📄 medicine

A stochastic, physiology-based digital twin model of hemostasis and oxygenation in trauma resuscitation

본 논문은 중증 출혈성 쇼크에 대해 냉장 저타이터 O형 전혈(LTOWB)이 기존의 성분 수혈 요법보다 치명적인 지혈 결핍을 줄이고 생존율을 높이는 데 있어 우수한 효능을 가짐을 입증하기 위해 외상 소생술을 시뮬레이션하는 확률론적, 생리학 기반 디지털 트윈 모델을 제시하며, 동시에 정밀 수혈 전략 및 혈액 은행 수요 예측을 위한 플랫폼을 제공한다.

원저자: Casey Vieni, Anika Iftekharuddin, Kevin Ward, Roland Pittman, Andrew Norgan, Matthew Neal, Darrell Triulzi, Phillip Spinella, Jason Sperry, Mark Yazer, Jansen Seheult

게시일 2026-07-08

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Casey Vieni, Anika Iftekharuddin, Kevin Ward, Roland Pittman, Andrew Norgan, Matthew Neal, Darrell Triulzi, Phillip Spinella, Jason Sperry, Mark Yazer, Jansen Seheult

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

도시의 도로가 인체의 혈관이고, 자동차가 산소를 운반하는 적혈구라고 상상해 보십시오. 대규모 교통 체증이 발생한 상황입니다. 심각한 사고(외상)가 발생하면 도로에 커다란 구멍이 생기고, 차들이 밖으로 쏟아져 나옵니다(출혈). 도시의 응급 대응팀(소생술)은 이 구멍을 막고 교통 흐름을 유지하려고 노력합니다.

이 논문은 외상 상황에 처한 인간의 신체를 구현한 **초지능형 가상 "디지털 트윈(Digital Twin)"**을 소개합니다. 이 쌍둥이를 단순한 한 명의 개인이 아니라, 몇 초 만에 수천 가지의 서로 다른 "만약에(what-if)" 시나리오를 실행하여 다양한 구조 전략이 서로 다른 유형의 사람들에게 어떻게 작용하는지 테스트할 수 있는 비디오 게임 시뮬레이터라고 생각하십시오.

다음은 연구자들이 구축한 내용과 발견한 점을 쉬운 비유를 사용하여 정리한 것입니다.

1. 시뮬레이터: "살아있는" 비디오 게임

대부분의 인체 컴퓨터 모델은 직선과 같습니다. 즉, 모든 사람이 똑같이 반응한다고 가정합니다. 만약 "출혈" 버튼을 누르면, 모델은 예측 가능한 속도로 출혈이 일어납니다.

이 새로운 모델은 **확률적(stochastic)**입니다. 이는 "무작위화된"이라는 뜻의 어려운 단어인데, 영화 속의 군중 시뮬레이션과 더 비슷합니다.

캐릭터들: 시뮬레이터는 100명의 서로 다른 "플레이어"를 생성합니다. 어떤 플레이어는 키가 크고, 어떤 플레이어는 작습니다. 어떤 플레이어는 젊고, 어떤 플레이어는 노인이며, 어떤 플레이어는 심박수가 더 빠릅니다.
혼돈: 이 모델은 외상의 무질서한 현실을 반영합니다. 어떤 플레이어는 "숨겨진 누출"(눈에 보이거나 쉽게 막을 수 없는 출혈)을 가지고 있고, 어떤 플레이어는 혈액 응고 시스템이 정상보다 더 빨리 무너지는 "끈적한 혈액" 문제를 가지고 있습니다.
목표: 이러한 서로 다른 플레이어들이 다양한 의료 용품으로 치료받을 때 어떻게 생존하는지 확인하는 것입니다.

2. 테스트된 두 가지 구조 전략

연구자들은 시뮬레이션에서 두 가지 "구조 키트"를 서로 맞붙였습니다.

키트 A: 전통적인 성분 혈액 요법 (CCT)
- 비유: 이것은 현장에 세 대의 서로 다른 배달 트럭을 보내는 것과 같습니다. 한 대의 트럭은 적혈구(산소)를, 한 대는 혈장(응고 풀)을, 다른 한 대는 혈소판(패칭 테이프)을 운반합니다.
- 함정: 완전한 "키트"를 구성하려면 이 트럭들을 함께 섞어야 합니다. 또한, 이 트럭들은 환자에게 도움이 되지 않지만 혈관 내 공간을 차지하는 많은 양의 "추가 포장재"(첨가액)를 함께 운반합니다.
키트 B: 냉장 보관된 저역가 혈액형 전혈 (LTOWB)
- 비유: 이것은 환자에게 필요한 모든 것을 하나의 패키지에 자연스럽게 섞어 담은 단 하나의 효율적인 슈퍼 트럭을 보내는 것과 같습니다. 여기에는 적혈구, 혈장, 혈소판이 모두 포함되어 있습니다.
- 이점: "포장재"(첨가액)가 적으며, 응고 인자와 산소 운반체를 더 밀도 있게 전달합니다.

