Statistical learning and prediction of diseases associated with the occurrence of death in the emergency department: An observational study on administrative data from Saint Joseph Hospital in Kinshasa-DRC

당신이 북적이고 혼란스러운 기차역으로 걸어 들어가는 모습을 상상해 보십시오. 사람들은 사방에서 달려오고 있고, 어떤 이들은 발목을 삐었고, 어떤 이들은 가슴을 움켜쥐고 있으며, 또 어떤 이들은 완전히 길을 잃은 모습입니다. 역장은 누가 즉각적인 도움이 필요한지, 누가 기다릴 수 있는지 파악하는 동시에, 누가 역을 살아서 나가지 못할 수도 있을지를 예측해야 하는 임무를 맡고 있습니다. 이것이 바로 병원의 응급실(ED)에서 일어나는 일입니다. 이곳은 의료의 정문이며, 삶과 죽음이 종종 균형을 이루는 곳입니다.

오랫동안 의사들은 어떤 환자가 가장 위험한 상태인지 추측하기 위해 노력해 왔습니다. 그들은 체크리스트나 자신의 경험 같은 도구를 사용하는데, 이는 마치 기상 예보관이 폭풍을 예측하기 위해 구름을 관찰하는 것과 같습니다. 하지만 때때로 구름은 까다롭고, 예상치 못한 순간에 폭풍이 몰아치기도 합니다. 여기서 "통계적 학습(statistical learning)"이 등장합니다. 이것은 기상 예보관에게 초지능적인 컴퓨터 뇌를 주는 것과 같다고 생각하십시오. 이 컴퓨터 뇌는 단순히 몇 개의 구름을 보는 대신, 수천 번의 과거 폭풍을 살펴보고, 어떤 특정 기상 조건의 조합이 일반적으로 재앙으로 이어지는지를 파악합니다. 의학의 세계에서 이것은 컴퓨터에 과거 환자들에 대한 데이터(그들이 어떤 병을 앓았는지, 연령은 어떠했는지, 그리고 어떤 결과가 있었는지)를 입력하여, 컴퓨터가 인간이 놓칠 수 있는 죽음으로 이어지는 숨겨진 패턴을 찾아낼 수 있는지 확인하는 것을 의미합니다.

---

세인트 조셉 병원의 거대한 실험

콩고민주공화국의 킨샤사에 있는 세인트 조셉 병원(Saint Joseph Hospital)에서 한 연구팀은 이 "초지능적인 컴퓨터 뇌"가 자신들의 응급실을 살펴보게 하기로 결정했습니다. 그들은 알고 싶었습니다. 사람들이 가져오는 다양한 질병 중 어떤 것이 사망의 가장 큰 적신호(red flag)가 되는지를 말입니다.

그들은 단순히 추측하지 않았습니다. 그들은 시간을 거슬러 올라갔습니다. 그들은 2018년 1월 1일부터 2019년 12월 31일 사이에 응급실을 방문한 5,172명의 환자에 대한 종이 기록을 낱낱이 조사했습니다. 그것은 마치 5,000개 이상의 이야기가 담긴 거대한 사진첩을 들여다보는 것과 같았습니다. 그들은 환자의 연령, 성별, 동반 질환의 수, 그리고 가장 중요하게는 생존했는지 혹은 사망했는지를 기록했습니다. 이 집단에서는 약 7.5%의 사람들이 방문 후 생존하지 못했습니다.

컴퓨터에게 보는 법을 가르치기

연구진에게는 문제가 하나 있었습니다. 의사들이 질병을 묘사하는 방식이 천 가지가 넘게 달랐던 것입니다! 어떤 의사는 "심한 복통"이라고 적는 반면, 다른 의사는 "외과적 복부(surgical abdomen)"라고 적습니다. 이 혼란을 해결하기 위해 연구팀은 엉망이 된 책장을 정리하는 사서처럼 행동했습니다. 그들은 그 수천 개의 무질서한 묘사들을 "암", "말라리아", "쇼크", "뇌 손상"과 같은 19개의 깔끔한 카테고리로 그룹화했습니다.

그런 다음, 그들은 데이터를 두 덩어리로 나누었습니다. 70%의 이야기들은 컴퓨터가 공부할 수 있도록 주었고(훈련 세트), 나머지 30%는 숨겨두었습니다(테스트 세트). 그리고 컴퓨터에게 여섯 가지 서로 다른 학습 방식을 시도해 보라고 요청했는데, 이는 어떤 학습법이 가장 좋은 성적을 내는지 확인하기 위해 여섯 가지 다른 공부 방법을 시도하는 것과 같습니다.

결과: 경주에서 누가 승리했는가?

