Self-Supervised Representation Learning from Ventilator Waveforms: A Pilot Feasibility Study

전 세계 병원의 중환자실에서는 스스로 숨을 쉴 수 없는 환자들을 지키기 위해 종종 한 대의 기계가 서 있습니다. 이 기계인 기계적 인공호흡기는 공기를 폐로 밀어 넣고 다시 끌어당기는 리듬감 있는 순환을 통해 생명을 유지합니다. 수십 년 동안 의사들은 공기의 압력과 흐름의 속도를 나타내는 연속적인 선을 그리는 기계의 화면을 관찰해 왔습니다. 파형이라고 알려진 이 선들은 풍부한 정보의 원천입니다. 이 선들은 폐가 어떻게 작동하고 있는지, 환자가 얼마나 열심히 숨을 쉬려고 노력하는지, 그리고 기계가 사람과 조화를 이루며 움직이고 있는지에 대한 이야기를 들려줍니다. 그러나 임상의들이 이 선들을 지도처럼 읽도록 훈련받았음에도 불구하고, 이들이 생성하는 방대한 양의 데이터는 컴퓨터에 의해 거의 활용되지 못한 채 남아 있었습니다. 문제는 인간이 모든 호흡 하나하나에 라벨을 붙이지 않고도 이 구불구불한 선들의 미묘한 언어를 이해할 수 있도록 기계를 가르치는 것이었습니다.

듀크 대학교의 연구팀은 이 문제를 해결하는 데 있어 중요한 진전을 이루었습니다. 그들은 라벨이 붙지 않은 가공되지 않은 인공호흡기 파형 데이터로부터 학습하도록 설계된 새로운 컴퓨터 시스템을 개발했습니다. 컴퓨터에 인간이 이미 "이것은 건강한 호흡이다" 또는 "이것은 고군분투하는 호흡이다"라고 말해준 수천 개의 사례를 입력하는 대신, 그들은 시스템이 스스로 수십만 번의 호흡을 공부하게 했습니다. 목표는 컴퓨터가 호흡을 지배하는 숨겨진 패턴과 규칙을 발견하여 호흡 상태에 대한 압축된 디지털 요약본을 만들 수 있는지 확인하는 것이었습니다. 자기지도 학습(self-supervised learning)이라고 불리는 이 접근 방식은 마치 아이가 얼굴의 정의를 듣기보다 많은 다양한 얼굴을 봄으로써 얼굴을 인식하는 법을 배우는 것처럼, 기계가 데이터에 대한 자신만의 이해를 구축할 수 있게 해줍니다. 연구진은 이 스스로 학습한 시스템이 미래의 의료 과업에 유용할 만큼 호흡의 필수적인 물리학을 잘 포착할 수 있는지 알고 싶었습니다.

이 아이디어를 테스트하기 위해 연구팀은 VentWaveT라는 이름의 프레임워크를 구축했습니다. 그들은 115명의 중증 환자로부터 얻은 데이터로 이를 훈련시켰으며, 거의 200시간의 환기 과정을 아우르는 255,000회 이상의 호흡을 입력했습니다. 시스템은 개별 호흡을 독립적으로 보지 않았습니다. 대신 공기 흐름의 연속적인 15초 스냅샷을 조사했습니다. 이 스냅샷들은 때때로 지저밀었으며, 호흡의 일부, 전체 호흡, 또는 여러 번의 호흡이 섞여 있는 형태를 띠기도 했습니다. 컴퓨터의 임무는 이러한 세그먼트를 살펴보고 누락된 신호의 부분이 어떤 모습일지 예측하는 것이었습니다. 데이터를 통해 빈 공간을 반복적으로 채우려는 시도를 함으로써, 시스템은 각 호흡 순간에 대한 압축된 디지털 지문(fingerprint)을 만드는 법을 배웠습니다. 이 지문, 즉 임베딩(embedding)은 노이즈는 버리면서 중요한 생리학적 정보만을 보유하도록 설계되었습니다.

시스템이 학습을 마친 후, 연구진은 이것이 실제로 자신이 보고 있는 것을 이해하고 있는지 확인하기 위해 테스트를 진행했습니다. 그들은 컴퓨터가 생성한 디지털 지문만을 사용하여 세 가지 특정 과업을 수행하도록 요청했습니다. 첫째, 인공호흡기가 어떤 모드로 설정되어 있는지 식별하게 했습니다. 인공호흡기는 정해진 부피로 공기를 강제로 주입하거나 환자가 자신의 노력으로 호흡을 유발하도록 하는 등 다양한 방식으로 작동할 수 있습니다. 시스템은 대부분의 경우 올바른 모드를 성공적으로 식별하여 약 80%에 달하는 균형 잡힌 정확도를 달감했습니다. 이 결과는 컴퓨터가 각 설정과 관련된 고유한 모양과 리듬을 구별하는 법을 배웠음을 시사했습니다.

