Machine Learning-Supported Efficient VTE Risk Assessment using Routinely Collected Electronic Health Record Data
본 연구는 일상적으로 수집되는 전자 건강 기록 데이터를 활용하는 머신러닝 모델이 임상의가 기록한 요인들과 대등한 임상적 타당성을 갖춘 실시간 정맥 혈전색전증 위험 평가를 효과적으로 지원할 수 있음을 입증하며, 이는 환자 안전을 유지하면서도 문서화 부담을 줄이기 위한 실행 가능한 해결책을 제공한다.
원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. 이것은 동료 심사를 거치지 않은 프리프린트의 AI 생성 설명입니다. 의학적 조언이 아닙니다. 이 내용을 바탕으로 건강 관련 결정을 내리지 마세요. 전체 면책 조항 읽기
병원은 신체의 방어 기제가 종종 가장 낮아지는 곳입니다. 환자가 수술이나 심각한 질병으로 입원하면, 정맥을 통한 혈액의 자연스러운 흐름이 느려질 수 있고, 신체의 스트레스 반응은 혈액을 더 잘 응고되게 만들 수 있습니다. 정맥 혈전색전증이라고 알려진 이러한 혈전은 다리에서 형성되어 폐로 이동할 수 있으며, 이는 병원에서 예방 가능한 사망의 주요 원인이 되는 폐쇄를 일으킵니다. 이를 방지하기 위해 의료 지침은 의사와 간호사가 모든 성인 환자를 도착 시마다 확인하도록 요구합니다. 의료진은 환자의 건강 이력, 현재 상태, 그리고 가동성에 관한 일련의 질문을 담은 특정 양식을 작성해야 합니다. 답변을 바탕으로 의료팀은 환자에게 특수 스타킹, 혈액 희석제(항응고제), 또는 두 가지 모두가 필요한지 결정합니다. 이 과정은 위험 요소가 비상 사태가 되기 전에 포착하기 위한 안전망 역할을 합니다.
하지만 이러한 양식을 작성하는 것은 사람이 차트를 읽고, 환자의 이력을 기억하며, 컴퓨터에 답을 입력해야 하는 수동적인 작업입니다. 이는 병원 컴퓨터 시스템이 이미 알고 있는 정보와 의사가 양식에 적는 내용 사이에 격차를 만듭니다. 컴퓨터에는 과거 수술 기록이나 암 진단 기록이 있을 수 있지만, 의사가 체크리스트에서 해당 항목을 수동으로 선택하지 않으면 시스템은 환자를 실제보다 낮은 위험군으로 취급하게 됩니다. 런던의 5개 주요 병원에서 진행된 이 연구는 다음과 같은 단순하지만 중요한 질문을 던졌습니다. 병원의 자체 컴퓨터 기록이 안전 양식의 답변을 자동으로 채워 넣어 의사의 시간을 절약하고 놓치는 위험 요소가 없도록 할 수 있을까?
연구진은 10년 동안 약 58만 건의 입원 데이터를 조사하며 방대한 양의 데이터를 살펴보았습니다. 그들은 의사들이 양식을 매우 잘 작성한다는 사실(환자의 거의 97%에 대해 양식 완료)을 발견했지만, 그 타이밍이 어긋나는 경우가 많다는 것을 발견했습니다. 2015년에는 이 양식 중 절반 미만이 환자 도착 후 첫 14시간 이내에 작성되었는데, 이 시간대는 지침상 혈전을 예방하는 데 매우 중요한 골든타임입니다. 2024년에는 그 수치가 90% 이상으로 크게 개선되었으나, 특히 수술이 아닌 내과적 이유로 입원한 환자들에게서 지연 문제가 여전히 남아 있었습니다. 또한 연구는 양식이 작성되었더라도 그곳에 적힌 정보가 이미 전자 기록에 저장된 사실과 항상 일치하는 것은 아니라는 점을 밝혀냈습니다.
