성인 중환자실 환자의 중증도 보정지수에 따른 사망 예측 도구 유용성과 사망 영향요인: 후향적 의무기록 조사연구

Jai Jung Lee; Dong Yeon Kim; Min Ji Lee; Ji Young Kim

doi:10.4040/jkan.25094

Articles

Page Path: HOME > J Korean Acad Nurs > Ahead-of print articles > Article

Research Paper 성인 중환자실 환자의 중증도 보정지수에 따른 사망 예측 도구 유용성과 사망 영향요인: 후향적 의무기록 조사연구: 이재정, 김동연, 이민지, 김지영
Usefulness of Charlson comorbidity index-adjusted mortality prediction tools and factors influencing mortality in intensive care unit patients: a retrospective medical record review–based study: Jai Jung Lee, Dong Yeon Kim, Min Ji Lee, Ji Young Kim; DOI: https://doi.org/10.4040/jkan.25094
Published online: February 11, 2026

가톨릭대학교 서울성모병원 간호부

Nursing Department, Seoul St. Mary’s Hospital, The Catholic University of Korea, Seoul, South Korea

Corresponding author: Dong Yeon Kim Nursing Innovation Unit, The Catholic University of Korea, Seoul St. Mary’s Hospital, 222 Banpo-daero, Seocho-gu, Seoul 06591, South Korea E-mail: vonma98@naver.com

• Received: July 10, 2025 • Revised: December 1, 2025 • Accepted: December 1, 2025

This is an Open Access article distributed under the terms of the Creative Commons Attribution NoDerivs License (http://creativecommons.org/licenses/by-nd/4.0) If the original work is properly cited and retained without any modification or reproduction, it can be used and re-distributed in any format and medium.

220 Views
7 Download

Full Article

Download PDF

Abstract
서론
방법
결과
고찰
결론
Article Information
References

Abstract

Purpose
This study aimed to estimate the mortality rate in adult intensive care units (ICUs) using the Charlson comorbidity index (CCI)-adjusted Acute Physiology and Chronic Health Evaluation (APACHE) II and Simplified Acute Physiology Score (SAPS) III models, and to identify factors influencing mortality.
Methods
This retrospective cohort study included adult patients admitted to the ICU at a tertiary hospital between June 1 and August 31, 2022. Among the 1,098 screened patients, those younger than 18 years, those discharged within 48 hours, and those with missing medical records were excluded. In total, 482 patients were analyzed using the chi-square test, independent t-test, and multivariate logistic regression. Model performance was evaluated using the c-statistic and the Hosmer-Lemeshow goodness-of-fit test.
Results
The predictive accuracy of the mortality models was shown by concordance statistic (C-statistic) values of .817 for APACHE II, .857 for SAPS III, .697 for CCI, and .834 for CCI-adjusted APACHE II. Mechanical ventilation, cardiopulmonary cerebral resuscitation, continuous renal replacement therapy, and the presence of leukemia or lymphoma were significant predictors of mortality in adult ICU patients. Among the evaluated models, SAPS III and CCI-adjusted APACHE II demonstrated the highest predictive power.
Conclusion
The findings indicate that incorporating comorbidity indices such as the CCI with acute physiological parameters improves the accuracy of mortality prediction in ICU patients. Understanding mortality prediction models is essential for nurses to provide individualized, evidence-based, and high-quality care in adult ICUs.
Key words: APACHE; Comorbidity; Intensive care units; Mortality; Simplified acute physiology score

서론

1. 연구의 필요성

중환자실 입원 치료의 목적은 집중 치료와 간호를 통해 합병증 발생을 최소화 하는데 있다[1]. 중환자실 환자는 승압제 사용, 인공호흡기 치료, 지속적 신대체요법(continuous renal replacement therapy, CRRT), 체외막 산소 요법(extracorporeal membrane oxygenation, ECMO)과 같은 중증 처치를 받기 때문에 강도 높은 양질의 전문간호를 제공받아야 한다[1]. 그러나 고령화의 증가로 중환자실 재원기간이 점차 증가하는 현실에서 자원 배분의 효율성을 증대하기 위한 중환자실의 입실 적정성 평가와 사망 예측은 중환자실 운영의 중요한 지표가 되고 있다[2]. 생리적 지표를 이용한 중환자실에서의 사망 예측은 환자 질병의 심각성을 측정하거나 예측하고 치료계획을 세우는 데 도움을 주며 성공적으로 이용되고 있다[3]. 사망 예측 도구는 Sequential Organ Failure Assessment (SOFA) Score, Mortality Probability Admission Model (MPM), Acute Physiology and Chronic Health Evaluation (APACHE), Simplified Acute Physiology Score (SAPS) 등이 있다[4].

SAPS II는 Le Gall 등[5]이 개발한 사망 예측 도구로 12개국, 137개의 성인 중환자실에 입실한 13,152명의 환자를 대상으로 진행된 연구에서 제시되었다. 예측모형의 정확도는 주로 receiver operating characteristic (ROC) 곡선과 ROC 곡선 아래 면적(area under the ROC curve, AUC)를 통해 평가한다. 일반적으로 AUC는 0.5에서 1.0 사이의 값을 가지며, 1에 가까울수록 모델의 예측력이 높다는 것을 의미한다[6]. SAPS II 예측모형은, 개발 집단에서는 AUC가 .88이며, 검증 집단에서는 AUC가 .86으로 나타나 사망 예측에 적합한 도구임이 입증되었다[5].

Moreno 등[7]은 303개 중환자실에 입실한 환자를 대상으로 새로운 사망 예측 도구인 SAPS III을 제시했는데, AUC .85로 적합한 사망 예측모형이다. Moreno 등[8]이 16개국, 75개 중환자실에 입실한 환자 1,449명을 대상으로 한 연구에서 중환자실 퇴실 시의 Sequential Organ Failure Assessment (SOFA) score의 유용성이 사망을 예측한다고 제시하였는데, 이 모형도 AUC .77로 적합한 사망 예측모형이다. MPM II는 MPM I [9]을 수정 보완하여 Lemeshow 등[10]이 시간 경과에 따라 사망 예측모형을 제시했는데, 입원 시 모형(MPM II 0), 입원 24시간 예측모형(MPM II 24), 입원 48시간 예측모형(MPM II 48), 입원 72시간 예측모형(MPM II 72)으로 구성된다. 시간의 흐름에 따라 대상자의 전신적인 상태 변화를 평가하는 방식으로 사망확률은 50%를 기준으로 생존과 사망으로 나누어 예측한다. 사망 예측 도구는 보정과 갱신을 반복하며 발전해 왔으며, Higgins 등[11]은 이러한 과정을 거쳐 MPM III를 개발하였다. APACHE는 1981년 Knaus 등[12]에 의해 처음 개발된 후, 1985년에 APACHE II로[13], 1991년에 APACHE III [14], 2006년에 APACHE IV로[15] 점차 보완되며 발전되어 왔다. APACHE IV는 Zimmerman 등[15]에 의해 개발되었는데, 2006년 미국 45개 병원에서 104개 중환자실 환자 110,558명을 대상으로 진행된 연구에서, APACHE IV를 사용하였을 때 중증환자의 사망 예측에 향상된 분별력을 보였다. 생리적 지표를 사용하는 APACHE는 정확성 측면에서 APACHE Ⅳ를 사용하여야 한다고 하였으나, APACHE Ⅳ가 사용이 복잡하여 국내에서는 많이 사용되지 않는다. 국내에서는 지금도 여전히 APACHE Ⅱ의 가치가 인정되고 있고 병원 성과지표에도 APACHE II가 사망 예측 표준지표로 계속 사용된다[2,3]. 2024년 국내 외과 중환자실의 환자분류체계와 APACHE II의 관련성, 사망 예측력 비교 연구에서 APACHE II를 이용해 사망 예측을 평가했으며[2], 19,720명의 중환자실 환자를 대상으로 새로운 예측모델을 개발하는 연구에도 APACHE II 점수가 여전히 중환자 사망 예측모형이었다[3]. 중환자실 질 평가와 적정성 평가를 하고, 중환자실 간의 비교 평가 시스템을 개발하고 사망 예측모형의 타당도를 연구하는 것은 환자의 임상결과를 예측하여 질병의 중증도에 따라 치료계획을 세우는 과정으로 중요한 일이다[16].

건강보험심사평가원에서는 병원 성과평가를 위해 병원 간 사망률을 비교하는데, 이때 사망 예측 도구는 중증도를 보정한 후 사망률을 비교하는 데에 활용된다[17]. 중증도 보정지수(Charlson comorbidity index, CCI)는 환자의 만성기저질환을 정량화하여 사망 위험을 예측하기 위해 개발된 지표로, 1987년 Charlson 등[18]에 의해 처음 제안되었다. 이 지수는 19개의 주요 만성질환(예: 당뇨병, 심부전, 간질환, 만성폐질환, 악성종양 등)에 가중치를 부여하여 산출되며, 점수가 높을수록 사망률이 증가하는 것으로 알려져 있다[18].

