Google Cloud을 사용해 중환자의 패혈증을 예측한 에모리 대학교 연구팀

감염에 대한 자가면역 반응인 패혈증은 미국 병원에서 치료하는 질병 중 치사율과 치료 비용이 가장 높은 질병 중 하나로 매년 약 750,000명의 환자가 발생합니다. 조기 발견과 예방으로 사망율을 크게 낮추고 비용과 리소스를 현저히 절감할 수 있지만 아직까지 패혈증을 신속하게 진단할 수 있는 확실한 방법은 없습니다. 그 방법을 찾기 위해 에모리 의과대학 의생명 정보학과의 샤밈 네마티 박사와 아시시 샤마 박사가 혁신적인 방식으로 연구를 진행하고 있습니다. 네마티 박사는 에모리 병원 중환자실(ICU) 내 환자 30,000명으로부터 수집하여 익명 처리한 전자 건강 기록을 사용하여, 생명 징후, 환자 인구통계, 실험 결과 등 65개의 관련 변수를 분석하는 AI 엔진을 만들었습니다. 패혈증 예측 엔진은 5분 간격으로 환자의 데이터 스트림을 계속 모니터링함으로써 실시간으로 종합 점수를 산정하여 패혈증이 발병할 가능성을 예측하고 임상의가 평가할 수 있도록 대시보드에 결과를 표시합니다. 조기 발견이 매우 중요하기 때문에 임상의는 항생제 치료가 가장 효과적일 때의 점수와 그 근거를 확인할 수 있습니다.

중환자 관리 솔루션

예측 엔진에는 수신 및 저장된 데이터 세트, 데이터를 분석하는 AI 알고리즘, 임상의를 위한 프런트 엔드 사용자 인터페이스라는 세 가지 중요한 구성요소가 있습니다. 데이터 입력 및 저장이 특히 복잡합니다. 각 환자의 혈압 및 호흡수와 같은 수십 메가바이트의 고해상도 데이터는 시간 정보와 함께 비공개로 안전하게 보관되며 고위험 상황에서 적시에 결과를 생성할 수 있도록 즉각적으로 처리되어야 합니다. 그런 다음 엔진은 임상의가 한눈에 쉽게 읽을 수 있도록 설계된 대시보드에 패혈증 종합 위험 점수를 표시합니다. 환자가 패혈증에 걸릴 수 있는 임계값에 도달하면 경보 시스템에서 임상의에게 알림을 발송하므로 시간에 쫓기는 의료진들이 보다 신속하게 대응할 수 있습니다.

샤마 박사는 TensorFlow 및 컨테이너화된 마이크로서비스와 같은 통합된 Google Cloud 및 오픈소스 도구를 사용해 Google Cloud에 엔진을 설계했습니다. 그 결과 데이터 입력, 예측 분석, 프런트 엔드 인터페이스에 대한 결과를 거의 즉각적으로 원활하게 실시간으로 모두 처리할 수 있었습니다. Google Cloud에 FHIR(Fast Healthcare Interoperability Resources)을 구축함으로써 네마티 박사와 샤마 박사는 안전하고 신뢰할 수 있는 비공개 플랫폼을 통해 여러 기관으로 예측 엔진을 확장하고 기관 간에 상호운용할 수 있도록 하고 있습니다. 이 플랫폼은 에모리 병원에서 이미 사용 중인 웨어러블 모니터링 기기와 같은 클라우드 기술 기반의 다른 프로젝트와도 통합되고 있습니다.

Google Cloud을 통한 확장

지금까지 에모리 대학의 네마티 박사, 샤마 박사 그리고 그 연구팀은 에모리 중환자실 센터와 협력하여 로컬 서버에 호스팅된 데이터에서 엔진의 유효성을 검사했습니다. 즉 다양한 시간 프레임을 테스트하여 패혈증 발병 4~6시간 전에 85%의 놀라운 정확도로 패혈증을 예측했습니다. 이 프로그램을 확대 배포하기 위해 App Engine으로 전환하게 되었습니다. "TensorFlow 기반 패혈증 예측 알고리즘을 앱으로 변환하고 이를 Google App Engine에서 실행함으로써 배포를 하고 또 그 범위를 확장하는 데 필요한 인프라 요구사항에 대한 걱정 없이 알고리즘 개선에만 집중할 수 있었습니다.”라고 네마티 박사는 말합니다.

예측 엔진이 제대로 작동됨을 확인하였으니 이제 더 많은 환자와 더 많은 임상의를 참여시켜 테스트해 나갈 계획입니다. 또한 성능과 확장성을 향상시키기 위해 알고리즘을 Google Cloud Machine Learning Engine 및 TPU로 포팅하고 환자 데이터의 노출 위험성을 최소화하기 위해 엔드 투 엔드 암호화 기능도 적용하고 있습니다. Google Cloud에 기반한 광범위한 분산 연구를 수행한 결과 이제 연구팀에서는 새로운 질문을 할 수 있게 되었습니다. 정확한 예측을 하거나 치료를 최적화하기 위한 이상적인 시간은 언제부터 언제까지인가? 예측 엔진은 의사가 환자를 치료하는 데 도움이 될 것인가? 각기 다른 지역에서, 다른 워크플로와 문화를 가지고 운영되는 여러 병원 간의 치료에 위험 점수는 어떤 영향을 주는가?

결국 가장 중요한 것은 ICU에서 실제 환자를 치료함에 있어 더 나은 결과를 내는 것이며, 샤마 박사는 이 점을 잘 알고 있습니다. “이 알고리즘이 이렇게 성공적인 이유는 의사가 환자를 위해 의미 있는 조치를 취할 수 있는 한정된 범위의 시간 내에 정보를 제공할 수 있기 때문입니다 또한 이 알고리즘은 딥 러닝 블랙박스를 열고 환자가 위험한 상태인 이유를 의사에게 알려줍니다.” 네마티 박사는 “2017년 NEJM 논문에 따르면 패혈증 치료가 1시간 지연될 때마다 환자의 사망 위험이 4%씩 증가하는 것으로 나타났습니다. 그렇다면 이런 식으로 패혈증을 파악하여 적시에 항생제를 투여할 수 있다면 몇 퍼센트의 생명을 구할 수 있을까요? 아직 알 수는 없지만 현재 에모리 대학에서 바로 이러한 테스트를 하고 있으며 이를 일반화할 수 있도록 범위를 확장해야 합니다."라며 동의를 표합니다.