[메디게이트뉴스 박민식 기자] 서울아산병원이 상태 악화 위험이 있는 소아 환자를 조기에 발견하기 위한 신속대응시스템(RRS)에 인공지능(AI) 기반 위험예측 시스템을 활용하고 있다. 실제 임상에서 기존 점수체계보다 먼저 고위험 환자를 포착해 의료진의 개입으로 이어진 사례도 나오고 있다.
 
다만 AI를 포함한 조기경보시스템을 효과적으로 활용하기 위해서는 활력징후 등 임상 데이터의 누락을 줄이고 불필요한 경보를 최소화해야 한다는 지적이다. 향후에는 AI가 위험도를 제시하는 데 그치지 않고 판단 근거와 신뢰도까지 의료진에게 알려주는 방향으로 발전해야 한다는 제언도 나왔다.
 
서울아산병원 소아청소년과 박유경 교수는 19일 서울 조선팰리스호텔에서 열린 뷰노 소아 환자안전 글로벌 심포지엄(Global Patient Safety Summit in Pediatrics)에서 서울아산병원의 소아 RRS 운영 경험과 AI 기반 심정지 위험관리 의료기기 딥카스(DeepCARS) 활용 사례를 소개했다.
 
박 교수는 “RRS의 목적은 예상치 못하게 상태가 나빠지는 환자를 조기에 선별하고 개입함으로써 환자의 임상적 결과를 향상시키는 것”이라며 “하지만 어떤 환자가 실제로 임상적 악화를 겪고 있는지를 가려내는 것은 항상 어렵다”고 했다.
 
딥카스 90점 이상∙30점 급상승 환아 스크리닝
 
서울아산병원은 2012년 소아 신속대응팀(PMET)을 도입한 이후 소아 RRS를 운영해왔다. 2020년 전자의무기록(EMR)에 자체 개발한 APPLE(Asan Pediatric Prevention of Life-threatening Events) 점수 체계를 도입하고 2022년 소아의료경보시스템(PMAS), 지난해에는 인력 부족 문제애 대한 솔루션 중 하나로 딥카스를 추가했다.
 
올해 1월부터는 소아 신속대응체계를 개편해 현재 전담 의사 1명과 전담간호사 5명이 참여하고 있다. 신속대응팀은 실시간 스크리닝을 통해 고위험 환자를 선별하고 라운딩과 응급상황 지원 등을 담당한다.
 
이 과정에서 딥카스 점수가 90점을 넘거나 단기간에 30점 이상 상승하는 환아를 스크리닝 대상으로 삼고 있다.
 
박 교수는 “기존 시스템에는 별도의 알람 기능이 없었는데 딥카스를 도입하면서 90점 이상으로 새롭게 등록되거나 점수가 30점 이상 빠르게 오르는 환자는 팝업 알람이 뜬다”며 “유용하게 사용하고 있다”고 했다.
 
실제 딥카스를 통해 환자의 상태 악화를 조기에 인지하고 중한 사례도 소개했다.
 
EBV 연관 혈구탐식성 림프조직구증(HLH)으로 조혈모세포이식을 위해 입원한 3세 11개월 여아는 항흉선세포글로불린(ATG) 투여 후 새벽 3시28분 딥카스 점수가 95점으로 상승해 신속대응팀에 포착됐다. 당시 환자는 저혈압과 빈맥을 보이고 있었다.
 
특히 기존 APPLE 점수는 호흡수 등 필요한 입력 데이터가 모두 입력되어야만 계산이 되기 때문에 호흡수를 포함한 일부 정보가 입력되지 않은 해당 사례에서는 딥카스 점수가 먼저 상승했다.
 
의료진은 환자의 급성 악화를 인지한 뒤 ATG 투여를 중단하고 수액과 노르에피네프린을 투여했다. 이후에도 저혈압이 지속되자 소아중환자실(PICU)로 전실했고, ATG에 의한 사이토카인 방출 증후군으로 판단해 덱사메타손을 투여했고, 그 결과 환자의 상태는 호전되었으며 딥카스 점수도 낮아지는 것이 확인됐다.
 
원인불명 발열로 입원한 16세 여아도 딥카스 점수가 92점으로 상승해 신속대응팀에 포착됐다. 환자는 수액 투여에도 저혈압이 지속돼 조기에 노르에피네프린을 투여했고, 대식세포활성화증후군(MAS)을 의심해 치료한 결과 중환자실로 전실하지 않고 병동에서 성공적으로 관리할 수 있었다.
 
데이터 누락∙알람 피로는 과제…“후속 대응은 결국 사람 몫”
 
박 교수는 실제 RRS를 운영하면서 확인한 한계도 소개했다. 대표적인 것이 필수 활력징후 데이터 누락이다.
 
재태연령 27주 6일에 태어난 생후 4개월 미숙아는 일반병동으로 옮긴 뒤 서맥과 산소포화도 저하가 반복됐지만, 실시간 연속 모니터링 시스템이 아니기 때문에 실시간으로 기록되지 않았다. . 결국 기록된 데이터만으로는 기존 APPLE 점수와 딥카스 모두 환자의 위험 신호를 제대로 포착하기 어려웠다.
 
박 교수는 “보호자에 따르면 전날 새벽부터 서맥과 산소포화도 저하가 계속 있었지만 안타깝게도 이런 것들이 기록되지 않았다”며 “간호사가 일정한 간격으로 수동 측정한 활력징후만 가지고 보면 기존 APPLE 점수나 딥카스 점수에서 이상 징후가 없었던 환자”라고 했다.
 
반대로 불필요한 경보가 발생하는 경우도 있다. 박 교수는 “특히 검사를 위해 약물을 투여하거나 활력징후 측정 간격이 촘촘해 지는 동안에는 이런 거짓 경보(false alarm)가 많아 이를 걸러내는 데에도 상당한 시간을 할애하고 있다”고 했다.
 
결국 AI를 포함한 조기경보도구의 성능뿐 아니라 이를 뒷받침할 데이터와 의료진의 대응체계가 중요하다는 설명이다.
 
박 교수는 “현재는 이상 활력징후가 입력됐을 때 그에 대해 가이드해주는 자동화된 지침은 없다”며 “환자의 심박수가 빠르고 혈압이 낮다고 했을 때 이후 상태를 확인하고 의사에게 알려주는 것은 결국 사람이 해야 한다. 이런 것들을 자동으로 트리거해 줄 수 있는 시스템이 있으면 좋겠다”고 했다.
 
이어 “딥러닝이나 머신러닝을 이용한 시스템은 데이터가 바로 입력되지 않거나 일부 빠지더라도 이를 감안해 스코어링할 수 있다는 장점이 있다”며 “더 나아가 앞으로는 고위험 환자로 분류됐을 때 왜 점수가 높게 나왔는지, 어느 정도의 신뢰도로 평가했는지까지 알려주는 방향이 필요하다”고 덧붙였다. 

결국 소아 조기경보시스템의 다음 단계는 위험도를 더 정확하게 계산하는 데 그치지 않는다. 실시간으로 환자 상태를 포착하고, 위험 신호를 의료진의 평가와 실제 대응으로 연결하며, 그 판단의 근거와 신뢰도까지 제공하는 임상 의사결정 지원체계로 발전하는 것이 과제다.