3. "임계 창(Critical Window)" (위험 구역)

연구자들은 단순히 마지막에 누가 살았는지 죽었는지만 본 것이 아닙니다. 그들은 환자들이 얼마나 오랫동안 "위험 구역"에 머물렀는지를 관찰했습니다.

위험 구역: 대시보드에 있는 빨간 불빛을 상상해 보십시오. 환자의 혈압이 너무 낮아지거나, 응고 인자가 너무 묽어지거나, 산소 수치가 급락하면 이 불이 빨간색으로 변합니다.
발견 사항: "위험 구역"이 활성화되었을 때, 환자는 장기 부전이나 사망의 높은 위험에 처하게 됩니다.
- **전체 혈액(LTOWB)**로 치료받은 환자들은 **세 대의 트럭(CCT)**으로 치료받은 환자들에 비해 위험 구역에서 머무는 시간이 유의미하게 짧았습니다.
- 특히 가장 심각한 경우(환자가 혈액의 40% 이상을 잃은 경우), 단일 트럭 그룹의 생존 확률이 더 높았습니다 (74% 대 69%).

4. "디지털 트윈"으로서의 역할 (예언의 구슬)

이 논문은 이 모델이 두 가지 특정 방식으로 디지털 트윈 역할을 할 수 있다고 주장합니다.

의사를 위한 (정밀 쌍둥이): 이 모델은 특정 환자의 생리적 상태를 시뮬레이션하여, 실제 상황이 닥치기 전에 최선의 수혈 전략을 결정하도록 돕습니다. 이는 다음과 같은 질문에 답을 줍니다: "만약 내가 이 특정 환자에게 분리된 성분이 아닌 전혈을 준다면, 그가 위험 구역에서 더 빨리 벗어날 수 있을까?"
혈액 은행을 위한 (운영 쌍둥이): 이 모델은 예측 도구 역할을 할 수 있습니다. 수천 번의 시뮬레이션을 실행함으로써, 혈액 은행은 바쁜 외상 시즌 동안 얼마나 많은 혈액이 필요할지 예측할 수 있습니다. 이를 통해 혈액이 부족해지지 않도록 긴급 수혈 프로토콜(Massive Transfusion Protocols)을 위한 최적의 "레시피"를 결정하는 데 도움을 줍니다.

5. 이 모델이 주장하지 않은 것

논문의 내용을 정확히 지키는 것이 중요합니다:

이 모델이 실제 인간 대상 임상 시험을 대체한다고 말하지 않았습니다.
전혈이 실제 세상의 모든 인간에게 반드시 더 좋다고 주장한 것도 아닙니다. 단지 자신들의 컴퓨터 시뮬레이션 내에서 더 효과적이었음을 보여주었을 뿐입니다.
이 모델이 "환자가 중환자실에 며칠 동안 머물 것인가"와 같은 장기적인 결과를 예측할 수 있다고 주장하지 않았습니다 (다만, 이를 미래의 가능성으로 제시했습니다).

핵심 요약

연구자들은 외상 센터의 혼돈을 모사하는 매우 정교하고 무작위적인 컴퓨터 시뮬레이션을 구축했습니다. 그들은 이 시뮬레이션을 통해 환자에게 "모든 것이 담긴 혈액(전혈)"을 주는 것이 분리된 혈액 성분을 섞어 주는 것보다 더 나은지 테스트했습니다.

결과: 컴퓨터 세계에서, "모든 것이 담긴" 혈액은 환자들을 치명적인 위험 구역에서 더 빠르게 벗어나게 했으며, 가장 심하게 부상당한 환자들을 더 많이 생존시켰습니다. 이는 이 "디지털 트윈"을 사용하는 것이 의사들이 더 빠르고 나은 결정을 내리는 데 도움을 주고, 병원이 혈액 공급을 더 효과적으로 관리하는 데 기여할 수 있음을 시사합니다.

