MultiDiseasePred: An Interpretable Multi-Disease Risk Prediction Framework and Its Application for Early Risk Stratification in the Emergency Department

혼란스럽고 긴박한 병원 응급실 환경에서, 처음 몇 분은 종종 가장 결정적인 순간이 됩니다. 환자가 도착했을 때, 그들은 단순히 하나의 문제만을 가진 것이 아니라 심장마비부터 심각한 감염, 또는 폐동맥 폐쇄에 이르기까지 무엇을 나타낼 수 있는 복잡한 증상들의 혼합체입니다. 전통적으로 의사들은 각 가능성을 하나씩 평가하기 위해 별도의 체크리스트와 점수 체계에 의존해 왔습니다. 간호사는 패혈증을 확인하기 위해 하나의 도구를 사용하고, 심장 문제에는 또 다른 도구를, 호흡 문제에는 세 번째 도구를 사용할 수 있습니다. 이러한 도구들은 유용하지만, 한 번에 하나의 질병만을 보도록 설계되었습니다. 이는 파편화된 그림을 만들어내어, 임상의들이 실험실 결과나 영상 스캔이 나중에 도착하기를 기다리지 못한 채, 시계와 다투며 서로 다른 위험 점수들을 머릿속으로 짜 맞추도록 강요합니다. 과제는 전체 환자의 모습을 즉시 파악하여, 전체적인 의료적 이야기가 알려지기 전에 다양한 위험들이 어떻게 중첩되고 주의를 경쟁하는지 이해하는 것입니다.

이를 해결하기 위해, 미네소타 대학교와 다른 기관의 연구진은 MultiDiseasePred라고 불리는 새로운 접근 방식을 개발했습니다. 각 질병을 위한 별도의 모델을 구축하는 대신, 그들은 환자를 보고 7가지의 서로 다른 급성 질환과 입원 필요 여부와 같은 2가지 핵심 결과에 대한 위험을 동시에 추정하도록 설계된 단일하고 통합된 시스템을 만들었습니다. 이 시스템은 서로 혼란스러울 정도로 유사한 초기 증상을 보이는 7가지 질환, 즉 패혈증, 급성 호흡곤란 증후군, 천식이나 COPD와 같은 만성 폐 질환의 악화, 급성 관상동맥 증후군(심장 문제), 바이러스성 폐렴, 폐색전증(폐 혈전), 그리고 급성 신손상에 초점을 맞춥니다. 또한 입원 가능성과 중환자실 입원 또는 사망을 포함하는 종합적인 "중증 결과"를 예측합니다. 목표는 단순히 이러한 위험을 예측하는 것뿐만 아니라, 혈액 검사나 X-레이를 기다리지 않고 환자가 문을 열고 들어오는 순간에 이용 가능한 정보, 즉 활력 징후, 연령, 주요 호소 사항만을 사용하여 이를 수행하는 것입니다.

연구진은 2019년부터 2025년까지를 아우르는 미네소타의 대형 의료 체계로부터 얻은 약 170만 건의 응급실 방문 데이터를 포함하는 방대한 데이터셋을 통해 이 시스템을 훈련시켰습니다. 그런 다음 그들은 보스턴과 캘리포니아에 있는 두 곳의 다른 주요 의료 센터에서 온 완전히 다른 환자 그룹을 대상으로 시스템이 얼마나 잘 작동하는지 테스트했습니다. 이러한 외부 테스트는 시스템이 단순히 지역 데이터를 암기하는 것이 아니라 보편적인 질병의 징후를 실제로 이해할 수 있는지 확인하기 위해 매우 중요했습니다. 시스템은 수백만 건의 방문을 통해 패턴을 식별하는 법을 배웠으며, 각 질병은 고유하지만 종종 근본적인 생리학적 신호를 공유한다는 것을 발견했습니다. 예를 들어, 혈압 저하나 호흡률의 변화는 여러 가지 질환에 대한 경고 신호가 될 수 있습니다. 이러한 공유된 신호와 함께 특정 단서들을 분석함으로써, 모델은 각 질환에 대한 증거를 개별적으로 가중치를 두면서도 그들 사이의 연결 고리를 보는 법을 배웠습니다.

이 새로운 프레임워크의 핵심 특징은 실제 사용을 위해 단순하고 실용적일 수 있는 능력입니다. 연구진은 정확한 예측을 하기 위해 수십 개의 변수가 담긴 긴 목록이 필요하지 않다는 것을 발견했습니다. 신중한 선택 과정을 통해, 그들은 심박수, 혈압, 산소 수치, 연령, 특정 과거 병력과 같이 트리아지(triage) 간호사가 일상적으로 기록하는 단 12개의 변수로 입력을 좁혔습니다. 이러한 "간결한" 입력 세트는 복잡한 데이터 입력이나 실험실 결과를 기다릴 필요 없이 시스템을 즉시 사용할 수 있음을 의미합니다. 또한 모델에는 내장된 설명 시스템이 포함되어 있습니다. 시스템이 특정 질환에 대해 환자가 높은 위험에 있다고 표시할 때, 단순히 숫자만을 주는 것이 아니라 어떤 요인이 그 결정에 기여했는지 정확히 강조합니다. 예를 들어, 시스템이 폐색전증의 위험이 높다고 예측한다면, 환자의 폐고혈압 병력이 그 예측의 주요 동인이었다는 것을 보여줌으로써 임상의가 경고의 논리를 확인할 수 있게 합니다.

