여러 약을 함께 먹을 때 부작용을 미리 예측하는 AI 등장… GNN과 Bio_ClinicalBERT를 결합한 DrugPred 모델

DrugPred는 그래프 신경망(GNN)과 Bio_ClinicalBERT를 결합해 여러 약물을 함께 복용할 때 발생할 수 있는 부작용을 예측하고, 적절한 진료과까지 추천하는 차세대 의료 AI 모델이다.

약물 상호작용까지 분석해 부작용 위험과 진료과 추천까지 제시한 최신 의료 AI 연구

약을 여러 개 함께 복용하는 환자는 해마다 증가하고 있다. 특히 고혈압, 당뇨병, 심혈관질환처럼 만성질환을 동시에 가진 환자는 하루에도 여러 종류의 약을 복용하는 경우가 흔하다. 문제는 각각의 약은 안전하더라도 함께 복용하면 예상하지 못한 부작용(ADR, Adverse Drug Reaction)이 발생할 수 있다는 점이다.

기존의 약물 부작용 예측 모델은 대부분 약 하나가 유발하는 부작용을 중심으로 개발됐다. 하지만 실제 임상에서는 두 가지 이상 약물이 서로 영향을 주면서 새로운 부작용이 나타나는 경우가 많아 기존 방식만으로는 충분하지 않았다.

최근 발표된 DrugPred 연구는 이러한 한계를 해결하기 위해 그래프 신경망(Graph Neural Network, GNN)과 의료 특화 언어모델인 Bio_ClinicalBERT를 결합했다. 연구 결과 정확도 95.73%, ROC-AUC 0.993을 기록하며 여러 약물을 동시에 복용하는 상황에서도 높은 정확도로 부작용을 예측했다. 또한 예측 결과를 바탕으로 어떤 전문의를 찾아야 하는지까지 추천하는 임상 의사결정지원 시스템(CDSS)도 함께 제안했다.

여러 약을 함께 먹으면 기존 AI가 놓치는 이유

한 가지 약이 간 독성을 일으키지 않더라도 다른 약과 함께 복용하면 간 손상 위험이 크게 증가할 수 있다. 이를 약물-약물 상호작용(Drug-Drug Interaction, DDI)이라고 한다.

기존 AI는 대부분 "약 A → 부작용"처럼 개별 약물만 분석했다. 그러나 실제 환자는 약 A와 B, C를 동시에 복용하는 경우가 많으며 이때 발생하는 위험은 단순히 각각의 위험을 더한 것보다 훨씬 복잡하다.

연구진은 이런 문제를 해결하기 위해 약물 간 연결 관계 자체를 하나의 네트워크처럼 분석하는 접근법을 선택했다. 이것이 그래프 신경망을 사용하는 이유다.

DrugPred는 4단계로 부작용 위험을 계산한다

DrugPred는 단계별로 정보를 축적하며 최종 위험도를 계산한다.

첫 번째 단계에서는 OFFSIDES 데이터셋을 이용해 각각의 약물이 어떤 부작용과 얼마나 관련 있는지를 학습한다. 다층 퍼셉트론(MLP)을 사용해 약 하나만 복용했을 때 발생할 가능성을 계산한다.

두 번째 단계에서는 TwoSIDES 데이터셋을 활용해 약물 간 상호작용 그래프를 구축한다. 여기서 EdgeConv 기반 그래프 신경망이 약물 간 연결 구조를 학습하면서 함께 복용했을 때 증가하는 위험을 계산한다.

세 번째 단계에서는 Bio_ClinicalBERT가 약물 이름과 부작용 정보를 의료 문맥으로 이해한다. 여기에 앞 단계에서 계산한 수치 정보를 함께 결합하고 Attention 메커니즘을 이용해 중요한 정보에 더 높은 가중치를 부여한다.

마지막 단계에서는 예측된 부작용을 인체 기관(System Organ Class)과 연결한 뒤 PubMed와 OpenFDA의 근거를 검색하여 적절한 진료과 전문의를 추천한다. 단순히 위험을 예측하는 데 그치지 않고 실제 의료 현장에서 활용할 수 있도록 설계한 것이 특징이다.

높은 정확도를 만든 핵심은 서로 다른 정보를 함께 학습한 것이다

이번 연구의 가장 큰 특징은 서로 성격이 다른 데이터를 동시에 활용했다는 점이다.

