임상의들이 위험한 발작을 감지할 수 있도록 보조할 수 있는 새로운 기계학습 모델이 개발됐다. 이 모델로 두뇌 손상이나 사고 같은 합병증으로부터 수많은 생명을 구할 수 있으리라는 전망이다.

하버드대학과 듀크대학 공동 연구팀이 개발한 발작 위험 감지 기계학습 모델은 환자에게 값비싼 모니터 도구인 지속 뇌파전위기록술(cEEG) 필요 여부를 판단하기 위해 점수제(point system)를 사용한다.

정확한 발작 위험을 감지하는 기계학습

발작이란 두뇌에 갑작스럽고 제어할 수 없는 전기적 장애가 발생하는 증상이다. 이 같은 장애는 행동이나 감정, 움직임, 심지어 의식과 같은 두뇌가 제어하는 여러 측면을 교란한다. 한 번 이상 발작이 나타났다면, 간질 환자일 수 있다고 의심해야 한다. 간질을 진단 받은 경우 발작 빈도를 제어할 수 있는 치료제를 처방받을 필요가 있다. 그렇지 않으면 영구적인 두뇌 손상 같은 합병증의 위험이 있다.

듀크대학, 하버드대학, 매사추세츠종합병원, 위스콘신대학의 전문가들은 중증 발작의 위험을 감지할 수 있는 새로운 접근법을 개발했다. 이 접근법은 환자를 분류하기 위해 기계학습 모델과 점수제를 사용하고 있다. 이 방법으로 임상의들은 값비싼 모니터 도구가 필요한 환자를 구분할 수 있게 됐다.

"연구진은 발작 위험이 큰 환자를 결정할 수 있도록 점수제를 적용하길 원했다"고 수석 연구원 아론 스트럭 교수는 말했다. 합동 연구팀이 사용한 점수제는 기계학습 모델이 사용하는 본래 위기 판단 점수를 최적화한 것이다.

연구팀은 알고리즘을 개발하는 동안 임상 환경의 복잡성 때문에 임상 모델의 적합성을 판단하는 데 여러 가지 어려움을 겪었다. 일반인을 이해하기 위해서 기계학습 모델을 상당히 정교하게 만들어야 했다.

모델에 적용한 점수제

기계학습 모델에 사용한 점수제를 2HELPS2B라고 불렀다. 이는 점수를 표시하기 위해 환자의 데이터를 사용할 수 있게 훈련한 것이다. 점수판에 여러 가지 요인이 기재돼 있으며 각 요인은 각 1점씩 점수를 매길 수 있게 돼 있다.

만약 환자가 5점을 받은 경우, 중증의 발작이 유발될 위험은 88%다. 그리고 6점인 경우는 95% 이상이다. 1점처럼 최저 점수이면 발작 위험은 12%다. 임상의들은 환자의 EEG 데이터를 사용해 점수를 매길 수 있게 됐다. 즉, EEG 패턴으로 점수를 결정하는 것이다.

테스트 결과, 이 모델은 발작 모니터가 필요한 환자를 감지하는 데 효율적이라는 것이 확인됐다. 이 모델을 사용하면 cEEG 사용률을 63.6%가량 줄일 수 있을 것으로 보인다. 즉, 수많은 환자에게 불필요한 모니터 기기를 사용하지 않아 자원을 절약할 수 있다는 의미다. 동시에, 의사의 세밀한 관찰이 필요한 환자를 구분할 수 있다.

현재, 이 모델은 6개 병원에서 사용되고 있으며 상당한 혜택을 받고 있다. 연구팀은 미국 전역에서 이 모델을 사용한다면 연간 최대 5,200만 달러(609억 7,000만 원)을 절감할 수 있을 것으로 추산하고 있다.

중증의 발작 위험이 있는 환자들은 발작 지속 시간 때문에 세밀하게 모니터해야 한다. 발작 시간이 길어질수록 합병증 유발 가능성이 높아지기 때문이다. 발작은 2~30분가량 지속될 수 있지만, 5분부터 긴급 상황으로 간주하고 있다. 발작은 뇌졸중이나 두부 부상, 감염 등의 증상으로 유발될 수 있는데, 며칠 혹은 몇 달 뒤에야 발작이 나타날 수도 있다.