국내에서 인공지능(AI)을 활용한 질병 예측·진단 기술이 잇따라 개발돼 의료기기 상용화 기대감을 높이고 있다

18일 업계에 따르면 국내 연구진이 얼굴 표정만으로 수술 후 통증 예측, 10초만에 척추 X­ray 분석, 코로나19 격리입원 환자 섬망 발생 예측 솔루션을 개발하는데 성공했다.

분당서울대병원 마취통증의학과 구본욱·박인선 교수팀은 최근 통증에 대해 반사적으로 나타나는 얼굴 표정, 생리적 신호 등을 이용, 수술 후 환자의 통증을 평가해 빠르고 객관적으로 예측하는 인공지능 모델을 개발했다.

연구팀은 전신마취 하에 위 절제 수술을 진행한 환자를 대상으로 △수술 전 통증이 없는 상태 △수술 후 마취회복실 입실 직후 △환자가 진통제가 필요한 정도의 통증을 표현했을 때 △진통제 투여 후 통증이 경감된 상태에서의 얼굴 표정을 촬영했다.

이와 함께 통상적으로 통증 모니터링을 위해 사용되는 진통통각지수(ANI)와 활력 징후와 같은 생리적 신호와, 환자의 주관적인 통증 강도를 표현하는 숫자통증척도(NRS)를 측정했다.

이후 수집한 데이터를 다양하게 조합해 인공지능 모델을 구축하고, 수술 후 통증 강도를 예측할 수 있는지 검증했다.

그 결과 얼굴 표정 데이터만을 학습시킨 인공지능 모델이 수술 후 발생한 중증 통증을 매우 높은 정확도로 예측했으며 이는 생리적 신호(진통통각지수, 활력 징후)를 기반으로 한 모델보다 성능이 뛰어난 것으로 나타났다.

실제로 얼굴 표정만 학습시킨 인공지능 모델의 예측 정확도가 AUROC 0.93으로 가장 높았으며 얼굴 표정과 활력 징후 데이터를 함께 학습한 모델(AUROC 0.84)이 뒤따랐다.

AUROC는 인공지능 모델의 예측 정확도를 나타내는 성능지표로 1에 가까울수록 성능이 우수함을 의미한다.

연구팀은 마취회복실에서 빠르고 정확하게 환자의 통증을 평가하는 인공지능을 이용한다면 적절한 통증 관리 치료를 통해 수술 환자의 회복의 질을 향상에 기여할 수 있기에 수술 후 통증 환자뿐 아니라 특히 의사소통이 어려운 환자들의 통증 평가에 큰 도움이 될 것으로 기대했다.

아주대병원 신경외과 노성현 교수팀은 최근 2020~2021년, 2년 동안 등록된 환자 1017명의 측면 전척추 X-ray 영상을 분석해 전체 척추 영상을 정확하게 진단 가능한 딥러닝(AI) 시스템을 개발했다.

분석 대상자는 여성 857명·남성 850명, 평균 연령 약 42.2세, 연령 범위는 20~85세였고 X-ray 영상 819개 사진은 랜드마크 감지 모델의 딥러닝 훈련에 198개는 성능 테스트에 이용했다.

연구팀은 평소 사람이 한 장의 척추 X-ray 영상을 분석하는 데 10분 내외가 걸렸다면, 이 시스템을 이용하면 10초 이내 분석이 가능하다고 설명했다.

특히 성능 검증을 위해 기존의 198개 영상을 테스트한 결과, 사람(전문의)이 찍은 점과 딥러닝 시스템이 찍은 점의 위치 정확도가 90% 이상이었다.

또 객관적인 성능 평가를 위해, 타 의료기관 4곳의 690개의 전척추 X-ray 영상을 대상으로 외부 검증을 시행해 우수한 성능을 확인했다.

연구팀에 따르면 여러 방법을 통해 척추의 해부학적 랜드마크와 위치를 정확하게 식별하고 정확한 진단에 필요한 다양한 방사선 촬영 매개변수를 생성할 수 있음을 입증했다.

분당서울대병원 정신건강의학과 박혜연 교수팀은 최근 4개 병원에 코로나19로 격리입원한 878명의 복용약물, 기저질환, 영상·혈액 검사 등 93가지 섬망 요인을 활용해 코로나19 격리입원 환자의 섬망 발생을 예측하는 모델을 개발했다.

섬망은 주의력, 언어 구사능력 등 인지 기능 장애와 동시에 수면장애, 환시 및 환청, 과다행동이나 불안증 등 정신병적 증상을 보이는 질환으로 전체 병원 입원 환자의 10~15%가 경험할 정도로 비교적 흔하게 나타난다.

섬망은 입원 환자의 의학적 경과를 악화시키고 낙상 등을 유발해 격리입원 기간을 연장시키는데 최근까지 재유행이 이어지고 있는 코로나19 환자에서 이 비율이 크게 높아 문제가 되고 있다.

연구팀은 △입원 초기 생체신호 △투약한 약물 △혈액검사 결과 등 코로나19 환자의 임상정보를 입력하면 빠르고 정확하게 섬망 발생률 및 환자별 위험 인자를 확인할 수 있는 머신러닝 모델을 개발하는 데 성공했다.

이 모델의 섬망 발생 예측 정확도는 87.3%로, 코로나19로 격리입원한 환자들에게서 입원 초기에 섬망 고위험군을 선별하는 데 효과적으로 활용될 것으로 전망된다.

또 단순 예측을 넘어, 환자의 개별적 위험인자를 확인하고 약물을 비롯해 조절 및 중재 가능한 요인들이 무엇인지 제안해주는 기능도 있다.

연구 결과에 따르면 코로나19 환자의 섬망 발생 위험을 높이는 주요 인자는 9개가 있으며, 이 중에서 약물(항정신병, 항생제, 진정제, 해열제), 기계적 환기(인공호흡), 혈중 나트륨 감소가 특히 위험한데, 머신러닝이 이러한 지표에 이상이 있을 경우 경고해주는 식이다.

연구팀은 섬망은 코로나19 등 급성 감염병으로 인한 격리 환자에게서도 잘 나타나고 이는 의학적 경과악화, 낙상 등으로 격리입원 기간을 연장시키기에 이번 예측 모델을 활용한다면 환자별 위험요소를 사전에 파악하고 약물을 조절할 수 있어 섬망 발생을 최소화할 수 있을 것으로 내다봤다.