Artificial Intelligence and Machine Learning Applications in Antimicrobial Resistance Research: A Systematic Review

기술 요약: 항생제 내성 연구에서의 인공지능 및 머신러닝 응용

문제 정의
항생제 내성(AMR)은 전 세계적인 보건 위기를 구성하며, 2019년 약 127만 명의 직접적인 사망 원인이 되었고, 2050년에는 연간 1,000만 명에 달할 것으로 예측됩니다. 박테리아 감염 관리에 있어 핵심적인 병목 현상은 기존의 배양 기반 항생제 감수성 테스트(AST)에 소요되는 48~72시간의 전환 시간입니다. 이러한 지연은 임상의가 경험적 광범한 항생제 요법에 의존하게 만들며, 이는 내성 선택을 악화시킵니다. 인공지능(AI)과 머신러닝(ML)이 고차원의 임상, 스펙트럼 및 유전체 데이터를 분석하여 신속한 내성 예측을 제공할 잠재력을 가지고 있음에도 불구하고, 이 분야는 여전히 파편화되어 있습니다. 기존 문헌들은 AMR 분야의 AI/ML 연구 전반에 대해 표준화된 품질 평가 도구를 적용한 포괄적이고 방법론적으로 엄격한 합성을 결여하고 있습니다.

방법론
본 체계적 문헌 고찰은 PRISMA 2020 가이드라인을 준수하였으며, PROSPERO(CRD420261285614)에 사전 등록되었습니다.

• 검색 전략: PubMed, Scopus, Embase를 포함한 포괄적인 검색을 수행하였으며, WHO 저장소 및 ClinicalTrials.gov를 포함한 회색 문헌을 함께 검토하였습니다. 검색 범위는 2019년 1월부터 2026년 1월까지의 출판물을 대상으로 합니다.
• 선정 기준: 인간의 임상 데이터를 사용하여 AMR 표현형 또는 유전자형 예측에 직접 적용된 지도 학습(supervised ML) 또는 딥러닝 모델을 사용한 연구를 포함했습니다. 적격 연구는 정량적 성능 지표(예: AUROC, 민감도, 특이도)를 갖추어야 합니다. 제외 기준은 비인간 대상 연구, 임상 데이터 없는 순수 계산 시뮬레이션, ML 구성 요소가 없는 전통적인 통계 회귀 분석, 그리고 동료 검토를 거치지 않은 프리프린트(preprint)를 포함합니다.
• 데이터 추출 및 품질 평가: 데이터 추출은 CHARMS(예측 모델링 연구의 체계적 검토를 위한 비판적 평가 및 데이터 추출 체크리스트) 프레임워크를 사용하였습니다. 방법론적 품질과 편향 위험은 네 가지 영역(참가자, 예측 변수, 결과, 통계 분석)에 걸쳐 PROBAST(예측 모델의 편향 위험 평가 도구)를 사용하여 평가되었습니다.
• 합성: 연구 대상 집단과 방법론의 이질성으로 인해, 공식적인 메타 분석 대신 서사적 합성(narrative synthesis)을 수행하였습니다.

주요 기여 및 결과
식별된 4,067개의 기록 중 57개의 연구가 전체 적격 기준을 충족했습니다. 본 검토는 다음과 같은 결과를 합성합니다:

1. 알고리즘 성능: 트리 기반 앙상블 방법이 가장 강력한 진단 잠재력을 보여주었습니다.

   • 랜덤 포레스트 (Random Forest, RF): 약 22개 연구(~37%)에서 사용되었으며, AUROC 0.75–1.00을 달성했습니다.
   • XGBoost: 약 20개 연구(~34%)에서 사용되었으며, AUROC 0.78–0.99를 달성했습니다.
   • LightGBM: 약 14개 연구(~24%)에서 사용되었으며, AUROC 0.85–0.99를 달성했습니다.
   • 기타 방법으로는 규제가 적용된 로지스틱 회귀(약 18개 연구), 서포트 벡터 머신(약 16개 연구), 그리고 다양한 딥러닝 아키텍처(ANN, CNN, LSTM)가 포함되었습니다.
   • 관찰 사항: 훈련 세트의 AUROC는 종종 0.95를 초과했으나, 테스트 세트의 성능은 빈번하게 유의미한 저하를 보였으며, 이는 과적합(overfitting)을 시사합니다.

