A Comparative Machine Learning Analysis of Neural Networks and XGBoost for Predicting Maternal Mortality in Maiduguri, Nigeria

세계 곳곳에서 임신의 여정은 위험으로 가득 차 있으며, 단 한 번의 합병증이 기대의 순간을 비극으로 바꿀 수 있습니다. 저자원 환경, 특히 분쟁의 영향을 받는 지역에서는 출산 중 사망 위험이 있는 사람을 예측하는 능력이 데이터의 부족과 인간 생물학의 순수한 복잡성으로 인해 제한되는 경우가 많습니다. 수십 년 동안 의사들은 산모의 연령, 이전 출산 기록, 의료 서비스 접근성 같은 요인들의 무게를 재기 위해 표준 통계 방법을 의존해 왔습니다. 이러한 방법들은 유용하지만, 이러한 요인들이 상호작용하는 복잡하고 비선형적인 방식을 포착하는 데는 종종 어려움을 겪습니다. 최근 몇 년 사이, 컴퓨터 과학 분야에서는 방대한 양의 정보 속에서 숨겨면 패턴을 찾아낼 수 있는 새로운 세대의 도구들이 등장했습니다. 이 중 가장 강력한 두 가지 도구는 인간 뇌가 아이디어를 연결하는 방식을 모방한 인공 신경망과, 일련의 작은 연속적 실수를 통해 학습하며 예측을 구축하는 그래디언트 부스팅 머신입니다. 공중 보건 전문가들이 직면한 질문은, 이러한 첨단 디지털 도구들이 실제로 가장 어려운 환경에서 생명을 구하는 데 도움이 될 수 있는지, 아니면 단순히 가용한 데이터에 비해 너무 복잡한 것인지 하는 점입니다.

치안 불안과 취약한 보건 시스템으로 인해 모성 간호가 매일의 사투가 되는 나이지리아의 분쟁 지역 도시 마이두구리에서, 두 명의 연구자가 이러한 디지털 도구들을 현지 의료 기록의 현실에 대조하여 테스트하기 위해 연구를 시작했습니다. 그들은 도시 내 선정된 병원에서 진료를 받은 158명의 여성으로부터 정보를 수집했습니다. 목표는 간단했습니다. 컴퓨터가 한 여성의 건강 기록을 보고 그녀가 출산 중에 생존할지 여부를 정확하게 예측할 수 있는지 확인하는 것이었습니다. 연구팀은 두 가지 다른 접근 방식을 비교했습니다. 한 가지 접근 방식은 디지털 단위들 사이의 연결을 조정하며 학습하는 프로그램의 일종인 인공 신경망을 사용했습니다. 이는 마치 학생이 반복적인 연습을 통해 주제에 대한 이해를 정교화하는 과정과 유사합니다. 다른 접근 방식은 XGBoost라고 불리는 방법으로, 이는 각 새로운 결정 나무가 이전 나무의 오류를 수정하며 점진적으로 가장 정확한 예측을 향해 다듬어가는 결정 나무의 숲을 구축함으로써 작동합니다.

연구진은 산모의 연령, 교육 수준, 소득, 임신 횟수, 그리고 심각한 출혈이나 고혈압과 같은 합병증 경험 여부와 같은 세부 정보를 포함한 데이터셋으로 시작했습니다. 그러나 컴퓨터가 학습할 데이터를 준비하는 과정에서, 결과 자체를 완전히 오도할 수 있는 결정적인 결함을 발견했습니다. 기록 중 "심각한 이환(Severe Morbidity)"이라고 표시된 한 변수가 결과 자체를 완벽하게 투영하고 있다는 사실이 밝혀졌습니다. 여성이 사망한 모든 사례에서 이 변수는 '심각함'으로 표시되었고, 생존한 모든 사례에서는 '심각하지 않음'으로 표시되었습니다. 만약 컴퓨터가 이 정보를 사용할 수 있었다면, 그것은 미래를 예측하는 것이 아니라 단순히 정답지를 읽고 있었던 셈이 되었을 것입니다. 연구진은 이 변수를 완전히 제거하기로 하는 어렵지만 필수적인 결정을 내렸습니다. 또한 연구에 참여한 모든 사람에게 동일하게 나타나 생존자와 사망자를 구별하는 데 아무런 유용한 정보를 제공하지 못하는 또 다른 데이터 조각도 제거했습니다.

