중환자 심정지 발생 예측, AI 기반 혁신 모델 개발
국내 연구진이 중환자실(ICU) 환자의 심정지를 실시간으로 예측할 수 있는 인공지능(AI) 기반의 혁신적인 머신러닝 모델을 개발해 세계적으로 주목 받고 있다.
한국보건산업진흥원(원장 차순도)은 “서울대학교병원 마취통증의학과 연구팀이 심전도(ECG) 데이터에서 추출한 심박변이도(HRV)*를 이용하여 24시간 내 심정지 발생 위험을 정확히 예측하는 우수한 성능의 인공지능 모델 개발에 성공했다”고 밝혔다.
* 심박변이도(Heart rate variability, HRV): 연속되는 심작 박동 사이의 시간 간격이 얼마나 변화하는지를 측정하는 지표로, 심장의 건강 상태와 자율신경계의 활동 등을 반영함
중환자실에서 급성 심정지는 전세계적으로 약 0.5-7.8% 정도 발생하는 질환으로, 이 질환의 조기 예측 및 신속한 대응은 환자의 생존율을 높이고 합병증을 줄이는데 결정적인 역할을 한다.
중환자실 내 심정지 조기 예측을 위해서는 지속적인 환자 모니터링에 실제 사용되는 생체신호를 이용하는 것이 매우 중요하다. 특히 심전도는 중환자실에서 가장 흔히 사용되는 생체신호로, 이를 이용한 인공지능 알고리즘은 국내외 여러 중환자실 환경에서의 범용성과 활용성이 높다.
본 연구팀은 서울대학교병원 중환자실 입실 환자 5,679명의 심전도에서 추출된 심박변이도를 이용해 실시간 심정지 예측을 위한 머신러닝 모델을 개발하였다.
5분 길이의 단일 채널 심전도 만으로 추출된 33가지 심박변이도 지표를 이용하여 머신러닝 모델을 개발하였으며, 이는 24시간내 심정지 발생을 예측하는데 우수한 성능을 보였다.
본 모델에서 인공지능 예측 성능를 평가하는 AUROC 값은 0.881 이었다. AUROC는 실제 양성(예: 심정지 발생)을 양성으로 정확하게 예측하는 능력(민감도)과 실제 음성(예: 심정지 미발생)을 음성으로 정확하게 예측하는 능력(특이도)을 모두 반영하는 지표로, 1에 가까울수록 성능이 우수하다고 본다.
반면 활력징후에 기반한 기존 심정지 예측 모델의 AUROC 값은 0.735로, 연구팀이 개발한 머신러닝 모델은 기존 모델보다 더 좋은 성능을 가진 것으로 나타났다.
서울대학교병원 이현훈 교수는 “본 연구에서 개발한 모델은 추가적인 임상정보 없이 단일 채널 심전도만을 이용한 새로운 알고리즘을 개발했다는 점에서 기술적 돌파구를 마련했다.”면서 “앞으로 중환자실 임상 현장에서 인공지능을 이용한 임상의사결정지원시스템(CDSS)에 쉽게 적용할 수 있을 것”이라고 밝혔다.
서울대학교병원 이형철 교수는 “개발된 인공지능 모델은 앞으로 실제 중환자실 내 심정지 발생 위험 예측 알람 개발에 활용될 것”이라면서 “심정지 위험이 높은 환자를 조기에 스크리닝 함으로써 이로 인한 합병증 발생을 줄이고 의료비 절감도 가능할 것으로 기대한다.”고 밝혔다.
이번 연구는 보건복지부 중환자 특화 빅데이터 구축 및 AI 기반 CDSS 개발 사업(HI21C1074)의 지원으로 수행되었으며, 세계적 과학 학술지인 ‘네이처 디지털 메디슨(npj Digital Medicine)’ 저널에 11월 23일자로 게재됐다.
