Machine Learning Estimation of Gestational Age at Delivery Using Linked Mother-Infant Electronic Health Records Across Two Health Systems

본 연구는 연결된 모자 전자 건강 기록으로 훈련된 지도학습 모델이 다양한 의료 시스템에서 분만 시의 임신 주수를 정확하고 일반화 가능하게 추정할 수 있음을 입증하여 대규모 모성 및 신생아 건강 연구를 지원할 수 있는 견고한 틀을 제공함을 보여준다.

핵심

임상 기록만 보고 임신 기간이 정확히 얼마나 지속되었는지 추측해 보라고 상상해 보세요. 때로는 기록에 예정일이 빠져 있거나, 메모가 지저분해 읽기 어려울 때가 있습니다. 이는 약물이 아기에게 미치는 영향을 연구하려는 연구자들에게 큰 문제입니다. 타이밍을 잘못 파악하면 연구 전체가 결함이 생길 수 있기 때문입니다.

이 논문은 공식 기록이 없거나 불분명할 때조차 임신 기간 (임신 주수) 을 파악할 수 있는스마트 디지털 탐정을 구축하는 것에 관한 것입니다.

연구자들이 이를 어떻게 수행했는지 간단히 설명해 드리겠습니다.

1. 훈련장: 두 개의 거대한 도서관

연구자들은 한 병원의 기록만 살펴본 것이 아니라, 두 개의 거대한 의료 기록 도서관을 활용했습니다.

• 내슈빌에 있는 밴더빌트 대학교 의료 센터 (VUMC)
• 앤아버에 있는 미시간 대학교 (UMich)

이들을 서로 다른 "훈련 체육관"이라고 생각해 보세요. 연구자들은 이 체육관들에서 수백만 건의 산모와 아기에 대한 기록을 가져와 컴퓨터 프로그램이 패턴을 찾아내도록 가르쳤습니다.

2. 탐정의 도구상자: 어떤 단서들을 사용했을까요?

컴퓨터 프로그램 (머신러닝 모델) 은 단순히 추측한 것이 아닙니다. 마치 탐정이 퍼즐을 맞추듯 기록 속의 구체적인 단서들을 찾아냈습니다. 어떤 도구가 가장 잘 작동하는지 보기 위해 세 가지 다른 "도구 상자"를 테스트했습니다.

• 도구 상자 A (산모만): 산모의 병력 (나이, 인종, 과거 임신 이력) 만을 보았습니다.
• 도구 상자 B (산모 + 병원 기록): 일반적인 병원 데이터 (질병 상태를 위한 약어 라벨인 ICD 코드 등) 를 추가했습니다.
• 도구 상자 C (풀 패키지): 아기의 데이터도 추가했습니다. 여기에는 아기의 출생 체중, 출생 직후의 빠른 건강 상태 확인인 "Apgar 점수", 그리고 아기 자신의 의료 라벨이 포함되었습니다.

비유: 케이크가 얼마나 오래 구워졌는지 추측해 보라고 상상해 보세요.

• 도구 상자 A는 제빵사의 경험만으로 추측하는 것과 같습니다.
• 도구 상자 B는 레시피 카드를 보는 것과 같습니다.
• 도구 상자 C는 제빵사, 레시피, 그리고 완성된 케이크의 크기와 질감까지 보는 것입니다. 놀랍지 않게도, 풀 패키지 (도구 상자 C) 가 가장 정확했습니다.

3. "스마트 추측" 대 "평균 추측"

연구자들은 세련된 AI 를 사용하기 전에 간단한 방법을 시도했습니다. 바로 모든 사람의 평균 임신 기간을 추측하는 것이었습니다.

• 결과: 단순한 평균은 종종 크게 빗나갔습니다. 마치 크기와 상관없이 모든 케이크가 정확히 45 분 동안 구워진다고 추측하는 것과 같습니다.
• AI 결과: 머신러닝 모델은 훨씬 더 날카로웠습니다. 이들은 실제 날짜로부터 1 주일 이내의 임신 기간을 약 **85% 에서 93%**의 확률로 예측할 수 있었습니다. 2 주 이내로 예측하면 **94% 에서 98%**의 확률로 정확했습니다.

4. "도시 간" 테스트

탐정이 내슈빌 도서관의 기록만 외운 것이 아닌지 확인하기 위해, 동일한 규칙을 미시간 도서관으로 보냈습니다.

• 결과: 미시간에서도 똑같이 잘 작동했으며, 실제로는 미시간에서 더 잘 수행되었습니다. 이는 이 "탐정"이 단순히 지역 전문가가 아니라, 다른 병원에서도 작동할 수 있는 일반 전문가임을 증명합니다.