선행연구에서도 CCI가 단순한 동반질환 지표를 넘어 환자의 생리적 회복력과 전신 취약성을 반영하고 사망률에 영향을 미친다고 하였다[19]. 따라서 APACHE II와 같은 생리학 중심의 점수체계에 CCI를 보정변수로 함께 사용하는 것은 환자의 기저질환 부담을 반영함으로써 예측 정확도를 향상시킨다[20]. 이렇게 중증도 보정 사망률은 특정 질환이나 치료를 받은 환자 집단에서 실제 사망자 수와 그 집단의 중증도를 고려했을 때 예상되는 사망자 수를 비교한 비율이고, 이 지표를 통해 의료서비스의 질을 공정하게 평가한다[21]. 중증도가 같은 병원은 기대 사망률이 같아야 하는데, 실제 사망률이 기대 사망률보다 높다면 해당 병원은 의료성과가 낮고 실제 사망률이 기대 사망률보다 낮다면 해당 병원은 의료성과가 높은 병원으로 판단하는 것이다[17].

CCI가 개발된 지 40년이나 되어 그동안 여러 중증도 보정도구가 연구되었지만, 새로운 도구보다 기존 도구를 사용하는 것이 유용하다고 최근 연구에서도 기술되고 있다[20]. 중증도 분류도구와 사망 예측 도구는 혼용되어 불리어 간호사들은 혼동하는 경우도 있지만, 중증도 분류도구와 사망 예측 도구는 엄연히 개념이 다르다. 중증도 분류체계는 일정 시간 동안에 직접간호와 간접간호의 양과 복잡성에 따라 환자를 분류하는 방법으로 중증도 분류에 따라 적정 간호 인력을 투입하여 효율적인 간호를 제공하기 위함이다[22]. 반면, 사망을 예측하는 것은 간호사가 체계적으로 습득한 이론과 과학적 지식을 근거로 숙련되고 전문화된 간호술을 제공하여 대상자의 합병증을 예방하고 사망률을 감소시키고자 함이다[23]. 물론 중증도 분류체계에서 중증도 높은 군은 사망 예측 도구에서도 높은 점수를 받는 경우가 많다[2]. 간호사는 중환자실에서 환자를 24시간 모니터링하며 환자 상태의 변화와 위험을 즉시 감지하고 중재하는 핵심적인 의료인력이므로[24] 중환자실에서 사망 예측을 간호사가 이해하는 것은 전문적인 간호를 제공하기 위해 매우 중요하고 중환자간호의 질을 평가하고 적용된 치료의 성공률을 평가하는 수단이 될 수 있다[25]. 또한 중환자실에서 간호사가 환자 사망을 예측하면 환자와 가족에게 죽음에 대한 준비를 할 수 있도록 지지간호와 임종간호도 고려할 수 있어서[26], 중환자 간호에 도움이 되리라고 생각된다. 이에 본 연구에서는 현재 사용하는 중증도가 보정된 사망 예측 도구의 유용성과 사망에 영향을 미치는 요인을 확인하여 사망률 관리의 기초자료로 사용하고자 한다.

2. 연구의 목적

본 연구의 목적은 중증도 보정지수에 따른 중환자실 환자의 사망 예측 도구의 유용성과 사망에 영향을 미치는 요인을 확인하기 위한 것으로 구체적인 목적은 다음과 같다. 첫째, 성인 중환자실 사망환자의 일반적인 특성을 확인한다. 둘째, 성인 중환자실 환자의 APACHE II, SAPS III, CCI에 따른 사망의 차이를 확인한다. 셋째, 성인 중환자실 사망 예측모델의 타당도와 적합도를 확인한다. 넷째, 성인 중환자실 환자의 사망에 영향을 미치는 요인을 확인한다.

방법

1. 연구설계

본 연구는 중증도 보정지수에 따른 중환자실 환자의 사망 예측 도구의 유용성과 사망에 미치는 영향요인을 확인하기 위한 후향적 의무기록 조사연구이다.

2. 연구대상

2022년 6월부터 2022년 8월까지 3개월간 서울에 소재한 가톨릭대학교 서울성모병원 5개의 성인 중환자실에 입원하여 퇴실한 환자의 의무기록 전수를 대상으로 하였으며 대상자는 1,098명이었다. 중환자실 입실기간이 48시간 미만인 환자를 제외하여 522명을 선정하였다. 이후 19세 미만 환자 5명과 의무기록이 누락된 35명을 제외하여 최종적으로 482명의 자료를 분석에 사용하였다.

3. 연구도구

1) 환자의 일반적인 특성

대상자의 일반적 특성은 성별, 나이, 체질량지수, 코로나바이러스감염증-19 유무, 급성신부전, 임상과, 인공호흡기 적용 여부(호흡부전의 대치지표), ECMO 유무, CRRT 유무(신장기능 부전의 대치지표), 심폐소생술(cardiopulmonary cerebral resuscitation, CPCR) 유무, 연명의료중단 또는 소생 거부(do not resuscitate) 유무, 승압제 사용 유무(패혈증의 대치지표), 입원부터 중환자실 입실까지의 기간, 중환자실 재원기간, 중환자실 입실경로, 수술 유무 등 총 16항목으로 구성하였다.

2) Acute Physiology and Chronic Health Evaluation II

Knaus 등[13]이 1985년에 개발하여 현재 사용 중인 예측 사망도구로 체온, mean arterial pressure, 심박동수, 호흡수, partial pressure of oxygen (PaO₂), arterial potential of hydrogen (pH), 혈중 sodium, 혈중 potassium, 혈중 creatinine, hematocrit, white blood cell count, Glasgow Coma Scale (GCS) score의 12개 생리적 항목에 나이, 만성 질환 여부를 측정하여 계산하였다.

3) Simplified Acute Physiology Score III

Moreno 등[7]에 의해 개발된 사망 예측 도구로 중환자실 입원 전 환자 특성(나이, 입실이유, 입원위치[응급실, 다른 중환자실, 병동], 만성질환, 승압제 투여, 재원기간), 집중치료실 입원 당시 상황(입실사유, 계획된 또는 비계획된 입실, 수술상황, 수술부위의 해부학적 위치. 급성감염), 입실 1시간 이내의 생리적 상태(의식사정[GCS], total bilirubin, 체온, creatinine, 심박동수, 호흡수, leukocytes, pH, 혈소판 수치, 수축기 혈압, 산소화)를 측정하여 계산하였다.

4) 중증도 보정지수(Charlson comorbidity index)

CCI는 Charlson 등[18]이 10년 예측 사망률을 위해 개발한 지표로 동반질환 보정방법 중에서 가장 널리 사용되는 방법이다. 의무기록조사를 통하여 정의된 19개의 질환에 대하여 1에서 6점까지 일정한 가중치를 부여한 뒤, 가중치의 합을 보정하는 방법이다. 본 연구에서는 건강보험심사평가원에서 중증도 보정질환으로 제시한 12개의 항목을 사용하였으며[27], 전이된 고형암 6점, 후천성면역결핍증후군과 중등도 이상의 간질환은 4점, 울혈성 심부전, 치매, 경증의 간질환, 편마비 또는 하지대마비, 백혈병 또는 림프종은 2점, 만성 폐질환, 류마티스질환, 만성합병증을 동반한 당뇨, 중등도 이상의 신질환은 1점으로 계산하였다.

4. 자료수집방법

본 연구는 후향적 조사연구로 혈액검사결과는 중환자실 입실 후 24시간 이내에 시행한 검사결과 중에서 가장 악화된 생리학적 상태를 반영하는 검사결과(worst physiological values)를 선택하였다. 도구의 사용은 원 저자인 Moreno 등[7]이 인터넷 https://www.mdcalc.com에 계산기를 만들어 공유한 APACHE II, SAPS III 계산기를 사용하였고 CCI는 건강보험심사평가원 자료를 이용하였다. 2022년 사망률이 가장 높은 기간인 2022년 6월 1일부터 2022년 8월 31일까지 3개월간 서울에 소재한 가톨릭대학교 서울성모병원 5개의 성인 중환자실에서 퇴실한 환자의 의무기록을 조사하여 증례기록지에 기록하였다. 2023년 2월 1일부터 2023년 6월 30일까지 자료수집을 시행하였으며 책임연구자와 공동연구자가 상호 교차검증(cross-check)을 통해 데이터의 정확성을 확보하였다.

5. 자료분석

수집된 자료는 IBM SPSS ver. 28.0 (IBM Corp.)을 이용하여 분석하였다. 대상자의 일반적 특성 및 임상 관련 특성은 사망군과 생존군으로 나누어 평균과 표준편차, 빈도와 백분율 등의 기술통계로 분석하였다. 대상자의 일반적 특성 및 임상 관련 특성에 따른 사망과 생존의 차이는 chi-square test와 independent t-test로 분석하였다. 중증도 보정 사망 예측모형의 타당도는 concordance statistic (C-statistic)이 0.7 이상인지 확인하였으며, Hosmer-Lemeshow 검정에서 p값이 .05보다 큰 경우 적합한 것으로 판단하였다. APACHE II, SAPS III, CCI 점수는 연속형 자료로 단변량분석을 시행하여 각각의 변수가 사망에 기여하는 정도를 분석하였고, 그 결과 통계적으로 의미가 있게 나타난 변수들을 다변량 로지스틱 회귀분석의 독립변수로 간주하여 최종적인 중증도 보정 사망 예측모형을 구하였다.

