Machine Learning Model for Predicting Operative Duration in Transsphenoidal Neuroendoscopic Pituitary Adenomectomy

수술실이라는 긴박한 환경에서 시간은 그 어떤 수술 도구만큼이나 중요한 자원입니다. 수술이 예상보다 길어질 때마다 발생하는 매 분의 지연은 도미노 효과를 일으켜, 후속 수술을 지연시키고 의료진에게 부담을 주며 세심하게 조율된 환자 케어의 흐름을 방해합니다. 간호사와 행정가들에게 특정 수술이 정확히 얼마나 걸릴지 예측하는 능력은 단순히 편의의 문제가 아니라, 안전과 효율성, 그리고 의료팀의 안녕을 위한 기초입니다. 전통적으로 이러한 추정치는 외과의의 직관이나 과거 사례의 광범위한 평균치에 크게 의존해 왔는데, 이러한 방식들은 모든 환자와 모든 종양을 고유하게 만드는 미묘하고 복잡한 세부 사항들을 놓치는 경우가 많습니다.

중남대학교 제2부속병원의 연구진은 이 문제를 해결하기 위해 다른 접근 방식을 취했습니다. 그들은 특정하고 섬세한 뇌 수술인 경접형동 접근법을 통한 내시경하 뇌하수체 선종 절제술(transsphenoidal endoscopic pituitary adenomectomy)의 소요 시간을 예측할 수 있는, 과거의 수술 기록으로부터 학습하는 컴퓨터 시스템을 개발했습니다. 이 절차는 코를 통해 뇌하수체에서 종양을 제거하는 방식으로, 표준 치료법으로 자리 잡은 최소 침습 기술입니다. 연구진은 종양의 크기와 모양부터 환자의 연령 및 병력에 이르기까지 100명의 이전 환자로부터 얻은 상세한 정보를 컴퓨터 프로그램에 입력함으로써, 인간 관찰자가 간과할 수 있는 패턴을 인식하도록 시스템을 훈련했습니다. 그들의 목표는 추측에서 앎으로 나아가는 것이며, 병원이 더 정밀하게 하루 일정을 계획하고 간호 인력의 부담을 줄일 수 있도록 돕는 데이터 기반의 도구를 제공하는 것입니다.

연구진은 2016년에서 2025년 사이에 이 수술을 받은 100명의 환자로부터 정보를 수집했습니다. 그들은 종양의 위치, 질감, 이전 제거 후 재발 여부, 그리고 뇌 깊숙한 곳의 주요 구조물들과 얼마나 가까이 있는지에 대한 구체적인 측정값을 포함하여 각 환자에 대해 22가지의 서로 다른 정보를 수집했습니다. 그런 다음 이 데이터를 두 그룹으로 나누었습니다. 하나는 컴퓨터 시스템에 무엇을 찾아야 하는지 가르치기 위한 더 큰 그룹이고, 다른 하나는 시스템이 한 번도 보지 못한 사례들에 대해 얼마나 잘 수행하는지 테스트하기 위한 더 작은 그룹입니다. 그들은 예측을 수행하기 위해 두 가지 다른 유형의 컴퓨터 모델을 구축했습니다. 하나는 많은 단순한 결정 트리들을 생성하고 그 답들을 결합하여 작동하는 랜덤 포레스트(random forest) 모델이었고, 다른 하나는 디지털 뉴런의 층들을 연결함으로써 인간의 뇌가 정보를 처리하는 방식을 모방하도록 설계된 시스템인 인공 신경망(artificial neural network)이었습니다.

연구진이 이 모델들을 테스트했을 때, 결과는 인공 신경망이 더 우수한 도구임을 보여주었습니다. 환자 테스트 그룹에서 이 모델은 평균 오차 단 38분 남짓으로 수술 시간을 예측했습니다. 실질적인 관점에서 이는 4분의 3 이상의 수술에 대해, 컴퓨터의 추정치가 실제 수술 소요 시간과 45분 이내였다는 것을 의미합니다. 이 모델은 수술 시간을 결정하는 가장 중요한 세 가지 요인을 식별했는데, 그것은 종양의 재발 여부, 종양이 특정 뇌 공간인 제3뇌실 바닥으로부터 얼마나 떨어져 있는지, 그리고 종양이 어떻게 수축되는지와 관련된 '친치 사인(cinch sign)'이라는 수술 중 나타나는 특정 시각적 징후였습니다. 또 다른 모델인 랜덤 포레스트는 다소 성능이 떨어졌으며, 더 길고 복잡한 수술에 필요한 시간을 과소평가하는 경우가 잦았습니다.

이 연구의 의의는 숫자 그 이상에 있습니다. 연구진은 이 컴퓨터 모델을 사용함으로써 병원 행정가들이 수술 일정을 잡을 때 전적으로 외과의의 주관적인 경험에 의존하는 것에서 벗어날 수 있다는 것을 발견했습니다. 대신, 그들은 눈앞에 있는 환자의 구체적인 특성에 기반한 객ant적이고 반복 가능한 추정치를 갖게 됩니다. 이를 통해 수치사(head nurse)들은 수술실에 인력을 더 효과적으로 배치하여, 어려운 사례에는 적절한 숙련도를 갖춘 간호사가 배치되도록 하고, 환자의 실제 도착 시간에 맞춰 회복실을 준비할 수 있습니다. 이는 마지막 순간의 일정 변경으로 인한 혼란을 줄이고, 예측 불가능하게 연장되는 교대 근무로 인한 탈진을 방지하는 데 도움을 줍니다.

하지만 저자들은 자신들의 연구 결과에 대한 한계를 명확히 밝히고 있습니다. 본 연구는 상대적으로 적은 수의 환자를 보유한 단일 병원에서 수행되었으며, 모든 수술은 동일한 팀의 외과의들에 의해 집도되었습니다. 이는 모델이 해당 그룹의 특정 습관과 기술을 학습했음을 의미하며, 다른 의사나 다른 환자군이 있는 다른 병원에서는 제대로 작동하지 않을 수 있습니다. 또한 연구진은 컴퓨터 모델이 정확하기는 하지만, '블랙박스'처럼 작동하여 모델이 정확히 어떻게 특정 결론에 도달했는지 설명하기 어렵다는 점을 인정했습니다. 이를 해결하기 위해, 그들은 향-후 버전의 도구가 컴퓨터의 추론 과정을 인간 사용자에게 더 명확하게 전달할 수 있는 방법을 포함해야 한다고 제안했습니다. 이러한 한계에도 불구하고, 이 연구는 머신러닝이 환자의 해부학적 구조와 수술 소요 시간 사이의 복잡한 비선형적 관계를 성공적으로 포착할 수 있음을 입증합니다.

궁극적으로, 이 연구는 데이터에 의해 유도되는, 잘 조율된 기계처럼 매끄럽게 운영되는 수술실의 미래를 엿보게 해줍니다. 수술이 얼마나 걸릴지를 정확하게 예측함으로써, 병원은 가장 가치 있는 자원인 사람과 시간을 더 잘 관리할 수 있습니다. 앞으로의 과제는 이 작업을 더 많은 병원과 더 다양한 수술 팀으로 확장하고, 간호팀의 숙련도와 같은 요소들을 포함하도록 모델을 정교화하는 것입니다. 만약 성공한다면, 이 접근 방식은 단지 뇌 수술뿐만 아니라 다양한 종류의 최소 침습 수술 관리를 변화시켜, 의료진에게는 스트레스가 적고 환자에게는 더 안전한 임상 환경을 만들어낼 수 있을 것입니다.