5. 탐정이 넘어지는 곳

이 논문은 시스템이 아직 완벽하지 않은 부분을 솔직하게 밝힙니다.

• 조산아: 이 시스템은 "적절한" 시간에 태어난 만삭 임신 기간을 추측하는 데는 뛰어납니다. 하지만 매우 일찍 태어난 조산아의 경우 조금 더 어려움을 겪습니다. 마치 탐정이 표준 사건을 해결하는 데는 능숙하지만 드물고 복잡한 미스터리에는 혼란을 겪는 것과 같습니다.
• 오래된 데이터: 시스템은 최근 몇 년의 기록에서 더 잘 작동했습니다. 이는 2015 년 이전의 오래된 기록들이 다른 코딩 시스템을 사용하거나 더 정밀하지 않은 초음파 기술을 사용했기 때문에 단서를 읽기 어려웠기 때문일 수 있습니다.

결론

이 논문은 의료 기록에서 누락된 임신 날짜를 채워 넣을 수 있는 신뢰할 수 있고 휴대 가능한 "계산기"를 이제 갖게 되었다고 결론 내립니다. 산모의 병력, 병원 기록, 그리고 아기의 세부 사항을 혼합하여 사용하면 이 도구는 이전보다 훨씬 더 정확하게 임신 안전성을 연구하는 데 연구자들을 도울 수 있습니다.

중요한 참고 사항: 저자들은 이 도구가 연구에서 누락된 데이터를 수정하기 위한 연구용 도구라고 명시적으로 밝힙니다. 현재 이 도구가 병원 환경에서 개별 환자에 대한 즉각적인 임상 결정을 내리기 위해 의사들이 사용해야 한다고 주장하지는 않습니다. 이는 과학자들이 산모와 아기의 건강에 대해 더 많이 배울 수 있도록 데이터를 정리하는 방법입니다.

기술 요약

기술 요약: 연계된 산모 - 영아 전자 건강 기록을 사용한 분만 시 임신 주수 기계 학습 추정

문제 제기
임신 주수 (GA) 의 정확한 추정은 임신 및 자손 건강 연구, 특히 노출 기간과 태아 감수성을 정의하는 데 정확한 임신 일자가 필수적인 약역학 연구에 있어 중요합니다. 그러나 전자 건강 기록 (EHR) 및 행정 청구 데이터베이스는 제공자 입력 오류, 초음파 문서화 부재, 또는 시스템 인프라 한계로 인해 GA 데이터가 누락되거나 불완전하거나 오류가 있는 경우가 많습니다. 이러한 부정확성은 약물 노출의 오분류를 초래하여 편향을 유발하고 연구 타당성을 훼손할 수 있습니다. 기존 연구는 행정 청구 데이터를 사용하여 GA 를 추정하는 데 중점을 두었으나, 다양한 의료 환경에서 추정 정확도와 일반화 가능성을 향상시키기 위해 EHR 시스템에서 제공되는 더 풍부한 연계된 산모 - 영아 데이터를 활용해야 할 필요성이 있습니다.

방법론
본 후향적 코호트 연구는 밴더빌트 대학교 의료 센터 (VUMC, 20052025 년) 와 미시간 대학교 (UMich, 20122024 년) 의 두 학술 의료 시스템에서 제공된 연계된 산모 - 영아 EHR 데이터를 사용하여 분만 시 GA 를 추정하기 위한 지도형 기계 학습 알고리즘을 개발하고 검증했습니다.