6. 윤리적 고려

본 연구는 의무기록 활용 등에 대해 가톨릭대학교 서울성모병원의 데이터심의위원회에서 데이터 사용 승인(No. 20221108-F-316)와 연구윤리심의위원회로부터 연구 승인(No. KC22RISI0875)을 받은 후 진행하였다. 중환자실을 담당하는 의료진과 부서장의 허락을 받았고 본 연구는 의무기록 기반 연구로, 동의절차는 면제되었다. 대상자를 식별할 수 있는 자료는 일체 수집하지 않았고 수집된 자료는 일련번호로 표기하여 대상자의 개인정보를 보호하고 연구목적으로만 사용하였다.

결과

1. 성인 중환자실 사망환자의 일반적인 특성

성인 중환자실에 입실한 482명 중 사망한 환자는 87명(18.0%), 생존한 환자는 395명 (82.0%)이었다. 성별은 남성이 299명(62.0%), 여자가 183명(38.0%)이었고, 평균연령은 65.7±15.98세이고 체질량지수는 평균 22.59±4.02 kg/m²이었다. 코로나바이러스감염증-19에 감염된 환자는 25명(5.2%), 급성 신부전이 있는 환자는 92명(19.1%)이었으며 성별, 나이, 체질량지수, 코로나감염증 유무, 급성신부전 유무는 사망군과 생존군 간에 유의한 차이가 없었다.

임상과는 순환기내과 89명(18.5%), 혈액종양내과 68명(14.1%), 신경외과 60명(12.4%) 순이었으나 사망군에서 혈액종양내과 31명(35.6%), 호흡기내과 15명(17.2%), 순환기내과 10명(11.5%) 순으로 사망군과 생존군 간의 유의한 차이가 있었다(χ²=56.30, p<.001). 치료 관련 특성으로는 인공호흡기를 적용한 환자는 211명(43.8%)이었고, 사망군에서 71명(81.6%)으로 생존군 140명(35.4%) 비율보다 많았고(χ²=61.74, p<.001), ECMO를 적용한 환자 22명(4.6%) 중 사망군에서 11명(12.6%)으로 생존군 11명(2.8%)보다 많았다(χ²=15.91, p<.001). CRRT를 적용한 환자 112명(23.2%) 중 사망군에서 46명(52.9%)으로 생존군 66명(16.7%)보다 많은 비율이었고(χ²=52.28, p<.001), CPCR을 받은 환자는 65명(13.5%) 중 사망군에서 43명(49.4%)으로 생존군 22명(5.6%) 비율보다 많았다(χ²=117.54, p<.001). 연명의료중단을 받은 환자는 23명(4.8%) 중 사망군이 21명(24.1%)으로 생존군 2명(0.5%)보다 많았고(χ²=174.32, p<.001), 승압제를 투여한 환자는 180명(37.3%) 중 사망군에서 87명(100%), 생존군 93명(23.5%)으로 사망 유무에 유의한 차이가 있었다(χ²=178.12, p<.001).

입원부터 중환자실 입실 전까지의 재원기간은 사망군에서 평균 14.85±18.41일로 생존군 평균 6.59±11.13일보다 유의하게 길었고(t=–4.02, p<.001), 중환자실 재원기간은 사망군에서 평균 12.19±10.95일로 생존군 8.65±10.68일보다 길었다(t=–2.79, p=.005). 사망환자 87명 중 수술한 환자는 27명(31.0%), 수술을 받지 않은 환자는 60명(69.0%)으로 수술을 받지 않은 환자가 사망이 더 많았다(χ²=5.94, p=.015). 중환자실 입실경로는 사망군과 생존군 간에 유의한 차이를 보이지 않았다(Table 1).

2. SAPS III, APACHE II, CCI에 따른 사망의 차이

SAPS III는 사망군에서 83.62±12.35점, 생존군에서 63.41±14.25점으로 사망군이 점수가 높았다(t=–12.25, p<.001). APACHE II는 사망군에서 24.99±7.06점, 생존군에서 15.87±7.18점으로 사망군이 점수가 높았다(t=–10.76, p<.001). 사망률 보정도구인 CCI에서는 사망군에서 2.37±1.07점, 생존군에서 1.58±1.22점으로 사망군이 점수가 높았다(t=–5.57, p<.001).

보정지수(CCI)를 세부항목으로 분류하여 분석한 결과, 중증도 이상의 신질환을 가진 환자는 사망군에서 52명(59.8%)으로 생존군 146명(37.0%) 비율보다 많았고(χ²=15.32, p<.001), 백혈병 및 림프종을 가진 환자는 사망군에서 42명(48.3%)으로 생존군 63명(15.9%) 비율보다 많았다(χ²=43.73, p<.001). 전이된 암을 가진 환자는 사망군에서 11명(12.6%)으로 생존군 21명(5.3%) 비율보다 많았다(χ²=6.18, p=.013). CCI 중에서 울혈성 심부전, 치매, 만성폐질환, 류마티스질환, 경증 및 중증의 간질환, 당뇨, 마비, 후천성면역결핍증후군의 유무는 성인 중환자실에서 사망군과 생존군 간에 유의한 차이를 보이지 않았다(Table 2).

3. 사망 예측모형의 타당도와 적합도

성인 중환자실에서 사망 예측에 유용한 도구는 SAPS III와 APACHE II에 CCI를 보정한 모형이었으며, 이 중 SAPS III의 예측력이 가장 높았다(Figure 1). C-statistics 값 비교결과, SAPS III 모형(C-statistics=.857)이 APACHE II 모형(C-statistics=.817)보다 예측력이 높았다. 반면, CCI 모형(C-statistics = .692)은 적합한 예측모형으로 보기 어려웠다. SAPS III에 CCI를 추가했을 때는 통계적 변화가 거의 없었으나(C-statistics=.857), APACHE II에 CCI를 포함하면 예측력이 향상되는 결과를 보였다(C-statistics=.834) (Table 3).

4. 성인 중환자실 환자의 사망에 영향을 미치는 요인

성인 중환자실 환자의 사망에 영향을 미치는 요인을 확인하기 위해 단변량 로지스틱 회귀분석을 시행하여 각각의 변수가 사망에 기여하는 정도를 분석하였고, 통계적으로 의미를 보인 변수들을 다변량 로지스틱 회귀분석을 수행하였다. 분석에 포함된 변수는 인공호흡기 적용 여부, 심폐소생술(CPCR), 지속적 신대체요법(CRRT), ECMO 적용 여부, 백혈병 및 림프종, SAPS III 점수, APACHE II 점수, Charlson 동반질환지수(CCI)였다. 다중공선성 검정 결과 공차한계는 .35–.90으로 모두 .1 이상이었고, 분산팽창인자(variance inflation factor)는 1.11–2.85로 기준치인 10을 초과하지 않아 다중공선성의 문제는 없는 것으로 확인되었다. 그 결과, 이 회귀모형은 통계적으로 유의하였고(χ²=208.08, p<.001), Nagelkerke 결정계수에 의해 0.57로 모형의 설명력은 57.4%였고, 분류 정확도는 82.0%로 나타났다. CPCR을 시행 받은 환자는 사망할 확률이 유의하게 높았으며, 그 위험도는 odds ratio (OR)가 10.67이었다(95% confidence interval, CI), 4.81–23.67; p<.001). CRRT를 적용한 환자는 사망할 확률이 유의하게 높았으며 그 위험도는 OR이 2.64였다(95% CI, 1.29–5.40; p=.008). 환자가 백혈병 또는 림프종인 경우 사망할 확률이 유의하게 높았으며 그 위험도는 OR 4.11이었다(95% CI, 1.95–8.65; p<.001). 사망 예측지표로는 SAPS III 점수가 증가할수록 중환자실에서 사망할 확률이 유의하게 높았으며 그 위험도는 OR 1.07이었다(95% CI, 1.03–1.10; p<.001). 인공호흡기 또는 ECMO 치료를 받거나 APACHE II, CCI는 사망에 영향을 미치는 변수는 아니었다. 수술 유무. 신장질환, 전이된 고형암, 중환자실 입실 전 입원기간, 중환자실 재실기간은 단계분석 과정에서 변수가 제거되었다(Table 4).

고찰

본 연구는 성인 중환자실 환자를 대상으로 사망 예측 도구의 유용성과 중증도 보정지수에 따른 사망 영향요인을 규명하기 위해 수행하였다. 본 연구의 주요 결과, 사망 예측에 유용한 도구는 SAPS III와 APACHE II에 CCI를 포함한 모형이었으며, 그 중 SAPS III의 예측력이 가장 높았다. 이러한 결과는 중환자실 환자의 사망 예측에 있어 급성 생리학적 지표와 함께 기저질환 부담(CCI)을 고려하는 것이 중요함을 시사한다.

