중증 급성 호흡부전, 에크모(ECMO) 치료 시 사망률 예측

머신러닝 통해 에크모 적용 여부·사망률 예측…에크모 효율적 활용 근거 제시
분당서울대병원 임성윤·정세영·이하은 연구팀 [BMJ respiratory research] 발표

에크모는 기존의 치료법으로 효과가 없는 중증 심부전 혹은 기존의 <span class='searchWord'>인공호흡기</span> 치료만으로는 생명유지가 불가능한 중증급성호흡부전 상태의 환자에게 특수한 기계장치를 이용, 인체 밖에서 심폐기능을 보조하는 체외순환장치다. 현재 국내의료기관에는 약 350대의 에크모 장비를 확보하고 있으나 수입에 의존하고 있다. 코로나19 팬데믹을 계기로 국산 에크모 장비 개발이 추진되고 있다. [사진=분당서울대병원] ⓒ의협신문 — 에크모는 기존의 치료법으로 효과가 없는 중증 심부전 혹은 기존의 인공호흡기 치료만으로는 생명유지가 불가능한 중증급성호흡부전 상태의 환자에게 특수한 기계장치를 이용, 인체 밖에서 심폐기능을 보조하는 체외순환장치다. 현재 국내의료기관에는 약 350대의 에크모 장비를 확보하고 있으나 수입에 의존하고 있다. 코로나19 팬데믹을 계기로 국산 에크모 장비 개발이 추진되고 있다. [사진=분당서울대병원] ⓒ의협신문

국내 연구진이 집중적인 치료에도 반응이 없는 중증 급성 호흡부전 환자에게 에크모(체외막산소공급장치, Extracorporeal Membrane Oxygenation, ECMO) 적용 여부와 치료 시 사망률을 예측할 수 있는 연구 결과를 발표했다. ECMO 치료 시 사망률을 보다 정확하게 예측할 수 있다면 코로나19 팬데믹과 유사한 상황에서 의료 자원을 효율적으로 사용할 수 있고, 부작용 위험을 방지할 수 있다.

분당서울대병원 임성윤(호흡기내과)·정세영(가정의학과) 교수 연구팀(제1저자 이하은 디지털헬스케어연구사업부 연구원)은 중증 급성 호흡부전 환자에서 에크모 적용 시 인공지능(AI) 기계 학습(머신러닝)을 활용해 사망률 예측 모델을 개발하고, 유용성을 확인한 연구 결과를 [BMJ respiratory research] 최근호에 발표했다.

에크모는 중중 심부전이나 인공호흡기 치료로 생명 유지가 불가능한 중중급성호흡부전 상태의 환자에게 특수한 기계장치를 이용, 일시적으로 심장과 폐의 기능을 도와주는 장치다. 치료방법은 혈액을 빼내 체외 산화장치에서 산소를 혈액에 주입하는 동시에 혈액에 있는 이산화탄소를 제거하고 다시 환자의 몸 속으로 돌려보내는 것이다. 정맥에서 혈액을 빼내 정맥으로 다시 넣는 VV-에크모 방식과 정맥에서 혈액을 빼내 동맥으로 넣는 VA-에크모 방식이 있다.

에크모는 환자의 생명을 유지하는 최후의 보루지만 치료를 받는 동안 전신 염증반응, 감염, 응고 질환, 대사 문제 등 합병증이 발생할 수 있다. 사망률은 60% 이상으로 높다.

에크모 치료 진행 시 사망률을 보다 정확하게 예측할 수 있다면 의료 자원을 효율적으로 사용할 수 있다. 에크모 치료를 해도 생존율이 매우 낮은 환자는 위험한 부작용을 감수하지 않아도 된다.

하지만 사망 가능성이 높을 것으로 예상되는 환자가 있어도 이들에게 에크모 적용여부를 판단하는 표준화된 가이드라인은 현재까지 없는 실정이다.

PRESERVE, RESP 점수를 참고할 수 있으나 정확도가 떨어져 임상 적용에 한계가 있다는 지적을 받고 있다. PRESERVE 점수는 환자의 나이, 체질량지수, 면역상태 등 8가지 요소를 기반으로 6개월 생존율을 예측하는 방법. 점수가 낮을수록 생존 가능성이 높다.

RESP 점수는 12가지 요소를 기반으로 하며, 점수가 높을수록 생존율이 높다.

서울대병원 교수 연구팀은 2012∼2015년까지 전국 16개 3차 병원에서 에크모 치료를 받은 급성 호흡부전 환자 368명의 다양한 생체 신호 및 임상데이터에 기계 학습(머신러닝) 기법을 적용해 90일 이내 사망률을 예측하는 '익스트림 그라디언트 부스팅(XGB)'과 '라이트 그라디언트 부스팅(LGB)'을 개발했다. 연구 데이터는 전자건강기록(EHR) 시스템에서 수집한 40가지 특성을 반영했다.

연구팀은 이번에 개발한 예측 모델의 성능을 평가하기 위해 내부 및 외부 검증을 통해 기존의 에크모 생존 예측 모델(RESP, PRESERVE)과 비교했다. 평가 지표는 AUROC(수신자 조작 특성 곡선 아래의 면적)를 사용했다. AUROC는 어떤 질환을 진단하기 위한 특정 검사도구의 진단 정확도를 나타내는 통계 기법으로 주로 인공지능 러닝 모델의 성능평가 지표로 사용한다.
연구 결과, 90일 사망률 예측 성능에서 AUROC 수치가 '익스트림 그라디언트 부스팅(XGB)' 모델은 0.82, '라이트 그라디언트 부스팅(LGB)' 모델은 0.81로 기존 모델인 RESP(0.66), PRESERVE(0.71)보다 점수가 높았다.

외부 검증에서도 XGB 모델은 0.75로 RESP(0.70), PRESERVE(0.67) 모델에 비해 높은 성능을 나타냈다.

정세영 교수(공동 교신저자)는 "중증의 급성 호흡부전 환자에서 에크모 치료 적용에 대한 기계학습 모델 연구는 이 분야에서 최초로 시행된 연구"라고 설명했다.

임성윤 교수(공동 교신저자)는 "이 모델은 에크모 치료의 성공 가능성이 낮은 환자를 식별하는 근거로 활용할 수 있다"면서 "코로나 팬데믹 같은 시기에 제한된 에크모 자원을 효율적으로 사용할 수 있도록 도울 수 있다. 의료진이 각 환자에게 가장 적합한 치료 방법을 결정하는 데 큰 도움이 될 것"이라고 말했다.

에크모는 기존의 치료법으로 효과가 없는 중증 심부전 혹은 기존의 인공호흡기 치료만으로는 생명유지가 불가능한 중증급성호흡부전 상태의 환자에게 특수한 기계장치를 이용, 인체 밖에서 심폐기능을 보조하는 체외순환장치다.