숫자로 표현되는 약물 통계 정보만 사용하는 것이 아니라 의료 논문와 임상기록에서 학습한 Bio_ClinicalBERT의 언어 이해 능력을 함께 이용했다. 또한 그래프 신경망이 약물 간 연결 구조를 학습하면서 복잡한 상호작용까지 반영했다.

이렇게 세 가지 정보를 하나로 결합한 뒤 Attention 메커니즘이 가장 중요한 특징에 집중하도록 설계해 최종 예측 정확도를 높였다. 연구에서는 768차원의 임상 언어 표현과 5개의 약물 통계 특징을 결합해 총 773차원의 입력으로 위험도를 계산했다.

실제 성능은 얼마나 우수한가

연구진은 OFFSIDES와 TwoSIDES 데이터셋을 기반으로 모델을 학습하고 평가했다.

최종 성능은 다음과 같다.

• 정확도(Accuracy): 95.73%
• F1-score: 0.94
• ROC-AUC: 0.993
• PR-AUC: 0.988

ROC-AUC가 1에 가까울수록 부작용이 발생할 환자와 그렇지 않은 환자를 잘 구분한다는 의미다. 0.993이라는 결과는 매우 높은 예측 성능을 보여준다.

또한 약물 쌍과 부작용 조합 약 239만 건을 구축한 뒤 이 가운데 5만 건을 층화 추출하여 Bio_ClinicalBERT를 학습에 활용했다. 이러한 대규모 데이터 학습이 높은 성능을 뒷받침했다.

왜 이런 접근이 의료 현장에서 중요한가

병원에서는 여러 진료과에서 각각 약을 처방받는 환자가 적지 않다. 이 과정에서 예상하지 못한 약물 상호작용이 발생할 가능성도 커진다.

DrugPred처럼 처방 전에 위험도를 계산할 수 있다면 의료진은 위험한 조합을 미리 확인하고 약을 변경하거나 용량을 조절할 수 있다. 또한 부작용이 예상되는 기관에 맞춰 심장내과, 신장내과, 소화기내과 등 적절한 전문의를 빠르게 연결할 수 있어 환자 안전을 높이는 데 도움이 될 수 있다.

특히 고령 환자처럼 여러 약을 동시에 복용하는 경우 이러한 기술의 활용 가치가 더욱 커질 것으로 기대된다.

아직 해결해야 할 과제도 남아 있다

높은 성능에도 불구하고 몇 가지 한계는 존재한다.

이번 연구는 OFFSIDES와 TwoSIDES 같은 공개 데이터셋을 중심으로 학습했다. 실제 병원의 전자의무기록(EHR) 환경에서는 환자의 질환, 검사 결과, 복용 기간, 용량 등이 함께 고려되어야 한다.

또한 연구에서 제안한 전문의 추천 기능 역시 실제 의료기관에서 얼마나 효과적으로 활용되는지는 추가적인 임상 검증이 필요하다.

다양한 국가와 의료 환경에서 성능을 검증하고 실제 진료 과정에 적용하는 후속 연구가 이어져야 할 것으로 보인다.

여러 약을 복용하는 시대에는 '상호작용'을 이해하는 AI가 필요하다

의료 AI는 이제 단순히 질병을 진단하는 수준을 넘어 치료 과정 전체를 지원하는 방향으로 발전하고 있다.

DrugPred는 개별 약물의 위험뿐 아니라 여러 약이 함께 작용하는 복잡한 관계를 분석하고, 의료진에게 실제 의사결정에 도움이 되는 정보를 제공하려는 시도라는 점에서 의미가 있다.

앞으로 전자의무기록과 실시간 처방 시스템이 이러한 AI와 연결된다면 약물 부작용을 사전에 예방하고 환자 맞춤형 치료를 지원하는 중요한 도구로 자리 잡을 가능성이 크다.

출처 

Arjay, J. G., Pushan, K. A., Roshanthraj, N., Subburaj, B., Alphonse, S., & Subramanian, G. (2026). DrugPred: an EdgeConv-GNN and Bio_ClinicalBERT based polypharmacy ADR prediction and specialist recommendation model. Frontiers in Artificial Intelligence, 9, 1874825. DOI: 10.3389/frai.2026.1874825