Study on the Learning Curve of Single-Center Robot-Assisted Hepatectomy for Malignant Liver Tumors

인체를 거대하고 복잡한 도시라고 상상해 보십시오. 그리고 간을 그 도시의 핵심적인 역할을 하는 거대한 발전소라고 생각해 봅시다. 수십 년 동안, 만약 그 발전소에 위험한 문제(종양)가 생기면, 외과 의사들은 "개심술" 스타일의 수술을 해야 했습니다. 즉, 손과 일반적인 도구들을 집어넣기 위해 커다란 절개창을 만드는 방식이었습니다. 효과적이긴 했지만, 그것은 마치 아주 작은 시계를 고치기 위해 대형 해머를 사용하는 것과 같았습니다. 부수적인 피해가 많았고, 회복 기간도 길었으며, 통증도 심했습니다. 그러다 로봇이 등장했습니다. 이 수술용 로봇들을 궁극의 정밀한 원격 조종 자동차라고 생각하십시오. 이들은 단순히 움직이는 것에 그치지 않고, 인간의 손으로는 할 수 없는 방식으로 비틀고 회전할 수 있는 "손목 같은" 관절을 가지고 있으며, 외과의사의 손떨림을 걸러내고, 내부의 도시 거리(혈관과 조직)를 3D 고화질 영상으로 보여줍니다.

하지만 여기 함정이 있습니다. 멋진 원격 조종 자동차를 가졌다고 해서 첫날부터 완벽하게 운전할 수 있다는 뜻은 아닙니다. 이 기계들을 조종하는 법을 배우는 것은 두꺼운 장갑을 끼고 "하드 모드"로 비디오 게임을 배우는 것과 비슷합니다. 외과의사는 수년간 해왔던 방식과는 완전히 다르게 느껴지는 방식으로 손을 움직이도록 뇌를 재훈련해야 합니다. 이 "서툰 초보자"에서 "숙련된 조종사"로 가는 여정을 **학습 곡선(learning curve)**이라고 부릅니다. 이는 외과의사가 더 빠르고, 안전하고, 효율적으로 변하기 위해 충분히 연습하는 과정입니다. 의료계의 큰 질문은 이것입니다. 실제로 숙련되기까지 얼마나 많은 수술을 해야 하는가? 만약 그 답이 "백 번"이라면, 환자들이 안전하고 수준 높은 외과의사를 기다려야 하는 시간은 매우 길어집니다. 만약 답이 "서른 번"이라면, 우리는 더 빠르게 더 많은 사람을 훈련시킬 수 있습니다.

이 논문은 중국의 한 병원에 있는 한 팀의 외과 의사들이 바로 그 여정을 그려내기로 결심하고 작성한 상세한 기록부와 같습니다. 그들은 2016년 3월부터 2025년 4월 사이에 악성(암) 종양으로 로봇 보조 간 수술을 받은 184명의 환자 기록을 검토했습니다. 이 모든 수술은 동일한 주치의에 의해 수행되었는데, 이는 "사람마다 학습 속도가 다르다"는 변수를 제거해주기 때문에 이런 연구에 완벽한 조건입니다. 연구진은 외과의사가 언제 서투름을 멈추고 매끄럽게 비행하기 시작했는지를 정확히 보고 싶어 했습니다.

이를 위해 그들은 CUSUM 방법(누적 합계)이라는 영리한 수학적 기법을 사용했습니다. 여러분이 수술 시간이 얼마나 걸리는지 점수를 기록하고 있다고 상상해 보십시오. 처음 시작할 때는 시간이 매우 길어지기도 하며 들쭉날쭉할 수 있습니다. 하지만 실력이 늘수록 수술 시간은 줄어들고 안정될 것입니다. CUSUM 방법은 평균보다 느릴 때는 선이 올라가고, 평균보다 빠를 때는 선이 내려가도록 그립니다. 이 선이 더 이상 올라가지 않고 지속적으로 내려가는 지점이 바로 "아하!" 하는 순간입니다. 즉, 학습 곡선이 평탄해지고 외과의사가 공식적으로 기술을 마스터한 지점입니다.