2. 입력 데이터 양식:

   • MALDI-TOF MS 스펙트럼 데이터: 가장 흔한 입력 방식(연구의 46%)으로, 일상적인 실험실 인프라를 통한 신속한 예측을 가능하게 합니다. 중앙값 AUROC는 약 0.92였습니다.
   • 전장 유전체 시퀀싱 (WGS): 21%의 연구에서 사용되었으며, 높은 성능(S. aureus 및 M. tuberculosis에 대해 AUROC 0.94–1.00)을 제공하지만 비용 및 소요 시간 측면에서 장벽이 존재합니다.
   • 전자 건강 기록 (EHR): 28%의 연구에서 사용되었으며, 추가적인 실험실 처리 없이 임상적 유용성을 제공하지만, 일반적으로 스펙트럼 또는 유전체 모델에 비해 낮은 중앙값 AUROC(0.83–0.91)를 나타냈습니다.

3. 대상 병원균: 가장 많이 연구된 병원균은 황색포도상구균(Staphylococcus aureus, 특히 MRSA/MSSA 구분), 클레브시엘라 뉴모니애(Klebsiella pneumoniae, 카바페넴 내성), 녹농균(Pseudomonas aeruginosa), 아시네토박터 바우마니(Acinetobacter baumannii), 그리고 결핵균(Mycobacterium tuberculosis)이었습니다.

4. 편향 위험 (PROBAST 평가): 핵심적인 발견은 57개 연구 모두가 전체적으로 높은 편향 위험을 가진 것으로 평가되었다는 점입니다.

   • 참가자: 회고적, 단일 센터 설계 및 편의 샘플링으로 인해 높은 위험을 보였습니다.
   • 예측 변수: 결측치 처리 방식이 약 100%의 연구에서 보고되지 않았기 때문에 불분명한 위험을 보였습니다.
   • 분석: 과적합의 만연, 약 65%의 연구에서 외부 검증 부재, 그리고 불충분한 표본 크기 근거로 인해 높은 위험을 보였습니다.
   • 설명 가능성: 약 9%의 연구만이 설명 가능성 방법(예: SHAP 값)을 도입하였으며, LIME을 사용한 연구는 없었습니다.

의의 및 주장
본 논문은 MALDI-TOF 스펙트럼 데이터에 적용된 트리 기반 앙상블 방법이 신속한 AMR 예측을 위한 강력한 진단적 잠재력을 보여주지만, 현재 이 분야는 즉각적인 임상 적용을 위한 준비가 되어 있지 않다고 주장합니다.

• 현재 상태: 본 검토는 대부분의 모델이 회고적 설계와 외부 검증의 부재로 인해 제한적인 연구 프로토타입임을 강조합니다. 외부 검증 시 성능이 빈번하게 저하되는 현상(종종 0.05–0.15 AUROC 포인트 감소)은 현재의 모델들이 실제 환경에서의 효능을 과대평가하고 있을 가능성이 높음을 나타냅니다.
• 미래 요구 사항: 저자들은 임상 도입이 이루어지기 전에 이 분야가 다음 사항을 우선시해야 한다고 결론지었습니다:
  1. 다양한 지리적, 기관적 환경 전반에 걸친 일반화 가능성을 보장하기 위한 전향적 다기관 외부 검증.
  2. 규제 요구 사항을 충족하고 임상의의 신뢰를 구축하기 위한 설명 가능성의 통합 (예: SHAP).
  3. 신뢰 구간과 투명한 결측치 처리를 포함한 표준화된 보고 (예: TRIPOD-AI 가이드라인).
  4. 단순한 진단 정확도를 넘어 환자 결과 및 항생제 관리 지표를 개선함을 입증하기 위한 전향적 임상 영향 연구.

본 검토는 AI의 AMR 분야에서의 기술적 가능성은 분명하지만, 임상 배치를 위해 필요한 방법론적 엄격함은 현재 부족하다는 점을 강조하며 방법론적 로드맵 역할을 수행합니다.