획기적인 AI 모델: 고령 SICU 환자의 수술 후 뇌졸중 예측 정확도 향상

Li 등(2025)의 연구는 MIMIC 데이터를 활용한 해석 가능한 기계 학습 모델을 통해 고령 SICU 환자의 수술 후 뇌졸중 예측 정확도를 크게 향상시켰으며, 주요 위험 요인을 명확히 제시하여 임상적 의사결정 지원에 기여할 것으로 기대됩니다.

고령 SICU 환자 수술 후 뇌졸중 예측의 혁신: AI가 던지는 새로운 가능성

고령 수술 집중 치료실(SICU) 환자에게 있어 수술 후 뇌졸중은 치명적인 합병증입니다. 장기 입원, 높은 의료비, 그리고 높은 사망률로 이어지기 때문에 조기 위험 요인 파악과 적절한 개입이 무엇보다 중요합니다. 최근, Li 등(2025) 의 연구는 이러한 어려움에 대한 획기적인 해결책을 제시했습니다.

Li 등(2025) 은 MIMIC-III 및 MIMIC-IV 데이터베이스에서 19,085명의 고령 SICU 환자를 대상으로 한 대규모 연구를 통해, 입원 중 뇌졸중을 예측하는 해석 가능한 기계 학습(ML) 프레임워크를 개발했습니다. 단순한 예측을 넘어, 왜 그러한 예측이 나오는지 설명할 수 있는 모델을 구축한 것입니다.

연구팀은 데이터 전처리 과정에서 고결측값 변수 제거, SVD를 이용한 결측값 처리, Z-score 정규화, 원-핫 인코딩 및 ADASYN 알고리즘을 통한 불균형 데이터 보정 등 꼼꼼한 과정을 거쳤습니다. 또한, RFECV와 SHAP 기법을 결합한 2단계 특징 선택 과정을 통해 80개의 변수를 20개의 임상적으로 유의미한 예측 변수로 축소했습니다.

여러 ML 모델 중 CatBoost 모델이 AUROC 0.8868 (95% CI: 0.8802--0.8937)의 높은 정확도를 기록하며 최고 성능을 보였습니다. 특히, SHAP 분석과 ablation 연구를 통해 이전 뇌혈관 질환 병력, 혈청 크레아티닌, 그리고 수축기 혈압이 가장 중요한 위험 요인으로 밝혀졌습니다.

이는 단순히 뇌졸중 발생 여부를 예측하는 것을 넘어, 어떤 환자에게 특히 주의해야 하는지, 그리고 어떤 임상적 지표에 집중해야 하는지에 대한 명확한 해답을 제공합니다. 이 연구는 해석 가능한 ML 접근 방식이 수술 후 뇌졸중의 조기 진단 및 수술 전후 중환자 관리에서의 의사 결정 지원에 막대한 잠재력을 가지고 있음을 보여줍니다. 앞으로 이러한 기술 발전이 고령 환자의 생존율 향상과 의료 시스템 효율 증대에 크게 기여할 것으로 기대됩니다.