충남대학교 의학과 의공학교실 양현림 교수 연구팀이 서울대병원과의 공동연구를 통해 중환자실 패혈증 환자의 치료 의사결정을 지원하는 LLM 기반 인공지능(AI) 프레임워크 ‘MORE-CLEAR’를 개발했다. 이번 연구 성과는 헬스케어 분야의 세계적 권위지인 ‘npj Digital Medicine’(IF: 15.1, JCR 상위 1%)에 게재돼 학술적 우수성을 인정받았다. 이번 연구는 임유석 연구원(서울대병원 정보화실, 충남대 의공학연구소)과 전병준 교수(서울대병원 정보화실)가 공동 제1저자로, 이홍열 교수(서울대병원 중환자의학과), 양현림 교수(충남대 의공학교실)가 공동 교신저자로 참여했다.
패혈증은 감염에 대한 인체의 비정상적 면역반응으로 장기부전을 초래하는 치명적 질환으로, 중환자실 사망의 주요 원인 중 하나이다. 승압제와 수액 투여는 패혈증 쇼크 환자의 소생에 필수적이나, 최적의 투여 시기와 용량은 여전히 논란이 되고 있다.
기존의 강화학습(Reinforcement Learning) 기반 패혈증 치료 제안 연구는 활력징후, 검사 수치 등 정형 데이터에만 의존해 왔으며, 임상 기록(clinical notes)에 담긴 환자의 병력, 증상 변화, 치료 반응 등 맥락 정보를 활용하지 못하는 한계가 있었다.
이에 공동 연구팀이 개발한 MORE-CLEAR(Multimodal Offline Reinforcement Learning for Clinical Notes Leveraged Enhanced State Representation)는 대규모 언어모델(LLM)을 활용해 비정형 임상 기록에서 풍부한 의미 정보를 추출하고, 이를 정형 데이터와 결합함으로써 환자 상태를 보다 정밀하게 표현하는 멀티모달 오프라인 강화학습 프레임워크다.
이 프레임워크의 핵심 기술은 LLM 기반의 구조화된 요약 기법을 적용해 불규칙하고 장문인 임상 기록을 체계적으로 정리하고 입원 초기 기록을 맥락 벡터(context vector)로 인코딩해 매 의사결정 시점에 주입하는 ‘맥락 인식 게이트 융합(context-aware gated fusion)’ 메커니즘을 도입했으며 양방향 교차모달 어텐션(bidirectional cross-modal attention) 모듈을 통해 텍스트와 정형 데이터 간의 상호작용을 효과적으로 포착한다.
공동 연구팀은 미국 중환자실 공개 데이터베이스인 MIMIC-III(11,114명), MIMIC-IV(10,203명)와 서울대학교병원 중환자실 데이터(599명) 등 세 개의 다국적/다기관 데이터세트를 활용해 교차 검증을 수행했다. 그 결과, MORE-CLEAR는 기존 유니모달 강화학습 모델 대비 정책 성능(off-policy evaluation) 지표에서 일관된 향상을 보였으며, 추정 생존율에서도 우수한 결과를 달성했다. 특히, MORE-CLEAR가 권장하는 치료 방침에 가까운 치료를 받은 환자군(Low-BDESR)의 생존율이 그렇지 않은 환자군 대비 유의하게 높았으며, MIMIC-III에서 0.861, MIMIC-IV에서 0.856, 서울대병원 데이터에서 0.921의 추정 생존율을 기록했다.
또, 멀티모달 정책은 벨만 잔차(Bellman residual) 분석에서 편향과 분산이 모두 낮은 분포를 보여, 가치 추정의 신뢰성이 유니모달 대비 크게 향상됨을 확인했다. 중증도 계층별 분석에서는 젖산(lactate) 수치가 높은 환자군에서 승압제 투여 강도를 높이는 등 임상적으로 타당한 중증도 반응형 치료 패턴을 학습한 것으로 나타났다.
이인회 기자 sindong@ggilbo.com
댓글
0