컴퓨터는 여섯 가지 다른 "학습 스타일"을 시도했습니다:

1. ElasticNet (다양한 단서들 사이의 균형을 맞추는 방법)
2. Logistic Regression (고전적인 수학적 방법)
3. Neural Networks (인간의 뇌를 모방함)
4. xGBoost (강력한 부스팅 방법)
5. Decision Trees (플로우차트처럼 예/아니오 선택을 내림)
6. Random Forest (수많은 결정 트리가 함께 작동함)

연구진이 숨겨둔 30%의 환자들을 대상으로 이 방법들을 테스트했을 때, 결과는 명확했습니다. 네 가지 모델은 꽤 괜찮은 성과를 냈지만, 두 가지 모델은 심하게 비틀거렸습니다. Decision Trees와 Random Forest 모델은 공부를 잊어버린 학생처럼 성적이 너무 좋지 않아 동전 던지기보다 나을 것이 없을 정도였습니다.

승자는 ElasticNet, Logistic Regression, Neural Networks, 그리고 xGBoost였습니다. 그중에서도 ElasticNet이 챔피언이었으며, 가장 높은 "정확도"(기술적으로는 AUC 0.736)를 기록했습니다. 이 점수는 이 모델이 생존할 환자와 그렇지 않은 환자를 구분하는 데 꽤 유능하다는 것을 시사하지만, 완벽하지는 않습니다.

상위 6가지 위험 징후

그렇다면 승리한 컴퓨터 뇌는 무엇을 배웠을까요? 그것은 해당 병원에서 사망과 가장 강력하게 연결된 여섯 가지 특정 질병 유형을 식별해 냈습니다. 만약 당신이 세인트 조셉 병원의 의사라면, 이 여섯 가지 상태는 당신이 "고도의 경계" 버튼을 눌러야 할 상황입니다:

1. 쇼크 상태(Shock states): 신체 시스템이 무너지는 상태 (마치 자동차 엔진이 과열되어 멈춰버리는 것과 같습니다).
2. 패혈증(Sepsis): 심각한 전신 감염.
3. 결핵 또는 폐 질환: 호흡 및 폐와 관련된 문제.
4. 혼수상태(Coma): 깊은 의식 불명 상태.
5. 뇌수막염(Meningoencephalitis): 뇌와 그 막의 염증.
6. 암(Cancer): 종양 및 관련 질환.

흥ari하게도, 컴퓨터는 그 지역에서 매우 흔한 말라리아가 일곱 번째로 중요한 예측 변수라는 것을 발견했습니다. 전통적인 수학적 방법들은 이를 그렇게 중요하게 생각하지 않았음에도 말입니다. 또한 컴퓨터는 "기타 외상"(교통사고나 낙상 등)이 유의미하다는 점도 포착했는데, 이는 아마도 병원이 공항으로 이어지는 번잡한 도로 바로 옆에 위치해 있기 때문일 것입니다.

이것이 의미하는 바 (그리고 의미하지 않는 것)

연구진은 이것이 모든 것을 해결하는 마법 지팡이가 아니라고 신중하게 밝히고 있습니다. 그들은 자신들의 연구에 한계가 있음을 인정합니다. 그들은 단 하나의 병원만을 조사했기에, 이 정확한 규칙들이 전 세계 모든 병원에 적용될 것이라고 100% 확신할 수는 없습니다. 또한, 과거의 종이 기록을 사용했기 때문에 일부 정보가 의사마다 조금씩 다르게 기록되었을 수 있으며, 이는 컴퓨터를 약간 혼란스럽게 했을 수도 있습니다. 컴퓨터는 또한 사망 사례가 드물게 발생하는 경우 예측하는 데 어려움을 겪었는데, 안전을 위해 종종 "생존"이라고 예측하곤 했습니다. 이는 사망이 드문 사건일 때 흔히 발생하는 문제입니다.

하지만 이 연구는 이러한 통계적 학습 도구를 사용하는 것이 의사와 병원 관리자들이 더 나은 결정을 내리는 데 도움이 될 수 있음을 시사합니다. 쇼크, 패혈증, 폐 문제가 주요 사망 원인임을 알게 됨으로써, 병원은 제한된 자원을 이러한 환자들을 더욱 면밀히 관찰하는 데 집중할 수 있습니다. 이것은 마치 폭풍이 오고 있을 때 정확히 어떤 문을 먼저 잠가야 할지 알려주는 스마트한 알람 시스템을 갖는 것과 같습니다. 저자들은 향후 더 많은 연구가 이 발견들을 확인하여, 자원이 부족한 곳의 의사들이 더 많은 생명을 구할 수 있도록 돕기를 희망하고 있습니다.