Electronic Health Record-Based Machine Learning Models for Predicting Revascularization, Amputation, and Cardiovascular Mortality in At-Risk Patients

매년 수천 명의 사람들이 끔찍한 선택에 직면합니다. 사지를 잃을 것인가, 아니면 생명을 잃을 것인가 하는 선택입니다. 이러한 투쟁은 종종 다리의 혈관이 좁아지고 딱딱해지면서 근육과 피부에 산소 공급을 차단하는 조용하고 서서히 진행되는 질환에서 시작됩니다. 이 폐쇄가 심각해지면 잘 낫지 않는 열린 상처나 사지가 죽어가는 상태로 이어질 수 있습니다. 의사들은 이를 말초동맥질환이라 부르며, 가장 치명적인 형태로는 만성 하지 허혈이라고 합니다. 이러한 질환이나 당뇨병성 족부 궤양을 앓는 환자들에게 앞으로 나아갈 길은 불확실성으로 가득 차 있습니다. 의사는 혈류를 회복하기 위해 복잡한 수술을 시행할지, 환자의 생명을 구하기 위해 손상된 사지를 절단할지, 아니면 완화 의료에 집중할지를 결정해야 합니다. 이러한 결정은 매우 어렵습니다. 왜냐하면 모든 환자는 당뇨병부터 심장 질환에 이르기까지 다른 건강 문제와 치료 반응에 영향을 미치는 사회적 요인들이 결합된 고유한 조합을 가진 서로 다른 존재이기 때문입니다.

수십 년 동안 의사들은 이러한 선택을 안내하기 위해 점수 체계와 위험 계산기에 의존해 왔지만, 이 도구들은 널리 신뢰를 얻는 데 종종 실패했습니다. 이 도구들은 매우 복잡하고 개인적인 질병에 대응하기에는 너무 경직되어 있거나, 일관되게 수집하기 어려운 데이터에 의존하기 때문입니다. 이제 노스캐롤라이나 대학교의 연구진은 다른 종류의 길잡이, 즉 환자 케어 자체의 방대한 디지털 기록에 주목했습니다. 이들은 수백만 개의 전자 건강 기록을 정리하는 새로운 방식을 사용하여, 환자에게 다음에 어떤 일이 일어날지 예측하도록 설계된 컴퓨터 모델 세트를 구축했습니다. 그들의 목표는 의사를 대체하는 것이 아니라, 의사들에게 더 명확한 미래의 모습을 보여줌으로써 누가 수술이 필요하고, 누가 사지를 잃을 수 있으며, 누가 심혈관 관련 원인으로 사망할 위험이 있는지를 결정하는 데 도움을 주는 것이었습니다.

연구진은 2014년부터 2024년 사이에 UNC 헬스 시스템 내에서 진료를 받은 성인 환자 약 179,000명의 방대한 풀에서 시작했습니다. 이들은 말초동맥질환, 만성 하지 허혈 또는 당뇨병성 족부 궤양을 포함하여 이미 사지 상실의 위험이 있는 것으로 알려진 사람들이었습니다. 이 엄청난 양의 정보를 이해하기 위해 연구팀은 OMOP 공통 데이터 모델(Common Data Model)이라는 표준화된 시스템을 사용했습니다. 이는 서로 다른 병원들이 동일한 언어로 말할 수 있게 해주는 보편적인 번역기 역할을 합니다. 연구진은 이 시스템에 특수한 확장 기능을 추가하여, 일반적인 기록에는 보통 누락되어 있는 혈관 질병 관련 127가지 특정 변수를 채워 넣었습니다. 이를 통해 환자를 단순히 증상의 집합체가 아니라 혈압, 검사 결과, 흡연 이력, 가동성, 심지어 인지 상태에 이르기까지 수천 개의 데이터 포인트를 가진 온전한 한 사람으로서 바라볼 수 있었습니다.

이 풍부하고 조화된 데이터셋을 사용하여, 연구팀은 인간 의사가 놓칠 수 있는 패턴을 찾기 위해 컴퓨터 알고리즘을 훈련시켰습니다. 그들은 세 가지 별도의 예측 모델을 구축했습니다. 첫 번째는 환자가 혈관 재개통술(막힌 동맥을 여는 목적의 수술)을 받을지 예측하는 것이었습니다. 두 번째는 환자가 결국 절단을 하게 될지를 예측하는 것이었습니다. 세 번째는 심근경색이나 뇌졸중과 같은 심혈관 사건으로 사망할지를 예측하는 것이었습니다. 컴퓨터는 단순히 다리 질환의 명백한 징후만을 보는 것이 아니라, 특정 감염의 존재부터 환자가 복용하는 약물의 종류에 이르기까지 수천 개의 잠재적 요인을 스캔하여 어떤 요인이 결과에 가장 중요한 영향을 미치는지 확인했습니다.

