수술 중 생체 신호를 활용한 급성 신손상 예측 모델 고도화

초록

본 연구는 UF Health에서 2,911명의 성인 수술 환자를 대상으로, 수술 전 위험 점수에 수술 중 평균동맥압, 최소흡입농도, 심박수의 통계적 특징을 결합한 머신러닝 스태킹 모델을 개발하였다. 랜덤 포레스트 기반 모델은 7일 내 AKI 예측에서 AUROC 0.86(정확도 0.78)을 기록했으며, 기존 수술 전 모델(AUROC 0.84, 정확도 0.76)보다 성능이 향상되었다.

상세 분석

이 논문은 급성 신손상(AKI) 예측에 있어 기존의 수술 전 위험 점수만을 이용한 접근법의 한계를 지적하고, 실시간으로 기록되는 수술 중 생리학적 데이터의 활용 가능성을 탐색한다. 연구 설계는 단일기관(University of Florida Health)에서 2,911명의 성인 수술 환자를 역학적으로 추적한 후향적 코호트이며, AKI 발생을 3일, 7일, 퇴원일까지 세 가지 시점으로 정의하였다.

데이터 전처리 단계에서 수술 중 연속적인 MAP(Mean Arterial Pressure), MAC(minimum alveolar concentration), HR(Heart Rate) 시계열을 5분 구간으로 구분하고, 평균, 표준편차, 최소·최대값, 변동계수, 급격한 변동(Δ) 등 12개의 통계적 피처를 추출하였다. 이러한 피처는 기존의 환자 기본 정보(연령, 성별, 기저질환, 수술 종류·시간 등)와 결합되어, 두 단계의 모델링 파이프라인에 투입된다.

첫 번째 단계는 전통적인 로지스틱 회귀와 Gradient Boosting Machine(GBM) 등 여러 베이스 모델을 이용해 수술 전 데이터만으로 AKI 위험을 추정한다. 두 번째 단계에서는 베이스 모델이 산출한 확률값과 수술 중 파생 피처를 입력으로, 랜덤 포레스트(Random Forest) 스태킹 모델을 학습한다. 스태킹 구조는 베이스 모델의 예측 편향을 보정하고, 비선형 상호작용을 포착함으로써 전반적인 일반화 능력을 향상시킨다.

성능 평가는 AUROC, 정확도, Net Reclassification Improvement(NRI) 세 가지 지표를 사용하였다. 7일 내 AKI( AKI‑7day) 예측에서 전후 모델의 AUROC 차이는 0.02(0.84→0.86)이며, NRI는 0.12로 유의미한 재분류 개선을 보여준다. 특히, 수술 전 모델에서 오분류된 고위험 환자 18%가 수술 중 피처를 포함한 스태킹 모델에서 올바르게 재분류되었다. 이는 MAP 저하, MAC 급격한 변동, 심박수 불안정성이 AKI 발생에 독립적인 위험 요인임을 시사한다.

한계점으로는 단일기관 데이터에 국한되어 외부 검증이 부족하고, 시계열 피처를 단순 통계량으로 요약함에 따라 잠재적인 시간‑동적 패턴(예: 혈압 변동성의 순간적 급락)을 놓쳤을 가능성이 있다. 또한, MAC는 마취 농도를 나타내지만, 마취제 종류·용량·환자별 약물 대사 차이를 반영하지 못한다는 점도 언급된다. 향후 연구에서는 다기관 데이터셋을 통한 외부 검증, 딥러닝 기반 시계열 모델(LSTM, Transformer) 적용, 그리고 혈액학적 바이오마커와 결합한 멀티모달 예측 체계 구축이 필요하다.

결론적으로, 수술 중 실시간 생리학적 데이터를 통합한 머신러닝 스태킹 모델은 기존 수술 전 위험 점수에 비해 AKI 예측 정확도를 유의하게 향상시켰으며, 임상 현장에서 고위험 환자를 조기에 식별하고 예방적 개입을 설계하는 데 실용적인 도구가 될 수 있다.