소아 중환자실 사망 위험 예측을 위한 동적 RNN 모델

본 논문은 소아 중환자실(PICU)에서 환자의 사망 위험을 실시간으로 추정하기 위한 동적 머신러닝 프레임워크를 제시한다. 연구팀은 2002년부터 2016년까지 Children’s Hospital Los Angeles의 PICU에 입원한 12 020명의 환자(총 16 559회 입원) 데이터를 활용했으며, 이 중 55 %를 훈련, 45 %를 검증용으로 무작위 분할하였다. 각 입원 기록은 인구통계학적 정보, 진단 코드, 사망 여부와 같은 정적 변수와, 심박수·혈압·산소포화도 등 생리 신호, 혈액·소변 검사치, 투약·시술 여부 등 약 300개의 시계열 변수로 구성되었다. 데이터 전처리 단계에서는 동일한 측정값을 하나의 변수로 통합하고, 단위가 다른 경우 동일 단위로 변환하였다. 결측값은 변수 유형에 따라 다르게 처리했으며, 투약·시술은 0/1 이진값으로, 생리·실험값은 마지막 관측값을 앞으로 전파하는 방식으로 보간하였다. 전체 변수는 훈련 집합의 평균·표준편차를 이용해 Z‑정규화했으며, 연령은 별도 정규화 없이 그대로 입력에 포함시켰다. 모델 설계는 순환 신경망(RNN) 중 LSTM(Long Short‑Term Memory) 구조를 채택했다. 입력 벡터는 시점 tₙ에서의 생리·실험·시술·투약 데이터와 사용자가 지정한 미래 예측 간격 Δtₙ을 포함한다. 세 층의 LSTM은 과거 정보를 은닉 상태 hₙ에 누적하고, 이를 바탕으로 미래 시점 tₙ+Δtₙ의 사망 확률 yₙ을 출력한다. Δtₙ을 입력에 포함함으로써 예측 시점을 자유롭게 조정할 수 있으며, 이는 훈련 시 데이터 증강 효과도 제공한다. 모델은 Keras와 TensorFlow 기반으로 구현됐으며, 손실 함수는 이진 교차 엔트로피, 최적화 알고리즘은 Adam을 사용했다. 학습은 GPU 가속 하에 수행됐으며, 과적합 방지를 위해 조기 종료와 드롭아웃을 적용했다. 성능 평가는 동일한 12시간 시점 데이터를 사용한 정적 모델(로지스틱 회귀, 다층 퍼셉트론)과 기존 임상 점수(PIM‑2, PRISM‑3)와의 ROC‑AUC 비교로 진행됐다. 검증 집합 2 849건(모두 PIM‑2와 PRISM‑3 점수를 보유)에서 RNN은 93.4%의 AUC를 기록했으며, 이는 MLP(88.8%, p < 0.01), LR(86.1%, p < 0.001), PIM‑2(86.3%, p < 0.001), PRISM‑3(88.0%, p < 0.003)보다 통계적으로 유의미하게 높았다. 또한 관찰 시간이 3시간에 불과할 때도 RNN의 AUC가 PRISM‑3(12시간 관찰)보다 우수했으며, 관찰 시간이 늘어날수록 정확도가 지속적으로 상승하는 경향을 보였다. 이는 RNN이 과거 데이터를 장기 기억으로 보존하고, 변수들의 시간적 변화(미분)를 학습함으로써 얻은 이점으로 해석된다. 시각화 결과는 두 환자의 위험 점수 변화를 보여주며, 한 환자는 점차 위험이 상승해 사망에 이르고, 다른 환자는 초기 위험이 높았지만 시간이 지나면서 위험 점수가 감소해 회복하는 모습을 확인할 수 있었다. 이는 정적 점수와 달리 RNN이 환자 상태의 동적 변화를 실시간으로 반영한다는 장점을 시각적으로 입증한다. 논문의 결론은 RNN 기반 모델이 기존 임상 점수와 정적 머신러닝 모델을 능가하는 예측 성능을 보이며, 동적 통합을 통해 시간에 따른 환자 상태 변화를 포착한다는 점이다. 다만 현재 모델은 약 300개의 변수만 사용했으며, 체액 균형, 고해상도 모니터링 데이터 등 추가적인 임상 정보를 포함하지 않았다. 또한 단일 기관 데이터에 기반해 외부 검증이 부족하고, 사망 여부 외의 다중 결과 예측을 다루지 않는다. 향후 연구에서는 다기관 데이터셋을 통한 일반화 검증, 추가 변수 통합, 멀티태스크 학습 등을 통해 모델을 확장하고, 실제 임상 워크플로에 적용하기 위한 실시간 인터페이스 개발이 필요하다.