기가 쉽지 않다.

목표 : 이 연구는 기계학습 모델을 개발하여 코로나-19 상황에서 집중치료가 필요한 환자들을 예측하는 것을 목표로 하며, 기본 정보, 과거력, 증상 등 쉽게 얻을 수 있는 변수만을 이용하는 것을 목표로 한다.

방법 : 국내 전국적 코호트 데이터를 이용하여 제작하였다. 100개의 병원에서 2020년 1월 25일부터 2020년 6월 3일까지 입원한 환자를 포함하였다. 쉽게 얻을 수 있는 변수들을 추출하였으며 나이, 성별, 흡연력, 체온, 과거력, 병전 신체 자유도, 증상이 포함되었다. 최종 예측 변수는 집중 치료 필요 여부였으며, 이는 입원 30일 이내에 집중치료실 입실여부, ECLS, 기계환기, 승압제 사용여부 및 사망여부였다. 3월 20일 이전까지 수집된 데이터를 이용하여 기계학습 예측 모델을 개발하였으며, 이후 입원한 환자 데이터를 이용하여 외부 검증을 진행하였다. 기존의 바이러스성 폐렴 환자 중 중환자실 입실 여부를 예측하는 CURB-65 점수와 예측력을 비교하였다.

결과 : 4787 명의 환자들이 최종적으로 포함되었으며, 3294명의 환자가 기계학습 모델 개발에 사용되었다. 460명 (9.6%)의 환자들이 집중치료가 필요하였다. 55개의 기계학습 모델이 개발되었으며 이중에서 XGBoost 모델이 가장 높은 discrimination performance를 보여주었다. 이 모델의 AUC값은 모델 개발 데이터 기준 0.897 (95% CI 0.877-0.917)이었으며 검증 데이터 기준 0.885 (95% CI 0.855-0.915)이었다. 모두 CURB-65 AUC값에 비해 유의미하게 우월했다 (0.836, 0.843)

결론 : 환자가 쉽게 제공할 수 있는 변수를 기반으로 한 기계학습 모델을 제작하였으며, 코로나-19 환자를 선별하는데에 도움이 될 수 있다.