To apply an artificial intelligence disease prediction model in actual clinical settings, it is essential to ensure interpretability consistent with medical research and provide a multidimensional analysis of the model’s operation. Particularly in the case of Acute Kidney Injury (AKI), since the etiology is diverse, it is necessary to determine whether the model accurately predicts the reasons for the occurrence of acute kidney injury to enable appropriate preventive measures. In this study, we implemented an RNN-based AKI prediction model and achieved performance at a level suitable for clinical use through feature engineering that incorporates medical knowledge. We also applied Layer-wise Relevance Propagation methods to the model to provide a foundation for its clinical application. Additionally, we present the results of individual case analyses of the dataset predicted by the model. This includes cases that were classified as false negatives in early prediction but eventually indicated kidney injury, cases not classified as acute kidney injury but with a poor prognosis, and cases where alerts are practically meaningful. These analyses offer examples of patient types that can occur in clinical applications.
인공지능 질병 예측 모델을 실제 임상환경에서 적용하려면 의료 연구의 특성상 모델의 설명 가능성이 보장되어야 하며, 모델의 작동 방식에 관한 다각도의 분석이 필요하다. 특히 급성 신손상의 경우, 발생 기전이 다양하여 모델이 급성 신손상 발생 이유를 맞게 예측하였는지를 확인하여야 적절한 예방 조치가 가능하다. 본 연구에서는 순환 신경망 기반의 급성 신손상 예측 모델을 구현하고, 의료 지식을 반영한 특성 엔지니어링을 통해 임상에서 사용 가능한 수준의 성능을 확보하였다. 또한, 해당 모델에 레이어 단위 관련성 전파 모델 방법을 적용하여 임상 적용의 기반을 제시한다. 이에 더해, 해당 모델로 예측한 데이터셋의 개별 사례 분석 결과를 제시하는데, 조기 예측에서 위음성으로 분류되었지만 장기적으로는 신손상이 발생하는 경우, 급성 신손상으로 분류되지 않지만 환자 예후가 나빠 실질적으로는 경고가 의미 있는 경우 등을 따로 분석하여, 임상 적용에서 발생할 수 있는 환자 유형의 예시를 보고한다.