본 연구결과 사망률은 18.0%로 2010년부터 2019년까지의 전국 중환자실 환자를 대상으로 한 코호트 연구에서 중환자실 입원 후 병원 내 사망률은 12.0%보다 높았다[28]. 이는 연구기간을 상대적으로 사망률이 높은 시기를 선정하였고, 혈액종양 환자 등 중증도가 높은 환자가 다수 포함된 결과로 추정된다.

본 연구에서 사망 환자의 임상과 분포를 살펴보면, 혈액종양내과, 호흡기내과, 순환기내과 환자가 다수를 차지하였다. 특히 백혈병 및 림프종 환자는 전이된 고형암 환자보다 중환자실에서 임종에 이르는 비율이 더 높았다. 140개 병상을 보유한 11개 중환자실에서 항암치료를 받은 환자를 대상으로 연구에서도 혈액종양 환자의 1년 사망률은 64%로 고형암 환자보다 높게 보고되었다[29]. 또한 중환자실에 입원한 혈액종양 환자를 대상으로 한 다른 연구에서도 혈액종양 환자의 1년 사망률은 입원 첫날뿐 아니라 입원 28일까지의 기간 동안에도 대조군보다 유의하게 높았다[30]. 아울러 본 연구에서는 연명의료중단 결정을 한 환자도 포함되었으나, 만약 혈액종양 환자와 연명의료 중단 환자를 제외하고 분석한다면 전체 사망률은 더 낮아질 것으로 판단된다.

사망군에서 인공호흡기나 ECMO 치료 환자가 더 많았지만 모형에서 사망에 영향을 미치는 요인에는 포함되지 않았는데, 외과계열 환자들은 수술 후 회복기에 일시적으로 인공호흡기나 ECMO 치료를 받아 많이 생존하기 때문이며, 특히 순환계 중환자실 환자들은 수술과 관련하여 인공호흡기나 ECMO 치료를 계획적으로 시작하고 종료하기 때문으로 생각된다.

본 연구에서 사망률 예측 도구와 보정지수에 따른 사망은 백혈병 및 림프종, 전이된 고형암, 신장질환 간에 유의한 차이를 보였다. 그러나 최종 모형에서는 백혈병 및 림프종만이 사망에 통계적으로 유의한 영향이 있었으며, 전이된 고형암은 유의하지 않았다. 이러한 결과는 전이된 고형암 환자의 사망 위험이 낮다는 의미가 아니라, 백혈병 및 림프종 환자의 질병 진행속도가 빠르고 예후 예측이 어려워 호스피스 이용률이 낮고[31], 연명의료중단 결정 시점을 놓치는 경우가 많기 때문으로 생각한다. 이에 따라 혈액종양 환자는 고형암 환자에 비해 중환자실에서 임종을 많이 맞이하기 때문에 중환자실 간호사는 혈액종양 환자 간호 부담감을 갖는다[32]. 1,726명을 대상으로 한 사망 예측연구에서는 중환자실에서 전이성 암을 가진 환자가 사망 예측의 중요 요인이었는데[33], 전이성 암에는 백혈병과 림프종, 고형암을 포함하고 있어 본 연구와 유사하였다.

사망 보정지수인 CCI는 환자의 동반 상병에 기초한 중증도를 평가하는 도구이다. CCI는 비교적 단순한 항목으로 구성되어 있으며, 의무기록 검토를 통하여 쉽게 중증도를 평가할 수 있다는 장점을 가지고 있다[18]. Seong과 So [34]의 연구에서도 CCI 도구는 AUC .69로 사망 예측에 단독사용하기에는 다소 제한적임을 보고하였다. 반면, 중환자실 입원한 성인 심정지 환자 1,772명을 대상으로 한 연구에서는 연령을 보정한 CCI (age-adjusted CCI)가 병원 내 사망률과 전체 입원기간에는 관련이 있었으나, 중환자실 체류기간에는 뚜렷한 영향이 없었다고 보고하였다[35]. 이는 CCI가 환자의 급성기 치료결과보다는 전반적인 질환 부담과 관련된 장기 예후에 더 밀접하게 연관된다는 점을 시사한다.

본 연구에서도 SAPS III 모델에 CCI를 보정하였을 때 예측력의 변화가 없었는데, 이는 SAPS III 자체에 동반질환 항목이 이미 포함되어 있기 때문으로 해석된다. 반면, 선행연구에서는 APACHE III, 입원경로, 주요 질병 범주를 독립변수로 한 모형의 예측력이 가장 높았으며, 이 경우 CCI는 보정지수로서 보조적 활용 가치가 있음이 제시되어 본 연구결과와 일관된 경향을 보였다[17].

APACHE 시리즈(APACHE II, III, Ⅳ)는 점차 개선된 사망 예측 도구이지만, 버전이 높아질수록 입력 항목이 복잡해지고 시간이 많이 소요되는 한계가 있다. 또한 사망 예측의 정확도는 어떤 도구를 사용하는지도 중요하지만 입실 후 24시간 이내의 가장 악화된 임상자료를 얼마나 정확히 입력하는가에 더 크게 영향을 받는다[27].

본 연구에서 CPCR을 시행한 환자는 사망할 확률이 10.67배 높았다. 다른 연구에서도 197명의 심정지 환자가 CPCR에 성공하여 중환자실에 입원하였지만 평균 생존기간은 4일에 불과했고 170명(86.3%)이 중환자실에서 사망하였다[36]. 또한 노인환자가 중환자실에서 CPCR을 받은 경우에는 사망률이 88%로 더 높게 보고되었다[37]. CPCR 후 환자는 대사성 산증으로 인한 신기능 저하가 흔하게 발생하는데, 이때 CRRT를 적용하여 산 염기 균형을 교정한다. 본 연구에서도 CRRT를 받은 환자는 사망할 확률이 2.64배 높았는데, 선행연구에서도 CRRT를 받은 환자들의 사망률은 48.3%로 보고되어 맥락을 같이하였다[38]. 높은 사망률은 CRRT 자체보다는 환자의 기저 질환, 영양상태, 전신 염증반응, 장기 기능 부전 등 복합적인 요인이 예후에 영향을 미친 결과로 해석된다. 24시간 지속적으로 집중간호해야 하는 투석환자는 숙련된 간호사의 세심한 관리가 요구된다[24]. 전신의 혈액을 기계를 통해 순환하는 치료 특성상 이런 환자는 여러 가지 대사적 문제와 감염 등 사망과 직결되는 합병증에 노출되기가 쉽기 때문으로 생각한다.

본 연구에서 사용된 사망 예측 도구인 SAPS III와 APACHE II는 중환자실 환자의 급성 생리학적 상태를 정량화하여 사망 가능성을 추정하는 표준화된 지표로, 국내외 중환자실 운영 평가 및 환자 예후 연구에서 가장 널리 활용되고 있다[3]. SAPS III는 입실 시점의 생리학적 변수 외에도 입원경로, 만성질환 여부, 중환자실 입실 사유 등 환자의 전반적 상태를 반영하여 포괄적이고 초기 예측에 강점이 있는 도구로 평가된다. 그러나 APACHE II보다는 사용이 복잡하다. 반면, APACHE II는 입실 후 24시간 이내의 가장 악화된 생리학적 지표를 이용하기 때문에 급성 악화 상태를 민감하게 반영할 수 있다는 장점이 있다고 생각한다. APACHE II에 CCI를 보정했을 때 사망 예측력이 향상된 결과는, 단순히 생리학적 변수뿐 아니라 기저질환 부담(comorbidity burden)이 환자의 단기 사망 위험에 중요한 영향을 미친다는 점을 시사한다. 이는 기존 연구에서 보고된 CCI가 중환자의 장ㆍ단기 사망률에 예측요인으로 작용한다는 결과와 유사하다[39].

간호사가 사망 예측에 대해 이해하는 것은 중환자 간호의 질을 향상시키는 데 매우 중요하다[40]. 간호사는 환자의 상태를 정확히 사정하고, 잠재적으로 발생할 수 있는 문제를 예측하며, 전문적인 판단을 바탕으로 신속하게 대처해야 한다. 이러한 역량은 임상수행능력을 향상시키고 환자에게 보다 전문적이고 개별화된 간호를 제공할 수 있게 한다[41]. 따라서 사망 예측 도구에 대한 이해와 활용능력을 갖춘 중환자실 간호사는 과학적 근거에 기반한 간호중재를 수행함으로써 환자의 합병증을 예방하고 사망률을 감소시키는 데 중요한 역할을 할 수 있을 것이다. 이러한 전문성을 갖춘 간호 인력의 배양은 중환자실의 간호 질 향상과 환자안전 증진에 직접적으로 기여할 것으로 기대된다.

