AI와 혈액검사만으로 수면무호흡증 중증도 예측 가능한가? XGBoost 머신러닝 연구가 보여준 가능성

-

수면무호흡증 환자가 수면 중 호흡 장치를 착용하고 있으며, 앞쪽에는 혈액검사 튜브가 놓여 있다. 옆에는 인공지능을 상징하는 디지털 뇌와 의료 데이터 아이콘이 표현되어 혈액검사와 AI를 활용한 수면무호흡증 중증도 예측을 나타낸다.
혈액검사와 기본 임상정보를 머신러닝으로 분석해 수면무호흡증 중증도를 예측하는 AI 기반 선별검사 기술을 표현한 이미지.


수면다원검사 없이도 중증 환자를 먼저 선별할 수 있는 인공지능 모델이 제안됐다.


잠을 자는 동안 반복적으로 호흡이 멈추는 폐쇄성 수면무호흡증(OSAHS)은 고혈압, 심혈관질환, 당뇨병, 뇌졸중 위험을 높이는 대표적인 수면질환이다. 하지만 정확한 진단을 위해서는 하룻밤 동안 병원에서 시행하는 수면다원검사(PSG)가 필요해 비용과 접근성의 한계가 있다.


최근 발표된 연구에서는 혈액검사와 기본 건강검진 정보만으로 수면무호흡증의 중증도를 예측하는 머신러닝 모델을 개발했다. 연구 결과 다섯 가지 인공지능 모델 가운데 XGBoost가 가장 우수한 성능을 보였으며, 중등도 이상의 환자를 선별하는 보조도구로 활용 가능성을 확인했다.


병원마다 수면다원검사를 받기 어려운 이유


폐쇄성 수면무호흡증은 전 세계적으로 수억 명이 앓고 있는 흔한 질환이다. 그러나 진단률은 매우 낮다. 가장 큰 이유는 표준검사인 수면다원검사가 시간과 비용이 많이 들고 전문 장비와 숙련된 인력이 필요하기 때문이다.


이 때문에 실제 임상에서는 코골이나 주간 졸림 증상이 있어도 검사를 받지 못하거나 진단이 늦어지는 경우가 적지 않다. 연구진은 이러한 문제를 해결하기 위해 병원에서 쉽게 얻을 수 있는 임상정보만으로 중증도를 예측할 수 있는 모델을 개발하고자 했다.


432명의 임상 데이터를 이용해 AI를 학습했다


연구에는 중국 취징중앙병원 환자 432명이 참여했다.


연구진은 나이, 성별, BMI(체질량지수), 혈압, 혈당, 적혈구와 혈소판 수치, 간 기능 검사, 신장 기능 검사, 호모시스테인(HCY), 총 빌리루빈(TBIL), 경동맥 초음파 결과 등 총 25개의 임상 변수를 활용했다.


환자의 70%는 AI 학습에, 나머지 30%는 성능 검증에 사용했다. 또한 과적합을 줄이기 위해 5겹 교차검증과 하이퍼파라미터 최적화를 적용했다.

어떤 검사 결과가 중증 수면무호흡증을 가장 잘 설명했을까


특성 중요도를 분석한 결과 가장 영향력이 큰 변수는 다음 다섯 가지였다.


  • HCY(호모시스테인)
  • TBIL(총 빌리루빈)
  • BMI
  • GGT(감마글루타밀전이효소)
  • 나이


왜 이런 결과가 나왔을까?


연구진은 반복적인 저산소증이 혈관 기능과 대사 과정에 영향을 주면서 호모시스테인과 빌리루빈 같은 생화학적 지표가 변화할 가능성을 제시했다. BMI는 비만으로 인해 상기도가 좁아지는 기계적 원인을 반영하며, 나이와 GGT는 누적된 대사 위험을 나타내는 지표로 해석했다.


다섯 가지 머신러닝 모델 가운데 XGBoost가 가장 좋은 성능을 보였다


연구에서는 다음 다섯 가지 알고리즘을 비교했다.


  • XGBoost
  • Random Forest
  • LightGBM
  • Support Vector Machine(SVM)
  • Multilayer Perceptron(MLP)


독립된 검증 데이터에서 가장 우수한 모델은 XGBoost였다.


  • 정확도(Accuracy): 75%
  • F1-score: 65.6%
  • AUC: 0.625


Random Forest는 정확도 65.9%, LightGBM과 SVM은 각각 63.6%, MLP는 59.1% 수준으로 나타났다. 따라서 이번 연구에서는 XGBoost가 중등도 이상의 수면무호흡증 환자를 선별하는 데 가장 적합한 모델로 평가됐다.


AI가 수면다원검사를 대신하는 것은 아니다


이번 연구에서 가장 중요한 점은 AI가 기존 검사를 대체하려는 것이 아니라는 사실이다.


연구진은 이 모델을 선별검사(triage) 용도로 활용하는 것을 목표로 했다. 즉, 중증 가능성이 높은 환자를 먼저 찾아 우선적으로 수면다원검사를 시행하고, 상대적으로 위험이 낮은 환자는 불필요한 검사를 줄이는 데 의미가 있다는 것이다.


또한 기본적인 건강검진 자료만 활용하므로 검사 비용은 수면다원검사보다 훨씬 낮아질 가능성이 있으며, 의료 자원이 부족한 지역에서도 활용할 수 있는 장점이 있다.


아직 해결해야 할 과제도 남아 있다


이번 연구에는 몇 가지 한계가 있다.


첫째, 대상자가 432명으로 비교적 적은 단일기관 연구였다.


둘째, 모델의 AUC는 0.625로 매우 높은 수준은 아니다. 연구진은 건강한 사람과 환자를 구분하는 것이 아니라 이미 수면무호흡증 환자 안에서 경증과 중등도 이상을 구분하는 과제였기 때문에 난도가 높았다고 설명했다.


셋째, 실제 임상에서 활용하려면 여러 병원의 데이터를 이용한 외부 검증과 설명 가능한 AI(SHAP, LIME 등)를 적용한 추가 연구가 필요하다.


기본 건강검진 데이터도 수면무호흡증 위험을 알려줄 수 있다


이번 연구는 머신러닝이 수면무호흡증 진단 자체를 대체했다기보다, 의료진이 어떤 환자를 먼저 검사해야 하는지 판단하는 데 도움을 줄 수 있다는 가능성을 보여줬다.


특히 BMI뿐 아니라 호모시스테인과 총 빌리루빈 같은 혈액검사 지표까지 함께 활용하면 기존보다 더 다양한 생리학적 정보를 반영할 수 있다는 점이 특징이다. 앞으로 다기관 연구를 통해 성능이 더욱 향상된다면, 건강검진 단계에서 중증 수면무호흡증 위험을 조기에 발견하고 적절한 치료로 연결하는 데 유용한 보조도구가 될 가능성이 있다.

출처 

Wang, Q., Yang, X., Xu, S., Wu, H., Wang, G., Liu, H., Chen, R., Xu, F., Wang, C., & Du, K. (2026). Machine learning approach for predicting the severity risk of obstructive sleep apnea syndrome. Frontiers in Big Data, 9, 1832790. https://doi.org/10.3389/fdata.2026.1832790