에이아이트릭스, 환자 악화 예측 AI 모델 'MADE' 논문 JAMIA 등재

의료 AI 기업 에이아이트릭스가 개발한 환자 상태 악화 예측 모델 'MADE'에 관한 연구 결과가 의료정보학 국제 학술지 JAMIA에 수록됐다. 이 모델은 전자의무기록에서 값이 기록되지 않은 구간, 즉 결측 자체를 의미 있는 신호로 간주해 분석에 반영하는 방식을 택했다. 기존에는 결측치를 통계적 보간 기법(MICE)이나 직전 관측값 대체(LOCF)로 메꾸는 경우가 많았는데, 연구진은 접근 방식을 달리해 결측이 발생하는 패턴 자체를 추적했다. 구현을 위해 마스킹 어텐션 구조를 적용한 트랜스포머와 양방향 LSTM 네트워크를 결합, 실제 관측값과 결측 패턴을 함께 분석하도록 설계했다. 검증은 신촌 세브란스병원의 내부 데이터뿐 아니라 서울아산병원 및 한림대의료원의 외부 코호트까지 포함해 이뤄졌으며, 평가 대상 질환은 급성중증이벤트와 패혈증이었다. 해당 모델은 연구 단계에 그치지 않고 에이아이트릭스의 상용 솔루션인 'AITRICS-VC'(바이탈케어)에 탑재돼 현장에서 가동되고 있다. 연구에 참여한 문예찬 연구원은 결측 정보도 환자 상태를 이해하는 단서가 될 수 있음을 보여준 연구라고 평가하며, 향후에도 의료 AI 분야의 개발과 검증 작업을 이어가겠다는 뜻을 전했다.

에이아이트릭스의 환자 악화 예측 모델 'MADE' 논문이 JAMIA에 게재됨
EHR 결측 패턴 자체를 정보로 활용하는 새로운 접근법 적용
마스킹 어텐션 트랜스포머와 bi-LSTM을 결합한 구조 사용
신촌 세브란스·서울아산병원·한림대의료원 데이터로 급성중증이벤트·패혈증 검증
해당 모델은 상용 솔루션 AITRICS-VC(바이탈케어)에 적용돼 운영 중

BioPulse 해설

원문에 없는 배경 설명입니다 · AI 작성 · 기사의 사실관계가 아닙니다

JAMIA: 의료정보학 분야의 대표적인 국제 학술지로, 헬스케어 데이터·AI 연구 논문을 다룬다.
환자 악화 예측 모델: 활력징후·검사결과 등 임상 데이터를 바탕으로 환자 상태가 나빠질 가능성을 사전에 추정하는 AI 모델이다.
결측값(Missingness): 의료 데이터에서 측정되지 않거나 기록되지 않은 값으로, 그 패턴 자체가 임상적 의미를 가질 수 있다.
어텐션(Attention) 메커니즘: 딥러닝 모델이 입력 데이터 중 중요한 부분에 가중치를 두어 처리하도록 하는 기법이다.

의료 AI 분야에서는 전자의무기록(EMR)에 쌓인 활력징후, 검사수치 등 시계열 데이터를 활용해 환자 상태 변화를 예측하는 연구가 꾸준히 이뤄져 왔다. 이런 모델은 임상 현장에서 의료진의 의사결정을 보조하는 조기경보 시스템으로 활용될 가능성이 논의되며, 학계에서는 국제 학술지 게재를 통해 연구의 방법론과 성능을 검증받는 절차를 거친다. 다만 학술지 게재는 연구 결과의 과학적 타당성을 인정받는 과정이며, 실제 의료 현장 도입이나 규제 승인과는 별개의 절차로 이해된다.

Why it matters의료 AI 기업이 자사 기술을 국제 학술지에 게재하는 것은 연구의 신뢰성을 대외적으로 입증하는 통상적 방식 중 하나로 여겨진다.

원문을 확인하세요

BioPulse는 원문을 저장하거나 전재하지 않습니다. 위 글은 공개된 보도를 요약한 것이며, 수치·일정·인용은 요약 과정에서 빠지거나 달라질 수 있습니다. 판단이 필요한 사안은 반드시 원문에서 확인하세요.

팜뉴스 원문 보기

원문 보도의 저작권은 팜뉴스에 있습니다.