기술 요약: 외상 소생술에서의 지혈 및 산소 공급에 관한 확률론적, 생리학 기반 디지털 트윈 모델

문제 제기
출혈성 쇼크는 전 세계적 사망 및 외상 관련 사망의 상당 부분을 차지한다. 고급 외상 처치술(ATLS) 가이드라인이 대량 출혈 시 결정질액(crystalloids)보다 혈액 제제 소생술을 선호하는 방향으로 진화했음에도 불구하고, 최적의 전처치 혈액량, 전혈(Whole Blood, WB)과 기존 성분 요법(Conventional Component Therapy, CCT) 사이의 선택, 그리고 수혈 타이밍에 관한 중요한 의문들이 남아 있다. 임상 시험은 환자의 이질성과 조직 산소화 및 산소 부채(oxygen debt)와 같은 실시간 생리적 역동성을 포착하기 어렵다는 점 때문에 윤리적, 재정적, 물류적 장벽에 직면해 있다. 기존의 출혈 계산 모델은 대부분 결정론적(deterministic)이며, 이는 환자의 임상적 이질성이나 혈액 제제 조성의 가변성을 포착하지 못하는 단일 궤적만을 시뮬레이션한다.

방법론
저자들은 심혈관 혈역학, 체액 구획, 모세혈관 용질 교환, 지혈, 그리고 조직/폐포 산소 공급을 통합하는 통합된 확률론적, 다구획(multicompartment) in silico 모델을 개발하였다.

모델 아키텍처: 본 모델은 기존의 결정론적 프레임워크를 기반으로 하되, 임상적 이질성을 반영하기 위해 확률적 변동성을 도입하였다. 모델은 다섯 개의 상호 연결된 모듈로 구성된다:
1. 심혈관 혈역학: 심장(네 개의 탄성 챔버와 저항성 판막 포함), 대동맥, 그리고 7개의 혈관 영역을 모델링한다. 이는 동적인 압력-부피 루프(pressure-volume loops)와 바로리플렉스(baroreflex) 매개 정맥 모집을 허용하는 시변 심박수(HR) 및 챔버 탄성을 포함한다.
2. 체액 구획: 총 체수분, 세포 내액, 혈장량(PV), 간질액(ISF)을 추적한다. 스타링의 원리(Starling's principle)를 활용하여 온코틱 및 정수압 구배, 림프 흐름, 주입된 포도당의 대사를 고려한 모세혈관 간 액체 교환을 모델링한다.
3. 지혈: 수축기 혈압(SBP) 및 ATLS 등급에 따른 출혈률을 시뮬레이션한다. 여기에는 "숨겨진 출혈(hidden bleeds)"(조절 불가능한 출혈)과 특정 환자군에서 혈장, 피브리노겐, 혈소판 소비가 증가하는 "소모성 응고 장애(consumptive coagulopathy)"(외상 유발 응고 장애, TIC) 파라미터가 포함된다.
4. 조직 및 폐포 산소 공급: 폐포에서 모세혈관으로, 다시 조직 모세혈관으로의 산소 확산을 추적하는 확장된 모듈이다. 이는 산소 공급( $DO_2$ )과 산소 소비( $VO_2$ )를 동적으로 계산한다. $DO_2$ 가 임계값 아래로 떨어지면, 모델은 산소 부채의 축적과 그에 따른 젖산 상승을 시뮬레이션한다.
5. 소생술 및 목표 지향 치료(GDT): 결정질액 주입, CCT(RBC:혈장:혈소판 비율 6:6:1), 저타이터 O형 냉장 전혈(LTOWB)을 포함한 다양한 프로토콜을 시뮬레이션한다. GDT 모듈은 시뮬레이션된 검사 수치(Hgb, INR, 피브리노겐, 혈소판) 및 활력 징후를 기반으로 실시간 수혈 결정을 가능하게 한다.
확률론적 구현: 환자 특성(연령, 성별, 체중, 키, 기저 혈액 수치) 및 손상 파라미터(출혈률, ATLS 등급, 숨겨진 출혈 상태)는 미국 인구 조사 데이터 및 외상 등록소 분포를 기반으로 무작위화된다. 또한 혈액 제제의 조성도 공여자와 제조상의 변동을 반영하여 무작위화된다.
시뮬레이션 시나리오: 모델은 ATLS Class III (>30–40% 혈실 손실) 및 Class IV (>40% 혈실 손실) 코호트에서 LTOWB와 CCT를 비교하는 in silico 시험을 수행하는 데 사용되었다. 또한, 모델의 임상 시험 결과 재현 능력을 검증하기 위해 Prehospital Air Medical Plasma (PAMPer) 시험을 에뮬레이션하였다.

