CUSUM Analysis of the Initial Learning Curve for Robot-Assisted Gynecologic Surgery at a German Tertiary Center

외과의사가 단순히 손을 사용하는 것이 아니라, 환자의 몸 안에서 초정밀 동작을 수행하도록 변환되는 첨단 3D 비디오 게임 컨트롤러를 조종하는 세상을 상상해 보십시오. 이것이 바로 로봇 보조 수술입니다. 이것은 표준 자전거에서 포뮬러 1 자동차로 업그레이드하는 것과 같습니다. 조향은 더 부드럽고, 시야는 훨씬 선명하며, 기계는 운전자의 손에서 발생하는 미세한 떨림을 걸러내 줍니다. 산부인과 분야에서는 이 기술이 자궁 적출술(자궁 절제술)과 같은 섬세한 수술을 수행하는 데 사용되고 있으며, 그 목표는 전통적인 개복 수술보다 회복을 더 빠르고 통증을 적게 만드는 것입니다.

하지만 여기에는 주의할 점이 있습니다. 최고의 포뮬러 1 자동차라도 이를 다룰 줄 아는 운전자가 필요합니다. 외과의사가 새로운 로봇 시스템을 처음 사용하기 시작할 때, 그들은 "학습 곡선(learning curve)"에 놓이게 됩니다. 이는 의사가 컨트롤을 익히고, 팀이 기계를 빠르게 설정하는 법을 배우며, 모두가 새로운 워크플로우에 익숙해지는 기간입니다. 자전거 타기를 배우는 것과 마찬가지로, 처음에는 비틀거리기도 하지만 결국 균형을 잡고 질주하게 됩니다. 병원들의 큰 고민은 이것입니다. 외과의사가 비틀거림을 멈추고 질주하기 시작하려면 이 수술을 몇 번이나 반복해야 하는가? 만약 그들이 이 답을 찾아낼 수 있다면, 수술이 까다로운 상황에서도 환자들에게 처음부터 최선의 케어를 제공할 수 있습니다.

---

위대한 로봇 자궁 적출 경주

독일 프랑크푸르트의 한 바쁜 병원에서, 의사 팀은 이 학습 곡선을 직접 테스트해 보기로 했습니다. 그들은 단 한 명의 외과의사가 완전히 새로운 로봇 팀과 함께 작업할 때, 로봇 보조 자궁 적출술을 숙달하는 데 정확히 얼마나 걸리는지 알아보고 싶었습니다. 그들은 단순히 추측하지 않았습니다. 대신 CUSUM 분석이라는 영리한 통계 도구를 사용했습니다. CUSUM을 비디오 게임의 "진행 바(progress bar)"라고 생각해 보십시오. 단순히 한 단계씩 살펴보는 대신, 많은 단계에 걸친 총점을 추적하여 플레이어가 고군분투를 멈추고 지배하기 시작하는 시점을 정확히 찾아냅니다.

팀은 2022년 1월부터 2023년 9월 사이에 이 수술을 받은 첫 66명의 환자를 관찰했습니다. 그들은 팀이 얼마나 잘하고 있는지 확인하기 위해 세 가지 주요 지표를 측정했습니다:

1. 피부 절개부터 봉합까지 시간(Skin-to-closure time): 첫 절개부터 마지막 한 땀의 봉합까지 걸린 총 시간.
2. 콘솔 시간(Console time): 외과의사가 로봇 컨트롤러 앞에 앉아 실제로 보낸 시간.
3. 도킹 시간(Docking time): 로봇 카트를 환자 쪽으로 밀고 가서 모든 팔을 연결하는 데(게임 콘솔을 연결하는 것과 같은 과정) 걸린 시간.

중요한 발견: "36례"의 마법 숫자
진행 바는 매우 명확한 이야기를 들려주었습니다. 팀은 36번째 사례 이후 뚜렷한 전환점을 발견했습니다. 이 지점 이전(136례)에 팀은 "학습 단계"에 있었습니다. 이 지점을 통과한 후(3766례), 그들은 "절차적 공고화(procedural consolidation)" 단계에 도달했습니다. 즉, 자신들만의 리듬을 찾은 것입니다.