연구팀이 의사가 작성한 양식과 컴퓨터 기록을 비교했을 때, 세부 사항을 놓치는 패턴을 발견했습니다. 고령(60세 이상)과 같은 흔한 요인의 경우 의사와 컴퓨터 기록이 대부분 일치했습니다. 그러나 덜 흔하지만 심각한 위험 요소의 경우, 의사들이 이를 적는 것을 자주 잊었습니다. 예를 들어, 환자가 중환자실에 입원한 경우 컴퓨터는 이를 알고 있었지만, 의사가 양식에 이를 기록한 경우는 약 14%에 불과했습니다. 마찬가지로, 가족 중 혈전 병력이 있는 경우 많은 환자에 대해 컴퓨터에 기록되어 있었음에도 불구하고, 의사가 이를 양식에 기재한 경우는 동일한 환자들의 약 5%뿐이었습니다. 이는 안전 양식이 가장 중요한 보호 치료를 유발할 수 있는 핵심 단서들을 놓치는 경우가 많았음을 의미했습니다.
이 누락된 정보가 실제로 영향을 미치는지 확인하기 위해, 연구진은 양식의 위험 점수가 실제로 혈전 발생을 예측하는지 확인했습니다. 연구 결과, 양식에서 고위험군으로 표시된 환자들이 저위험군으로 표시된 환자들보다 실제로 혈전을 발생시킬 확률이 훨씬 높다는 것이 밝혀졌으며, 이는 양식이 유용하다는 것을 증명했습니다. 그러나 의사가 혈액 희석제를 투여한다고 적었을 때, 그것이 약국 기록과 항상 일치하는 것은 아니라는 점도 발견되었습니다. 때로는 의사가 약물을 투여했다고 적었지만 약국 기록에는 아무것도 나타나지 않았고, 그 반대의 경우도 있었습니다. 이러한 불일치는 현재의 시스템이 환자를 얼마나 잘 보호하고 있는지 정확히 파악하는 것을 어렵게 만들었습니다.
이 연구의 핵심은 컴퓨터가 의사의 역할을 대신하여 양식을 채울 수 있는지 확인하는 실험이었습니다. 연구진은 전자 건강 기록을 살펴보고 위험 요소를 자동으로 선택하는 머신러닝 모델(과거 데이터로부터 학습하는 소프트웨어의 일종)을 구축했습니다. 그들은 이 시스템을 환자 그룹에 테스트하고, 실제 의사들이 작성한 양식과 성능을 비교했습니다. 입원 후 첫 14시간 이내에 사용 가능한 정보만을 사용한 이 컴퓨터 모델은 혈전 발생을 예측하는 데 있어 의사만큼 우수한 성능을 보였습니다. 실제로 컴퓨터는 의사가 찾아낸 것과 동일한 고위험 환자들을 식별해 낼 수 있었는데, 이는 의사가 종이 양식을 작성할 때 간과했던, 이미 시스템 안에 존재하던 데이터를 활용했기 때문입니다.
이 연구는 병원의 자체 데이터가 처음부터 모든 것을 다시 입력할 필요 없이 이러한 안전 점검을 지원할 만큼 풍부하다는 것을 시사합니다. 컴퓨터 모델은 임상의와 동일한 위험 패턴을 찾아낼 수 있었으며, 어떤 경우에는 인간이 놓친 위험 요소를 찾아내기도 했습니다. 연구진은 최선의 방법이 의사를 대체하는 것이 아니라, 컴퓨터가 이미 알고 있는 정보로 양식을 미리 채워 넣도록 하는 것이라고 결론지었습니다. 그러면 의사는 미리 채워진 답변을 검토하고 확인한 뒤 새로운 세부 사항만 추가하면 됩니다. 이러한 접근 방식은 의사가 서류 작업에 쓰는 시간을 줄이고, 중요한 위험 요소가 잊히지 않도록 보장하며, 안전 평가에 대한 엄격한 14시간 마감 기한을 준수하는 데 도움을 줄 것입니다. 이미 존재하는 데이터를 활용함으로써, 병원은 안전망을 더욱 강력하고 신뢰할 수 있게 만들어 적절한 보호 조치가 적기에 적절한 환자에게 전달되도록 할 수 있습니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.