Development and Validation of machine learning models for early prediction of severe Respiratory Syncytial Virus pneumonia in children

매년 전 세계적으로 수백만 명의 어린 아이들이 금방 훨씬 더 위험한 상태로 변할 수 있는 감기에 걸립니다. 호흡기 세포 융합 바이러스(RSV)로 알려진 이 바이러스는 폐와 기도를 공격하는 흔한 세균입니다. 대부분의 아이들에게는 콧물과 기침을 동반한 심한 독감처럼 느껴지지만, 특히 5세 미만의 상당수 아이들에게는 생명을 위협하는 감염인 중증 폐렴으로 급격히 악화될 수 있습니다. 의사들에게 있어 과제는 이 바이러스가 예측 불가능하게 움직인다는 점입니다. 아침에는 괜찮아 보이던 아이가 저녁에는 숨쉬기 힘들어할 수 있습니다. 위기 상황을 예방할 수 있는 창구가 매우 좁기 때문에, 의료팀은 아이들이 병원에 들어서는 순간, 즉 상태가 악화되기 훨씬 전부터 누가 가장 높은 위험군에 속하는지 파악할 방법이 필요합니다.

수십 년 동안 의사들은 열, 기침, 호흡률 등을 살피며 경험과 표준 체크리스트에 의존해 왔습니다. 하지만 인간의 뇌는 방대한 데이터 속에 숨겨진 복잡한 패턴을 찾아내는 데 항상 최적의 도구는 아닙니다. 중국 쭌이시의 한 병원에서 나온 새로운 연구는 컴퓨터가 도움을 줄 수 있다고 제안합니다. 연구진은 머신러닝이라 불리는 인공지능의 한 분야를 활용했는데, 이는 컴퓨터가 미래를 예측하기 위해 과거의 사례로부터 학습할 수 있게 해줍니다. 인간이 작성한 경직된 규칙을 따르는 대신, 컴퓨터는 수백 개의 실제 환자 기록을 분석하여 인간이 놓칠 수 있는 다양한 증상과 검사 결과 사이의 미묘한 연결 고리를 찾아냈습니다. 목표는 단순하지만 결정적이었습니다. 아이의 입원 데이터를 보고 폐렴이 중증으로 진행될지 정확히 예측하여, 의사들이 치료를 위한 선제적 대응을 할 수 있도록 하는 디지털 도구를 구축하는 것이었습니다.

연구팀은 먼저 RSV 폐렴 확진 판정을 받고 입원한 180명의 아동으로부터 정보를 수집했습니다. 그들은 이 사례들을 경증 환자 그룹과 중증 폐렴으로 진행된 그룹의 두 그룹으로 나누었습니다. 연구진은 아이의 연령, 체중, 병력, 그리고 입원 후 첫 이틀간 실시한 혈액 검사 및 폐 스캔 결과를 포함한 방대한 데이터를 컴퓨터 시스템에 입력했습니다. 컴퓨터가 모든 기록으로부터 학습할 수 있도록 누락된 수치를 스마트한 추정치로 채워 넣으며 데이터를 정교하게 다듬는 과정도 거쳤습니다. 가장 중요한 단서를 찾기 위해, 그들은 노이즈를 걸러내는 두 가지 수학적 방법을 사용했습니다. 한 방법은 서로 너무 유사한 변수들을 제거하는 체 역할을 했고, 다른 한 방법은 각 증상의 중요성을 무작위 노이즈와 비교하여 어떤 것이 정말 의미가 있는지 확인했습니다.

이 엄격한 필터링 과정을 거친 후, 컴퓨터는 중증 질환과 가장 강력하게 연결된 단 7가지 핵심 요인을 식별해 냈습니다. 이것들은 모호한 의학적 미스터리가 아니라 체중, 호흡률, 정상보다 빠른 호흡 여부, 숨 가쁨 현상, 그리고 혈액 검사의 세 가지 특정 수치와 같이 눈에 보이고 관찰 가능한 징후들이었습니다. 이 7가지 특징을 바탕으로 연구진은 어떤 모델이 결과를 가장 잘 예측하는지 확인하기 위해 8가지 서로 다른 컴퓨터 모델을 구축했습니다. 그들은 단순한 통계적 접근 방식부터 인간의 뇌가 정보를 처리하는 방식을 모방한 복잡한 시스템에 이르기까지 모든 것을 테스트했습니다. 이 모델들을 환자 데이터의 3분의 2로 학습시킨 후, 나머지 3분의 1을 사용하여 모델이 학습한 내용을 보지 못한 새로운 환자들에게도 일반화할 수 있는지 테스트했습니다.