본 연구는 일개 단일 대학 병원 내에서만 이루어진 연구로 연인원수 대비 3개월에 국한되어 연구되어 일반화하는 데는 제한점이 있으나 사망률이 가장 높은 기간을 선정하고 중환자 전수를 포함한 표본 수 확대로 제한점을 보완하였다. 실제 의무기록에 기록된 사정도구 점수를 사용하지 않고 정확성을 위해 실제 의무기록 데이터를 통해 사망 예측 도구를 개별 산정하느라 데이터 1개 조사 시 소요시간이 30분이 초과하여 자료수집을 더 확대하지 못하였다. APACHE Ⅳ를 사용하지 않고 APACHE II를 사용했다는 제한점이 있으나, APACHE II는 비교적 단순한 입력 변수로 구성되어 있으며 본 연구에서도 임상적으로 유의한 예측력을 보였다. 특히 CCI를 함께 보정변수로 적용할 경우, 기저 질환의 영향을 보완하여 사망률 예측력이 한층 향상되는 경향을 보였다. 이는 단순 생리학적 지표 외에도 만성질환 부담을 통합적으로 고려하는 것이 보다 정교한 사망 예측에 기여함을 시사한다. 또한 SAPS III 역시 단독으로도 병원 내 사망률을 잘 예측하는 것으로 나타나, CCI가 보정된 APACHE II와 함께 유용한 대안 예측 도구로 확인하였다. 이러한 결과는 APACHE II가 여전히 국내외 중환자실에서 표준적 예측지표로 사용되는 근거를 뒷받침하며, 단순한 점수 체계임에도 불구하고 CCI를 보정하면 임상적 실용성과 해석 용이성 면에서 지속적인 가치를 지닌다. 복잡한 버전 III, IV를 사용하지 않더라도 CCI를 보정한 APACHE II를 사용하는 것으로 사망률 예측에 유용하다고 생각한다. 또한 전자의무기록에 사망 예측 도구의 생리학적지표 연동 부분도 좀 더 개발하여 정확한 사망 예측을 추구하는 것도 중요한 일이라고 생각한다. 또한 중환자실이 한정되고 많은 재원이 들어가는 곳이므로 호스피스완화의료로 삶의 질을 제공해야 하는 환자와 급성 중환자 치료를 받을 환자를 잘 선별하여 환자와 가족과 상의하여 치료방향을 정하는 것도 중요할 것이다[42].

결론

본 연구의 주요 결과, 성인중환자실 환자에서 SAPS III와 CCI가 보정된 APACHE II 모형이 병원 내 사망률을 잘 예측하는 것으로 조사되었으며, 중환자실 환자의 사망 예측에 있어 급성 생리학적 지표와 함께 기저질환 부담(CCI)을 고려하는 것이 중요하다는 것을 시사한다. 또한, 성인 중환자실 환자의 사망에 영향을 미치는 요인은 심폐소생술과 지속적 신대체요법, 혈액종양과 림프종 질환이 확인되었으며 APACHE II 모형에 CCI를 포함함으로써 성인 중환자실에 입실한 환자의 사망예측을 보다 종합적으로 평가할 수 있는 가능성을 제시하였다는 점에서 간호학적 의의가 있다. 향후 연구에서는 다기관 연구를 통해 대상자 수를 확대하여 본 연구 결과의 일반화를 검증할 필요가 있으며, 내과계 환자와 외과계 환자를 구분하여 사망 예측 요인의 차이를 비교·분석하는 연구를 제언한다. 또한 전향적 연구 설계를 통해 CCI를 포함한 중증도 평가 도구의 예측력을 반복 검증하고, 간호 중재 전략 수립에의 활용 가능성을 탐색하는 연구가 필요할 것으로 생각된다.

Article Information

Conflicts of Interest

No potential conflict of interest relevant to this article was reported.

Acknowledgements

This study is reported according to the Strengthening the Reporting of Observational Studies in Epidemiology (STROBE) statement.

Funding

This study was supported by the research fund of Seoul St. Mary’s Hospital, The Catholic University of Korea.

Data Sharing Statement

Please contact the corresponding author for data availability.

Author Contributions

Conceptualization or/and Methodology: JL, DYK, MJL, JYK. Data curation or/and Analysis: JL, DYK, MJL, JYK. Funding acquisition: JL, DYK. Investigation: JL, DYK, MJL, JYK. Project administration or/and Supervision: JL, DYK. Resources or/and Software: JL, DYK. Validation: JL, DYK, MJL, JYK. Visualization: JL, DYK, MJL, JYK. Writing: original draft or/and Review & Editing: JL, DYK. Final approval of the manuscript: all authors.

Fig. 1.

Receiver operator characteristic curves for Simplified Acute Physiology Score III (SAPS III), Acute Physiology and Chronic Health Evaluation II (APACHE II), and Charlson comorbidity index (CCI) as mortality prediction tools.

Table 1.

General characteristics of deceased patients in the adult intensive care unit (N=482)

Characteristic	Total (n=482)	Death (n=87)	Survival (n=395)	χ² or t	p
Gender				0.55	.459
Men	299 (62.0)	57 (65.5)	242 (61.3)
Women	183 (38.0)	30 (34.5)	153 (38.7)
Age (yr)				2.71	.745
<40	37 (7.8)	7 (8.0)	30 (7.5)
40–59	113 (23.4)	23 (26.4)	90 (22.8)
60–69	124 (25.7)	25 (28.7)	99 (25.1)
70–74	51 (10.6)	10 (11.5)	41 (10.4)
75–79	59 (12.2)	9 (10.3)	50 (12.7)
≥80	98 (20.3)	13 (15.1)	85 (21.5)
Mean age (yr)	65.7±15.98	63.9±15.80	66.1±16.01	1.20	.230
BMI (kg/m²)				0.62	.892
Underweight (<18.5)	65 (13.5)	12 (13.8)	53 (13.4)
Normal (18.5–22.9)	209 (43.4)	40 (46.0)	169 (42.8)
Overweight (23–24.9)	99 (20.5)	18 (20.7)	81 (20.5)
Obese (≥25)	109 (22.6)	17 (19.5)	92 (23.3)
Mean BMI	22.59±4.02	22.29±3.39	22.65±4.15	0.77	.443
COVID-19 infection				1.77	.184
Yes	25 (5.2)	7 (8.0)	18 (4.6)
No	457 (94.8)	80 (92.0)	377 (95.4)
Acute renal failure				1.05	.306
Yes	92 (19.1)	20 (23.0)	72 (18.2)
No	390 (80.9)	67 (77.0)	323 (81.8)
Department				56.30	<.001
Infection diseases	27 (5.6)	7 (8.0)	20 (5.1)
Cardiology	89 (18.5)	10 (11.5)	79 (20.0)
Nephrology	26 (5.4)	6 (6.9)	20 (5.1)
General surgery	52 (10.8)	2 (2.3)	50 (12.7)
Chest surgery	45 (9.3)	4 (4.6)	41 (10.4)
Neurology	19 (4.0)	2 (2.3)	17 (4.2)
Neuro-surgery	60 (12.4)	7 (8.0)	53 (13.4)
Hemato-oncology	68 (14.1)	31 (35.6)	37 (9.3)
Pulmonology	58 (12.0)	15 (17.2)	43 (10.9)
Others	38 (7.9)	3 (3.5)	35 (8.9)
Ventilator care				61.74	<.001
Yes	211 (43.8)	71 (81.6)	140 (35.4)
No	271 (56.2)	16 (18.4)	255 (64.6)
ECMO				15.91	<.001
Yes	22 (4.6)	11 (12.6)	11 (2.8)
No	460 (95.4)	76 (87.4)	384 (97.2)
CRRT				52.28	<.001
Yes	112 (23.2)	46 (52.9)	66 (16.7)
No	370 (76.8)	41 (47.1)	329 (83.3)
CPCR				117.54	<.001
Yes	65 (13.5)	43 (49.4)	22 (5.6)
No	417 (86.5)	44 (50.6)	373 (94.4)
LST				174.32	<.001
Yes	23 (4.8)	21 (24.2)	2 (0.5)
No	420 (87.1)	39 (44.8)	381 (96.5)
DNR	39 (8.1)	27 (31.0)	12 (3.0)
Inotropics				178.12	<.001
Yes	180 (37.3)	87 (100.0)	93 (23.5)
No	302 (62.7)	0 (0.0)	302 (76.5)
Admission–ICU period	8.08±13.12	14.85±18.41	6.59±11.13	–4.02	<.001
ICU period	9.29±10.81	12.19±10.95	8.65±10.68	–2.79	.005
Admission route				4.56	.102
Ward	223 (46.2)	41 (47.1)	181 (45.9)
ICU	59 (12.3)	16 (18.4)	43 (10.9)
ER	200 (41.5)	30 (34.5)	171 (43.2)
Operation				5.94	.015
Yes	206 (42.7)	27 (31.0)	179 (45.3)
No	276 (57.3)	60 (69.0)	216 (54.7)

Values are presented as number (%) or mean±standard deviation.

BMI, body mass index; COVID-19, coronavirus disease 2019; CPCR, cardiopulmonary cerebral resuscitation; CRRT, continuous renal replacement therapy; DNR, do not resuscitate; ECMO, extracorporeal membrane oxygenation; ER, emergency room; ICU, intensive care unit; LST, life-sustaining treatment.

Table 2.

