Machine learning approach to evaluate the significance of clinical factors and laboratory markers in predicting postpartum hemorrhage

매년 수백만 명의 여성들이 출산을 하며, 대부분의 경우 그 과정은 관리 가능한 수준의 출혈로 마무리됩니다. 그러나 상당수의 여성에게 이 출혈은 과도하고 생명을 위협하는 상태, 즉 산후 출혈로 이어집니다. 이는 전 세계적으로 모성 사망의 주요 원인으로 남아 있으며, 매년 수천 명의 생명을 앗아갑니다. 의학적 과제는 이 사건의 예측 불가능성에 있습니다. 의사들이 광범위한 위험군을 식별할 수는 있지만, 정확히 어떤 여성이 발생하기 전에 위험한 출혈을 경험할 것인지 집어내는 데에는 어려움을 겪습니다. 이 간극을 메우기 위해 연구자들은 컴퓨터가 방대한 양의 데이터에서 패턴을 찾는 법을 배우는 인공지능의 한 분야인 머신러닝에 주목했습니다. 어머니의 건강, 임신 과정, 혈액 검사 등에 관한 수천 가지 세부 정보를 컴퓨터에 입력함으로써, 기계가 인간 의사가 놓치는 미세한 경고 신호를 포착하여 더 조기에 정밀한 개입을 가능하게 하려는 것이 희망입니다.

이란의 한 연구팀은 이러한 컴퓨터 모델이 테헤란의 두 주요 병원에서 얻은 실제 데이터를 사용하여 산후 출혈을 성공적으로 예측할 수 있는지 테스트하기 위해 착수했습니다. 그들은 연령, 병력, 분만 방식, 출산 직후 측정된 특정 실험실 결과 등 광범위한 세부 정보를 포함하여 604명의 여성으로부터 얻은 정보를 수집했습니다. 연구진은 특히 신체가 스트레스를 받거나 산소가 충분히 공급되지 않을 때 상승하는 혈액 내 물질인 혈청 젖산뿐만 아니라, 혈액 응고에 필수적인 단백질인 피브리노겐 수치와 같은 지표에 관심을 가졌습니다. 연구진은 참가자들을 출혈을 경험한 그룹과 경험하지 않은 그룹의 두 그룹으로 나누었으며, 그 후 다양한 머신러닝 알고리즘을 사용하여 데이터가 출혈이 발생하기 전에 두 그룹을 안정적으로 구별할 수 있는지 확인했습니다.

연구 결과, 특정 요인들이 실제로 출혈 발생과 연관되어 있음이 밝혀졌습니다. 연구진은 산후 출혈을 경험한 여성들이 그렇지 않은 여성들에 비해 혈청 젖산 수치가 유의미하게 높다는 것을 발견했습니다. 또한, 이 상태는 고혈압을 동반하는 임신 합병증인 자간전증이 있는 여성에게서 더 흔하게 나타났으며, 조산하거나 이전 제왕절개 경험이 있는 여성에게서는 덜 흔하게 나타났습니다. 이러한 발견은 신체의 생리적 스트레스 반응과 혈액 응고 능력이 문제의 핵심이라는 생각과 일치합니다. 데이터는 이러한 특정 생물학적 지표와 결과 사이의 명확한 연결 고리를 보여주었으며, 이는 신체가 출혈 위기로 치닫고 있을 때 측정 가능한 신호를 보낸다는 점을 시사합니다.

그러나 연구진이 머신러닝 모델에 이 신호들을 사용하여 사건을 예측하도록 요청했을 때, 결과는 훨씬 더 낙담스러웠습니다. 원시 데이터에서 명확한 연관성을 찾아냈음에도 불구하고, 컴퓨터 모델은 어떤 여성이 출혈을 일으킬지 정확하게 식별하는 데 실패했습니다. 로지스틱 회귀라고 불리는 통계적 방법인 가장 성능이 좋은 모델조차 위험도를 무작위 확률보다 약간 더 잘 순위 매기는 정도에 그쳤으며, 실제 출혈 사례를 거의 모두 놓쳤습니다. 실질적인 관점에서 볼 때, 이 모델들은 지나치게 신중하여 거의 모든 여성을 안전하다고 분류함으로써 실제로 위험에 처한 소수의 여성들을 사실상 무시했습니다. 복잡한 패턴을 찾도록 설계된 다른 정교한 알고리즘들도 더 나은 성능을 보이지 못했으며, 대다수의 건강한 여성들을 올바르게 식별하면서도 단 하나의 출혈 사례도 감지하지 못하는 경우가 빈번했습니다.

연구진은 이들이 측정한 생물학적 지표들이 산후 출혈과 강력하게 연관되어 있기는 하지만, 신뢰할 수 있는 예측 도구를 구축하기에는 충분하지 않다고 결론지었습니다. 컴퓨터 모델은 숫자 사이의 연결 고리는 볼 수 있었지만, 그 연결을 개별 환자를 위한 유용한 경고 시스템으로 변환하지는 못했습니다. 이는 의학 과학의 어려운 현실을 강조합니다. 증상과 질병 사이의 상관관계를 찾는 것이 반드시 컴퓨터가 질병이 발생하기 전에 이를 예측할 수 있다는 것을 의미하지는 않습니다. 이 연구는 이러한 실험실 검사들이 환자가 출혈 중이거나 출혈 직후에 일어나고 있는 일을 이해하는 데는 가치가 있지만, 그것이 시작되기 전에 막는 열쇠가 될 수는 없을지도 모른다는 점을 시사합니다. 작동하는 예측 시스템을 향한 길은 더 많은 데이터, 다른 유형의 정보, 그리고 아마도 정상적인 출산에 비해 심각한 출혈이 드물게 발생하는 현상을 다루는 더 나은 방법이 필요할 것입니다.