중증 급성 호흡부전 환자의 에크모(ECMO, 체외막산소공급장치) 치료 시 사망률을 예측하는 머신러닝 모델이 개발됐다.

분당서울대병원 호흡기내과 임성윤·가정의학과 정세영 교수 연구팀(제1저자 디지털헬스케어연구사업부 이하은 연구원)은 중증 급성 호흡부전 환자에게 에크모를 적용함에 있어 인공지능(AI) 기술인 기계 학습(머신러닝)으로 사망률을 예측하는 모델을 개발하고 유용성을 확인했다고 7일 밝혔다.

에크모는 심장과 폐의 기능을 대신해서 혈액을 환자 몸에서 빼내어 체외 산화 장치에서 산소를 혈액에 주입하는 동시에 혈액에 있는 이산화탄소를 제거하고 다시 환자의 몸속으로 돌려보내는 생명유지 장치이다. 환자의 생명을 유지하는 최후의 보루로 여겨지긴 하지만, 치료를 받는 동안 전신의 염증반응, 감염, 응고 질환, 대사 문제 등 합병증이 발생할 수 있어 신중한 접근이 요구된다. 특히, 중증 급성 호흡부전 환자의 경우 에크모는 중요한 치료 방법으로 여겨지지만, 해당 치료 시에도 사망률이 60% 이상으로 높은 편이다.

이에 연구팀은 에크모 치료를 받은 급성 호흡부전 환자의 90일 이내 사망률을 예측하는 ‘익스트림 그라디언트 부스팅(XGB)’과 ‘라이트 그라디언트 부스팅(LGB)’을 개발했다. 에크모 치료 진행 시 사망률을 정확하게 예측함으로써 의료 자원을 효율적으로 사용하고, 부작용에 대한 위험을 덜기 위해서다.



(왼쪽부터)호흡기내과 임성윤 교수, 가정의학과 정세영 교수, 디지털헬스케어연구사업부 이하은 연구원 /사진 제공=분당서울대병원

해당 예측 모델은 2012년부터 2015년까지 전국 16개 3차 병원에서 에크모 치료를 받은 급성 호흡부전 환자 368명의 다양한 생체 신호 및 임상데이터에 기계 학습(머신러닝) 기법을 적용했으며, 기존의 에크모 생존 예측 모델 RESP, PRESERVE와 비교한 내·외부 검증을 통해 성능을 평가했다.

평가 지표는 어떤 질환을 진단하기 위한 특정 검사 도구의 진단정확도를 나타내는 통계 기법으로 인공지능 러닝 모델의 성능평가 지표로 주로 사용되는 AUROC(수신자 조작 특성 곡선 아래의 면적)를 사용했다.

연구 결과, 90일 사망률 예측 성능에서 AUROC 수치가 ‘익스트림 그라디언트 부스팅(XGB)’ 모델은 0.82, ‘라이트 그라디언트 부스팅(LGB)’ 모델은 0.81로 기존 모델인 RESP(0.66), PRESERVE(0.71)보다 높은 점수를 나타냈다. 외부 검증에서도 ‘익스트림 그라디언트 부스팅(XGB)’ 모델이 0.75로 RESP(0.70), PRESERVE(0.67) 모델보다 높은 성능을 나타냈다.

이번 연구는 호흡기 및 폐질환 분야 저널 ‘BMJ respiratory research’에 게재됐다.

분당서울대병원 가정의학과 정세영 교수(공동 교신저자)는 “중증의 급성 호흡부전 환자에서 에크모 치료 적용에 대한 기계학습 모델 연구는 이 분야에서 최초로 시행된 연구”라고 말했다.

분당서울대병원 호흡기내과 임성윤 교수(공동 교신저자)는 “이 모델은 에크모 치료의 성공 가능성이 낮은 환자를 식별하는 근거로 활용할 수 있다”면서 “코로나 팬데믹 같은 시기에 제한된 에크모 자원을 효율적으로 사용할 수 있도록 도울 수 있으며 의료진이 각 환자에게 가장 적합한 치료 방법을 결정하는 데 큰 도움이 될 것”이라고 말했다.

홈으로 이동 상단으로 이동