서울대병원, 수술 합병증 3개 동시 예측하는 AI 개발

8만여명 데이터 학습...16개 변수만으로 급성신손상·호흡부전·사망 동시 예측 평균 예측 정확도(AUROC) 0.82~0.91로 우수한 성능 보여 긴 수술시간 및 낮은 혈중 알부민 농도, 합병증 예측의 공통 핵심 변수

실제 전문의의 진단처럼, 복합적으로 수술 후 합병증을 예측하는 인공지능이 개발됐다. 서울대병원 연구진이 개발한 이 모델은 단 16개의 수술 전 임상정보만으로 급성신손상, 호흡 부전, 입원 중 사망을 동시에 예측하도록 설계됐다. 검증 결과, 단일 예측 모델보다 정확도가 우수하고 외부 검증에서도 일관된 성능을 보여, 다양한 의료 환경에서의 범용성을 갖춘 의료 AI 모델이 될 것으로 보인다.

서울대병원 마취통증의학과 윤현규·융합의학과 이현훈 교수팀은 수술 환자 8만여명의 데이터를 바탕으로, 3가지 수술 합병증을 동시 예측하는 다중 작업 머신러닝 모델을 개발하고, 성능을 검증한 결과를 10일 발표했다.

수술 환자의 40%는 급성신손상, 호흡부전, 입원 중 사망 등 합병증을 경험하며, 이는 입원 기간과 의료비 부담을 증가시켜 환자와 가족의 삶의 질을 낮춘다. 최근 합병증 고위험군을 예측하는 AI 모델이 개발되고 있으나, 대부분 한 종류의 합병증만을 예측하도록 설계되어 유용성이 떨어지는 문제가 있었다.

이에 연구팀은 수술 전 전자의무기록(EHR)을 바탕으로 세 가지 합병증과 연관성 높은 16개의 변수를 선별한 뒤, 이를 기반으로 급성신손상, 호흡 부전, 입원 중 사망을 예측하는 ‘다중 예측 머신러닝 모델(MT-GBM)’을 개발했다. 기존 연구들이 수십~수천 개의 광범위한 변수를 사용했던 반면, 이 모델은 수술 전 평가 시 기본으로 측정되는 항목 중 최소한만을 변수로 선택했다.

내·외부 코호트(서울대병원, 노원을지대의료원, 고대구로병원)에서 검증한 결과, 평균 예측 정확도(AUROC)는 급성신손상 0.82, 호흡부전 0.91, 입원 중 사망 0.89로 우수했다. 또한, 모든 코호트에서 예측 정확도가 일관된 수준으로 나타나, 여러 의료 환경에서의 범용성을 보여줬다.

이 모델의 예측 정확도는 수술 전 위험 평가에 널리 사용되고 있는 ASA 신체상태 분류 기준보다 모든 합병증에서 더 높았고, 같은 방법으로 설계한 단일 예측 모델보다도 일관되게 우수한 예측 성능을 보였다. 이는 다중 모델이 전문의의 실제 사고 과정처럼 여러 위험 요소를 종합적으로 판단하는 방식으로 작동하기 때문이라고 연구팀은 설명했다.

나아가 연구팀은 어떤 변수가 얼마나 중요한 영향을 미치는지 확인하기 위해, 샤플리 가산 설명법(SHAP)을 적용했다. 그 결과, ‘긴 마취 시간’과 ‘낮은 혈중 알부민 농도’가 3가지 합병증에 공통된 핵심 변수로 나타났다. 마취 시간이 길수록 수술이 복잡하고 환자의 신체적 부담이 커지며, 알부민 수치가 낮을수록 영양 상태가 좋지 않고 회복 능력이 떨어질 수 있다.

연구팀은 MT-GBM 모델을 통해 수술 전 환자의 합병증 위험을 정밀하게 예측하고, 환자의 의사결정 지원, 고위험군 선별, 중환자실 자원 배분 효율화 등에 도움을 줄 수 있다고 설명했다.

윤현규 교수는 “이번 연구는 수술 전 진료 단계에서 바로 활용할 수 있는 최소 정보 기반의 예측 모델을 개발했다는 점에서 의미가 크다”며 “특히  결과 도출 과정을 해석하기 어려운 딥러닝 모델 특유의 문제를 개선해, 예측 결과의 신뢰도를 높인다는 것이 가장 큰 장점”이라고 말했다.

이현훈 교수는 “다기관에서 동일한 모델이 일관된 성능을 보였다는 것은 인공지능이 실제 의료현장에서 활용될 수 있음을 보여주는 중요한 사례”라며, “향후 이 모델을 전자의무기록 시스템과 연동해 수술 전 환자 맞춤형 위험예측 도구로 발전시킬 계획이다”라고 말했다.

이번 연구 결과는 국제학술지 ‘npj Digital Medicine(IF;15.1)’에 게재됐다.