가장 눈에 띄는 개선은 전체 수술 시간이었습니다. 첫 36례 동안 피부 절개부터 봉합까지의 중앙값은 108분이었습니다. 36례를 통과하자마자 그 시간은 85.5분으로 크게 줄어들었습니다. 수술당 20분이 넘는 시간을 절약한 것입니다! 외과의사가 콘솔에 머문 시간과 로봇을 도킹하는 시간도 빨라졌지만, 이러한 개선은 다소 미미했으며 팀이 찾고자 했던 통계적 "유의성" 수준에는 미치지 못했습니다. 하지만 추세 자체는 확실히 긍정적이었습니다.

단순히 속도만의 문제가 아니었습니다
빨라진다는 것이 곧 요령을 피우거나 위험을 감수한다는 뜻이라고 생각할 수도 있지만, 데이터는 그렇지 않다고 말합니다. 팀은 "학습 단계"에 있는 환자들이 실제로는 상당히 복잡한 상태였다는 사실에 놀랐습니다. 많은 환자가 이전의 복부 수술 이력이 있었고, 자궁내막증(조직이 원래 위치가 아닌 곳에서 자라는 통증을 유발하는 질환)이 있었으며, 자궁이 크거나 체질량 지수(BMI)가 높았습니다. 실제로 **80.3%**의 환자가 이전의 복부 수술 이력이 있었고, **47%**는 자궁내막증을 앓고 있었습니다.

이러한 어려움에도 불구하고, "안전 점수"는 전체 학습 과정 내내 견고하게 유지되었습니다.

• 합병증: 수술 후 문제(감염 등) 발생률은 낮았으며, 초기 단계와 후기 단계 사이에 차이가 없었습니다.
• 전환(Conversions): 때때로 로봇 수술을 전통적인 개복 수술이나 표준 복강경 수술로 전환해야 할 때가 있습니다. 이 현상은 10.6%(66례 중 7례)의 사례에서 발생했습니다. 흥란하게도, 이 대부분은 로봇의 결함 때문이 아니라, 암 가능성이 있는 커다란 자궁을 발견하여 이를 파쇄하지 않고 통째로 제거해야 했기 때문에 발생했습니다. 단 한 건의 전환만이 심한 유착(scar tissue)으로 인해 로봇이 어려움을 겪었기 때문에 발생했습니다.
• 통증 및 입원: 환자들이 느끼는 통증이나 입원 기간은 연구의 전반부나 후반부나 관계없이 거의 동일했습니다.

팀 효과
흥미로운 발견 중 하나는 학습 곡선이 단지 외과의사의 손에 관한 것만은 아니었다는 점입니다. "도킹 시간"(로봇 설정)은 간호사, 보조 인력, 외과의사로 구성된 팀 전체가 협력하는 방식이 개선됨에 따라 향상되었습니다. 데이터에 따르면 설정 시간이 28례쯤에서 정점을 찍은 후 감소하기 시작했는데, 이는 외과의사가 컨트롤을 익히는 것만큼이나 팀 또한 서로 조율하는 법을 배워야 했음을 시사합니다.

이것이 의미하는 바
이 논문은 구조화된 계획이 있다면 복잡한 사례에서도 로봇 수술을 안전하게 도입할 수 있다고 결론짓습니다. 외과의사와 팀은 환자를 돕기 위해 "전문가"가 될 때까지 기다릴 필요가 없었습니다. 그저 자신만의 리듬을 찾기 위해 첫 36례를 잘 통과하기만 하면 되었습니다. 그 이후에는 안전을 희생하지 않으면서도 수술 속도가 눈에 띄게 빨라졌습니다.

그러니 다음에 새로운 의료 기술에 대해 듣게 된다면, 66명의 환자와 마법의 숫자 36의 이야기를 기억하십시오. 그것은 연습과 팀워크, 그리고 약간의 인내심이 있다면 가장 첨단 기술이라 할지라도 자연스럽게 익힐 수 있으며, 결과적으로 모두에게 더 빠르고 더 나은 케어를 제공할 수 있다는 것을 상기시켜 줍니다.