주요 기여

확률론적 통합: 이전의 결정론적 모델과 달리, 본 플랫폼은 환자의 생리, 손상 심각도 및 혈액 제제 조성의 변동성을 포착하여 외상 생리에 대한 고해解상도 시뮬레이션을 제공한다.
기전적 산소 공급 추적: 알베올라 가스 교환과 조직 산소 공급을 독특하게 통합하여, 임상 현장에서 지속적으로 측정하기 어려운 변수인 산소 부채와 젖산 축적을 계산할 수 있게 한다.
이중 기능성: 본 플랫폼은 환자 수준의 정밀 수혈 전략을 위한 "디지털 트윈"인 동시에, 혈액 은행이 수요를 예측하고 대량 수혈 프로토콜(MTP)을 최적화할 수 있도록 돕는 "운영적 트윈(operational twin)" 역할을 한다.
가상 임상 시험: 본 연구는 복잡한 임상 시험 설계(예: PAMPer)를 에뮬레이션하여, 이질적인 인구 집단 전체에서 통제된 조건 하에 가설을 테스트할 수 있는 능력을 입증하였다.

결과

Class III 출혈에서의 LTowB vs. CCT: 100명의 시뮬레이션된 Class III 환자 코호트에서, LTOWB는 CCT에 비해 임계 하부 지혈 구간(Platelets <50×10⁹/L, INR ≥2, Hgb <8 g/dL, Fibrinogen <150 mg/dL로 정의됨)에서 머무는 시간을 단축했다 (90.59 vs. 147.62 분; p=0.04). 사건 발생 없는 생존율(event-free survival)에서는 유의미한 차이가 없었다 (88% vs. 87%).
Class IV 출혈에서의 LTOWB vs. CCT: 100명의 시뮬레이션된 Class IV 환자 코호트에서, LTOWB는 CCT(69%)보다 높은 예측 사건 발생 없는 생존율(74%)을 보였다 (p < 0.01). LTOWB는 또한 임계 하부 지혈 구간에서 머무는 누적 시간을 유의미하게 감소시켰다.
생리학적 종점: 시뮬레이션 종료 시점의 실험실 수치(SBP, Hgb, INR 등)는 두 그룹 간에 유사했으나, 회복의 시간적 역동성은 달랐다. 즉, LTOWB 환자들이 임계 생리 상태에서 머무는 시간이 더 짧았다.
PAMPer 에뮬레이션: 모델은 전처치 혈장 투여를 시뮬레이션했을 때 실제 PAMPer 시험에서 관찰된 초기 생존 곡선 분리(Hazard Ratio: 0.64; p=0.01)를 성공적으로 재현하였으며, 이를 통해 생리학 기반 디지털 트윈으로서의 유용성을 검증하였다.
목표 지향 치료(GDT): GDT 모듈은 표준 프로토콜과 비교하여 생존율 및 임계 구간 체류 시간 지표에서 대등한 결과를 보이면서도, 전체 혈액 제제 사용량을 줄였다.

의의 및 주장
저자들은 이 확률론적, 생리학 기반 모델이 윤리적 또는 물류적 제약으로 인해 전향적 임상 시험으로 연구하기 어려운 수혈 전략을 탐색할 수 있는 강력한 프레임워크를 제공한다고 주장한다. 생물학적 제약과 인과 관계를 인코딩함으로써, 이 모델은 AI를 생리학적 제약이 있는 디지털 트윈 시스템에 통합하기 위한 토대를 제공한다. 본 논문은 이 플랫폼이 다음과 같은 역할을 할 수 있다고 기술한다:

개별 환자의 생리학에 맞춘 정밀 수혈 전략 수립 지원.
혈액 은행의 수요 예측 및 MTP 내용 최적화 지원.
선정 기준을 정교화하고 포착하기 어려운 종점을 추정함으로써 향후 임상 시험 설계 촉진.
성분 요법 대비 전혈의 이점과 같은 관찰된 임상 효과의 동인에 대한 기전적 통찰 제공.

저자들은 특정 생리학적 속도(예: 피브리노겐 소비율)에 대한 추정 파라미터의 의존성, 비출혈성 쇼크 기전의 제외, 그리고 균일한 손상 기전의 가정 등을 한계점으로 인정한다. 그러나 이 모델이 차세대 디지털 트윈 및 시스템 수준의 계획을 위한 연구의 중요한 진전임을 강조한다.