다음으로, 연구진은 시스템에 환자의 호흡을 설명하는 구체적인 수치를 예측하도록 도전 과제를 주었습니다. 그들은 환자가 분당 몇 번의 호흡을 하는지를 나타내는 호흡수와, 호흡 끝에 폐를 열린 상태로 유지하는 설정인 호в 호기말 양압(PEEP)을 추정하도록 했습니다. 컴퓨터의 추정치는 의료 데이터에 기록된 실제 값과 매우 근접했습니다. 호흡수의 경우 평균 오차는 분당 2.5회 미만이었고, 압력 설정의 경우 오차는 1단위 미만이었습니다. 이러한 결과는 디지털 지문이 단순히 모호한 패턴뿐만 아니라 환자의 생리학에 대한 정밀하고 정량적인 정보를 포함하고 있음을 나타냈습니다.

마지막으로, 연구팀은 시스템이 역방동을 할 수 있는지 테스트했습니다. 즉, 디지털 지문을 가지고 원래의 파형을 재구성할 수 있는지 확인한 것입니다. 그들은 압축된 데이터를 디코더에 다시 입력하여 압력과 흐름선을 재구성할 수 있는지 살펴보았습니다. 결과는 원래의 선과 재구성된 선 사이에 강력한 일치성을 보였습니다. 두 선 사이의 상관관계가 높았다는 것은 컴퓨터가 호흡 주기의 필수적인 형태와 세부 사항을 보존했음을 의미합니다. 신호를 재구성하는 이 능력은 시스템이 단순히 데이터를 암기한 것이 아니라, 인공호흡기와 환자가 상호작용하는 근본적인 메커니즘을 포착했음을 입증했습니다.

연구진은 또한 자신들의 특화된 시스템을 다양한 유형의 시계열 데이터를 위한 범용 컴퓨터 모델들과 비교했습니다. 그들은 자신들의 인공호흡기 전용 모델이 훨씬 더 작고 구체적인 데이터셋으로 훈련되었음에도 불구하고, 이러한 광범위하고 강력한 도구들만큼이나 잘 작동한다는 것을 발견했습니다. 이는 인간의 호흡 패턴이 매우 구조적이며, 이 특정 작업에 맞춤화된 모델은 인공지능에 통상적으로 요구되는 방대한 양의 데이터 없이도 효율적으로 학습할 수 있음을 시사합니다. 또한 연구는 컴퓨터가 학습한 정보가 단순한 수학적 도구로도 쉽게 읽을 수 있는 방식으로 조직되어 있다는 것을 보여주었는데, 이는 복잡한 딥러닝 계층이 답을 추출하는 데 항상 필수적인 것은 아니라는 점을 의미합니다.

이 연구는 인공호열의 개입 없이도 기계가 인공호흡기 파형을 이해할 수 있는 귀중한 데이터 원천으로 활용할 수 있음을 보여주는 개념 증명 역할을 합니다. 연구진은 이것이 최종적인 해결책이라기보다는 초기 타당성 검토 단계인 파일럿 연구임을 강조합니다. 시스템은 단일 병원의 데이터와 제한된 수의 환자를 대상으로 훈련되었으며, 예측된 특정 의료 변수들은 기술을 테스트하기 위해 선택된 것이지 환자를 진단하기 위한 것이 아닙니다. 그러나 이 결과는 미래의 응용 가능성을 향한 문을 열어줍니다. 만약 컴퓨터가 이 파형을 매우 효과적으로 읽을 수 있다면, 궁극적으로 의사가 환자를 더 면밀히 모니터링하거나, 인간이 놓칠 수 있는 미묘한 이상 징ăng을 감지하거나, 심지어 치료 변화에 환자가 어떻게 반응할지 시뮬레이션하는 데 도움을 줄 수 있을 것입니다. 이 연구는 인공지능 시스템에 의해 분석될 준비가 된, 환자의 호흡 상태에 대한 살아있는 기록으로서 인공호흡기의 연속적인 데이터 스트림을 바라보는 새로운 방식의 토대를 마련했습니다.