급성 신장 손상 예측을 위한 거대언어모델 기반 프레임워크 개발

주장급성 신장 손상(AKI)은 입원 환자의 예후를 결정짓는 치명적인 질환으로 조기 예측을 통한 예방이 필수적입니다. 기존의 예측 모델은 높은 오탐률과 임상적 통찰력 부족으로 인해 실제 의료 현장에 도입하는 데 한계가 있었습니다.

팩트연구진은 급성 신장 손상 예측 모델(AKI-PM)과 위험 분석 모델(AKI-RAM)로 구성된 이중 거대언어모델 프레임워크를 개발했습니다. 이 프레임워크는 24시간 이내의 급성 신장 손상 발생 가능성을 예측하고 그에 따른 위험 요인을 설명합니다.

팩트연구진은 중국 내 4개 병원에서 수집한 14만637건의 입원 기록을 바탕으로 모델의 성능을 검증했습니다. 내부 검증 결과 예측 모델의 곡선 아래 면적(AUC)은 0.95, 양성 예측도는 0.68을 기록했습니다.

팩트외부 병원을 대상으로 한 검증에서도 모델은 높은 일반화 성능을 유지했습니다. 소량의 데이터 학습 이후 AUC는 0.92에서 0.96, 양성 예측도는 0.69에서 0.74 사이의 수치를 보였습니다.

교차검증기존 인공지능 모델은 오탐률이 70%에서 94%에 달해 임상 현장에서 신뢰를 얻기 어려웠습니다. 이번 연구는 이러한 오탐률 문제를 해결하고 의료진이 즉시 활용 가능한 정보를 제공하는 데 집중했습니다.

팩트위험 분석 모델인 AKI-RAM은 수정 가능한 위험 요인과 수정 불가능한 요인을 구분하여 구조화된 설명을 제공합니다. 이는 의료진이 환자에게 맞춤형 권고안을 제시하는 데 도움을 줍니다.

팩트4개 병원의 신장내과 전문의 6명이 200건의 사례를 평가했습니다. 평가 결과 AKI-RAM은 8개 평가 항목에서 리커트 척도 기준 4.18점부터 4.88점의 높은 점수를 획득했습니다.

팩트평가자 간 신뢰도 역시 0.680에서 0.803을 기록하며 중간 이상의 우수한 수준을 입증했습니다. 이는 모델이 제공하는 설명의 임상적 타당성을 뒷받침합니다.

주장이번 통합 프레임워크는 인공지능 기반 임상 예측의 고질적인 한계인 해석 가능성 문제를 해결했습니다. 정확도와 설명력을 동시에 확보함으로써 다양한 의료 환경에서 확장 가능한 조기 예방 솔루션을 제시합니다.

팩트본 연구는 베이징대학교 제1병원 등 여러 기관의 연구진이 공동으로 수행했습니다. 연구 자금은 수도 건강 개선 및 연구 기금과 베이징대학교 임상 과학자 훈련 프로그램 등에서 지원했습니다.

팩트연구진은 참여 병원의 의료 정보 관리자들에게 감사를 표했습니다. 연구 결과는 학술지 네이처 커뮤니케이션즈에 게재되었습니다.

출처https://www.nature.com/articles/s41467-026-76029-x 내용을 교차 검증했습니다.