A Multimodal Machine Learning Model for Predicting Prolonged Hospital Stay After Total Hip and Knee Arthroplasty：Development, Internal Validation, and External Validation in MIMIC-IV

병원은 치유를 목표로 하는 거대하고 복잡한 생태계이지만, 회복으로 가는 경로는 사람마다 결코 같지 않습니다. 환자가 닳아버린 고관절이나 무릎을 교체하는 것과 같은 주요 관절 치환 수술을 받을 때, 의료진은 중요한 질문에 직면합니다. '이 환자가 병원에 얼마나 오래 머물러야 하는가?' 하는 점입니다. 너무 길어지는 입원 기간은 의료 시스템에 경제적 부담을 줄 뿐만 아니라, 환자의 감염 및 기타 합병증 위험을 높입니다. 수십 년 동안 의사들은 환자의 연령, 혈액 검사 결과, 그리고 다른 질병의 중증도와 같은 표준적인 사실들의 체크리스트를 사용하여 이러한 장기 입원을 예측하려고 노력해 왔습니다. 이 숫자들은 하나의 이야기를 들려주지만, 종종 환자의 기록에 수반되는 서술형 노트와 진단 코드 속에 숨겨진 가장 상세한 삶의 모습들을 놓치곤 합니다.

한 연구팀은 이제 숫자와 단어를 모두 읽어 더 나은 예측을 하도록 설계된 새로운 종류의 디지털 도구를 구축했습니다. 컴퓨터에게 표준 의료 데이터와 함께 환자 기록에 담긴 비정형 텍스트를 살펴보도록 가르침으로써, 그들은 전통적인 방식보다 훨씬 더 일찍 까다로운 회복의 징후를 포착할 수 있는 시스템을 만들었습니다. 이 접근 방식은 추측이나 직관에 의존하지 않습니다. 대신, 수천 건의 과거 사례로부터 학습하여 인간의 눈이 놓칠 수 있는 패턴을 찾아냅니다. 그 결과, 누가 장기 입원을 겪을 가능성이 높은지에 대한 더 명확한 그림을 그려냄으로써, 의사들이 더 잘 대비하고 잠재적으로 환자의 병원 체류 시간을 단축할 수 있게 해줍니다.

연구진은 한국의 한 대형 병원에서 일차적 인공 고관절 또는 슬관절 전치환술을 받은 환자들의 대규모 데이터베이스를 수집하며 연구를 시작했습니다. 그들은 처음으로 관절 치환 수술을 받은 성인 2,647명에 집중했습니다. '장기 입원'이 무엇을 의미하는지 정의하기 위해, 그들은 특정 기준을 설정했습니다: 17일 이상의 입원입니다. 이 임계값은 그들 그룹에서 가장 긴 입원 기간의 상위 25퍼센트에 해당하며, 이 지점부터 입원으로 인한 임상적, 경제적 비용이 유의미해집니다. 연구팀은 컴퓨터 모델에 두 가지 뚜렷한 유형의 정보를 입력했습니다. 첫 번째 유형은 연령, 성별, 체질량 지수(BMI), 그리고 알부민 및 헤모글로빈 수치와 같은 특정 혈액 검사 결과와 같이 의사들이 일상적으로 수집하는 정돈되고 조직화된 사실인 구조화된 데이터였습니다. 두 번째 유형은 ICD-10 진단 코드에서 파생된 비정형 텍스트였습니다. 이 코드들은 의사들이 관절염부터 고혈압까지 환자가 가진 모든 상태를 나열할 때 사용하는 표준적인 약어입니다. 연구진은 이 진단 코드들을 하나의 서사로 취급하여, 진단 목록을 컴퓨터가 의미를 분석할 수 있는 형식으로 변환했습니다.

예측 엔진을 구축하기 위해, 팀은 엄격하게 미리 작성된 규칙을 따르는 대신 데이터를 통해 학습하도록 설계된 컴퓨터 프로그램인 머신러닝 알고리즘 9가지를 훈련시켰습니다. 그들은 어떤 모델이 환자를 빠르게 퇴원시킬지, 아니면 17일 이상 입원하게 될지를 가장 잘 구별할 수 있는지 확인하기 위해 모델들을 테스트했습니다. 가장 성공적인 모델은 LightGBM이라 불리는 정교한 시스템이었으며, 이는 환자의 병력과 회복 시간 사이의 미묘한 연결 고리를 찾는 데 탁월한 능력을 입증했습니다. 모델이 이전에 본 적 없는 데이터의 일부로 테스트했을 때, 모델은 0.9160의 AUC를 기록하며 높은 정확도를 달성했습니다. 이는 혈액 검사와 인구통계학적 정보에만 의존하는 모델보다 훨씬 뛰어난 성능이었으며, 진단 텍스트로부터 얻은 추가적인 정보의 층이 실질적인 가치를 더한다는 것을 증명했습니다.

