전 세계적으로 상해로 인한 사망자 중 1/3의 직접적인 사망 원인은 출혈성 쇼크이다. 그러나 초기 쇼크에서 이를 정확히 예측할 수 있다면 신속한 치료가 가능하여 그 피해를 줄일 수 있다. 본 논문의 목적은 흰쥐의 대퇴부정맥을 통해 일정량의 출혈을 시키면서 변화하는 생리적 변수인 심박수, 수축기 혈압, 평균 동맥압, 호흡수, 체온 데이터로 최적의 생존 예측 모델을 제시하여 출혈성 쇼크를 조기 진단하는 것이다. 예측 모델로는 최근 많이 연구되는 인공신경망과 지원벡터기계 방법을 사용하였다. 과대적합을 피하고 최적의 모델을 선정하기 위해 10-fold cross validation을 수행하였을 때, 인공신경망의 경우 은닉노드 수가 3개인 모델이 가장 우수한 성능을 보였고, 지원벡터기계에서는 가우시안 커널함수를 이용한 모델이 가장 우수한 성능을 보였다. 평가 데이터 세트를 이용하여 각각의 생존 예측 모델을 평가한 결과 인공신경망의 경우 민감도 88.9 %, 특이도 96.7 %와 정확도 92.0 %를 보였고, 지원벡터기계의 경우 민감도 97.8 %, 특이도 95.0 %와 정확도 96.7 %를 보였다. 따라서 출혈에 따른 흰쥐의 생존 예측에서 지원벡터기계가 인공신경망보다 더 우수한 성능을 보이는 것을 확인하였다.
Hemorrhagic shock is a cause of one third of death resulting from injury in the world. Early diagnosis of hemorrhagic shock makes it possible for physician to treat successfully. The objective of this paper was to select an optimal classifier model using physiological signals from rats measured during hemorrhagic experiment. This data set was used to train and predict survival rate using artificial neural network (ANN) and support vector machine (SVM). To avoid over-fitting, we chose the best classifier according to performance measured by a 10-fold cross validation method. As a result, we selected ANN having three hidden nodes with one hidden layer and SVM with Gaussian kernel function as trained prediction model, and the ANN showed 88.9 % of sensitivity, 96.7 % of specificity, 92.0 % of accuracy and the SVM provided 97.8 % of sensitivity, 95.0 % of specificity, 96.7 % of accuracy. Therefore, SVM was better than ANN for survival prediction.
