90%가 넘는 정확도로 중환자실에 입원한 환자의 패혈증 발생 가능성을 예측하는 인공지능 모델이 나와 주목받고 있다.

트랜스포머(Transformer) 기반 시계열 프레임워크를 통해 정밀도를 크게 높인 것이 특징으로 성능 개선의 단초를 만들었다는 점에서 타 질환까지 확대 가능성이 높다는 것이 전문가들의 의견이다.

현지시각으로 18일 국제학술지 정밀임상의학(Precision Clinical Medicine)에는 중환자실 패혈증 예측 인공지능에 대한 검증 연구 결과가 공개됐다(10.1093/pcmedi/pbaf003).

패혈증은 입원 사망률이 최대 50%에 달할 만큼 중환자실(ICU) 입원 환자의 사망 원인 중 1순위로 꼽힌다.

일단 발생하면 예후가 매우 좋지 않다는 점에서 신속한 진단과 동시에 의료진의 조기 개입이 무엇보다 중요한 질환으로 꼽히고 있는 상황.

이로 인해 순차적 장기 부전 평가 점수나 만성 건강평가(APACHE-II) 등의 다양한 도구가 마련돼 있지만 임상의가 직접 이를 작성하고 분석해야 한다는 점에서 광범위하게 활용하는데는 한계가 있었다.

의료 인공지능 분야에서 패혈증 예측 모델이 우선 순위로 꼽히는 배경도 여기에 있다.

하지만 현재까지 개발된 인공지능들은 로지스틱 회귀나 랜덤 포레스트, XGBoost 등 머신 러닝 모델을 활용하면서 AI의 정확도를 의미하는 수신자 조작 특성 곡선(AUROC)가 0.7에서 0.85에 머무르고 있는 상황이다.

과거 예측 및 진단 도구에 비해서는 편의성과 정확도가 많이 좋아졌지만 여전히 임상 현장에서 광범위하게 활용하기는 부족한 부분이 있었다는 의미다.

중국 스촨의과대학 바이롱 센(Bairong Shen) 교수가 이끄는 다국가 연구진이 트랜스포머 기반 시계열 프레임워크를 통한 패혈증 예측 인공지능 개발에 나선 것도 이러한 배경 때문이다.

생체 징후와 더불어 환자의 상태에 따른 시간적 진화를 주요 변수로 넣어 과거 인공지능 모델의 한계를 극복하기 위해서다.

이에 따라 연구진은 2014년부터 2015년까지 미국 208개 병원 중환자실에 입원한 20만 859명의 데이터를 기반으로 타임라인을 기준으로 데이터를 연대순으로 구성하는 방식을 통해 인공지능을 개발했다.

또한 1만 3610명의 환자 데이터를 기반으로 매일 환자의 시간적 특징을 학습시켜 2단계 트랜스포머 네트워크 모델을 만들었다.

그 결과 이 모델은 환자 입원 1일차에 AUROC가 0.87을 기록했으며 2일차에는 0.88, 3일차에는 0.89, 4일차에는 0.92, 5일차부터는 꾸준히 0.92를 기록했다.

입원하자마자 87%의 정확도로 패혈증 발생을 예측하는 것은 물론 4일차부터는 92%라는 높은 정확도로 이를 알려준다는 의미가 된다.

특히 미국 데이터를 넘어 중국 3차병원에서 수집된 417명의 환자를 대상으로 검증 연구를 진행한 결과에서도 이 모델은 81.8%의 정확도를 보였다. 인종과 지역에 관계없이 높은 정확도를 보여준다는 의미다.

바이롱 센 교수는 "이 모델은 트랜스포머 시계열 프레임워크를 통해 현재 머신러닝 기반의 인공지능 모델의 정확도를 크게 뛰어넘는 성능을 보여줬다"며 "특히 미국과 중국 등 다양한 국가와 인종간 교차 검증을 통해 범용성도 확보한 상황"이라고 설명했다.

이어 그는 "특히 환자의 생리적 패턴을 동화하는 능력을 통해 실제 임상에 있는 의료진이 최적의 시기에 조기 개입할 수 있는 강력한 도구가 될 것"이라고 밝혔다.