Mortality according to CCI, SAPS III, and APACHE II in the adult intensive care unit (N=482)

Characteristic	Total (n=482)	Death (n=87)	Survival (n=395)	χ² or t	p
SAPS III	67.06±15.94	83.62±12.35	63.41±14.25	–12.25	<.001
APACHE II	17.51±7.97	24.99±7.06	15.87±7.18	–10.76	<.001
CCI	1.72 ± 1.23	2.37 ± 1.07	1.58 ± 1.22	–5.57	<.001
Congestive heart failure				1.57	.211
Yes	124 (25.7)	27 (31.0)	97 (24.6)
No	358 (74.3)	60 (69.0)	298 (75.4)
Dementia				0.12	.728
Yes	19 (3.9)	4 (4.6)	15 (3.8)
No	463 (96.1)	83 (95.4)	380 (96.2)
Chronic pulmonary disease				0.86	.354
Yes	68 (14.1)	15 (17.2)	53 (13.4)
No	414 (85.9)	72 (82.8)	342 (86.6)
Rheumatologic disease				0.01	.909
Yes	5 (1.0)	1 (1.1)	4 (1.0)
No	477 (99.0)	86 (98.9)	391 (99.0)
Mild liver disease				1.47	.226
Yes	59 (12.2)	14 (16.1)	45 (11.4)
No	423 (87.8)	73 (83.9)	350 (88.6)
Diabetes with chronic complication				1.40	.237
Yes	106 (22.0)	15 (17.2)	91 (23.0)
No	376 (78.0)	72 (82.8)	304 (77.0)
Hemiplegia or paraplegia				0.04	.847
Yes	47 (9.8)	8 (9.2)	39 (9.9)
No	435 (90.2)	79 (90.8)	356 (90.1)
Renal disease				15.32	<.001
Yes	198 (41.1)	52 (59.8)	146 (37.0)
No	284 (58.9)	35 (40.2)	249 (63.0)
Leukemia and lymphoma				43.73	<.001
Yes	105 (21.8)	42 (48.3)	63 (15.9)
No	377 (78.2)	45 (51.7)	332 (84.1)
Moderate or severe liver disease				2.19	.139
Yes	65 (13.5)	16 (18.4)	49 (12.4)
No	417 (86.5)	71 (81.6)	346 (87.6)
Metastatic solid tumor				6.18	.013
Yes	32 (6.6)	11 (12.6)	21 (5.3)
No	450 (93.4)	76 (87.4)	374 (94.7)
AIDS					.180^a)
Yes	1 (0.2)	1 (1.1)	0 (0.0)
No	481 (99.8)	86 (98.9)	395 (100.0)

Values are presented as mean±standard deviation or number (%).

AIDS, Acquired immune deficiency syndrome; APACHE, Acute Physiology and Chronic Health Evaluation; CCI, Charlson comorbidity index; SAPS, Simplified Acute Physiology Score.

^a)By Fisher’s exact probability test.

Table 3.

Validity and goodness-of-fit of the mortality prediction models (N=482)

Mortality prediction models	C-statistics	p^a)
SAPS III	.857	.576
APACHE II	.817	.729
CCI	.692	.118
SAPS III+CCI	.857	.543
APACHE II+CCI	.834	.128

APACHE, Acute Physiology and Chronic Health Evaluation; CCI, Charlson comorbidity index; CPCR, cardiopulmonary cerebral resuscitation; CRRT, continuous renal replacement therapy; ECMO, extracorporeal membrane oxygenation; SAPS, Simplified Acute Physiology Score.

^a)By Hosmer-Lemeshow.

Table 4.

Factors affecting mortality in the adult intensive care unit (N=482)

Variables (reference)	B	SE	p	OR (95% CI)	Tolerance	VIF
(constant)	–8.50	1.05	<.001	0.01
Ventilator care (no)	0.64	0.39	.100	1.90 (0.88–4.09)	.70	1.44
CPCR (no)	2.37	0.41	<.001	10.67 (4.81–23.67)	.78	1.28
CRRT (no)	0.97	0.37	.008	2.64 (1.29–5.40)	.79	1.27
ECMO (no)	0.56	0.64	.381	1.75 (0.50–6.09)	.90	1.11
Leukemia and lymphoma (no)	1.41	0.38	<.001	4.11 (1.95–8.65)	.79	1.27
SAPS III	0.06	0.02	<.001	1.07 (1.03–1.10)	.35	2.85
APACHE II	0.04	0.03	.189	1.04 (0.98–1.11)	.43	2.34
CCI	–0.17	0.16	.290	0.84 (0.61–1.16)	.68	1.48

Nagelkerke R²=0.57, χ²=208.08, p<.001, hit ratio=82.0%; Hosmer-Lemeshow Goodness of fit χ²=3.64, p=.888.

APACHE, Acute Physiology and Chronic Health Evaluation; CCI, Charlson Comorbidity Index; CI, confidence interval; CPCR, cardiopulmonary cerebral resuscitation; CRRT, continuous renal replacement therapy; ECMO, extracorporeal membrane oxygenation; OR, odds ratio; SAPS, Simplified Acute Physiology Score; SE, standard error; VIF, variance inflation factor.

