기계학습을 통한 알고리듬, 기존 사용하던 지표에 비해 예측 정확도 높아
병원 "임상 적용시 신장암 수술 환자의 급성 신손상 예측도 향상시킬 것"
김세중 분당서울대병원 신장내과 교수./분당서울대병원 제공
급성 신손상은 신장세포가 갑작스럽게 손상을 받아 신장기능이 약화되는 질환으로, 병원에 입원하는 환자의 5~10%에서 발생하며, 신장암 수술을 받는 경우에는 위험도가 더 증가한다. 이를 조기에 치료하지 못하면 비가역적으로 진행해 투석, 사망 같은 위험한 상황을 초래할 수 있기 때문에, 특히 신장암 환자를 대상으로 수술 후 급성 신손상이 발생하지 않는지 주의 깊은 모니터링이 필요하다.
이에 김세중 분당서울대병원 신장내과 교수, 이상철 분당서울대병원 비뇨의학과 교수, 한승석 서울대병원 신장내과 교수, 곽철 서울대병원 비뇨의학과 교수 연구팀은 머신러닝 알고리듬을 이용해 '신장암 수술 후 급성 신손상 예측 시스템'을 개발하고 기존 모델과 비교해 정확도를 평가해 그 결과를 발표했다.
우선 연구진은 2003년부터 2017년까지 서울대병원과 분당서울대병원에서 신세포암으로 편측 신절제술을 받은 환자 총 4104명의 자료를 이용해 머신러닝 기법을 이용한 급성 신손상 예측 모델을 만들고 검증했다. 수술 유형 및 시간, 성별, 기저질환, 종양 크기를 포함한 데이터가 수집됐으며, 이를 바탕으로 서포트 벡터 머신, 랜덤 포레스트, 익스트림 그래디언트 부스팅, 라이트 GBM라는 4가지 머신러닝 기법을 사용해 예측 모델을 구축했다.
수술 후 급손상은 4104명 중에서 총 1167명의 환자에게 나타나, 28.4%의 발생률을 기록했다. 알고리듬 성능을 평가하는 지표인 AUROC 기준으로, 머신러닝 모델들은 기존에 사용하던 SPARK 인덱스(나이, 신기능,성별, 당뇨 등 10가지 항목을 점수화해 급성신손상 위험도를 예측하는 고전적 방식의 예측 지표)에 비해 더 높은 수행력을 보였다. 그중에서도 특히 라이트 GBM 모델의 AUROC가 0.81로 가장 예측도가 높았다.
김세중 분당서울대병원 신장내과 교수는 "이번 연구는 단일 기관이 아닌 다기관 임상자료를 활용해 머신러닝 기법을 통해 여러 기관에서 적용 가능한 알고리듬을 개발했다"며 "향후 임상에 적용됐을 때 신장암 수술 후 급성신손상 예측도를 향상시킬 수 있을 것으로 기대된다"고 말했다.
한편 이번 연구는 세계적 학술지인 사이언티픽 리포트(Scientific Reports)에 게재됐다.
Copyright ⓒ 디지틀조선일보 - 디지틀조선TV