데이터가 정제되고 오해의 소지가 있는 정보가 제거된 후, 팀은 엄격한 테스트 방법을 사용하여 모델을 실행했습니다. 데이터를 훈련 세트와 테스트 세트로 단 한 번 나누는 대신, 그들은 158개의 기록을 서로 다른 그룹으로 반복해서 섞어 일부로는 모델을 훈련시키고 다른 일부로는 테스트하는 과정을 100번 반복하여 결과가 운이 좋았던 것이 아니라 안정적임을 확인했습니다. 결과는 놀라웠습니다. 인공 신경망과 XGBoost 모델 모두 뛰어난 정확도로 수행되었으며, 대다수의 사례를 정확하게 분류했습니다. 신경 network는 거의 모든 사례에서 정답을 맞히며 전반적으로 약간 더 정확했고, XGBoost 모델 역시 몇 가지 사례를 놓치긴 했으나 매우 효과적이었습니다. 이 두 가지 첨단 도구는 정밀도는 다소 떨어지더라도 여전히 유효했던 전통적인 통계 방법보다 성능이 훨씬 뛰어났습니다.

원시 점수보다 아마 더 중요한 것은 컴퓨터가 연구진에게 사망 원인에 대해 무엇을 알려주었느냐 하는 점이었습니다. 오해의 소지가 있는 변수가 제거되자, 모델들은 모성 사망을 유발하는 새로운 요인 세트를 식별해 냈습니다. 가장 강력한 예측 인자는 임신 중 발작을 동반하는 위험한 상태인 자간증(eclampsia)이었습니다. 그 뒤를 이어 분만 방식, 이전 출산 횟수, 총 임신 횟수, 그리고 산모의 가구 소득이 뒤를 이었습니다. 이러한 발견은 의료 전문가들이 이미 알고 있는 임신의 위험 요소들과 완벽하게 일치했으며, 이는 연구진의 모델이 단순히 데이터의 특이점을 암기하는 것이 아니라 실제 의학적 진실을 학습하고 있다는 확신을 주었습니다. 모델들은 이러한 요인들이 함께 작용하는 복잡한 방식을 성공적으로 포착해 냈으며, 여성의 위험이 단 하나의 요인이 아니라 그녀의 의료 기록, 분만 상황, 그리고 사회적 상황의 조합이라는 것을 보여주었습니다.

이러한 인상적인 결과에도 불구하고, 연구진은 문제가 해결되었다고 선언하는 것을 경계했습니다. 그들은 데이터셋이 158개의 기록만을 포함하고 있어 상당히 작다는 점을 언급했으며, 높은 정확도가 부분적으로는 컴퓨터가 이 작은 집단의 특정 패턴을 너무 잘 학습했기 때문일 수 있다고 지적했습니다. 만약 모델이 다른 병원이나 다른 도시의 완전히 다른 여성 집단을 대상으로 테스트된다면, 그 성능이 떨어질 수도 있습니다. 이 연구는 이러한 디지털 도구들이 지역 데이터에서 의미 있는 패턴을 찾아낼 수 있음을 보여주는 강력한 개념 증명 역할을 하지만, 아직 모든 클리닉에서 즉시 사용할 수 있는 최종적인 해결책은 아닙니다. 연구진은 이 도구들이 병원에서 생사를 가르는 결정을 내리는 데 신뢰받기 위해서는 훨씬 더 큰 규모의 집단을 대상으로 테스트되어야 하고 다양한 환경에서 검증되어야 한다고 강조했습니다.

본 연구는 인공지능이 자원이 제한되고 분쟁의 영향을 받는 지역의 의사들이 고위험 임신을 조기에 식별하는 데 도움을 줄 수 있는 큰 가능성을 지니고 있지만, 주의와 겸손을 가지고 사용되어야 한다고 결론짓습니다. 기술은 강력하지만, 그것은 입력되는 데이터와 데이터가 정직하고 완전하도록 기울이는 노력만큼만 가치가 있습니다. 마이두구리의 여성들에게 앞으로의 길은 단순히 새로운 기술을 채택하는 것뿐만 아니라, 의료 기록을 관리하는 방식을 개선하고 기록되는 정보가 진정으로 결과와 독립적임을 보장하는 것을 포함합니다. 더 나은 데이터와 추가적인 테스트가 뒷받왕된다면, 신경망과 그래디언트 부스팅 같은 도구들은 의료 종사자들의 핵심적인 파트너가 되어, 가장 필요한 어머니들에게 희소한 자원을 배분함으로써 세계에서 가장 도전적인 환경 중 일부에서 생명을 구하는 데 기여할 수 있을 것입니다.