결과는 어떤 결과에 대해서는 놀라운 명확성을, 다른 결과에 대해서는 끈질긴 복잡성을 보여주었습니다. 재개통술을 받을 환자를 예측하도록 설계된 모델은 매우 정확했습니다. 이 모델은 완벽에 가까운 정밀도로 수술을 받게 될 환자들을 정확히 식별해 냈습니다. 이 예측을 이끄는 요인들은 혈관 외과 의사가 예상하는 바와 정확히 일치했습니다. 모델은 하지 블록(폐쇄)이나 혈전과 같은 특정 동맥 질환이 가장 강력한 신호임을 찾아냈습니다. 컴퓨터는 이러한 특정 동맥 문제가 존재할 때 의료 시스템이 일관되게 수술로 대응한다는 것을 학습했습니다. 이는 수술 결정이 명확하고 객관적인 동맥 기능 부전의 징후에 의해 주도된다는 점을 확인시켜 주었습니다.

절단에 대한 예측 또한 강력했지만, 그 이면의 이야기는 더 미묘했습니다. 모델은 환자가 사지를 잃을지 여부가 환자의 몸과 마음이 치료의 스트레스를 어떻게 처리하느냐에 크게 달려 있다는 것을 보여주었습니다. 가장 강력한 예측 인자는 단순히 다리 상처의 심각성이 아니라, 치료가 환자의 전반적인 쇠약함(frailty)과 어떻게 상호작용하는가였습니다. 예를 들어, 치매나 심한 신체적 약화가 있는 환자가 재개통술을 받는 경우, 모델은 결국 절단하게 될 가능성이 높다고 예측했습니다. 반대로, 수술을 받기에 너무 쇠약한 환자의 경우, 모델은 그들이 절단을 겪을 가능성이 낮다고 시사했는데, 이는 의료진이 그들을 완화 의료 옵션으로 유도했기 때문일 것입니다. 이 발견은 사지를 잃는 경로가 단지 다리의 질병뿐만 아니라, 환자가 치료 과정을 견뎌낼 수 있는 능력에 의해 결정된다는 어려운 현실을 강조합니다.

그러나 심혈관 사망을 예측하는 모델은 다른 이야기를 들려주었습니다. 컴퓨터는 심부전, 당뇨병 합병증, 고혈당과 같은 흔한 원인들을 식별할 수는 있었지만, 사망을 동일한 확신을 가지고 예측하지는 못했습니다. 이 모델의 정확도는 보통 수준이었으며, 이는 위험 요인은 알려져 있지만 실제 사망의 순간은 하나의 공식으로 포착하기에는 너무 많은 예측 불가능한 변수의 영향을 받는다는 것을 시사합니다. 연구진은 다리의 국소적인 문제를 해결하는 혈관 재개통술이 심혈관 사건으로 인한 사망 위험을 변화시키지 않는 것으로 보인다고 언급했습니다. 이는 사지를 구하는 것과 심장 질환으로부터 생명을 구하는 것이 두 개의 별개 전투이며, 하나를 고친다고 해서 다른 쪽의 승리를 보장하는 것은 아님을 의미합니다.

이 연구는 인공지능이 의사들이 고려해보지 못한 완전히 새롭고 숨겨진 위험 요인을 발견할 수 있을 것이라는 의학 연구의 일반적인 기대에 대해서도 다루었습니다. 이 경우, 컴퓨터는 비밀스러운 코드를 찾아내지 못했습니다. 컴퓨터가 식별한 가장 중요한 변수들은 임상의들이 이미 중요하다고 알고 있던 것들이었습니다. 머신러닝 접근 방식은 새로운 지식을 발명한 것이 아니라, 혈관 질환에 대한 기존의 이해가 견고하다는 것을 확인해 주었습니다. 이는 충분한 데이터를 깨끗하고 조직적인 방식으로 수집한다면 질병의 패턴이 명확해진다는 것을 입증했습니다. 절단을 매우 잘 예측할 수 있다는 사실은 적절한 데이터가 있다면 이러한 결과를 예견할 수 있음을 시사하지만, 동시에 인간의 몸은 매우 다양한 방식으로 무너질 수 있기 때문에 사망을 예측하는 것은 훨씬 더 어려운 과제임을 보여줍니다.

이 작업은 환자를 돌보는 방식에 있어 데이터 활용의 중요한 진전을 나타냅니다. 전자 건강 기록을 표준 형식으로 정리하고 혈관 질환에 대한 구체적인 세부 사항을 추가함으로써, 연구진은 약 18만 명의 경험으로부터 배울 수 있는 도구를 만들었습니다. 그들이 구축한 모델이 완벽한 것은 아니며, 단일 의료 시스템의 환자들을 대상으로 테스트되었기 때문에, 어디서나 작동하는지 확인하기 위해 다른 병원들의 데이터와 대조하는 과정이 필요합니다. 그럼에도 불구하고, 이 결과는 의사들이 수백만 명의 환자 기록에서 얻은 집단적 지혜를 사용하여 더 나은, 더 개인화된 결정을 내릴 수 있는 미래에 대한 유망한 전망을 제공합니다. 사지를 잃을 위기에 처한 환자에게 이러한 명확성은 치료 계획이 효과가 있을지 없을지를 결정하는 차이를 만들어 줄 수 있으며, 끔찍한 불확실성을 관리 가능한 길로 바꾸어 줄 수 있습니다.