An interpretable machine learning model for early sepsis prediction in patients with heart failure and type 2 diabetes: a retrospective cohort study

가장 높은 위험이 도사리고 있고 시간이 가장 귀중한 자원인 중환자실에서, 의사들은 환자의 만성 질환과 새로운 급성 위협 사이의 섬세한 균형을 끊임없이 저울질합니다. 가장 흔하고 까다로운 두 가지 만성 질환은 심장이 혈액을 효과적으로 펌프질하기 위해 고군분투하는 심부전과, 신체가 당 수치를 적절히 관리하지 못하는 상태인 제2형 당뇨병입니다. 이 두 가지 질환이 함께 존재할 때, 이들은 취약성의 완벽한 폭풍을 만들어냅니다. 심장에 가해지는 부담과 당뇨병으로 인한 대사적 혼란 때문에 신체의 감염 대응 능력은 이미 손상되어 있으며, 이는 환자들이 패혈증으로 발전할 가능성을 훨씬 높입니다. 패혈증은 감염에 대한 생명을 위협하는 반응으로, 급격하게 장기 기능을 정지시키고 사망에 이르게 할 수 있습니다. 패혈증을 치료할 수 있는 시간적 창(window)이 매우 좁기 때문에 조기에 식별하는 것이 매우 중요하지만, 현재의 도구들은 이 특정 환자군에서 경고 신호를 너무 늦기 전에 포착하는 데 종종 실패하곤 합니다.

연구진은 이러한 환자들을 위한 새로운 종류의 안전망을 구축하고자 했습니다. 환자의 의료 데이터 속에 숨겨진 미세한 신호들에 귀를 기울일 수 있는 안전망 말입니다. 그들은 컴퓨터가 인간이 작성한 경직된 규칙을 따르는 대신, 방대한 양의 과거 사례를 학습하여 패턴을 인식하는 인공지능의 한 분야인 머신러닝을 활용했습니다. 목표는 심부전과 당뇨병을 가진 환자가 중환자실에 도착했을 때 수집되는 일상적인 데이터를 살펴보고, 그들이 패혈증을 앓게 될 것인지를 합리적인 정확도로 예측할 수 있는 시스템을 만드는 것이었습니다. '블랙박스'처럼 이유를 설명하지 않고 결과만 내놓는 많은 복잡한 컴퓨터 모델과 달리, 이 팀은 시스템이 왜 위험 수위가 높아졌는지 정확히 어떤 요인이 결정적인 역할을 했는지 보여줄 수 있기를 원했습니다.

연구진은 미국의 수천 명의 중환자 기록이 담긴 두 개의 거대한 공개 데이터베이스에서 데이터를 수집하며 시작했습니다. 그들은 심부전과 제2형 당뇨병을 모두 앓으며 입원한 성인들에게 초점을 맞췄습니다. 9,000명이 넘는 잠재적 후보군 중에서, 연구진은 모델을 구축하기 위해 한 데이터베이스에서 7,806명의 환자를 선별했고, 그 후 이 모델이 실제 환경에서도 유효한지 확인하기 위해 다른 병원들의 별도 그룹인 633명의 환자를 대상으로 테스트를 진행했습니다. 그들은 심박수나 체온과 같은 활력 징후, 혈액 검사 결과, 그리고 환자가 인공호흡기에 의존하고 있는지 여부를 포함하여 환자의 입원 첫 24시간 동안 기록된 광범위한 정보를 살펴보았습니다.

가장 중요한 단서를 찾기 위해 연구진은 단순히 어떤 요인이 중요한지 추측하지 않았습니다. 그들은 다양한 통계적 방법들을 비교하여 어떤 변수가 일관되게 패혈증을 가리키는지 확인하는 엄격한 과정을 통해 데이터를 걸러냈습니다. 이 과정은 긴 가능성의 목록을 단 7개의 핵심 지표로 압축했습니다. 여기에는 급성 신손상 여부, 호흡을 돕기 위한 기계 환기기 사용 여부, 백혈구 수치, 체온, 표준 척도로 측정된 의식 수준, 혈액 내 산도 균형 측정치, 그리고 조직에 산소가 충분히 공급되지 않을 때 쌓이는 물질인 젖산 수치가 포함되었습니다.

그 후 연구진은 7개의 서로 다른 알고리즘을 학습시켜 이 7가지 지표로부터 학습하도록 했습니다. 그들은 각 알고리즘이 패혈증이 발생할 환자와 그렇지 않은 환자를 얼마나 잘 구별해내는지 테스트했습니다. XGBoost라고 알려진 하나의 알고리즘이 가장 신뢰할 수 있는 것으로 나타났습니다. 초기 테스트 단계에서 이 알고리겠습니다 약 71%의 사례에서 위험을 정확히 식별했습니다. 연구진이 동일한 모델을 다른 병원들의 별도 환자 그룹에 적용했을 때도, 약 66%의 사례에서 위험을 정확히 식별하며 준수한 성능을 유지했습니다. 비록 완벽하지는 않지만, 이는 이전에 이 위험을 조기에 발견할 수 있는 특화된 도구가 없었던 환자 그룹에게 의미 있는 진전입니다.

이 연구가 특히 가치 있는 이유는 연구진이 예측에서 멈추지 않았기 때문입니다. 그들은 '블랙박스'를 열어 모델이 어떻게 결정을 내리는지 확인하기 위해 SHAP이라는 기술을 사용했습니다. 그 결과, 컴퓨터가 무작위로 추측하는 것이 아니라 수학적 정밀함을 바탕으로 숙련된 의사가 살피는 것과 동일한 요소들을 우선순위에 두고 있다는 것을 발견했습니다. 모델은 급성 신손상, 의식 수준 저하, 그리고 높은 백혈구 수치가 임박한 패혈증의 가장 강력한 신호라고 판단했습니다. 또한 체온이 특정 방식으로 중요하다는 점도 학습했는데, 고열과 저체온 모두 경고 신호가 되는 반면, 정상 체온은 안심할 수 있는 지표라는 점을 파악했습니다. 마찬가지로, 높은 젖산 수치와 인공호흡기 사용이 위험을 크게 높인다는 점도 인식했습니다.

연구진은 자신들의 모델이 우수한 성능을 보였지만, 아직 의사의 판단을 대체하거나 독자적으로 치료 결정을 내릴 준비가 된 것은 아니라는 점을 주의 깊게 명시했습니다. 외부 테스트 결과, 모델이 유용하기는 하지만 절대적인 것은 아니며, 일상적인 임상 현장에서 사용되기 전까지 다양한 병원과 다양한 환자군을 대상으로 추가적인 테스트가 필요하다는 점이 드러났습니다. 이 연구는 일상적인 의료 데이터를 사용하여 심부전과 당뇨병을 가진 고위험 환자를 식별할 수 있는 해석 가능한 도구를 구축하는 것이 가능하다는 것을 보여주는 개념 증명(proof of concept) 역할을 합니다. 신부전, 호흡 곤란, 그리고 혈액 화학적 변화의 특정 조합이 문제를 알리는 신호임을 밝힘으로써, 이 연구는 무시하기엔 너무 빠르게 움직이는 질환에 대해 임상의들이 한 발 앞서 나갈 수 있도록 돕는 새로운 길을 제시합니다.