References

1. Jeong AI, Shin S, Hong E. Factors related to workload of intensive care unit nurses: systematic review and meta-analysis. J Korean Clin Nurs Res. 2023;29(3):296-311. https://doi.org/10.22650/JKCNR.2023.29.3.296Article
2. Go UR, Cho SH. Relationship between patient classification system and APACHE II scores, and mortality prediction in a surgical intensive care unit. J Korean Acad Nurs Adm. 2024;30(1):67-78. https://doi.org/10.11111/jkana.2024.30.1.67Article
3. Chung J, Ahn J, Ryu JA. Beyond SOFA and APACHE II, novel risk stratification models using readily available biomarkers in critical care. Diagnostics (Basel). 2025;15(9):1122. https://doi.org/10.3390/diagnostics15091122Article PubMed PMC
4. Ghazaly HF, Aly AA, Sayed MH, Hassan MM. APACHE IV, SAPS III, and SOFA scores for outcome prediction in a surgical/trauma critical care unit: an analytical cross-sectional study. Ain-Shams J Anesthesiol. 2023;15:101. https://doi.org/10.1186/s42077-023-00383-xArticle
5. Le Gall JR, Lemeshow S, Saulnier F. A new Simplified Acute Physiology Score (SAPS II) based on a European/North American multicenter study. JAMA. 1993;270(24):2957-2963. https://doi.org/10.1001/jama.270.24.2957Article PubMed
6. Hong CS, Jang DH. Validation ratings for the length of the ROC curve. Korean Data Inf Sci Soc. 2020;31(5):851-863. https://doi.org/10.7465/jkdi.2020.31.5.851Article
7. Moreno RP, Metnitz PG, Almeida E, Jordan B, Bauer P, Campos RA, et al. SAPS 3: from evaluation of the patient to evaluation of the intensive care unit: Part 2: development of a prognostic model for hospital mortality at ICU admission. Intensive Care Med. 2005;31(10):1345-1355. https://doi.org/10.1007/s00134-005-2763-5Article PubMed PMC
8. Moreno R, Vincent JL, Matos R, Mendonça A, Cantraine F, Thijs L, et al. The use of maximum SOFA score to quantify organ dysfunction/failure in intensive care: results of a prospective, multicentre study. Working Group on Sepsis related Problems of the ESICM. Intensive Care Med. 1999;25(7):686-696. https://doi.org/10.1007/s001340050931Article PubMed
9. Lemeshow S, Teres D, Avrunin JS, Gage RW. Refining intensive care unit outcome prediction by using changing probabilities of mortality. Crit Care Med. 1988;16(5):470-477. https://doi.org/10.1097/00003246-198805000-00002Article PubMed
10. Lemeshow S, Teres D, Klar J, Avrunin JS, Gehlbach SH, Rapoport J. Mortality Probability Models (MPM II) based on an international cohort of intensive care unit patients. JAMA. 1993;270(20):2478-2486. https://doi.org/10.1001/jama.1993.03510200084037Article PubMed
11. Higgins TL, Teres D, Copes WS, Nathanson BH, Stark M, Kramer AA. Assessing contemporary intensive care unit outcome: an updated Mortality Probability Admission Model (MPM0-III). Crit Care Med. 2007;35(3):827-835. https://doi.org/10.1097/01.CCM.0000257337.63529.9FArticle PubMed
12. Knaus WA, Zimmerman JE, Wagner DP, Draper EA, Lawrence DE. APACHE-acute physiology and chronic health evaluation: a physiologically based classification system. Crit Care Med. 1981;9(8):591-597. https://doi.org/10.1097/00003246-198108000-00008Article PubMed
13. Knaus WA, Draper EA, Wagner DP, Zimmerman JE. APACHE II: a severity of disease classification system. Crit Care Med. 1985;13(10):818-829. https://doi.org/10.1097/00003246-198510000-00009Article PubMed
14. The APACHE III prognostic system. Risk prediction of hospital mortality for critically ill hospitalized adults. Chest. 1991;100(6):1619-1636. https://doi.org/10.1378/chest.100.6.1619Article PubMed
15. Zimmerman JE, Kramer AA, McNair DS, Malila FM. Acute Physiology and Chronic Health Evaluation (APACHE) IV: hospital mortality assessment for today’s critically ill patients. Crit Care Med. 2006;34(5):1297-1310. https://doi.org/10.1097/01.CCM.0000215112.84523.F0Article PubMed
16. Lee H, Choi EY, Kim YH. Validation of APACHE II score and comparison of the performance of APACHE II and adjusted APACHE II models in a surgical intensive care unit. Korean J Crit Care Med. 2011;26(4):232-237. https://doi.org/10.4266/kjccm.2011.26.4.232Article
17. Kang CH, Kim YI, Lee EJ, Park K, Lee JS, Kim Y. The variation in risk adjusted mortality of intensive care units. Korean J Anesthesiol. 2009;57(6):698-703. https://doi.org/10.4097/kjae.2009.57.6.698Article PubMed
18. Charlson ME, Pompei P, Ales KL, MacKenzie CR. A new method of classifying prognostic comorbidity in longitudinal studies: development and validation. J Chronic Dis. 1987;40(5):373-383. https://doi.org/10.1016/0021-9681(87)90171-8Article PubMed
19. de Haan E, van Oosten B, van Rijckevorsel VA, Kuijper TM, de Jong L, Roukema GR. Validation of the Charlson comorbidity index for the prediction of 30-day and 1-year mortality among patients who underwent hip fracture surgery. Perioper Med (Lond). 2024;13(1):67. https://doi.org/10.1186/s13741-024-00417-4Article PubMed PMC
20. Shin DW, Han K. The use of Charlson comorbidity index for observational studies using administrative data in Korea. Precis Future Med. 2025;9(1):2-14. https://doi.org/10.23838/pfm.2024.00191Article
21. Stavem K, Hoel H, Skjaker SA, Haagensen R. Charlson comorbidity index derived from chart review or administrative data: agreement and prediction of mortality in intensive care patients. Clin Epidemiol. 2017;9:311-320. https://doi.org/10.2147/CLEP.S133624Article PubMed PMC
22. Yoo CS, Sim MY, Choi EH. Development of Korean patient classification system for critical care nurses. J Korean Clin Nurs Res. 2015;21(3):401-411. https://doi.org/10.22650/JKCNR.2015.21.3.401Article
23. Kim H, Kim K. Verification of validity of MPM II for neurological patients in intensive care units. J Korean Acad Nurs. 2011;41(1):92-100. https://doi.org/10.4040/jkan.2011.41.1.92Article PubMed
24. Yu X, Ouyang L, Li J, Peng Y, Zhong D, Yang H, et al. Knowledge, attitude, practice, needs, and implementation status of intensive care unit staff toward continuous renal replacement therapy: a survey of 66 hospitals in central and South China. BMC Nurs. 2024;23(1):281. https://doi.org/10.1186/s12912-024-01953-6Article PubMed PMC
25. Moridani MK, Setarehdan SK, Nasrabadi AM, Hajinasrollah E. A predictive model of death from cerebrovascular diseases in intensive care units. Intell Med. 2023;3(4):267-279. https://doi.org/10.1016/j.imed.2023.01.005Article
26. Kim S, No MJ, Moon KE, Cho HJ, Park Y, Lee NJ, et al. Intensive care unit nurses’ death perception, end of life stress and end of life nursing attitudes. J Korean Clin Nurs Res. 2018;24(2):255-262. https://doi.org/10.22650/JKCNR.2018.24.2.255Article
27. Kim KH. Comorbidity adjustment in health insurance claim database. Health Policy Manag. 2016;26(1):71-78. https://doi.org/10.4332/kjhpa.2016.26.1.71Article
28. Oh TK, Song IA. Trained intensivist coverage and survival outcomes in critically ill patients: a nationwide cohort study in South Korea. Ann Intensive Care. 2023;13(1):4. https://doi.org/10.1186/s13613-023-01100-5Article PubMed PMC
29. Karagiannis P, Klingler F, Arelin V, Alsdorf W, König C, Roedl K, et al. Outcome of critically ill patients receiving systemic chemotherapy on the intensive care unit. Front Oncol. 2024;14:1508112. https://doi.org/10.3389/fonc.2024.1508112Article PubMed PMC
30. Otten M, van Kempen BJ, van der Woude B, Dam TA, Gigengack RK, Müller MC, et al. Long-term mortality in ICU patients with hematological malignancies: Impact of organ support duration and ICU length of stay. J Crit Care. 2025;89:155122. https://doi.org/10.1016/j.jcrc.2025.155122Article PubMed
31. Tsang M, LeBlanc TW. Palliative and end-of-life care in hematologic malignancies: progress and opportunities. JCO Oncol Pract. 2024;20(6):739-741. https://doi.org/10.1200/OP.24.00081Article PubMed
32. Lee J, Jeong DS, Jeon H, Kim JH, Kim DY. Factors affecting intensive care unit nurses’ care burden of patients with hematologic neoplasm. Asian Oncol Nurs. 2022;22(4):235-244. https://doi.org/10.5388/aon.2022.22.4.235Article
33. Wu M, Gao H. A prediction model for in-hospital mortality in intensive care unit patients with metastatic cancer. Front Surg. 2023;10:992936. https://doi.org/10.3389/fsurg.2023.992936Article PubMed PMC
34. Seong JS, So HY. Comparative analysis of the accuracy of severity scoring systems for the prediction of healthcare outcomes of intensive care unit patients. J Korean Crit Care Nurs. 2015;8(1):71-79.
35. Zhang N, Lin Q, Jiang H, Zhu H. Age-adjusted Charlson comorbidity index as effective predictor for in-hospital mortality of patients with cardiac arrest: a retrospective study. BMC Emerg Med. 2023;23(1):7. https://doi.org/10.1186/s12873-022-00769-4Article PubMed PMC
36. Katircioglu K, Ayvat P, Gunturkun F. Cardiac arrest patients admitted to intensive care unit after cardiopulmonary resuscitation: a retrospective cohort study to find predictors for mortality. Braz J Anesthesiol. 2023;73(4):401-408. https://doi.org/10.1016/j.bjane.2021.03.013Article PubMed PMC
37. Haar M, Müller J, Hartwig D, von Bargen J, Daniels R, Theile P, et al. Intensive care unit cardiac arrest among very elderly critically ill patients: is cardiopulmonary resuscitation justified? Scand J Trauma Resusc Emerg Med. 2024;32(1):84. https://doi.org/10.1186/s13049-024-01259-1Article PubMed PMC
38. Kim JY, Kim JM, Kim Y. The effect of nutritional supply on clinical outcomes and nutritional status in critically ill patients receiving continuous renal replacement therapy. J Nutr Health. 2015;48(3):211-220. https://doi.org/10.4163/jnh.2015.48.3.211Article
39. Wei D, Sun Y, Chen R, Meng Y, Wu W. Age adjusted Charlson comorbidity index and in hospital mortality in critically ill patients with cardiogenic shock: a retrospective cohort study. Exp Ther Med. 2023;25(6):299. https://doi.org/10.3892/etm.2023.11998Article PubMed PMC
40. Ho MH, Liu HC, Joo JY, Lee JJ, Liu MF. Critical care nurses’ knowledge and attitudes and their perspectives toward promoting advance directives and end-of-life care. BMC Nurs. 2022;21(1):278. https://doi.org/10.1186/s12912-022-01066-yArticle PubMed PMC
41. Choi SJ, Kwon MS, Kim SH, Kim HM, Jung YS, Jo GY. Effects of using standardized patients on nursing competence, communication skills, and learning satisfaction in health assessment. J Korean Acad Soc Nurs Educ. 2013;19(1):97-105. https://doi.org/10.5977/jkasne.2013.19.1.97Article
42. Jang JE, Ryu JM, Heo MH, Kwon DE, Seo JY, Kim DY. Participation and influencing factors in the decision-making of life-sustaining treatment: a focus on deceased patients with hematologic neoplasms. J Hosp Palliat Care. 2023;26(2):69-79. https://doi.org/10.14475/jhpc.2023.26.2.69Article PubMed PMC

Figure & Data

REFERENCES

Citations

Citations to this article as recorded by

ePub Link

Cite

CITE: export Copy Download Format; Close

Download Citation

Download a citation file in RIS format that can be imported by all major citation management software, including EndNote, ProCite, RefWorks, and Reference Manager.

Format:

RIS — For EndNote, ProCite, RefWorks, and most other reference management software
BibTeX — For JabRef, BibDesk, and other BibTeX-specific software

Include:

Citation for the content below
Citation and abstract for the content below

Usefulness of Charlson comorbidity index-adjusted mortality prediction tools and factors influencing mortality in intensive care unit patients: a retrospective medical record review–based study

DOI: https://doi.org/10.4040/jkan.25094

XML Download

Figure

We recommend

Usefulness of Charlson comorbidity index-adjusted mortality prediction tools and factors influencing mortality in intensive care unit patients: a retrospective medical record review–based study

Fig. 1. Receiver operator characteristic curves for Simplified Acute Physiology Score III (SAPS III), Acute Physiology and Chronic Health Evaluation II (APACHE II), and Charlson comorbidity index (CCI) as mortality prediction tools.

