가톨릭대학교 서울성모병원 성 니콜라스 어린이병원 김현호 (소아청소년과) 교수팀은 수술 중 생체신호 데이터를 활용해 소아 환자의 동맥혈 이산화탄소 분압(PaCO₂)을 추정하는 AI 모델을 개발했다. 이번 연구의 제1저자는 서울아산병원 마취통증의학과 박주현 전공의와 고려대학교 의과대학 조채은 학생이다.
동맥혈 이산화탄소 분압은 수술 중 적절한 기계환기 설정과 환기 상태를 평가하는 핵심 지표로, 마취 중 발생할 수 있는 호흡 이상과 산-염기 불균형을 실시간으로 파악하는 데 필수적이다. 가장 정확한 측정 방법은 요골동맥이나 대퇴동맥에 동맥관을 삽입해 채혈한 혈액을 혈액가스분석기로 검사하는 것이지만, 소아는 혈관이 가늘어 동맥관 삽입 과정에서 혈관 손상이나 혈류 장애 등 합병증 위험이 성인보다 높은 문제가 있었다. 또한 반복된 채혈은 이미 수술로 출혈을 겪는 소아 환자에게 빈혈을 일으킬 수 있다는 부담도 커, 현장에서는 수술 중 안전강화와 수술 후 예후 개선 사이에서 적절한 수준을 찾는데 어려움을 겪어왔다.
이를 보완하기 위해 비침습적으로 측정할 수 있는 호기말 이산화탄소를 활용하기도 하지만, 환기-관류 불균형 등의 영향을 받아 실제 동맥혈 이산화탄소 분압과 차이가 발생하는 한계가 있었다. 연구팀은 이러한 한계를 보완하기 위해 소아 환자의 호기말 이산화탄소(EtCO₂)와 수집된 임상 정보를 AI와 결합해 보다 정확하게 동맥혈 이산화탄소 분압을 추정하는 모델을 개발했다.
연구팀은 서울대학교병원 마취통증의학과 연구진이 구축한 공개 수술실 생체신호 데이터베이스(VitalDB)에 등록된 소아 환자 3,586명으로부터 확보한 8,853쌍의 호기말 이산화탄소와 동맥혈 이산화탄소 분압 데이터를 후향적으로 분석했다.
이어서 연구팀은 각 변수가 추정에 미치는 기여도와 방향성을 정량화하기 위해 샤플리 부가설명값(SHAP, Shapley Additive Explanations) 분석을 적용했다. 게임 이론에서 유래한 SHAP 기법은 통상 ‘블랙박스’로 불리는 머신러닝 모델이 특정 추정 값을 산출할 때 각 입력 변수가 얼마나, 어느 방향으로 영향을 미쳤는지를 개별 환자 수준에서 계산한다.
이를 통해 선별된 최종 10개 핵심 변수로 호기말 이산화탄소, 체온, 분당 환기량, 연령, 흡입 산소 분율(FiO₂), 심장 질환 유무, 폐 순응도, 수술 전 헤모글로빈, 체질량지수, 평균 동맥압을 확인했다. 이를 기계학습 알고리즘에 학습시킨 결과, 수술 중 동맥혈 이산화탄소 분압을 높은 정확도로 추정할 수 있음을 확인했다.
|
이번 연구는 수술 중 얻을 수 있는 다양한 생체신호 데이터를 활용해 소아 환자의 동맥혈 이산화탄소 분압을 추정한 첫 연구로, 기존의 호기말 이산화탄소 단독 방법(평균오차 3.56 mmHg)보다 평균절대오차(MAE)를 약 23% 낮춘 2.73 mmHg를 기록하며 의미 있는 성능 개선을 보였다.
|
또한 개발된 모델은 타 대학병원 두 곳의 최신 환자 데이터를 이용한 외부 검증에서도 재현성을 확인했다. 충남대학교병원 소아 환자 50명(92건)에서는 MAE 3.65 mmHg를 기록했으며, 서울대학교병원에서 2024년 1월~2025년 6월 수집된 499명(2,138건)의 시간적 검증 코호트에서도 MAE 3.67 mmHg로 일관된 성능을 보였다. 독립된 기관과 시기 모두에서 일정 수준의 재현성이 확인된 만큼, 이번 결과는 향후 모델의 임상 적용 가능성을 시사하는 것으로 평가된다.
김현호 교수는 “이번 연구에서 개발한 모델이 비록 동맥혈가스검사를 완전히 대체할 수는 없지만, 동맥관 삽입이 어렵거나 혈액가스검사를 자주 시행하기 어려운 상황에서 유용한 보조 도구가 될 수 있다”며 “특히 소아 신경외과 수술처럼 이산화탄소를 정밀하게 관리해야 하는 환자에서 임상적 활용 가능성이 기대된다”고 말했다. 이어 “실제 임상에 적용하기 위해서는 전향적 임상시험을 통한 추가 검증이 필요하다”고 덧붙였다.
이번 연구는 마취·통증 분야의 저명한 국제학술지 Anesthesiology에 최근 게재되었다.
Copyright ⓒ 이데일리 무단 전재 및 재배포 금지
