Construction of a Retinopathy of Prematurity Onset Prediction Model Using the Random Forest Machine Learning Algorithm

매년 수천 명의 조산아들이 시력에 대한 소리 없는 위협에 직면합니다. 미숙아 망막병증(retinopathy of prematality)으로 알려진 이 질환은 눈 뒤쪽의 혈관이 정상적으로 발달하지 못하는 장애입니다. 이 영아들은 눈이 완전히 형성되기 전에 태어나기 때문에, 결국 망막에 혈액을 공급하게 될 섬세한 혈관 네트워크가 성장을 멈추거나 무질서하고 해로운 방식으로 자랄 수 있습니다. 이를 방치하면 이러한 비정상적인 성장이 망막을 눈 뒷부분에서 잡아당겨 영구적인 실명으로 이어질 수 있습니다. 이를 예방할 수 있는 기회의 창은 매우 좁습니다. 의사들은 어떤 아기가 위험군인지 식별하고, 손상이 돌이킬 수 없게 되기 전에 치료해야 합니다. 그러나 모든 미숙아를 이 질환에 대해 검사하는 현재의 시스템은 큰 부담입니다. 이 영아들 대부분은 이 질환을 앓지 않겠지만, 그들은 의료 자원을 소모하고 가족들에게 불안감을 주는 반복적이고 종종 스트레스를 유발하는 안구 검사를 받아야 합니다. 의사들의 과제는 단 하나의 사례도 놓치지 않으면서, 실제로 개입이 필요한 소수의 아이와 그렇지 않은 다수를 구별해낼 방법을 찾는 것입니다.

이 퍼즐을 풀기 위해 중국 광시의 연구진은 컴퓨터 과학 분야의 강력한 도구인 랜덤 포레스트(Random Forest)라는 머신러닝 알고리즘에 주목했습니다. 이 방식은 단 하나의 규칙이나 단순한 체크리스트에 의존하는 대신, 여러 가지 서로 다른 정보를 결합하여 더 신뢰할만한 결론에 도달하는 전문가 집단의 토론 방식을 모방합니다. 양용(Yong Yang)과 황민리(Minli Huang)가 이끄는 팀은 미숙아가 미숙아 망막병증을 앓게 될지를 예측할 수 있는 모델을 구축하고 테스트하기 위해 노력했습니다. 그들은 2024년 1월부터 9월 사이에 현지 병원에서 스크리닝을 받은 150명의 아기들로부터 데이터를 수집했습니다. 이 그룹의 모든 영아는 조산되었거나, 저체중으로 태어났거나, 혹은 눈 건강에 위험을 줄 수 있는 다른 심각한 건강상의 합병증을 가지고 있었습니다. 연구진은 이 아이들의 전자 의료 기록을 면밀히 검토하며, 눈에 문제를 일으킬 수 있는 초기 삶의 패턴을 찾았습니다.

연구진은 임신 중 산모의 건강부터 출생 후 아기가 받은 특정 치료에 이르기까지 46개의 잠재적 경고 징후 목록을 작성했습니다. 그들은 이 정보를 다섯 가지 서로 다른 컴퓨터 모델에 입력하여 가장 중요한 단서들을 찾아내도록 했습니다. 목표는 모든 모델이 중요하다고 동의하는 요인들을 찾는 것이었습니다. 수치를 계산한 결과, 컴퓨터는 서로 다른 방법들 사이에서 일관되게 나타나는 9가지 핵심 예측 인자를 식별했습니다. 여기에는 아기의 재태 연령과 출생 체중, 산소 요법의 사용 및 투여된 특정 산소 농도, 그리고 빈혈, 호흡 곤려, 괴사성 장염(necrotizing enterocolitis)과 같은 질환의 존재가 포함되었습니다. 또한 목록에는 체외 수정(IVF)을 통해 임신했는지 여부와 입원 기간 중 항생제 사용 여부도 포함되었습니다. 이 9가지 특정 세부 사항에 집중함으로써, 연구진은 방대한 의료 데이터를 가장 강력한 신호로 압축했습니다.

