대한중환자의학회를 중심으로 국내 대학병원 교수들이 응급실에서 패혈증 환자의 사망을 예측하는 인공지능(AI) 모델을 개발해 눈길을 끌고 있다.

특히 이 모델은 현재 패혈증 표준 지표로 쓰고 있는 순차적 장기부전 평가(SOFA)보다도 우수한 정확도를 보였다는 점에서 향후 임상 적용 가능성에 청신호가 켜졌다.

5일 대한의학회 국제학술지 Journal of korean medical science에는 머신러닝을 기반으로 하는 응급실 패혈증 환자 조기 예측 모델에 대한 실증 연구 결과가 공개됐다(10.3346/jkms.2024.39.e53).

패혈증은 감염에 대한 신체 반응으로 발생하는 복합증후군으로 전 세계적으로 병원 내 사망의 주요 원인이 되는 질환이다.

특히 초기 처치에 실패시 빠르게 사망까지 이어진다는 점에서 무엇보다 조기 진단과 치료가 중요한 지표가 되는 것이 사실.

이로 인해 현재 응급실 등 임상 현장에서는 순차적 장기부전 평가(SOFA) 점수를 통해 환자를 분류하고 이에 맞춰 치료를 진행하고 있다.

그러나 문제는 SOFA 또한 민감도와 특이도가 낮다는데 있다.

6개의 항목을 점수로 환산하고 이를 합산해 계산하는 방식을 활용한다는 점에서 일정 부분 사망 위험 감지에 도움은 되지만 다양한 장기간 상호 작용이 반영되지 않는다는 점에서 한계가 있기 때문이다.

이로 인해 이를 기반으로 하는 패혈증 사망 예측도 난항을 겪어온 것이 사실이다.

대한중환자의학회와 강원대 의과대학, 울산대 의과대학 등 국내 다기관 연구진이 이를 보완할 수 있는 인공지능 모델 개발에 나선 것도 이러한 배경 때문이다.

대규모 데이터를 활용해 보다 예측력이 높은 패혈증 사망 예측 모델을 만들기 위한 시도인 셈이다.

이에 따라 연구진은 중환자의학회 산하 패혈증연구회가 진행중인 전국 코호트 연구 데이터를 활용해 5112명의 패혈증 환자의 다차원 데이터를 추출하고 여러개의 머신 러닝 모델을 학습시켰다.

구체적으로 로지스틱 회귀 모델과 서포트 벡터 머신, 랜덤 포레스트, XG Boost, Cat Boost, Light GBM 등이다. 또한 입원 당일 측정된 44개 임상 변수를 SOFA에 적용한 모델도 비교했다.

그 결과 이 중 Cat Boost모델은 곡선 아래 면적(AUC)가 0.800을 기록하며 가장 높은 정확도를 보여줬다. 또한 Light GBM 모델이 0.795로 뒤를 이었다.

특이도 또한 Cat Boost모델이 0.937로 가장 높았다. 이어서 Light GBM이 0.937로 마찬가지 결과를 보였다.

반면 동일한 환자에 대해 SOFA를 기반으로 한 모델은 곡선 아래 면적이 0.678에 불과했다.

결과적으로 현재 표준 지표보다 Cat Boost모델이 환자의 임상 정보를 통해 최적의 예측력을 보여준다는 것을 증명한 셈이다.

연구진은 "새로 확립된 머신러닝 모델, 특히 Cat Boost모델은 패혈증 환자의 사망률 예측에 최적의 성능을 발휘했다"며 "기준선에서 얻은 여러가지 임상 변수를 활용하면 현재 지표인 SOFA를 사용하는 것보다 조기 예측에 더 정확한 결과를 얻을 수 있다는 것을 시사한다"고 밝혔다.