UCSF 과학자들은 유전자 기반 바이오마커와 생성형 인공지능을 결합하여 중환자실 환자의 위험한 폐 감염을 놀라운 정확도로 식별해냈습니다. 이 접근법은 진단 속도를 높이고 불필요한 항생제 사용을 크게 줄일 수 있을 것으로 기대됩니다.
폐렴과 같은 폐 감염은 전 세계적으로 사망 원인 1위이지만, 최첨단 중환자실에서도 진단이 놀라울 정도로 어려울 수 있습니다. 이러한 불확실성 때문에 의사들은 만일의 사태에 대비해 강력한 항생제를 처방하는 경우가 많은데, 이는 생명을 구하는 본능적인 조치이지만 동시에 항생제 내성을 부추기고 환자들을 불필요한 부작용에 노출시키기도 합니다.
샌프란시스코 캘리포니아 대학교의 연구진은 혈액 기반 생체 지표와 생성형 인공지능을 결합한 새로운 접근 방식이 이러한 상황을 바꿀 수 있다고 말합니다.
중증 질환을 앓고 있는 성인을 대상으로 한 관찰 연구에서, 출판 오늘 네이처 커뮤니케이션즈(Nature Communications) 저널에 발표된 연구 결과에 따르면, 이 연구팀의 모델은 하기도 감염을 96%의 정확도로 식별했습니다. 또한, 호흡 부전의 감염성 원인과 비감염성 원인을 구분하는 데 있어서도 중환자실 의료진보다 더 나은 성능을 보였습니다.
연구진은 만약 환자들이 입원했을 당시 자신들의 모델을 사용할 수 있었다면 부적절한 항생제 사용을 80% 이상 줄일 수 있었을 것이라고 추정합니다.
"저희는 배양법보다 훨씬 빠르게 결과를 얻을 수 있는 방법을 개발했으며, 이 방법은 임상 현장에서 쉽게 적용할 수 있을 것입니다."라고 이번 연구의 책임 저자인 채즈 랭글리어 샌프란시스코 캘리포니아 대학교 의과대학 부교수는 보도자료에서 밝혔습니다. "이 방법이 더 빠른 진단을 가능하게 하고 불필요한 항생제 사용을 줄이는 데 도움이 될 것이라고 확신합니다."
환자 검체에서 세균을 배양하는 배양 검사는 감염 여부를 확인하는 표준적인 방법이지만, 결과가 나오기까지 며칠이 걸릴 수 있고 때로는 아무것도 배양되지 않는 경우도 있습니다. 그동안 의사는 영상 검사, 실험실 검사, 환자 진찰 등 불완전한 정보에 기반하여 항생제 투여를 시작하거나 계속할지 결정해야 합니다.
UCSF 모델은 그 문제를 두 가지 방향에서 동시에 해결합니다.
그중 하나는 FABP4라는 유전자를 기반으로 한 생체지표인데, 랭겔리에 연구팀은 2023년에 이 유전자가 하기도 감염의 유망한 지표임을 확인했습니다. FABP4는 염증 조절에 관여하며, 특정 면역 세포에서는 정상 폐 세포보다 활성이 낮습니다. 연구진은 이 유전자의 발현 강도를 측정함으로써 신체가 심각한 폐 감염에 일반적으로 수반되는 면역 반응을 일으키는지 여부를 추론할 수 있습니다.
다른 하나는 환자의 전자 의료 기록을 읽고 해석하는 생성형 AI 시스템입니다. UCSF에서 개발한 개인정보 보호 플랫폼에서 GPT-4를 사용하여, 연구팀은 AI가 임상 기록, 검사 결과, 영상 보고서 및 기타 데이터를 분석하여 폐렴이나 다른 하기도 감염 가능성이 있는지 판단하도록 안내하는 프롬프트를 설계했습니다.
이 연구는 중환자실 환자 두 그룹의 데이터를 활용했습니다. 첫 번째 그룹은 코로나19 팬데믹 이전에 모집된 98명의 환자로, 당시에는 대부분의 감염이 세균성 감염이었습니다. 두 번째 그룹은 팬데믹 기간 동안 모집된 59명의 환자로, 당시에는 코로나19를 포함한 바이러스성 감염이 더 흔했습니다.