Fig. 1.

Usefulness of Charlson comorbidity index-adjusted mortality prediction tools and factors influencing mortality in intensive care unit patients: a retrospective medical record review–based study

Characteristic	Total (n=482)	Death (n=87)	Survival (n=395)	χ² or t	p
Gender				0.55	.459
Men	299 (62.0)	57 (65.5)	242 (61.3)
Women	183 (38.0)	30 (34.5)	153 (38.7)
Age (yr)				2.71	.745
<40	37 (7.8)	7 (8.0)	30 (7.5)
40–59	113 (23.4)	23 (26.4)	90 (22.8)
60–69	124 (25.7)	25 (28.7)	99 (25.1)
70–74	51 (10.6)	10 (11.5)	41 (10.4)
75–79	59 (12.2)	9 (10.3)	50 (12.7)
≥80	98 (20.3)	13 (15.1)	85 (21.5)
Mean age (yr)	65.7±15.98	63.9±15.80	66.1±16.01	1.20	.230
BMI (kg/m²)				0.62	.892
Underweight (<18.5)	65 (13.5)	12 (13.8)	53 (13.4)
Normal (18.5–22.9)	209 (43.4)	40 (46.0)	169 (42.8)
Overweight (23–24.9)	99 (20.5)	18 (20.7)	81 (20.5)
Obese (≥25)	109 (22.6)	17 (19.5)	92 (23.3)
Mean BMI	22.59±4.02	22.29±3.39	22.65±4.15	0.77	.443
COVID-19 infection				1.77	.184
Yes	25 (5.2)	7 (8.0)	18 (4.6)
No	457 (94.8)	80 (92.0)	377 (95.4)
Acute renal failure				1.05	.306
Yes	92 (19.1)	20 (23.0)	72 (18.2)
No	390 (80.9)	67 (77.0)	323 (81.8)
Department				56.30	<.001
Infection diseases	27 (5.6)	7 (8.0)	20 (5.1)
Cardiology	89 (18.5)	10 (11.5)	79 (20.0)
Nephrology	26 (5.4)	6 (6.9)	20 (5.1)
General surgery	52 (10.8)	2 (2.3)	50 (12.7)
Chest surgery	45 (9.3)	4 (4.6)	41 (10.4)
Neurology	19 (4.0)	2 (2.3)	17 (4.2)
Neuro-surgery	60 (12.4)	7 (8.0)	53 (13.4)
Hemato-oncology	68 (14.1)	31 (35.6)	37 (9.3)
Pulmonology	58 (12.0)	15 (17.2)	43 (10.9)
Others	38 (7.9)	3 (3.5)	35 (8.9)
Ventilator care				61.74	<.001
Yes	211 (43.8)	71 (81.6)	140 (35.4)
No	271 (56.2)	16 (18.4)	255 (64.6)
ECMO				15.91	<.001
Yes	22 (4.6)	11 (12.6)	11 (2.8)
No	460 (95.4)	76 (87.4)	384 (97.2)
CRRT				52.28	<.001
Yes	112 (23.2)	46 (52.9)	66 (16.7)
No	370 (76.8)	41 (47.1)	329 (83.3)
CPCR				117.54	<.001
Yes	65 (13.5)	43 (49.4)	22 (5.6)
No	417 (86.5)	44 (50.6)	373 (94.4)
LST				174.32	<.001
Yes	23 (4.8)	21 (24.2)	2 (0.5)
No	420 (87.1)	39 (44.8)	381 (96.5)
DNR	39 (8.1)	27 (31.0)	12 (3.0)
Inotropics				178.12	<.001
Yes	180 (37.3)	87 (100.0)	93 (23.5)
No	302 (62.7)	0 (0.0)	302 (76.5)
Admission–ICU period	8.08±13.12	14.85±18.41	6.59±11.13	–4.02	<.001
ICU period	9.29±10.81	12.19±10.95	8.65±10.68	–2.79	.005
Admission route				4.56	.102
Ward	223 (46.2)	41 (47.1)	181 (45.9)
ICU	59 (12.3)	16 (18.4)	43 (10.9)
ER	200 (41.5)	30 (34.5)	171 (43.2)
Operation				5.94	.015
Yes	206 (42.7)	27 (31.0)	179 (45.3)
No	276 (57.3)	60 (69.0)	216 (54.7)

Characteristic	Total (n=482)	Death (n=87)	Survival (n=395)	χ² or t	p
SAPS III	67.06±15.94	83.62±12.35	63.41±14.25	–12.25	<.001
APACHE II	17.51±7.97	24.99±7.06	15.87±7.18	–10.76	<.001
CCI	1.72 ± 1.23	2.37 ± 1.07	1.58 ± 1.22	–5.57	<.001
Congestive heart failure				1.57	.211
Yes	124 (25.7)	27 (31.0)	97 (24.6)
No	358 (74.3)	60 (69.0)	298 (75.4)
Dementia				0.12	.728
Yes	19 (3.9)	4 (4.6)	15 (3.8)
No	463 (96.1)	83 (95.4)	380 (96.2)
Chronic pulmonary disease				0.86	.354
Yes	68 (14.1)	15 (17.2)	53 (13.4)
No	414 (85.9)	72 (82.8)	342 (86.6)
Rheumatologic disease				0.01	.909
Yes	5 (1.0)	1 (1.1)	4 (1.0)
No	477 (99.0)	86 (98.9)	391 (99.0)
Mild liver disease				1.47	.226
Yes	59 (12.2)	14 (16.1)	45 (11.4)
No	423 (87.8)	73 (83.9)	350 (88.6)
Diabetes with chronic complication				1.40	.237
Yes	106 (22.0)	15 (17.2)	91 (23.0)
No	376 (78.0)	72 (82.8)	304 (77.0)
Hemiplegia or paraplegia				0.04	.847
Yes	47 (9.8)	8 (9.2)	39 (9.9)
No	435 (90.2)	79 (90.8)	356 (90.1)
Renal disease				15.32	<.001
Yes	198 (41.1)	52 (59.8)	146 (37.0)
No	284 (58.9)	35 (40.2)	249 (63.0)
Leukemia and lymphoma				43.73	<.001
Yes	105 (21.8)	42 (48.3)	63 (15.9)
No	377 (78.2)	45 (51.7)	332 (84.1)
Moderate or severe liver disease				2.19	.139
Yes	65 (13.5)	16 (18.4)	49 (12.4)
No	417 (86.5)	71 (81.6)	346 (87.6)
Metastatic solid tumor				6.18	.013
Yes	32 (6.6)	11 (12.6)	21 (5.3)
No	450 (93.4)	76 (87.4)	374 (94.7)
AIDS					.180^a)
Yes	1 (0.2)	1 (1.1)	0 (0.0)
No	481 (99.8)	86 (98.9)	395 (100.0)

Mortality prediction models	C-statistics	p^a)
SAPS III	.857	.576
APACHE II	.817	.729
CCI	.692	.118
SAPS III+CCI	.857	.543
APACHE II+CCI	.834	.128

Variables (reference)	B	SE	p	OR (95% CI)	Tolerance	VIF
(constant)	–8.50	1.05	<.001	0.01
Ventilator care (no)	0.64	0.39	.100	1.90 (0.88–4.09)	.70	1.44
CPCR (no)	2.37	0.41	<.001	10.67 (4.81–23.67)	.78	1.28
CRRT (no)	0.97	0.37	.008	2.64 (1.29–5.40)	.79	1.27
ECMO (no)	0.56	0.64	.381	1.75 (0.50–6.09)	.90	1.11
Leukemia and lymphoma (no)	1.41	0.38	<.001	4.11 (1.95–8.65)	.79	1.27
SAPS III	0.06	0.02	<.001	1.07 (1.03–1.10)	.35	2.85
APACHE II	0.04	0.03	.189	1.04 (0.98–1.11)	.43	2.34
CCI	–0.17	0.16	.290	0.84 (0.61–1.16)	.68	1.48

Table 1. General characteristics of deceased patients in the adult intensive care unit (N=482)

Values are presented as number (%) or mean±standard deviation.

Table 2. Mortality according to CCI, SAPS III, and APACHE II in the adult intensive care unit (N=482)

Values are presented as mean±standard deviation or number (%).

AIDS, Acquired immune deficiency syndrome; APACHE, Acute Physiology and Chronic Health Evaluation; CCI, Charlson comorbidity index; SAPS, Simplified Acute Physiology Score.

^a)By Fisher’s exact probability test.

Table 3. Validity and goodness-of-fit of the mortality prediction models (N=482)

^a)By Hosmer-Lemeshow.

Table 4. Factors affecting mortality in the adult intensive care unit (N=482)

Nagelkerke R²=0.57, χ²=208.08, p<.001, hit ratio=82.0%; Hosmer-Lemeshow Goodness of fit χ²=3.64, p=.888.