양날의 검 ‘항생제’ 데이터 기반 가능성 제기
기계학습 모델 접목→항생제 내성 문제 최소화
현재 의료계에서 ‘항생제 치료’는 재감염 및 내성 문제로 인해 양날의 검과 같은 것으로 평가되고 있다.
이러한 상황에서 항생제 치료에 데이터 기반의 기계학습 모델을 접목함으로써 항생제 내성 문제를 최소화할 수 있다는 가능성이 제기됐다.
생명공학정책연구센터는 최근 '항생제 처방을 위한 AI 활용 연구' 보고서를 발간했다.
보고서에 따르면 통상적으로 환자가 세균에 감염된 것으로 진단되면 임상의는 실험실에서 항생제 감수성 검사(antibiotic susceptibility tests)를 수행하고, 그 결과를 바탕으로 적절한 항생제를 처방하지만 재발율이 높은 것으로 나타났다.
예를 들어 요로 감염이 있는 여성의 25% 정도는 6개월 이내에 또 다른 감염이 발생한다는 것이다.
이에 보고서는 “항생제 치료가 양날의 검과 같아 재감염은 원래 감염 세균의 변이에 의해 유발되기 때문에 감수성 일치(susceptibility-matched) 항생제를 처방하면 전반적으로 재감염 비율이 감소했다”고 설명했다.
그러나 원래 감염 세균과 다른 균주에 의해 유발되는 내성 감염이 발생할 가능성도 높아진다는 것이다.
이에 연구진은 감수성 일치에 따른 항생제 치료제의 미생물 군에 숨어 있는 내성 균주의 활동을 유도할 수 있다는 것을 발견했다.
보고서는 “세균의 게놈 시퀀싱을 수행해 원래 감염 균주와 재감염 균주를 비교 분석했다”면서 “세균의 게놈 시퀀싱 데이터를 임상 기록과 통합하면 임상적 개입과 치료에 대한 통찰력과 잠재력이 향상될 것”이라고 분석했다.
이후 연구팀은 항생제 처방에 관한 ‘기계학습 모델’을 통해 환자의 개인 기록 등을 통합하는 데이터 기반 접근 방식으로 재감염과 항생제 내성 위험을 동시에 최소화할 수 있을 것으로 예상했다.
즉, 광범위한 감염 및 치료 이력 데이터 세트를 기반으로 환자별 맞춤 처방을 위한 기계학습 알고리즘을 개발하게 된다.
알고리즘은 각 항생제 후보에 대한 조기 재감염 위험을 평가한 다음 조기 재감염 가능성이 가장 적고 처방된 항생제에 내성이 작은 항생제를 예측했다.
보고서는 “수천 개의 훈련 샘플을 기반으로 구축된 통계 모델을 사용해 가용한 모든 환자 정보를 체계적으로 검토함으로써 알고리즘은 미묘한 패턴을 식별해 의사의 결정을 지원할 수 있게 됐다”면서 “부작용 등 항생제에 대한 위험 평가 및 연령 또는 내성 이력과 같은 각 환자 위험 요인에 대한 정량화된 프로파일도 검색이 가능하다”고 설명했다.
다만 훈련 데이터 세트가 얼마나 크고 다양해야 하는지, 훈련된 추천 시스템이 누락된 데이터나 오류에 대해 얼마나 강력한지 테스트가 필요하다.
또한 보고서는 “아직 알고리즘은 항생제를 처방할 준비가 되어 있지 않지만, 의료 및 건강관리를 위한 데이터 기반의 접근방법은 거스를 수 없는 물결”이라고 강조했다.
보고서는 “의료 및 건강관리를 위한 데이터 기반의 수요와 접근방법은 광범위한 공중보건 문제를 해결할 뿐만 아니라 새로운 데이터 수입의 표준과 평가지표, 교육 패러다임 도입에 기회를 제공하고 있다”면서 “이를 위해 근본적인 통찰력을 제공하는 게놈 서열 분석을 기반으로 임상정보와 의료기록의 통합을 통한 대규모 데이터 세트 등 학제 간 융합 연구가 매우 중요하다”고 덧붙였다.
메디팜스투데이 (pharmstoday.com) 이소영 기자 입력 2022.03.15 12:00