패혈증 조기 예측을 위한 딥러닝 모델의 임상 컨펀더 영향 평가

-

 


환자가 응급실에 내원했을 때 빠르고 정확한 패혈증 조기 예측은 생존율을 크게 높인다. 그러나 패혈증 진단에는 ‘후향적 정의(retrospective definition)’의 한계와 다양한 임상적 컨펀더(confounder)가 존재한다. 본 글에서는 Siemens Healthineers 및 Duke 대학 연구진이 발표한 논문 “Evaluating the impact of common clinical confounders on performance of deep-learning-based sepsis risk assessment”을 바탕으로, 연구 배경과 방법, 핵심 결과를 살펴보고 독자적인 해석과 시사점을 제시한다.


연구 배경 및 목적

패혈증 조기 예측의 필요성

  • 패혈증은 전신 염증 반응이 과도하게 일어나 주요 장기 부전을 초래하는 질환이다.

  • 응급실(ED) 환경에서는 환자의 과거력 확인이 제한적이기 때문에, 자동화된 예측 모델 개발이 절실하다.

정의(Sepsis-3 vs. ASE)의 한계

  • Sepsis-3 정의: SOFA 점수 변동 ≥2와 감염 의심(suspicion of infection)을 근거로 후향적 라벨 지정 .

  • Adult Sepsis Event(ASE): 48시간 내 배양 검사·4일 이상 항생제 투여, 이후 주요 장기 부전 지표 충족 시 양성 .

  • 두 정의 모두 후향적 감시 목적이며, 전자는 감염 의심 기준이 다소 느슨하고(SOFA 변동만으로도 분류 가능), 후자는 항생제 사용 요건이 엄격하다.

비판적 시각: Sepsis-3은 기저질환으로 인한 SOFA 상승도 ‘패혈증’으로 오인할 수 있다. 반면 ASE는 실제 감염 사례를 놓칠 위험이 있다.

 

연구 방법

데이터 및 라벨링

  • 코호트: MIMIC-IV 데이터베이스에서 ED 내원 성인 148,128명 중 주요 실험실 검사 수치(크레아티닌, 빌리루빈, 혈소판, PaO₂/FiO₂) 확인 가능한 96,992명 선출 .

  • 라벨링

    • Sepsis-3 라벨: 10,175명 양성, 75,712명 음성.

    • ASE 라벨: 6,704명 양성, 78,601명 음성.

  • 모델 입력: 입원 첫 24시간 내 CBC, CMP, 지질 패널, 활력징후, 연령·성별 등(총 30여 개 특징) .

딥러닝 모델(Deep Profiler)

  • 아키텍처: 변분 오토인코더(VAE) 기반 잠재 표현 학습 + 4개 완전연결층 분류기.

  • 하이퍼파라미터: 배치 크기 128, 학습률 3×10⁻⁴, 드롭아웃 0.2, Adam 최적화 .

  • 학습·평가: 10겹 교차검증 후 독립 테스트셋에서 성능 평가.


핵심 결과 및 해석

모델 성능 비교

모델AUCSensitivitySpecificityPPVNPV
Sepsis-30.8880.5%80.0%35.7%97.1%
ASE0.8880.9%82.4%38.7%97.2%
Consensus0.9083.7%80.0%36.0%97.3%

  • Sepsis-3·ASE 단독 모델은 유사한 AUC(0.88)를 보였으나, 두 정의를 합친 컨센서스 모델은 AUC 0.90, 민감도 83.7%로 유의미한 향상을 보였다.


콘펀더(cohort confounder) 영향

  • 만성 신장질환, 간질환, 응고장애 등 코호트에서는 특이도(drop to 47–70%)가 크게 하락.

  • 반면, 감염 확진 환자(infection billing code)는 PPV 77%, 민감도 87.9%로 모델이 신뢰할 만한 성능 유지 .

해석: 기저질환이 있는 환자에서 SOFA 상승이 실제 패혈증이 아닐 가능성이 높아, 후향적 정의에 기반한 모델 평가가 과대추정될 수 있다.


SHAP·UMAP 분석으로 본 특징 중요도

  • Sepsis-3 모델: 칼슘, 크레아티닌, 혈소판 순으로 기여도 높음.

  • ASE 모델: 칼슘, 포도당, 중탄산염 순.

  • UMAP 시각화: 저칼슘·고크레아티닌·저혈소판 구역이 패혈증 의심군과 정상군 모두에 걸쳐 분포돼, 기저질환 구분이 관건임을 확인 .

독창적 통찰 및 적용 방향


1. 후향적 정의의 재검토 필요

  • Sepsis-3·ASE 정의 모두 기저질환 컨펀더에 취약하다. 후향적 라벨로 모델을 학습하기 전에 comorbidity-aware 라벨링을 고려해야 한다.

  • 예컨대, 만성 신장질환 동반 환자는 CRE 변화 기준을 보정하거나, 신장질환 전문가 의견을 라벨링 절차에 반영할 수 있다.


2. 실시간 임상 활용성 제고

  • ED 환경에서 입원 첫 24시간 이내 실험실 결과만 이용했으나, 실시간 모니터링과 연동해 예측 시점을 강화할 필요가 있다.

  • 예측 확률 변화 추이를 통해 ‘alert fatigue’를 방지하면서, 임상의의 판단을 보조하는 사용자 맞춤형 알람 임계치 설정이 요구된다.


3. 개인 맞춤형 모델 개발

  • 환자별 기존 질환·투약 이력·장기 부전 리스크를 통합한 메타데이터를 학습에 추가하면, 성능과 신뢰도를 동시에 높일 수 있다.

  • 향후 연구에서는 리치 임베딩(rich embedding) 기법을 도입해 다양한 EHR 메타데이터를 잠재 피처에 통합하는 방향을 제안한다.


4. 윤리적·실무적 고려사항

  • 특정 코호트에서 낮은 특이도로 인한 **잘못된 경고(false alarm)**는 의료자원 낭비와 환자 불안 초래 가능성이 있다.

  • 모델 적용 전후 임상 파일럿을 통해 민감도·특이도 균형을 재조정하고, 임상의 피드백 루프를 구축해야 한다.

결론

본 연구는 패혈증 예측을 위한 딥러닝 모델이 후향적 라벨 정의와 임상적 컨펀더에 민감함을 드러냈다. Sepsis-3·ASE 두 정의를 결합한 컨센서스 모델이 단독 모델 대비 성능을 개선했으나, 기저질환을 지닌 환자에서는 여전히 오분류 위험이 존재한다. 따라서 실제 응급실 적용을 위해서는 comorbidity-aware 라벨링, 실시간 모니터링 연계, 개인 맞춤형 모델 설계, 윤리·실무 고려사항을 통합한 종합적 접근이 필요하다. 이러한 방향성은 패혈증 조기 예측의 정확도와 신뢰성을 높여, 궁극적으로 환자 생존율 향상에 기여할 것이다.


출처 
Chaganti, S., Singh, V., Gent, A. E., Kamaleswaran, R., & Kamen, A. (2025). Evaluating the impact of common clinical confounders on performance of deep-learning-based sepsis risk assessment. Frontiers in Artificial Intelligence, 8, 1452471. https://doi.org/10.3389/frai.2025.1452471