AI 섬망 감지: 입원 중 갑작스러운 혼란을 빠르게 알아채는 데이터

수술 후 부모님이 갑자기 낯선 사람을 알아보지 못하거나, 밤에 병실에서 혼자 중얼거리는 모습을 본다면 놀랄 수 있습니다. 나중에 의료진에게서 ‘섬망’이라는 말을 듣고서야 일시적인 뇌 기능 이상과 관련된 증상이라는 사실을 알게 되는 경우도 있습니다.

 

섬망은 증상이 나타났다 사라지기를 반복할 수 있어 의료진이 환자의 상태를 확인하는 순간에는 변화가 뚜렷하지 않을 수도 있습니다. 이러한 관찰의 어려움을 줄이기 위해 최근에는 전자의무기록과 머신러닝을 활용해 섬망 발생 위험을 예측하려는 연구와 시스템 도입이 이어지고 있습니다. 이번 글에서는 관련 연구 사례와 예측 시스템의 특징, 보호자가 알아두면 좋은 관찰 사항을 살펴봅니다.

 

목차

• 1. 섬망은 왜 알아채기 어려울까?
• 2. AI는 어떤 데이터로 섬망 위험을 예측할까?
• 3. 연구 결과로 살펴보는 섬망 예측 성능
• 4. 입원 중인 가족을 관찰할 때 참고할 사항
• 5. 자주 묻는 질문
• 마무리: 예측 기술과 의료진의 관찰을 함께 살펴보기

1. 섬망은 왜 알아채기 어려울까?

섬망은 갑작스러운 의식 혼란, 주의력 저하, 인지기능 변화 등이 나타나는 상태입니다. 특히 중환자실에 입원했거나 수술을 받은 환자에게서 나타날 수 있으며, 증상이 하루 중에도 좋아졌다가 나빠지기를 반복하는 특징이 있습니다.

 

이러한 변화 때문에 의료진이 회진하거나 환자의 상태를 확인하는 시점에는 증상이 뚜렷하지 않을 수 있습니다. 표준 평가 도구인 CAM-ICU 등을 활용해 환자 상태를 확인하더라도, 인력과 시간이 제한된 병동에서는 모든 환자를 필요한 시점마다 빠짐없이 평가하기 어려울 수 있습니다.

 

이러한 한계를 보완하기 위한 방법 중 하나가 데이터 기반 예측입니다. 환자의 전자의무기록에 남아 있는 간호 기록, 검사 결과, 투약 정보 등을 분석해 섬망 발생 위험이 높은 환자를 미리 선별하는 방식입니다. 다만 위험 예측은 실제 섬망 발생을 확정하는 진단과는 다릅니다.

2. AI는 어떤 데이터로 섬망 위험을 예측할까?

1) 입원 초기 전자의무기록을 활용한 PRIDE 알고리즘

삼성서울병원 연구팀이 개발한 PRIDE(Prediction of ICU Delirium) 알고리즘은 중환자실 입실 후 24시간 이내의 데이터를 활용해 섬망 발생 가능성을 예측합니다.

 

원문에 제시된 연구 자료에 따르면, 연구팀은 120병상 규모의 중환자실 환자 12,409명 가운데 30.8%가 섬망을 경험한 데이터를 활용해 모델을 개발했습니다. 모델별 예측 성능은 랜덤포레스트가 AUROC 0.916, XGBoost가 AUROC 0.919로 제시됐습니다.

 

그러나 해외 공개 데이터셋인 MIMIC-III를 이용한 외부 검증에서는 AUROC가 0.721로 낮아졌습니다. 이 결과는 특정 병원에서 개발한 예측 모델을 다른 의료기관에 적용할 때 성능이 달라질 수 있음을 보여주는 사례입니다.

 

따라서 한 병원에서 높은 예측 성능을 보였다는 사실만으로 다른 병원에서도 같은 수준의 성능을 기대하기는 어렵습니다.

2) 기존 평가 도구 AWOL과 비교한 UCSF 연구

미국 캘리포니아대(UCSF)에서는 간호 기록, 검사 수치, 투약 정보 등을 학습한 머신러닝 모델을 개발하고, 기존 섬망 위험 평가 도구인 AWOL과 성능을 비교했습니다.

 

원문에 제시된 결과에 따르면 그래디언트 부스팅 모델은 AUC 0.855를 기록해 기존 평가 도구보다 우수한 예측 성능을 보였습니다.