연구진은 또한 모든 간 종양이 다 똑같지는 않다는 점을 깨달았습니다. 어떤 종양은 접근하기 쉽지만(테이블 가장자리에 있는 종양처럼), 어떤 종양은 구석진 곳에 숨겨져 있습니다(기둥 뒤에 있는 종양처럼). 그들은 Iwate 점수라는 표준 점수 체계를 사용하여 수술을 "저난이도"와 "고난이도" 그룹으로 분류했습니다.

결과는 다음과 같습니다.

"저난이도" 학습 곡선
쉬운 수술의 경우, 외과의사가 "성숙 단계"에 도달하기까지 32례의 수술을 수행해야 했습니다. 이 32번째 사례(개선 단계)에 도달하기 전에는 수술 시간이 더 길었습니다. 이 학습 기간 동안 평균 수술 시간은 약 184.8분이었고, 출혈량은 약 240.9 mL였습니다. 이 32례의 문턱을 넘어서자 상황은 훨씬 매끄러워졌습니다. 수술 시간은 약 142.2분으로 크게 줄어들었고, 출혈량은 84.7 mL로 감소했습니다. 마치 외과의사가 마침내 비밀 컨트롤을 찾아냈고, 로봇이 비틀거리는 대신 춤을 추기 시작한 것과 같았습니다.

"고난이도" 학습 곡선
까다롭고 복잡한 수술의 경우, 학습 곡선은 약간 달랐지만 놀라울 정도로 유사한 길이를 보였습니다. 외과의사가 숙련도에 도달하기까지 33례가 필요했습니다. 이 어려운 사례들의 초기 "개선 단계" 동안 수술 시간은 약 245.3분이었습니다. 또한 위험 요소도 있었습니다. 3명의 환자에게 심각한 합병증이 발생했고, 1건의 수술은 종양이 로봇으로 다루기에 너무 까다로워 개복 수술로 전환되었습니다. 그러나 외과의사가 이 33례의 문턱을 넘어서자, 수술 시간은 211.9분으로 단축되었고, 결정적으로 후기 그룹에서는 **심각한 합병증이 제로(0)**였습니다. 외과의사는 충돌 없이 좁은 코너를 항해하는 법을 배운 것입니다.

시사점
이 연구는 로봇을 이용한 간 절제술에 능숙해지기 위해 수백 번의 수술을 할 필요는 없다는 것을 시사합니다. 쉬운 사례의 경우, 약 32번의 시도면 충분합니다. 매우 어려운 사례의 경우에도 33번 정도면 됩니다. 논문은 명시적으로 수술 시간과 합병증은 이 수치 이후에 유의미하게 개선되었지만, 어려운 사례의 경우 출혈량이나 입원 기간은 극적으로 변하지 않았다고 언급했습니다. 이는 팀이 이미 환자를 안전하게 지키는 데 도움이 되는 다른 기술들(예: 특수 마취 기법)을 익혔기 때문일 가능성이 높습니다.

저자들은 이것이 한 병원, 한 명의 외과의사에 기반한 연구이므로, 전 세계를 위한 보편적인 법칙이라기보다는 강력한 힌트라는 점을 주의 깊게 밝히고 있습니다. 그들은 새로운 외과의사들이 쉬운 사례(Iwate 점수 6 이하)부터 시작하여, 숙련도를 쌓은 후에만 어려운 사례로 넘어가야 한다고 제안합니다. 또한 실제 환자를 접하기 전에 비행 시뮬레이터로 훈련하는 조종사처럼, 가상 현실 시뮬레이터를 통해 연습할 것을 권장합니다.

요컨대, 이 논문은 로봇 간 수술의 "학습 곡선"이 몇 년 동안 올라야 하는 가파른 절벽이 아니라, 약 한 달 치의 일일 수술량 정도로 넘을 수 있는 언덕과 같다는 것을 알려줍니다. 일단 정상에 오르면, 환자에게 훨씬 더 안전한 경관이 펼쳐지며 외과의사는 숙련된 장인의 정밀함으로 수술을 수행할 수 있습니다.