Machine Learning and Large Language Models for Maternal Cardiometabolic Risk Prediction Across Harmonised Public Pregnancy Datasets

임신은 여성의 심장과 신진대사에 엄격한 스트레스 테스트 역할을 하는 심오한 생리적 사건입니다. 이 9개월 동안 신체는 증가된 혈액량, 변화하는 호르몬 수치, 그리고 성장하는 태아의 대사 요구를 관리해야 합니다. 많은 경우 이 과정은 순조롭게 진행되지만, 다른 이들에게는 잠재된 취약성이 드러나기도 합니다. 고혈압, 불규칙한 혈당, 혈액 내 철분 수치 저하와 같은 질환이 나타나거나 악화될 수 있으며, 이는 산모와 아기 모두를 위협하는 복잡한 위험의 그물을 형성합니다. 이러한 합병증은 고립된 사건이 아닙니다. 이는 종종 서로 연결되어 있으며, 그 존재는 향후 어려운 출산, 조산 또는 산모의 장기적인 건강 문제 가능성을 시사할 수 있습니다. 이러한 위험을 조기에 식별하는 것은 의사들이 개입하고, 더 면밀히 모니터링하며, 심각한 결과를 예방하기 위해 맞춤형 치료를 제공할 수 있게 해줍니다.

수십 년 동안 의료 전문가들은 이러한 위험을 포착하기 위해 특정 임계값과 개별 지표에 의존해 왔습니다. 특정 수치 이상의 혈압 수치나 정상 범위를 벗어난 포도당 수치는 경고를 발생시킵니다. 그러나 인체는 항상 단순하고 선형적인 규칙을 따르지는 않습니다. 여성의 연령, 체중 증가, 과거 임신 이력, 그리고 현재의 활력 징후 사이의 상호작용은 단일 체크리스트로는 포착하기 어려운 패턴을 만들어냅니다. 이러한 복잡성으로 인해 연구자들은 컴퓨터가 전통적인 방법보다 이러한 미묘하고 비선형적인 패턴을 더 잘 학습할 수 있는지 탐구하기 시작했습니다. 고급 알고리즘에 방대한 양의 임상 데이터를 입력함으로써, 기계가 증상이 뚜렷해지기 전이라도 누가 가장 위험한지를 예측할 수 있기를 기대하는 것입니다.

최근 한 연구는 두 가지 다른 접근 방식, 즉 전통적인 머신러닝과 더 새로운 대화형 대규모 언어 모델을 사용하여 이 아이디어를 테스트했습니다. 연구진은 두 개의 공개된 산과 건강 기록 컬렉션에서 데이터를 수집하며 시작했습니다. 한 데이터셋은 임신부에 대한 일반적인 정보를 담고 있었고, 다른 하나는 임신중독증(혈압이 높아지는 심각한 질환)이라고 불리는 특정 상태에 초점을 맞추고 있었습니다. 이 두 가지 다른 소스를 함께 작동시키기 위해, 연구팀은 변수들을 공통된 언어로 번역해야 했습니다. 그들은 혈압, 헤모글로빈 수치, 임신 주수와 같은 측정값들을 정렬하여 한 데이터셋에서의 수치가 다른 데이터셋에서도 동일한 의미를 갖도록 했습니다. 또한 기존 의료 기록을 바탕으로 여성들을 저위험, 중위험, 고위험 범주로 그룹화하여 위험 라벨을 표준화했습니다.

연구의 첫 번째 단계는 첫 번째 데이터셋을 사용하여 일련의 컴퓨터 모델을 학습시키는 것이었습니다. 이 모델들은 여성의 임상 프로필을 보고 그녀의 위험 범주를 예측하는 과제를 부여받았습니다. 연구진은 어떤 알고리즘이 패턴을 가장 효과적으로 학습하는지 보기 위해 의사결정 나무(decision trees)와 서포트 벡터 머신(support vector machines)을 포함한 여러 가지 다른 유형의 알고리즘을 테스트했습니다. HistGradientBoosting으로 알려진 모델이 가장 강력한 성능을 보였습니다. 학습된 데이터에 대해 테스트했을 때, 이 모델은 사례의 거의 88%를 정확하게 식별했습니다. 이 모델은 고위험 환자를 나머지 환자들과 분리하는 데 있어 강력한 내부 판별력을 보여주었으며, 수신기 작동 특성 곡선 아래 면적(AUC)은 0.989, 정밀도-재현율 곡선 아래 면적(AUPRC)은 약 0.974를 기록했습니다. 또한 이 모델은 어떤 요인이 가장 중요한지를 식별해냈는데, 병원까지의 거리, 혈당 수치, 그리고 임신 중 체중 증가가 결정의 핵심 동인임을 강조했습니다.