 

이 사례는 환자 정보를 여러 종류의 데이터로 분석하는 머신러닝 모델이 기존 평가 도구를 보완할 가능성을 보여줍니다. 다만 AUC는 모델의 예측 성능을 평가하는 지표이므로, 수치가 높다는 사실만으로 실제 임상 현장에서 환자의 예후가 개선되었다고 단정할 수는 없습니다.

AI가 기록 속 변화를 먼저 짚어줍니다

3) 국내 병원의 EMR 기반 고위험군 선별 시스템

가톨릭대학교 서울성모병원은 간호기록, 처방·투약기록, 검사기록 등 전자의무기록(EMR) 데이터를 활용해 섬망 고위험군을 자동으로 예측·선별하는 시스템을 중환자실에 도입했습니다.

 

원문에 소개된 사례에서는 2년간 시스템을 운영한 결과, 간호사들이 고위험 환자를 직접 일일이 선별하던 업무 부담이 줄었으며 예방 간호에 도움이 된다는 평가가 있었다고 설명합니다. 또한 EMR이 구축된 다른 병원으로 확대 적용하는 방안을 검토하고 있다고 제시합니다.

 

이 사례에서 주목할 부분은 예측 모델의 성능뿐 아니라 병원 업무에서의 활용 가능성입니다. 위험 환자를 선별하는 작업을 지원하면 의료진이 환자의 상태를 살펴보고 예방 간호를 계획하는 과정에 도움을 줄 수 있습니다. 다만 이러한 운영 결과를 다른 병원에서도 동일하게 기대할 수 있는지는 별도로 살펴볼 필요가 있습니다.

3. 연구 결과로 살펴보는 섬망 예측 성능

각 연구와 시스템은 활용 데이터와 예측 시점, 평가 방식이 서로 다릅니다. 따라서 결과를 비교할 때는 수치뿐 아니라 연구 환경과 예측 목적도 함께 살펴봐야 합니다.

연구·시스템	데이터 규모	예측 시점	원문에 제시된 주요 결과
PRIDE(삼성서울병원)	ICU 환자 12,409명	입실 후 24시간 이내	내부 검증 AUROC 0.92 안팎, 외부 검증(MIMIC-III) 0.721로 하락
UCSF 그래디언트 부스팅 모델	입원 환자 데이터	입원 중 지속	AUC 0.855, 기존 평가 도구(AWOL) 대비 우수
미국 다기관 랜덤포레스트 모델	입원 환자 64,038건	입원 48시간 이후	섬망 첫 발생 시점 예측에 활용
서울성모병원 EMR 기반 시스템	중환자실 2년 운영	실시간 고위험군 선별	간호 업무 부담 감소, 예방 간호 체계 구축

표의 결과를 해석할 때는 몇 가지 점을 구분해야 합니다. 먼저 AUROC와 AUC는 예측 모델의 판별 성능을 나타내는 지표이며, 실제 진단의 정확도나 예방 효과와 같은 의미는 아닙니다. 또한 각 연구의 대상 환자, 데이터 구성, 검증 방법이 다르므로 수치만으로 모든 모델의 우열을 직접 판단하기는 어렵습니다.

 

PRIDE의 외부 검증 결과는 이러한 차이를 살펴볼 수 있는 사례입니다. 내부 검증에서 AUROC 0.916과 0.919를 기록한 모델도 MIMIC-III를 이용한 외부 검증에서는 AUROC 0.721을 기록했습니다. 따라서 AI 섬망 예측 시스템을 평가할 때는 개발 당시의 성능뿐 아니라 다른 의료기관과 환자군에서도 유사한 성능을 보이는지 확인하는 과정이 중요합니다.

4. 입원 중인 가족을 관찰할 때 참고할 사항

AI 예측 시스템이 도입되더라도 보호자가 환자의 평소 상태와 다른 변화를 관찰하는 일은 여전히 중요합니다. 보호자가 발견한 변화는 의료진이 환자 상태를 평가할 때 참고할 수 있는 정보가 됩니다.

 

다음과 같은 변화가 보이면 의료진에게 알려주세요.

 

• 평소와 달리 말투가 달라지거나 시간과 장소를 혼동하는 모습이 나타나는 경우
• 밤낮이 바뀌거나 갑자기 졸음이 늘어나는 등 평소와 다른 변화가 나타나는 경우
• 보청기나 안경 등 평소 사용하는 청력·시력 보조기구가 필요한 경우에는 이를 의료진과 상의해 착용을 도와주는 것
• 기존에 복용하던 약물이나 수면 패턴에 변화가 있었다면 관련 정보를 의료진에게 공유하는 것

이러한 관찰 사항만으로 섬망을 판단할 수는 없습니다. 갑작스러운 의식이나 인지 상태의 변화가 나타나면 AI 예측 결과를 기다리지 말고 의료진에게 즉시 알려 평가를 받는 것이 중요합니다.

