AI로 생명을 예측하다: 위장관 출혈 환자의 사망률을 줄이는 머신러닝의 미래

 AI는 환자의 데이터를 분석하여 사망률을 예측하고, 의료진의 의사 결정을 지원한다.

서론: 생과 사의 갈림길에 선 환자들

상부 위장관 출혈(AUGIB)은 의료현장에서 가장 치명적인 응급상황 중 하나다. 특히 출혈성 쇼크, 저혈압, 다발성 장기부전으로 이어질 경우 사망률은 15~20%에 이른다. 본 논문은 AUGIB을 정맥류 출혈(AVGIB)과 비정맥류 출혈(ANGIB)로 세분화한 뒤, 인공지능(Machine Learning)을 이용해 환자의 사망률을 예측하는 모델을 개발했다.

왜 AI인가? 기존 스코어링 시스템의 한계

과거에는 AIMS65, GBS, Rockall 등의 점수 체계가 환자의 중증도를 평가하는 데 사용되었다. 그러나 이들 모델은 민감도와 특이도 측면에서 한계를 보여주었고, 특히 ICU 환경에서는 활용이 제한적이다. 반면, 머신러닝은 수십 가지의 생체 신호와 검사값, 처치 내용을 종합해 예측 정확도를 극대화할 수 있다는 강점이 있다.

연구 개요 및 방법론

데이터셋: MIMIC-IV

미국 메사추세츠공과대학(MIT)에서 제공하는 MIMIC-IV 데이터베이스를 기반으로 총 3,050명의 환자 데이터를 분석했다. 이 중 AVGIB 환자는 625명, ANGIB 환자는 2,425명이었다.

사용된 알고리즘

로지스틱 회귀, 랜덤 포레스트, XGBoost, LightGBM 등 총 12개의 ML 알고리즘이 비교되었고, 각 그룹별로 최고의 성능을 보인 모델이 최종 선택되었다.

주요 결과: 사망을 예측하는 변수들

AVGIB 환자에게 최적화된 모델: Extra Trees

AUC 값은 0.996으로 매우 높았으며, 중요한 변수로는 급성 신부전, 알부민 수혈, 혈장 수혈, PT 및 APTT 수치, APACHE-II 점수 등이 포함되었다.

ANGIB 환자에게 최적화된 모델: Gradient Boosting

AUC 값은 0.985로, 예측에 기여한 주요 변수는 GCS 점수, AIMS65 점수, 젖산 농도, 기계적 환기 여부, 만성 간질환 여부 등이었다.

논문의 의의와 한계

이 연구의 가장 큰 의의는 단일 예측 모델이 아닌, 출혈 유형별로 최적화된 개별 모델을 개발했다는 점이다. 다만, 데이터 출처가 단일 병원 기반이기에 일반화 가능성에는 한계가 있으며, 외부 검증이 필요하다.

미래 응용 가능성과 제언

본 연구의 예측 모델은 실제 웹 플랫폼으로 구현되어 있어, 임상의들이 현장에서 즉시 활용 가능하다. 향후에는 이 모델을 기반으로 한 실시간 임상 의사결정 지원 시스템(CDSS) 개발이 가능할 것으로 보인다. 개인적으로는 SHAP 기반 해석 기법이 도입되어 'AI의 블랙박스 문제'를 어느 정도 해소한 점이 인상적이었다.

결론

AI 기반 사망 예측 모델은 AUGIB 환자의 생존율 향상에 실질적 기여를 할 수 있는 잠재력을 지닌다. 특히 환자 상태에 따라 맞춤형 모델을 적용하는 방식은 향후 중환자의학의 새로운 패러다임을 예고한다.

출처

Liu Z, Jiang G, Zhang L, Shrestha P, Hu Y, Zhu Y, Li G, Xiong Y and Zhan L (2025) The future of critical care: AI-powered mortality prediction for acute variceal gastrointestinal bleeding and acute non-variceal gastrointestinal bleeding patients. Front. Med. 12:1580094. doi: 10.3389/fmed.2025.1580094