- 저널명: npj Digital Medicine (IF 15.2, JCR 상위 0.9%)
- 저자정보: (제1저자) 서울대학교병원 마취통증의학과 이현훈 교수 (교신저자) 서울대학교병원 마취통증의학과 이형철 교수
1. 연구의 필요성
○ 중환자실(ICU)에서 심정지는 환자의 예후에 중대한 영향을 미치며, 이를 조기에 예측하고 대응하는 것은 의료진에게 매우 중요한 과제입니다. 현재 중환자실에서는 다양한 환자 상태를 모니터링하고 있지만, 심정지 발생을 예측하는 효과적인 방법은 제한적입니다. 심정지는 갑작스럽게 발생할 수 있으며, 발생 시 신속한 응급처치가 필요하기 때문에, 조기 예측이 환자의 생존율을 높이는 데 핵심적인 역할을 합니다. 기존의 예측 모델들은 다양한 임상 데이터에 의존하는 경향이 있으며, 이는 실시간 예측에 제약을 가합니다. 따라서, 보다 정확하고 신속한 예측 모델 개발은 중환자실 환자 관리의 질을 향상시키는 데 필수적입니다.
2. 연구내용
○ 본 연구에서 개발된 머신러닝 모델은 중환자실 환자들의 심전도(ECG) 데이터를 활용하여 심박변이도(HRV) 지표를 기반으로 심정지를 실시간으로 예측합니다. 이 모델은 심전도 신호에서 추출된 33가지 HRV 지표를 분석하여, 24시간내 심정지 발생을 실시간 예측할 수 있습니다. 특히, 이 연구는 총 5,679명의 중환자 데이터를 사용하여, 대규모 환자 샘플을 기반으로 모델의 타당성을 검증했습니다.
○ 모델의 성능 평가 결과, 수신자 조작 특성 곡선(AUROC)은 0.881(95% 신뢰구간: 0.875-0.887)로 나타나, 높은 예측 정확도를 보였습니다. 이는 기존 활력징후 기반 모델의 AUROC 0.735(95% 신뢰구간: 0.720-0.749)와 비교할 때, 상당한 개선을 보여줍니다. 또한, 중요한 HRV 지표로는 “RR 간격 히스토그램의 삼각형 보간의 기저 폭 (TINN)”, “HRV 삼각 지수 (HTI)” 등이 포함되었습니다. 이러한 지표들은 심정지 위험을 평가하는 데 중요한 역할을 하며, 본 모델은 이들을 통합적으로 분석하여 심정지 발생 가능성을 예측합니다.
3. 기대효과
○ 이 연구를 통해 개발된 심정지 예측 모델은 중환자실에서의 환자 관리와 치료 방법에 혁신을 가져올 것으로 기대됩니다. 실시간으로 심정지 위험을 예측할 수 있게 되면, 의료진은 더 빠른 시간 내에 필요한 조치를 취할 수 있으며, 이는 환자의 생존율 향상에 직접적으로 기여할 수 있습니다. 또한, 이 모델은 추가적인 임상 정보 없이도 단일 채널 ECG 데이터만을 사용하여 높은 예측 정확도를 제공함으로써, 중환자실의 자원을 보다 효율적으로 활용할 수 있게 합니다. 이러한 접근은 임상의사결정지원시스템(CDSS)에 통합되어 중환자실의 환자 모니터링 및 치료 프로세스를 개선하는 데 중요한 역할을 할 것입니다.
[그림1] 인공지능 모델의 심정지 발생 위험 예측 성능 검증 결과
<본 연구팀에서 개발한 ‘실시간 심정지 발생 예측 모델’은 AUROC 0.881 [95% 신뢰구간: 0.875-0.887]의 우수한 성능을 보임을 확인함> [사진=한국보건산업진흥원]
[그림2] 심정지 발생 전 24시간 동안의 심박변이도(HRV) 변화
<모델 개발에 이용한 주요 심박변이도(HRV) 지표인 “RR 간격 히스토그램의 삼각형 보간의 기저 폭(TINN)”, “HRV 삼각 지수(HTI)” 등이 심정지 발생 전에 유의하게 변화하는 것을 확인함> [사진=한국보건산업진흥원]
본 기사는 네티즌에 의해 작성되었거나 기관에서 작성된 보도자료로, BRIC의 입장이 아님을 밝힙니다. 또한 내용 중 개인에게 중요하다고 생각되는 부분은 사실확인을 꼭 하시기 바랍니다.
BRIC(ibric.org) Bio통신원(한국보건산업진흥원) 등록일2023.12.15