결과는 '랜덤 포레스트(Random Forest)'라고 알려진 하나의 모델이 다른 모든 모델보다 뛰어난 성능을 보였다는 것을 보여주었습니다. 이 모델은 여러 개의 작은 결정 트리(decision trees)들의 의견을 결합하여 결정을 내리는 방식 때문에 붙여진 이름으로, 마치 전문가 위원회가 진단에 대해 투표하는 것과 비슷합니다. 테스트 단계에서 이 모델은 중증 폐렴으로 발전할 아이들을 거의 90% 정확도로 식별해 냈는데, 이는 환자의 안전을 위해 매우 중요한 민감도 수준입니다. 비록 몇몇 사례를 놓치거나 경증 사례를 중증으로 분류하기도 했지만, 위험한 사례를 잡아내는 능력이 이 모델의 가장 강력한 자산이었습니다. 연구진은 모델이 어떻게 선택을 내리는지 시각화하는 기법을 사용했는데, 이를 통해 호흡률과 숨 가쁨의 존재가 가장 큰 비중을 차지한다는 것을 밝혀냈습니다. 컴퓨터는 빠른 호흡률, 특히 숨 가쁨의 느낌이 결합되었을 때가 아이의 폐가 심각한 스트레스를 받고 있다는 강력한 신호라는 것을 학습했습니다.

또한 이 연구는 컴퓨터가 다른 요인들을 어떻게 가중치 있게 다루었는지도 강조했습니다. 컴퓨터는 낮은 체중이 위험 요인임을 발견했는데, 이는 아이의 전반적인 영양 상태와 면역력을 반영하기 때문입니다. 마찬가지로, 적혈구 크기의 특정 변화와 백혈구의 일종인 림프구의 비율 또한 추가적인 단서를 제공했습니다. 컴퓨터는 단순히 추측한 것이 아니라, 이러한 특정 생물학적 지표들이 아이의 호흡 곤란과 결합될 때 중증 결과를 신뢰성 있게 예측하는 패턴을 만든다는 것을 학습했습니다. 연구진은 이 접근 방식이 전통적인 방식보다 실질적인 이점을 제공한다는 점을 확인했으며, 이러한 도구를 사용하면 병원이 자원을 더 효과적으로 배분하고 가장 취약한 환자들에게 더 일찍 개입할 수 있을 것이라고 시사했습니다.

이러한 유망한 결과에도 불구하고, 저자들은 자신들의 작업이 첫 단계라는 점을 주의 깊게 언급했습니다. 이 모델은 단일 병원의 데이터를 사용하여 구축되었으므로, 아직 세계 각지의 다른 지역이나 다른 의료 시스템의 아이들을 대상으로 테스트되지 않았습니다. 또한 이 연구는 회고적 연구(retrospective study)로, 즉 컴퓨터가 실시간으로 아이들을 테스트하는 것이 아니라 과거의 기록으로부터 학습했다는 것을 의미합니다. 연구진은 이 도구가 일상적인 클리닉에서 사용되기 전에, 모든 사람에게 효과적으로 작동하는지 확인하기 위해 더 큰 규모의 다기관 연구를 통한 검증이 필요하다고 강조합니다. 그럼에도 불구하고, 이 연구는 단순하고 일상적인 임상 관찰과 첨단 컴퓨터 분석을 결합함으로써, 이전보다 더 빨리 중증 폐렴의 위험 징후를 포착하여 흔하지만 잠재적으로 치명적인 바이러스와 싸우는 아이들에게 새로운 보호 계층을 제공할 수 있음을 보여줍니다.