연구에서 가장 드러나는 측면 중 하나는 컴퓨터가 무엇을 가장 중요하게 발견했는지를 밝혀내는 것이었습니다. 연구진이 모델에게 그 근거를 설명하도록 요청했을 때, 상위 20개 영향 요인 중 6개가 혈액 검사가 아닌 진단 텍스트에서 직접 온 것임을 발견했습니다. 체질량 지수나 혈중 알부민 수치와 같은 요인들도 분명 강력한 예측 인자였지만, 텍キスト 분석은 전통적인 체크리스트가 흔히 간과하는 특정 질환들을 강조했습니다. 예를 들어, 미상 통증 및 기타 형태의 관절 질환을 포함한 무릎 골관절염의 존재가 환자가 더 많은 회복 시간을 필요로 할 것이라는 강력한 신호로 나타났습니다. 이는 환자가 보유한 질환의 구체적인 조합이 숫자만으로 보여주는 것보다 더 완전한 이야기를 들려준다는 것을 시사합니다. 또한 모델은 수술 시간 자체가 핵심 요인임을 확인했는데, 이는 수술의 복잡성을 반영합니다.

연구진은 자신들의 발견이 단순히 특정 환자 집단에 운 좋게 맞춘 것이 아님을 보장하기 위해, 미국의 MIMIC-IV라고 알려진 완전히 다른 데이터베이스를 활용했습니다. 이 데이터베이스는 보스턴의 대형 중환자실 기록을 담고 있으며, 서로 다른 의료 시스템, 서로 다른 시기, 그리고 서로 다른 인구 집단을 나타냅니다. 처음에 모델을 전체 환자군에 적용했을 때는 모델의 성능이 다소 떨어졌는데, 여기에는 관절 치환술을 받지 않은 많은 사람들이 포함되어 있었기 때문입니다. 그러나 연구진이 실제 고관절 또는 무릎 치환술을 받은 환자들로 데이터를 필터링했을 때, 모델의 정확도는 급등했습니다. 이 특정 그룹에서 모델은 원래 연구보다 더 나은 성능을 보이며 0적 0.9396의 AUC를 달성했습니다. 독립적인 외부 환경에서의 이러한 극적인 개선은 이 도구가 적절한 대상에게 사용될 경우 다양한 환경에 적응할 수 있는 견고함을 갖추었음을 시사합니다. 외부 검증 과정에서 체질량 지수와 같은 특정 변수가 데이터베이스에 누락되어 연구진이 이를 추정해야 했음에도 불구하고, 모델은 여전히 뛰어난 성능을 보여주었습니다.

본 연구는 모델이 신뢰성을 갖추기 위해 얼마나 많은 데이터가 필요한지도 조사했습니다. 연구진은 증가하는 양의 환자 기록을 통해 시스템을 테스트함으로써, 모델이 약 3분의 2의 가용 훈련 데이터를 검토했을 때 빠르게 학습하고 안정화된다는 것을 발견했습니다. 이는 이 도구가 효과적으로 작동하기 위해 불가능할 정도로 많은 정보를 필요로 하지 않으며, 단순히 데이터를 암기하는 것이 아니라 진정한 패턴을 학습하고 있음을 나타냅end. 모델이 새로운 독립적 데이터베이스에 이토록 잘 일반화될 수 있다는 것은, 모델이 단일 병원의 기록에 있는 특이점이 아니라 관절 수술 후 회복에 관한 근본적인 진실을 포착했음을 보여주는 강력한 징후입니다.

이러한 성공에도 불구하고, 연구진은 자신들의 연구가 가진 한계를 주의 깊게 언급합니다. 이 모델은 한국의 단일 기관 데이터를 사용하여 구축되었고 미국의 단일 중환자실에서 검증되었으므로, 아직 다양한 글로벌 의료 시스템 전반에 걸쳐 테스트되지는 않았습니다. 또한, 체질량 지수의 정확한 값이나 환자의 전반적인 건강 상태에 대한 특정 분류와 같은 중요한 정보가 외부 데이터베이스에서 누락되어 추정치를 사용해야 했으며, 이는 불확실성을 초래할 수 있습니다. 연구진은 또한 '장기 입원'에 대한 정의가 초기 그룹의 특정 분포를 기반으로 했기에, 전 세계 모든 병원에 완벽하게 적용되지 않을 수 있다고 지적합니다. 그들은 이 도구가 강력하지만, 최종적인 해결책이라기보다는 향후 연구를 위한 출발점임을 강조합니다.

이 연구의 궁극적인 목표는 단순한 예측을 넘어 행동으로 나아가는 것입니다. 수술실에 들어가기도 전에 장기 입원 위험이 높은 환자를 식별함으로써, 의사들은 더 일찍 개입할 수 있습니다. 그들은 환자의 약물을 조절하거나, 추가적인 물리 치료를 준비하거나, 원활한 귀가를 보장하기 위해 사회복지사와 협력할 수 있습니다. 이 연구는 의사결정에 필요한 정보가 이미 환자 기록 속에 있으며, 단지 올바르게 읽히기를 기다리고 있을 뿐이라는 점을 보여줍니다. 혈액 검사의 수치와 진단 기록의 풍부한 맥락을 결으로 결합함으로써, 이 새로운 접근 방식은 병원 진료를 더욱 효율적이고 개인화된 방식으로 만드는 길을 제시합니다. 이는 의료 예측의 미래가 데이터와 텍스트 중 하나를 선택하는 것이 아니라, 환자의 건강이라는 전체 그림을 보기 위해 이 둘을 하나로 엮는 데 있음을 시사합니다.