국내 연구팀이 인공지능(AI)을 기반으로 소아 응급환자를 조기 예측하는 모델을 개발, 그 성능을 입증했다.

배우리 가톨릭대학교 서울성모병원 소아전문응급의료센터 교수 연구팀은 고려대학교 인공지능학과 이창희 교수, 서울아산병원 최아름 연구원, 의료인공지능 기업 뷰노 김초희 연구원이 공동으로 이 같은 성과를 거뒀다고 29일 밝혔다.

의료진 임상 기록 분석하는 ‘자연어 처리’ 기술 적용연구팀은 사람이 일상적으로 사용하는 언어를 컴퓨터가 분석해 의미를 파악하는 ‘자연어 처리(NLP)’ 기술을 이번 모델에 도입했다. 

기존 응급환자 분류 체계가 주로 활력징후나 검사 결과 등 정형화된 데이터를 중심으로 이뤄졌던 것과 달리, 이번 모델은 의료진이 전자의무기록(EMR)에 직접 작성한 환자 증상과 진료 내용을 분석한다는 점이 특징이다. 

이는 검사 결과가 도출되기 전(前) 의료진이 초기 진찰 시 기록한 임상 정보에 환자 상태를 판단할 수 있는 핵심 지표가 담겨 있다는 점에 주목한 결과다.  

이러한 접근 방식은 소아 응급환자 상태와 치료 우선순위를 보다 신속하게 결정토록 지원, 응급실 운영 효율성과 효과성을 획기적으로 높일 수 있을 것으로 평가받고 있다.  

8만7000명 데이터 학습…기존 분류 체계보다 정확도↑

연구팀은 2012년부터 2021년까지 국내 한 상급종합병원 소아 응급실을 찾은 18세 미만 환자 8만7759명의 전자의무기록 데이터를 활용해 모델을 정교화했다. 

연구팀은 실제 시행된 치료 행위(혈액·소변 검사, 수액·흡입 치료, 약물 투여, 입원 등)를 기준으로 응급과 비응급 환아를 정의함으로써 분류 정확성을 높였다.  

특히 이번 모델은 의학지식을 학습한 한국어 의료 자연어 처리모델(KM-BERT)에 ‘마스크 언어 모델(MLM)’ 사전 학습 기법을 적용해 개발되었다.

마스크 언어 모델은 텍스트 일부를 가리고 이를 예측하게 함으로써 문맥 이해도를 높이는 인공 신경망 훈련 방법이다. 

분석 결과, 개발된 AI 모델은 진단 정확도(AUROC) 84%, 정밀도(AUPRC) 88%를 기록하며 기존 머신러닝 모델보다 뛰어난 성능을 보였다. 

또 현재 병원에서 널리 쓰이는 한국형 응급환자 분류도구(KTAS)와 비교했을 때도 더 높은 예측 정확도를 나타냈다.  

소아환자 특성 반영 시스템…환자 안전 향상 기대

전 세계적으로 응급실 과밀화가 심각한 의료 문제로 부상하는 가운데 특히 소아 환자는 성인보다 응급실 방문 빈도가 높고 재방문 비율도 높은 특성을 보인다. 

영유아의 경우 감염 질환에 취약할 뿐만 아니라 자신의 증상을 정확히 표현하기 어려워 초기 진단의 난도가 높다는 점도 응급실 운영의 어려움을 가중해 왔다.  

배우리 교수는 “이번 인공지능 모델은 의료진이 기록한 주요 증상을 분석해 응급환자를 판단하는 과정에서 실제 응급의학전문의 판단과 유사한 기준을 반영하고 있다”고 설명했다. 

이어 “향후 응급실 현장에서 이 기술이 활용된다면 의료자원의 효율적인 배분은 물론 소아 응급환자 안전 향상에 크게 기여할 수 있을 것”이라고 덧붙였다.  

한편, 이번 연구결과는 국제학술지 ‘Scientific Reports’ 최근호에 게재됐다.