유전 알고리즘 기반 ICU 사망점수 시스템 개발 및 상호작용 변수 탐색

** 본 논문은 성인 중환자실(ICU) 환자의 사망 위험을 예측하기 위한 새로운 점수 체계를 개발하고, 특히 변수 간 상호작용을 데이터 기반으로 발굴하는 방법론을 제시한다. 기존의 APACHE, SAPS, MPM 등 전통적인 ICU 사망점수 시스템은 주로 전문가의 직관에 의존해 변수와 상호작용을 선정했으며, 실제 임상에서는 의사들이 복합적인 변수 조합을 고려하지만 모델에는 반영되지 않는 경우가 많았다. 이러한 격차를 해소하고자 저자는 고차원 변수 공간에서 2차 상호작용을 효율적으로 탐색할 수 있는 메타휴리스틱 기법인 유전 알고리즘(GA)을 도입하였다. 데이터는 224,418건의 ICU 입원 기록에서 시작했으며, 결측치 처리와 변수 정제를 거쳐 최종 154,281건(사망·생존)으로 축소되었다. 주요 변수는 12개의 이진 합병증(예: 수술, 응급, 면역억제 등), 5개의 범주형 변수(방문 횟수, 이전 입원 장소, 성별, 인종, 진단군), 연령 및 APS(급성 생리학 점수) 등이다. APS는 원래 12개의 임상 지표를 종합한 점수였으며, 연구에서는 이를 다시 12개의 개별 연속형 변수로 분해해 모델에 포함시켜 변수 간 상호작용 탐색의 폭을 넓혔다. 진단코드가 122개에 달했으나, 전문가 의견을 반영해 12개의 임상 카테고리(심혈관, 호흡기, 외상 등)로 재분류하였다. 각 카테고리별로 별도 로지스틱 회귀 모델을 구축함으로써 진단군 특유의 위험 요인과 상호작용을 보다 명확히 포착할 수 있었다. GA 기반 변수 선택 과정은 다음과 같다. 초기 인구(염색체) 30개를 무작위 생성하고, 각 염색체는 5~100개의 변수(주효과와 2차 상호작용 포함)로 구성된다. 적합도는 10‑fold 교차검증을 통해 계산된 AUC이며, 매 세대마다 적합도가 높은 염색체를 선택·재조합(확률 0.5~0)·돌연변이(확률 가변)하여 새로운 세대를 만든다. 최대 250세대까지 진행하고, 최종적으로 가장 높은 평균 AUC를 기록한 변수 집합을 모델에 적용한다. 실험 결과, 전체 평균 AUC는 0.84였으며, 일부 카테고리(예: 심혈관 수술, 호흡기 진단)에서는 0.90을 초과했다. GA 모델은 전통적인 단계별 전진/후진 선택법과 랜덤 포레스트에 비해 평균 AUC에서 0.02~0.05 포인트 상승했으며, 특히 상호작용 항을 포함했을 때 성능 향상이 두드러졌다. 통계적으로 유의한 상호작용 예시로는 ‘응급수술 × 신부전’, ‘고령 × 심혈관 합병증’, ‘다중 ICU 방문 × 호흡기 진단’ 등이 보고되었다. 이러한 상호작용은 임상의가 직관적으로 인식하기 어려운 복합 위험을 정량화하고, 환자 맞춤형 위험 평가에 기여한다. 논문의 한계로는 단일 기관 데이터에 기반한 모델 개발로 외부 일반화 가능성이 제한적이며, APS와 같은 집계 변수가 실제 개별 변수와 중복될 가능성이 있다. 또한 GA의 하이퍼파라미터 설정이 결과에 미치는 영향을 충분히 탐색하지 못했다는 점을 언급한다. 향후 연구에서는 다기관 데이터셋을 활용한 외부 검증, 베이지안 최적화나 입자 군집화와 같은 다른 메타휴리스틱과의 비교, 그리고 실시간 임상 의사결정 지원 시스템으로의 구현을 제안한다. 결론적으로, 유전 알고리즘을 활용한 변수 선택은 고차원 의료 데이터에서 의미 있는 상호작용을 효율적으로 탐색할 수 있는 강력한 도구이며, 기존 ICU 사망점수 시스템을 보완하거나 새로운 맞춤형 점수 체계를 개발하는 데 유용한 접근법임을 입증하였다. **