그러나 어떤 의료 예측 도구의 진정한 시험대는 그것이 학습한 데이터에서 얼마나 잘 작동하느냐가 아니라, 새로운 미지의 데이터에서 얼마나 잘 작동하느냐에 달려 있습니다. 여기서 연구는 결정적인 전환점을 맞이했습니다. 연구진은 가장 성능이 좋았던 모델을 가져와서, 출처가 다르고 환자 구성도 다른 두 번째 데이터셋에 직접 적용했습니다. 그들은 모델을 재학습시키거나 설정을 조정하지 않았습니다. 단지 두 데이터셋이 공유하는 6개의 변수를 바탕으로 예측을 수행하도록 요청했을 뿐입니다. 결과는 극명하게 달랐습니다. 모델의 정확도는 크게 떨어져, 새로운 데이터에서는 약 39%의 사례만을 정확하게 분류했습니다. 더 우려스러운 점은, 이 새로운 그룹에서 실제로 고위험군이었던 여성을 단 한 명도 식별하지 못했다는 것입니다. 대신, 모델은 고위험 여성 26명 모두를 저위험 또는 중위험으로 분류했습니다. 이러한 실패는 모델이 학습한 패턴이 첫 번째 환자 집단에 특화되어 있으며, 두 집단 간의 평균 연령이나 혈액 검사 시점과 같은 근본적인 차이 때문에 두 번째 집단으로 전이되지 않았음을 시사합니다.

전통적인 모델이 이러한 일반화 능력 부족으로 어려움을 겪을 수 있다는 점을 인식한 연구진은 대규모 언어 모델(LLM)로 눈을 돌렸습니다. 이들은 에세이를 쓰고, 질문에 답하며, 대화를 나눌 수 있는 것과 같은 유형의 인공지능 시스템입니다. 연구팀은 구조화된 의료 기록을 평이한 영어 서사로 변환하여, 각 환자의 병력과 현재 상태를 몇 문장으로 기술했습니다. 그런 다음 DeepSeek와 Qwen이라는 두 가지 서로 다른 언어 모델에게 이 이야기들을 읽고 위험 수준을 예측하도록 요청했습니다. 연구진은 모델에게 새로운 문제를 풀기 전에 유사한 문제를 해결하는 예시를 주는 등의 다양한 프롬프트 기법을 시도했습니다. 특정 유형의 추론 프롬프트를 사용하는 가장 성능이 좋은 구성은 약 58%의 사례를 정확하게 식별해 냈습니다. 이는 새로운 데이터에 대한 전통적 모델의 성능보다는 나았지만, 여전히 완벽과는 거리가 멀었습니다. 모델은 명확한 편향을 보였는데, 작은 테스트 그룹 내의 고위험 사례 4건은 모두 성공적으로 식별했지만, 저위험 사례는 하나도 식별하지 못해 사실상 모든 사람이 최소한 어느 정도는 위험하다고 추측하는 모습을 보였습니다.

연구진은 또한 이러한 서로 다른 시스템들이 자신들의 결정에 대해 어떻게 설명하는지 살펴보았습니다. 그들은 전통적인 머신러닝 모델이 중요하게 고려한 요인들과 언어 모델들이 작성한 설명에서 사용한 키워드들을 비교했습니다. 두 시스템 모두 혈압, 혈당, 헤모글로빈 수치가 위험의 결정적인 지표라는 점에는 동의했습니다. 그러나 다른 요인들에 대해서는 의견이 갈렸습니다. 전통적인 모델은 환자가 병원에서 얼마나 떨어져 사는지와 체중이 얼마나 증가했는지에 상당한 가중치를 두었는데, 이는 이들이 데이터 내에서 강력한 통계적 신호였기 때문입니다. 반면, 언어 모델들은 이러한 물류적 혹은 물리적 요인을 거의 언급하지 않았습니다. 대신, 그들은 환자의 과거 병력과 이전 합병증에 더 중점을 두었으며, 이는 그들의 학습 과정에 내재된 임상적 지식을 활용한 것이었습니다. 이러한 차이는 데이터가 통계적으로 시사하는 바와 모델이 임상적으로 타당하다고 판단하는 것 사이의 간극을 보여줍니다.

본 연구는 이러한 도구들이 유망함을 보여주기는 하지만, 아직 임상 현장에서 사용할 준비는 되지 않았다고 결론짓습니다. 전통적인 머신러닝 모델은 자신이 구축된 환경 내에서는 잘 작동했지만, 새로운 인구 집단에 적응하지 못하는 의료 인공지능의 흔한 난관에 부딪혔습니다. 대규모 언어 모델은 사례 노트를 읽고 인간이 읽을 수 있는 설명을 생성하는 능력을 보여주었으나, 그 예측은 불안정하고 편향되기 쉬웠습니다. 연구진은 이 연구의 가치가 단 하나의 완벽한 예측기를 만드는 데 있는 것이 아니라, 모델을 한 데이터셋에서 다른 데이터셋으로 옮기는 작업의 어려움을 입증하는 데 있다고 강조합니다. 이 기술들이 실제 병원에서 유용해지려면 훨씬 더 크고 다양한 환자 집단을 대상으로 테스트되어야 하며, 단순히 기존의 라벨이 아닌 실제 건강 결과에 대해 검증되어야 한다고 제언합니다. 그때까지 이 시스템들은 정보를 정리하고 가능성을 제시할 수는 있지만, 아직 임상의의 판단을 대체할 수는 없는 실험적인 도구로 남아 있을 것입니다.