• 데이터 소스 및 코호트: 연구는 VUMC 의 Research Derivative 와 UMich EHR 데이터베이스를 활용했습니다. 초기 코호트에는 91,471 명 (VUMC) 과 55,733 명 (UMich) 의 산모 - 영아 쌍이 포함되었습니다. 제외 기준 (산모당 영아 1 명만 유지, 비활아 출생 제외, 충분한 산전 진료 요구) 을 적용한 후, 최종 분석 코호트는 VUMC 에서 54,344 쌍, UMich 에서 34,345 쌍으로 구성되었습니다.
• 참조 표준: 분만 시 산모 기록에 기록된 임상 임신 주수 (CGA) 추정이 기준이 되었습니다. 이러한 텍스트 패턴 (예: "39 주 2/7") 은 숫자 일수로 파싱되었습니다.
• 예측 변수: 특징은 세 가지 소스에서 파생되었습니다:
  1. 산모 기록: 인구통계학적 정보 (나이, 인종/민족), 조산/만산/과숙산 출산, 태아 성장 제한, 과도한 태아 성장에 대한 ICD 코드.
  2. EHR 시스템 데이터: 표준 내원 정보 및 ICD 코드 빈도 (별도의 일수 또는 방문으로 인코딩).
  3. 영아 기록: 출생 체중, 1 분 및 5 분 APGAR 점수, 영아 특이적 ICD 코드 (조산, SGA, LGA).
     출생 체중 및 APGAR 점수의 결측치는 중앙값으로 대체되었습니다.
• 모델 구성: 서로 다른 데이터 환경에서의 성능을 평가하기 위해 세 가지 구성이 테스트되었습니다:
  • C1 (산모): 산모 예측 변수만 사용.
  • C2 (산모 + EHR): 산모 + 표준 EHR 특징.
  • C3 (산모 + EHR + 소아): 영아 기록을 포함한 모든 사용 가능한 예측 변수 (연계된 데이터 환경을 대표).
• 알고리즘: 랜덤 포레스트 (RF), 경사 부스팅 (GB), 그리고 RF 와 GB 예측의 평균을 내는 앙상블 모델이 훈련되었습니다. 하이퍼파라미터는 5 교차 검증을 통해 최적화되었습니다. CGA 의 왼쪽으로 치우친 분포를 해결하기 위해 양적 변환이 적용되었습니다.
• 평가: 성능은 참조 표준으로부터 ±1 주 및 ±2 주 이내의 예측 비율과 평균 절대 오차 (MAE) 를 사용하여 홀드아웃 테스트 세트에서 평가되었습니다. 95% 신뢰 구간을 계산하기 위해 부트스트래핑 (1,000 회 재표본 추출) 이 사용되었습니다.

주요 결과

• 전체 성능: 앙상블 모델이 가장 높은 정확도를 달성했습니다. VUMC 테스트 세트에서 이 모델은 임신의 85.2% 에서 ±1 주 이내, 94.3% 에서 ±2 주 이내의 GA 를 예측했으며, MAE 는 4.4 일이었습니다. UMich 테스트 세트에서는 성능이 ±1 주 93.1%, ±2 주 97.8% 로 향상되었고 MAE 는 2.8 일이었습니다.
• 기준선 대비 비교: 기계 학습 모델은 단순 평균 및 중앙값 기준선보다 훨씬 우수한 성과를 보였습니다. 예를 들어, VUMC 테스트 세트에서 ML 모델은 평균 기준선 (12.3 일) 대비 MAE 를 6.8 일에서 7.9 일까지 개선했습니다.
• 예측 변수 영향: 데이터 소스가 추가됨에 따라 성능이 일관되게 향상되었습니다 (C1 < C2 < C3). 영아 특이적 데이터 (출생 체중, APGAR, 소아 ICD 코드) 의 포함이 정확도 향상에 가장 큰 기여를 했습니다.
• 시간적 및 계층화 분석:
  • ICD 전환: ICD-9-CM 시대에 비해 2015 년 10 월 1 일 이후 (ICD-10-CM 시대) 에 분만된 임신에서 모델이 더 잘 수행되었습니다.
  • 분만 상태: 모델은 만산 및 후기 만산 분만에서 가장 잘 수행되었습니다. 조산 분만의 경우 성능이 현저히 낮았습니다.
  • 일반화 가능성: VUMC 데이터로 훈련된 모델이 UMich 데이터에서 재현되었으며, 이는 강력한 이식성을 보여주었습니다. UMich 재현은 참조 표준과의 일치도가 더 높았습니다.

의의 및 주장
저자들은 본 연구가 연계된 산모 - 영아 EHR 을 사용하여 분만 시 임신 주수를 추정하는 견고하고 일반화 가능한 기계 학습 프레임워크를 제시한다고 주장합니다. 주요 의의는 다음과 같습니다:

1. 연계된 데이터 활용: 산모 및 영아 기록을 결합 (C3 구성) 하는 것이 산모 또는 행정 데이터에만 의존하는 모델보다 성능이 현저히 우수함을 입증.
2. 이식성 및 재현성: 서로 다른 데이터 역사와 환자 인구통계를 가진 두 개의 서로 다른 의료 시스템에서 모델링 파이프라인을 성공적으로 재현하여, 학습된 연관성이 사이트 특정적이기보다 광범위하게 일반화 가능함을 시사.
3. 연구 활용성: GA 데이터가 누락되거나 무효인 대규모 실제 임상 연구에서 GA 를 대체하기 위한 신뢰할 수 있는 도구를 제공함으로써, 약역학 및 주산 연구의 편향을 감소시킴.

본 논문은 조산 분만에 대한 성능이 최적화되지 않았으며, 현재 모델 범위에서 사산 및 인공 유산과 같은 비활아 출생 결과가 제외되었다는 한계를 인정합니다. 저자들은 프레임워크가 견고하지만, 조산 추정에서의 성능 격차를 해소하고 건강 격차와 관련된 잠재적 편향을 평가하기 위해 향후 연구가 필요하다고 강조합니다.