PhysioFusion: A Multi-Modal Ensemble using Static Preoperative Variables and Time Series Intraoperative Data to Predict Adverse Events Following Cardiothoracic Surgery

환자가 심장이나 폐에 대한 주요 수술을 받는 경우, 수술 후 몇 시간은 신체 회복이 안정되거나 위험한 방향으로 급변할 수 있는 매우 중요한 시기입니다. 중환자실에서 의료팀은 심장의 일정한 리듬, 혈관을 흐르는 혈액의 압력, 그리고 혈액 자체의 화학적 균형과 같은 정보의 홍물을 끊임없이 모니터링합니다. 수십 년 동안 의사들은 환자의 연령, 기존 질환, 또는 수술 전 실시한 혈액 검사 결과와 같이 환자의 건강 상태를 보여주는 정적인 스냅샷에 의존하여 누가 어려움을 겪을지 추측해 왔습니다. 그러나 환자가 마취 상태에 있는 동안, 그리고 수술이 진행되는 동안 발생하는 순간순간의 변화는 실시간으로 펼쳐지는 또 다른 종류의 이야기를 들려줍니다. 연구자들의 핵심 질문은 이러한 두 가지 유형의 정보, 즉 환자의 고정된 배경 정보와 수술실에서 발생하는 역동적이고 변화하는 신호를 결합하는 것이 더 명확한 위험 징후를 만들어내는지, 아니면 한 가지 정보원만으로도 충분한지에 관한 것이었습니다.

연구진은 이 질문에 답하기 위해 흉부외과 수술 후 환자를 관찰하도록 설계된 새로운 종류의 컴퓨터 시스템을 구축했습니다. 그들은 이 도구를 '피지오퓨전(PhysioFusion)'이라 불렀는데, 이는 환자의 영구적인 의료 기록과 수술 중 발생하는 실시간 데이터를 모두 읽을 수 있는 매우 주의 깊은 관찰자 역할을 합니다. 이 시스템은 수천 명의 환자에 대한 세부 정보를 포함한 미국 흉부외과 의사 협회(Society of Thoracic Surgeons)의 방대한 기록을 바탕으로 학습되었습니다. 연구진은 컴퓨터에 두 가지 뚜렷한 데이터 스트림을 입력했습니다. 하나는 심부전 병력이 있는지 또는 백혈구 수치가 얼마인지와 같은 각 환자의 정적인 사실 목록이었고, 다른 하나는 수술이 진행됨에 따라 매초 혈압과 심장 기능을 추적하는 수술실의 연속적인 숫자 스트림이었습니다. 이 복잡성을 이해하기 위해 연구진은 단일 방법에 의존하지 않았습니다. 대신, 그들은 서로 협력하는 다양한 수학적 모델의 집합체인 '앙상블(ensemble)'을 구축했습니다. 시스템의 일부는 정적인 목록에서 패턴을 찾도록 설계되었고, 다른 일부는 마치 음악가가 악보를 읽는 방식과 비트에 맞춰 즉흥 연주를 하는 방식의 차이처럼, 시간 기반 신호의 리듬과 흐름을 이해하는 데 특화되었습니다.

목표는 수술 후 중환자실에서 발생할 수 있는 심각한 합병증인 '유해 사건(adverse events)'을 예측하는 것이었습니다. 연구진이 이 시스템을 테스트했을 때, 환자가 안정적인 상태를 유지할지 아니면 합병증에 직면할지를 높은 정확도로 구별할 수 있음을 발견했습니다. 이 모델은 두 그룹을 분리하는 능력에서 0.87의 점수를 기록했는데, 이는 이 모델이 선별 도구로서 신뢰할 수 있는 수준임을 시사합니다. 특히 이 모델은 환자가 나쁜 결과를 겪지 않을 것임을 식별하는 데 탁월했는데, 거의 모든 환자에 대해 합병증이 없음을 정확하게 판별해 냈습니다. 이는 선별 도구로서 매우 중요한 기능인데, 의사들에게 위험도가 낮다고 분류된 환자가 실제로 안전하다는 확신을 주어, 가장 집중적인 자원이 필요한 소수의 환자에게 역량을 집중할 수 있게 해주기 때문입니다. 또한 시스템은 심부전 병력 유무, 수술 중 혈액 펌프 보조 장치 필요 여부, 인공심폐기의 사용 시간, 백혈구 수치 등 예측에 가장 영향력이 컸던 특정 요인들을 짚어냈습니다.

그러나 가장 놀라운 발견은 연구진이 두 가지 유형의 데이터를 각각 분리하여 테스트했을 때 나타났습니다. 그들은 환자의 정적 병력과 수술실의 실시간 신호를 결합하면 단독으로 사용할 때보다 더 강력한 예측력을 가질 것이라고 예상했습니다. 하지만 예상과 달리, 환자의 의료 기록에서 추출한 정적 데이터만을 단독으로 분석했을 때도 결합 시스템과 동일한 0.87의 점수를 기록하며 대등한 성능을 보였습니다. 수술실의 실시간 신호만을 단독으로 분석했을 때는 0.83으로 약간 낮은 성능을 보였습니다. 이 결과는 이 특정 환자군에 있어 두 유형의 정보가 파트너라기보다는 서로를 대체하는 관계임을 시사합니다. 수술 중 발생하는 상세한 순간별 데이터는 정적 병력이 이미 담고 있지 않은 새로운 정보를 추가로 제공하지 못했습니다. 대신, 두 정보의 결합은 전체적인 유용한 신호의 양을 늘리기보다는, 모든 위험을 잡아내는 것과 오경보를 피하는 것 사이의 균형을 조정하여 민감도와 정밀도 사이의 절충안을 바꾸는 역할만을 수행했습니다.

실시간 데이터에 대한 추가 조사 결과, 단 하나의 모니터링 채널이 이야기의 유일한 주인공은 아니라는 사실이 밝혀졌습니다. 시스템은 심박수나 산소 포화도와 같은 단 하나의 숫자만을 가지고 결정을 내리지 않았습니다. 평균 혈압과 중심 정맥압이 가장 대체하기 어려운 정보였지만, 시스템은 특정 신호 하나가 반드시 결정적이지 않더라도 정상적으로 작동할 수 있음을 보여주었습니다. 이러한 견고함은 이 도구가 취약하지 않음을 의미하며, 즉 하나의 모니터가 고장 난다고 해서 시스템이 무너지지 않는다는 것을 뜻합니다. 이 연구는 고급 시스템이 복잡한 데이터 스트림을 통합할 수 있지만, 표준 환자 기록과 등록 데이터만을 사용할 수 있는 병원에서도 실시간 시계열 모니터링을 갖춘 곳과 동일한 수준의 높은 예측 정확도를 달ras 수 있다는 결론을 내립니다. 이 연구는 이 맥락에서 수술 후 합병증을 예측하는 데 있어, 환자의 기존 상태에 대한 깊은 이해가 수술 과정의 시간을 지켜보는 것만큼이나 강력한 힘을 발휘할 수 있음을 입증합니다.