5. 자주 묻는 질문

Q1. AI가 섬망을 예측하면 발생을 완전히 막을 수 있나요?

그렇지 않습니다. AI는 섬망 발생 위험이 높은 환자를 선별하는 데 도움을 줄 수 있지만, 위험 예측 자체가 섬망의 발생을 막아주는 것은 아닙니다. 실제 예방과 관리는 의료진의 평가와 간호 개입을 통해 이루어집니다.

 

Q2. 섬망은 후유증 없이 회복되나요?

회복 과정은 환자마다 다를 수 있습니다. 원문에서 설명한 것처럼 회복 속도와 인지기능에 미치는 영향은 환자의 나이와 기저질환 등에 따라 차이가 있을 수 있습니다. 구체적인 상태와 회복 전망은 담당 의료진의 평가를 통해 확인해야 합니다.

 

Q3. 이런 예측 시스템은 모든 병원에 도입되어 있나요?

그렇지는 않습니다. 원문에서는 일부 대형병원과 중환자실을 중심으로 시스템이 도입·운영되고 있다고 설명합니다. 실제 도입 여부와 운영 방식은 병원마다 다를 수 있으므로 해당 의료기관에 문의하는 것이 정확합니다.

마무리: 예측 기술과 의료진의 관찰을 함께 살펴보기

섬망은 증상이 나타났다 사라지기를 반복할 수 있어 환자의 상태를 한순간에 확인하는 것만으로는 변화를 파악하기 어려울 수 있습니다. 전자의무기록을 활용한 AI 예측 기술은 이러한 관찰의 어려움을 보완하고, 위험이 높은 환자를 선별하는 데 도움을 줄 가능성이 있습니다.

 

하지만 연구에서 확인된 예측 성능이 모든 병원에서 동일하게 나타나는 것은 아닙니다. 모델을 개발한 환경과 실제 적용 환경이 다를 수 있으며, 위험 예측이 곧 진단이나 예방 효과를 의미하지도 않습니다.

 

따라서 AI의 역할은 의료진의 판단을 대신하는 것이 아니라 환자 상태를 살피는 과정에 필요한 정보를 제공하는 데 있습니다. 보호자 역시 평소와 다른 변화를 발견하면 의료진에게 알리고, 의료진의 평가와 안내에 따라 대응하는 것이 중요합니다.

 

함께 보면 좋은 글

• AI 노인 돌봄 케어: 낙상과 고독사를 막는 기술
• AI 중환자실 모니터링: 수많은 생체신호에서 악화 징후를 찾는 기술

참고 자료

• JMIR Medical Informatics, PRIDE 섬망 예측 알고리즘(삼성서울병원) — https://medinform.jmir.org/2021/7/e23401
• ACP Online, UCSF 섬망 예측 머신러닝 모델(AWOL 대비 AUC 0.855) — https://acponline.org/node/344477
• SAS 고객 사례, 가톨릭대 서울성모병원 EMR 기반 섬망 고위험군 예측 시스템 — https://www.sas.com/ko_kr/customers/couk.html
• Journal of Medical Systems, 입원 환자 64,038건 랜덤포레스트 섬망 예측 모델 — https://dx.doi.org/10.1007/s10916-018-1109-0

출처 및 참고 사이트

• JMIR Medical Informatics - PRIDE 섬망 예측 알고리즘 (삼성서울병원)
• ACP Online - UCSF 섬망 예측 머신러닝 모델
• SAS 고객 사례 - 가톨릭대 서울성모병원 EMR 기반 섬망 시스템
• Journal of Medical Systems - 입원 환자 랜덤포레스트 섬망 예측 모델

면책 조항

본 포스팅은 정보 제공을 목적으로 하며, 의학적 진단이나 치료를 대신하지 않습니다. 건강 관련 결정은 반드시 전문 의료진과 상담하시기 바랍니다.

입원 중인 가족에게서 평소와 다른 혼란이나 행동 변화를 발견했다면, 어떤 변화였는지 의료진에게 구체적으로 전달하는 것이 도움이 될 수 있습니다.