패혈증(septicemia)은 가장 흔한 응급실을 찾는 원인 중 하나이며, 또한 중환자실(ICU)에서 가장 흔한 사망 원인 중 하나이다. 패혈증을 일으키는 세균은 보통 그람 음성균으로, 면역 반응을 일으키고 혈액을 엉기게 하는 독성 물질을 만들어낸다. 치료는 여러 종류의 세균 감염으로 일어날 수 있으므로 일반적으로 항생제와 정맥 주사로 시작된다. 하지만 환자별 상태가 좋지 않으면 패혈성 쇼크에 빠질 수 있으며, 혈압이 낮아져 장기가 제기능을 못한다.

응급 처치로는 의사가 환자의 혈압을 높이고 유지하기 위해 수액을 줄이거나 중단하고 노르 에피네프린(norepinephrine)과 도파민(dopamine)과 같은 혈압 강하제를 투여하지만 사실, 초기 혈압 강하제 투여는 패혈성 쇼크의 사망률 증가와 관련이 있다고 한다. 이는 너무 일찍, 또는 필요하지 않은 경우, 심장 부정맥 및 세포 손상과 같은 부정적인 결과를 유발할 수 있다. 그러나 이러한 변화를 언제 만들어야 하는지 명확한 답은 없다고 한다. 의사는 환자의 혈압 및 기타 증상을 면밀히 관찰하고 판단을 해야하는 어려움이 따른다.

3일부터 7일(현지시각)까지 샌프란시스코에서 개최된 미국의학정보학회(American Medical Information Informatics Association)의 연례 심포지엄에서 연구 논문을 통해 MIT(매사추세츠공과대학, Massachusetts Institute Of Technology)와 메사추세츠 종합병원(Massachusetts general hospital, 이하 MGH)의 연구원들(제임스 린치/James C. Lynch, 트렌트 길링엄/Trent D. Gillingham, 사우라브 네팔/Saurav Nepal, 마이클 필빈/Michael R. Filbin, 앤드루 리센/Andrew T. Reisne)은 머신러닝으로 응급실에서 패혈증 치료를 받는 위급한 환자에게 약물을 언제 투여 할 것인지 결정하는 예측 모델을 개발했다고 발표했다.

연구원들은 응급 치료 패혈증 환자의 건강 데이터에서 학습하고 이 모델은 몇 시간 내에 바소프레서(vasopressor. 혈압상승제,혈관수축제/血管收縮劑)가 필요한지 환자의 상태를 예측한다. 연구를 위해 연구자들은 패혈증 패혈증 환자들을 위한 최초의 데이터 세트를 수집했으며, 테스트에서 이 모델은 시간내에 80% 이상 바소프레서의 필요성을 예측할 수 있었다. 또한 임상 환경에서 이 모델은 환자를 추적하고 언제 바소프레서를 시작하고 수액 투여를 줄일지, 그리고 중단해야 할지에 대해 응급실 의사에게 감시 시스템 및 경고를 전송하는 환자 침대 옆 모니터에 구현될 수 있다고 한다.

특히, 이번 개발 및 연구에서 가장 큰 과제는 응급실(ER, emergency room) 데이터베이스가 부족하다는 것으로 연구자들은 MGH 응급실에서 2014 년부터 2016 년까지 치료받은 약 186,000 명의 환자의 의학 기록을 수집하기 위해 MGH와 협력했으며, 데이터 세트의 일부 환자는 병원 방문 첫 48 시간 이내에 바소프레서 처치를 받았으며, 또 연구원들은 승압 쇼크가 있는 환자의 모든 기록을 수동으로 검토하여 바소프레서 투여의 정확한 시간(패혈증 증상에서부터 혈압 상승까지의 평균 소요 시간은 약 6 시간) 및 기타 주석을 포함시켰다.

또한 기록은 무작위로 나뉘어졌으며, 70 %는 모델 교육에 사용되었고 30 %는 시험용으로 사용되었다. 훈련에서 이 모델은 바소프레서가 필요하거나 필요하지 않은 환자의 58 가지 가능한 기능 중 28 가지를 추출했다. 특징으로는 혈압, 응급실 초기 입원으로부터의 경과 시간, 투여 된 총 체적, 호흡 수, 정신상태, 산소 포화도(Saturation of partial pressure oxygen, SpO2), 심장 박동량의 변화와 각 박동에서 얼마나 많은 수치의 심장 박동이 있었는지 등이 포함됐다.

테스트에서 모델은 설정된 시간 간격으로 새로운 환자의 많은 기능 또는 모든 기능을 분석하고 바소프레서를 필요로 하거나 그렇지 않은 환자를 나타내는 패턴을 찾아 이 정보를 바탕으로 각 간격마다 환자가 바소프레서가 필요한지 여부를 예측했다. 환자가 다음 2 시간 이상에 바소프레서를 필요로 하는지 예측할 때, 모델은 정확한 80 ~ 90 %의 시간이었으며, 이는 평균 0.5 리터 이상의 과도한 수액을 예방할 수 있었다.

한편 이번 연구의 핵심은 MGH와 같은 주요 병원 응급실의 의사들이 매년 약 11 만 명의 환자를 처치하는데 그 중 가장 판단이 어렵고 위험한 패혈증에 초점을 맞춘 것으로 이 모델은 환자의 생체 신호 세트를 취하고 궤적이 어떻게 생겼는지 시각화하여 이 환자가 바소프레서를 필요로 하는지 또는 이 환자에게 필요하지 않다고 하는지 AI가 결정하는 모니터링을 통해, 의사가 응급실 환자에 대한 특정약물 투여 여부와 치료시기를 정확히 판단할 수 있도록 기여할 것으로 예상된다.