전신 수술 후 입원 기간에 영향을 미치는 요인: 예측 모델링 10년 분석을 통한 통찰

What Drives Length of Stay After Elective Spine Surgery? Insights from a Decade of Predictive Modeling

목표: 전신 수술 후 입원 기간을 예측하는 것은 환자 결과 개선 및 병원 자원 효율성을 최적화하는 데 필수적입니다. 본 체계적 문헌 고찰은 이 환자군에서 입원 기간을 예측하는 데 사용되는 다양한 계산 방법을 종합적으로 분석하고, 모델 성능 및 주요 예측 요인을 강조합니다. 방법: PRISMA 지침에 따라 PubMed, Google Scholar, ACM Digital Library를 체계적으로 검색하여 2015년 12월 1일부터 2024년 12월 1일까지 발표된 연구를 조사했습니다. 선정 기준에 부합하는 연구는 통계 모델 또는 머신러닝 모델을 사용하여 전신 수술 환자의 입원 기간을 예측한 연구였습니다. 세 명의 검토자가 독립적으로 연구를 선별하고 데이터를 추출했습니다. 결과: 1,263개의 연구를 검토한 결과, 29개의 연구가 선정 기준을 충족했습니다. 입원 기간은 연속형, 이분형 또는 백분위수 기반 결과로 예측되었습니다. 모델에는 로지스틱 회귀, 랜덤 포레스트, 부스팅 알고리즘 및 신경망이 포함되었습니다. 머신러닝 모델은 전통적인 통계 모델보다 일관되게 우수한 성능을 보였으며, AUC 값은 0.94에서 0.99 사이였습니다. 일부 연구에서는 K-최근접 이웃(K-Nearest Neighbors) 및 나이브 베이즈(Naive Bayes)가 최고 성능을 달성했습니다. 일반적인 예측 요인으로는 나이, 동반 질환(특히 고혈압 및 당뇨병), 체질량 지수(BMI), 수술 유형 및 기간, 척추 분절 수 등이 있었습니다. 그러나 외부 검증 및 보고 방식은 연구마다 크게 달랐습니다. 논의: 입원 기간 예측에 대한 인공 지능 및 머신러닝에 대한 관심이 높아지고 있지만, 표준화 부족 및 외부 검증 부족은 임상적 유용성을 제한합니다. 향후 연구에서는 표준화된 결과 정의 및 실제 적용을 발전시키기 위한 투명한 보고 방식을 우선적으로 고려해야 합니다. 결론: 머신러닝 모델은 전신 수술 후 입원 기간 예측에 강력한 잠재력을 가지고 있으며, 이는 퇴원 계획 및 병원 자원 관리를 개선하는 데 기여할 수 있습니다.

Objective: Predicting length of stay after elective spine surgery is essential for optimizing patient outcomes and hospital resource use. This systematic review synthesizes computational methods used to predict length of stay in this patient population, highlighting model performance and key predictors. Methods: Following PRISMA guidelines, we systematically searched PubMed, Google Scholar, and ACM Digital Library for studies published between December 1st, 2015, and December 1st, 2024. Eligible studies applied statistical or machine learning models to predict length of stay for elective spine surgery patients. Three reviewers independently screened studies and extracted data. Results: Out of 1,263 screened studies, 29 studies met inclusion criteria. Length of stay was predicted as a continuous, binary, or percentile-based outcome. Models included logistic regression, random forest, boosting algorithms, and neural networks. Machine learning models consistently outperformed traditional statistical models, with AUCs ranging from 0.94 to 0.99. K-Nearest Neighbors and Naive Bayes achieved top performance in some studies. Common predictors included age, comorbidities (notably hypertension and diabetes), BMI, type and duration of surgery, and number of spinal levels. However, external validation and reporting practices varied widely across studies. Discussion: There is growing interest in artificial intelligence and machine learning in length of stay prediction, but lack of standardization and external validation limits clinical utility. Future studies should prioritize standardized outcome definitions and transparent reporting needed to advance real-world deployment. Conclusion: Machine learning models offer strong potential for length of stay prediction after elective spine surgery, highlighting their potential for improving discharge planning and hospital resource management.