설명 가능한 인공지능을 활용한 조기 패혈증 탐지

초록

본 연구는 패혈증 발병을 조기에 예측하기 위해 머신러닝 모델에 임상 지식을 결합한 설명 가능한 인공지능(XAI) 프레임워크를 제안한다. 모델은 전자 의료 기록(EHR) 데이터를 기반으로 높은 예측 정확도를 달성하면서, SHAP와 규칙 기반 시각화를 통해 각 특징의 기여도를 명확히 제시한다. 이를 통해 임상의가 모델 결과를 검증하고, 기존 진단 기준과 정합성을 확인할 수 있다.

상세 분석

본 논문은 패혈증 조기 탐지를 위한 설명 가능한 인공지능(XAI) 시스템을 설계·평가하였다. 데이터는 다기관 ICU에서 수집된 48시간 연속 전자 의료 기록(EHR)으로, 생체 신호(심박수, 혈압, 호흡수 등), 실험실 검사값(백혈구 수, 혈청 젖산 등), 투약 및 치료 기록을 포함한다. 전처리 단계에서는 결측값을 다중 대체법으로 보완하고, 시간 윈도우를 1시간 간격으로 슬라이딩하여 시계열 특성을 보존하였다.

모델 아키텍처는 두 부분으로 구성된다. 첫 번째는 Gradient Boosting Decision Tree(GBDT) 기반의 예측 엔진으로, 비선형 관계와 변수 간 상호작용을 효과적으로 학습한다. 두 번째는 설명 모듈로, SHapley Additive exPlanations(SHAP) 값을 이용해 각 환자별, 시간별 특징 기여도를 정량화한다. 또한, 도메인 전문가가 정의한 임상 규칙(예: SIRS 기준, qSOFA 점수)을 모델 출력에 병합하는 하이브리드 방식으로, 규칙 기반 필터링을 통해 모델이 비현실적인 패턴을 학습하는 것을 방지한다.

성능 평가는 AUROC, AUPRC, 민감도·특이도 등 다중 지표로 수행했으며, 기존 블랙박스 모델(Deep LSTM, CNN) 대비 AUROC 0.92, AUPRC 0.68을 기록하였다. 특히 6시간 이내 예측 정확도가 크게 향상돼 임상적 의사결정에 유용함을 입증했다. 설명 가능성 측면에서는 SHAP 시각화가 주요 위험 요인(예: 혈압 급강하, 젖산 상승)을 직관적으로 드러내어, 의사가 모델 결과를 검증하고 환자 맞춤형 치료 전략을 수립하도록 지원한다.

한계점으로는 데이터가 주로 미국 내 대형 병원에 국한되어 있어 외부 일반화 가능성이 제한적이며, 실시간 적용을 위한 시스템 통합 비용이 아직 높다는 점을 언급한다. 향후 연구에서는 멀티모달 데이터(이미지, 유전체)와 연계한 확장 모델 개발 및, 임상 현장에서의 파일럿 테스트를 통해 실제 효용성을 검증할 계획이다.