연구 결과는 유망했습니다. 내부 테스트에서 시스템은 이러한 질환이 발생할 환자와 그렇지 않은 환자를 구별하는 데 있어 높은 수준의 정확도를 달elle 성취했으며, 기존의 단일 질병 머신러닝 모델들과 대등하거나 더 나은 성능을 보였습니다. 더욱 중요한 것은, 보스턴과 캘리포니아의 외부 데이터로 테스트했을 때, 시스템이 재학습이나 조정 없이도 강력한 성능을 유지했다는 점입니다. 이는 모델이 학습한 패턴이 견고하며 다른 병원 환경에서도 적용 가능하다는 것을 시사합니다. 7가지 급성 질환에 대해 시스템은 높은 신뢰도로 위험을 정확히 식별했으며, 2가지 처치 종점(disposition endpoints)에 대해서도 좋은 성능을 보였습니다. 연구진은 시스템이 환자를 위험도에 따라 분류하는 데는 탁월하지만, 매우 드문 사건을 완벽한 정밀도로 예측하는 능력은 약간 낮았다고 언급했는데, 이는 의료 예측의 일반적인 과제입니다. 그러나 시스템은 임상의가 즉시 해석할 수 있는 조율된 다중 질환 위험 프로필을 성공적으로 제공했습니다.

연구는 또한 데이터가 불완전하거나 누락되는 경우가 많은 응급 의료의 현실을 시스템이 어떻게 처리하는지 조사했습니다. 연구진은 특정 활력 징후가 기록되지 않더라도 모델이 일관되게 작동하도록, 훈련 데이터에 기반한 표준화된 사전 정의된 값을 사용하여 누락된 정보를 처리하도록 설계했습니다. 또한, 모델이 간호사의 초기 평가를 단순히 반복하는 순환 논리에 빠지지 않도록 응급 환자 분류 지표인 응급 환자 중증도 지수(ESI)에 의존하지 않도록 했습니다. 대신, 시스템은 원시 임상 데이터를 통해 독립적인 평가를 구축합니다. 연구진은 이 도구가 임상적 판단을 대체하는 것이 아니라 의사 결정을 돕는 보조 도구임을 강조했습니다. 이는 임상의가 생각을 정리하고 어떤 질환을 먼저 조사할지 우선순위를 정하는 데 도움을 주어, 패혈증에 대한 항생제 투여나 혈전 치료를 위한 혈전 용해제 투여와 같은 결정적인 치료로 가는 시간을 단축할 수 있도록 설계되었습니다.

강력한 성능에도 불구하고, 저자들은 이것이 회고적 연구(retrospective study)라는 점에 주의를 기울이고 있습니다. 즉, 이 시스템은 실시간 환경에서 테스트된 것이 아니라 과거의 데이터를 살펴본 것입니다. 그들은 이러한 도구가 널리 채택되기 전에, 실제 환자 결과, 워크플로우 효율성, 그리고 그것이 의사 결정 과정에 도움이 되는지 혹은 방해가 되는지에 대해 전향적(prospective)으로 테스트되어야 함을 인정합니다. 또한 사용된 데이터 소스에 대한 제한 사항도 있습니다. 예를 들어, 시스템은 구조화된 데이터에 의존하며 아직 비구조화된 노트나 영상 결과는 통합하지 않습니다. 또한, 연구는 시스템이 다양한 인종이나 민족 집단에 대해 어떻게 작동하는지에 대한 상세한 분석을 포함하지 않았는데, 이는 해당 병원들에서 관련 데이터를 일관되게 확보할 수 없었기 때문입니다. 이는 도구가 모든 사람에게 안전하고 효과적임을 보장하기 위한 향후 연구의 중요한 영역입니다.

궁극적으로, 이 작업은 응급 위험 평가가 어떻게 접근될 수 있는지에 대한 패러다임의 변화를 나타냅니다. 고립된 단일 질병 도구 모음에서 벗어나 통합되고 해석 가능한 프레임워크로 이동함으로써, 연구진은 환자 케어의 시작 단계에서 잠재적 위험의 전체 스펙트럼을 보는 것이 가능하다는 것을 입증했습니다. 시스템은 여러 질환에 대해 명확하고 교정된 확률을 제공하며, 왜 이러한 위험이 표시되었는지에 대한 설명을 동반합니다. 이러한 접근 방식은 환자들이 중첩된 증상과 다수의 잠재적 진단을 가질 수 있는 응급실의 복잡성을 존중합니다. 이 시스템은 아직 모든 병원에 즉시 배치될 준비가 된 완성된 제품은 아니지만, 단일하고 지능적인 프레임워크가 임상의가 응급 상황의 첫 몇 분 동안의 불확실성을 헤쳐 나가는 데 도움을 주어, 잠재적으로 생명을 위협하는 질환을 가진 환자들을 위한 귀중한 시간을 절약할 수 있다는 강력한 개념 증명을 제공합니다.