AI 프레임워크로 환자 사망위험 정확히 예측

AI 요약

연세대학교 의과대학 의생명시스템정보학교실 박유랑 교수와 홍재성 연구원 연구팀이 환자의 검사 결과나 임상 기록 일부가 빠진 실제 진료 환경에서도 안정적으로 작동하는 멀티모달 의료 AI 프레임워크 'ETF-UML'을 개발했으며 연구 결과는 국제학술지 인포메이션 퓨전에 게재됐습니다. ETF-UML은 표 형식, 시계열, 텍스트 데이터를 각각 독립적으로 학습시키고 MIMIC‑IV(30일 사망 19만27건, 90일 사망 16만4723건)와 eICU(원내 10일 사망 11만9852건)로 세 가지 사망 예측을 평가한 결과 단일 모달리티·통합 학습형 융합 모델 및 결측 대응 기법(GRAPE·SMIL·SHASPEC·MUSE)보다 모든 평가에서 AUROC가 가장 높았고, 데이터 관측 비율이 낮을수록 우수성이 뚜렷해 eICU에서 최대 5.34점, 두 종류 데이터 조건에서 4.4~10.7점 높은 성능을 보였습니다. 또한 ETF-UML은 최대 그래픽 메모리 사용량이 0.44GB로 MUSE의 4.70GB보다 10분의 1 수준이고 연산량도 절반 이하였으며 박유랑 교수는 영상 데이터를 포함해 실제 진료 현장에서 적용 가능한 인공지능으로 확장하겠다고 밝혔습니다.