연구진이 FABP4 바이오마커 또는 AI 분석과 같은 각각의 방법을 단독으로 테스트했을 때, 두 방법 모두 약 80%의 진단 정확도를 보였습니다. 진정한 성과는 두 방법을 결합했을 때 나타났습니다.
그 후 연구진은 모델의 성능을 환자를 입원시킨 중환자실 의사들의 진단과 비교했습니다. 의사들은 대부분의 경우 폐렴에 항생제를 처방했는데, 이는 위험한 감염을 놓칠 경우 얼마나 큰 손실이 발생할 수 있는지를 반영합니다. 생체지표와 인공지능을 결합한 모델은 더욱 선별적이어서, 실제 감염은 거의 모두 진단하면서도 폐렴으로 진단한 환자의 수는 줄였습니다.
AI가 어떻게 진단을 내리는지 더 잘 이해하기 위해 연구팀은 내과 및 감염병 전문의 세 명과 AI를 비교 분석했습니다. AI와 전문가 모두 비슷한 수의 진단을 맞혔지만, 활용하는 정보의 유형은 서로 달랐습니다. AI는 흉부 X선 영상 보고서에 더 큰 비중을 두는 경향이 있었던 반면, 의사들은 환자의 임상 기록에 더 집중했습니다.
"인공지능에 대해 그런 말을 할 수 있다면, 이는 거의 문화적 차이를 보여주는 사례라고 할 수 있겠습니다."라고 공동 제1 저자인 나타샤 스포티스우드(샌프란시스코 캘리포니아 대학교 의과대학 조교수)는 덧붙였습니다. "이는 인공지능이 의사의 업무를 어떻게 보완할 수 있는지를 보여줍니다."
연구진은 자신들이 개발한 AI 프롬프트를 독점적으로 보유하는 대신 논문에 공개하고 다른 임상의들이 HIPAA를 준수하는 AI 플랫폼에서 유사한 접근 방식을 시도해 보도록 권장했습니다. 이는 데이터 과학자뿐만 아니라 일선 의사들도 해당 기술을 활용할 수 있도록 하기 위한 것입니다.
공동 제1 저자인 샌프란시스코 캘리포니아 대학교의 생물정보학자 호앙 반 판은 이 도구가 사용하기 쉽도록 설계되었다고 강조했습니다.
"이 도구를 사용하는 것은 믿을 수 없을 정도로 간단하며, 생물정보학 전문가가 아니어도 됩니다."라고 그는 보도자료에서 밝혔습니다.
연구팀은 현재 이 모델을 사후 분석뿐 아니라 실시간으로 활용 가능한 임상 검사로 검증하기 위해 노력하고 있습니다. 이를 위해서는 다양한 병원과 환자 집단에서 모델의 신뢰성을 확인하는 추가 연구와 더불어 안전 및 감독에 대한 세심한 주의가 필요합니다.
이 방법이 효과가 입증된다면, 중환자실에서 개인 맞춤형 치료를 제공하는 강력한 새로운 방법이 될 수 있습니다. 즉, 강력한 항생제 치료가 정말 필요한 환자와 그렇지 않은 환자를 신속하게 식별하는 동시에 의료진에게 폐에서 무슨 일이 일어나고 있는지에 대한 더 명확한 정보를 제공할 수 있습니다.
다음으로 연구진은 감염에 대한 신체의 과도하고 종종 치명적인 반응인 패혈증에 관심을 돌릴 계획입니다. 폐렴과 마찬가지로 패혈증은 조기에 정확하게 진단하기가 매우 어렵고, 병원에서 가장 흔한 사망 원인으로 남아 있습니다.
더 나아가, 이 연구는 유전자 기반 바이오마커와 같은 생물학적 통찰력을 첨단 AI 시스템과 결합하는 것이 의학계에서 가장 어려운 진단 문제들을 해결하는 데 어떻게 도움이 될 수 있는지를 보여줍니다. 중환자실에서 호흡곤란을 겪는 환자들에게 이는 더 빠른 진단, 더욱 효과적인 치료, 그리고 회복 가능성 향상을 의미할 수 있습니다.
출처: 샌프란시스코 캘리포니아 대학