이 9가지 요인을 바탕으로 팀은 예측 모델을 구축하고 이를 150명의 아기에 대한 실제 데이터와 대조하여 테스트했습니다. 결과는 유망했습니다. 모델은 질환이 없는 아기들을 식별하는 데 매우 효과적이었으며, 거의 모든 아기를 저위험군으로 정확하게 분류했습니다. 실제로, 미숙아 망목병증이 발생하지 않은 135명의 영아 중 단 한 명도 모델에 의해 놓치지 않았음을 이 연구는 확인했습니다. 또한 모델은 질환이 발생한 대부분의 사례에서도 발병을 성공적으로 예측했습니다. 건강한 눈과 질환이 진행 중인 눈을 구별하는 컴퓨터의 정확도는 강력했으며, 그 성능 점수는 이 모델이 신뢰할 수 있는 도구임을 나타냈습니다. 이 연구는 이 9가지 특정 의료 지표를 사용함으로써 모델이 높은 확신을 가지고 데이터를 분류할 수 있음을 보여주었으며, 이는 의사들이 어떤 아기에게 가장 긴급한 주의를 기울여야 하고 어떤 아기는 그렇게 빈번하고 집중적인 스크리닝이 필요하지 않을지를 결정하는 데 도움을 줄 수 있음을 시사합니다.

이 발견은 미숙아 출산의 복잡한 생물학적 측면을 바라보는 새로운 관점을 제공합니다. 이 연구는 가장 중요한 위험 요소들이 영아 신체의 미성숙함 및 생존을 위해 필요한 처치들과 연결되어 있음을 확인했습니다. 예를 들어, 폐를 위한 생명 유지 수단인 고농도 산소 투여는 역설적으로 발달 중인 혈관에 해로울 수 있습니다. 마찬가지로, 심한 감염이나 호흡 곤란과 같이 신체에 염증이나 스트레스를 유발하는 상태는 안구 문제의 발달과 밀접하게 연관되어 있는 것으로 보입니다. 모델은 단순히 추측한 것이 아니라 150명의 실제 환자 결과를 통해 학습했으며, 질환이 발생한 아기들이 그렇지 않은 아기들에 비해 일반적으로 더 작고, 더 일찍 태어났으며, 더 심각한 의료 이력을 가지고 있다는 점을 찾아냈습니다. 신체의 전반적인 생존 투쟁과 눈의 특정 건강 상태 사이의 이러한 연결 고리는 누가 가장 취약한지에 대한 더 명확한 그림을 제공합니다.

모델이 큰 가능성을 보여주었지만, 연구진은 이것이 완벽한 수정구슬은 아니라고 언급했습니다. 테스트 과정에서 이 시스템은 건강한 아기들에게서 질환이 없음을 배제하는 데 매우 뛰어났으며, 질환이 발생하지 않은 135명의 영아를 모두 정확하게 식별했습니다. 그러나 모델은 ROP 진단을 받은 영아 중 정확히 어떤 아이가 추가 스크리닝을 필요로 하지 않을지를 예측하는 데 있어서는 한계가 있었는데, 이는 질환이 발생한 더 작은 집단 내에서의 특정 발병을 감지하는 민감도가 더 낮았기 때문입니다. 이는 의학에서 매우 중요한 차이입니다. 즉, 몇몇 잠재적 사례를 놓치더라도 나중에 치료하는 것이, 건강한 많은 가족에게 잘못된 경보를 울리는 것보다 훨씬 안전하다는 것입니다. 이 연구는 이 도구가 의사들이 스크리닝 노력을 우선순위에 두는 데 도움을 주어, 가장 위험한 영아들을 먼저 살필 수 있도록 할 수 있음을 시사합니다. 이 모델은 의사의 세심한 검진을 대체하는 것이 아니라, 데이터에 기반하여 케어를 조직하고 불필요한 절차를 줄이는 방법을 제안합니다. 식별된 9가지 특정 요인에 집중함으로써, 의료팀은 미숙아 건강의 궤적을 더 잘 이해하고 시력을 보호하기 위한 더 정보에 입각한 결정을 내릴 수 있습니다.