기계 학습 도구로 태아 심박수 변화 예측 변수 표시

출처: 게티 이미지

샤니아 케네디

2023년 6월 5일 - 지난 달 BMC 임신 및 출산(BMC Pregnancy and Childbirth)에 발표된 연구에 따르면, 연구원들은 건강한 임신 환자의 신경축 진통 후 태아 심박수 변화와 관련된 예측 변수를 정확하게 식별할 수 있는 기계 학습(ML) 방법을 개발했습니다.

연구진은 척추, 경막외, 척수-경막외 복합(CSE) 기술을 포함하는 미국에서 널리 사용되는 진통 진통 방법인 신경축 진통이 태아 심박수 변화와 관련이 있다고 설명했습니다.

이러한 변화는 저절로 해결될 수 있지만, 태아 서맥으로 알려진 심박수의 급격한 감소는 잠재적으로 심각한 건강 문제를 나타낼 수 있습니다. 그러나 연구팀은 여러 요인이 태아 서맥의 가능성을 높여 상태를 예측하기 어렵게 만들 수 있다고 덧붙였습니다.

이 문제를 해결하기 위해 연구원들은 ML로 전환했습니다. 태아 서맥과 같이 예측 변수가 여러 개 있는 상태에서는 임상 환경에서 가장 유용한 예측 변수를 식별하기 위해 많은 양의 데이터를 분석해야 합니다.

연구를 논의한 블로그 게시물에서 연구 작성자는 ML 모델의 동적 특성으로 인해 이러한 작업에 적합하다고 밝혔습니다.

저자는 "이러한 모델은 수많은 잠재적 상호 작용이 있는 여러 예측 변수를 관리하는 데 특히 유용하며, 이는 기존 모델 사용을 설명하기 위해 더 많은 작업이 필요할 수 있습니다"라고 썼습니다. "이 분야의 인공 지능(AI)에 사용되는 알고리즘에는 단순한 배경 지식으로는 볼 수 없는 예측 변수가 포함되어 있습니다. 또한 비지도 기계 학습 방법을 사용하면 알려지지 않은 패턴이 드러날 수 있습니다."

ML 알고리즘은 예측 변수와 결과 사이의 관계에 대해 가정하지 않는 반면, 인간은 둘이 선형 관계를 가지고 있다고 가정할 가능성이 더 높다고 저자는 설명했습니다. 이를 통해 ML 알고리즘의 정확도가 향상될 수 있습니다.

태아 심박수 변화의 예측변수를 식별하는 데 적합한 모델을 설계하기 위해 연구진은 신경축 진통제를 받은 1,077명의 건강한 산통 환자에 대한 후향적 분석을 수행했습니다.

연구팀은 이 데이터를 이용해 주성분 회귀, 랜덤 포레스트, 탄력망 모델, 다중 선형 회귀 등 4가지 모델의 성능을 비교했다. 각 모델에 대해 예측 정확도와 해석 가능성이 평가되었습니다.

연구진은 예측값과 측정값의 평균 차이를 나타내는 척도인 평균제곱오차(MSE)를 사용해 랜덤 포레스트 모델이 정확도 측면에서 가장 좋은 성능을 달성했다는 사실을 발견했다.

랜덤 포레스트 모델의 MSE는 0.9인 반면, 다른 세 모델의 MSE는 42 이상이었습니다.

분석에서는 또한 산모의 체질량 지수(BMI), 분만 첫 단계의 기간, 신경축 진통을 위한 CSE 기법의 사용, 투여된 부피바카인의 양.

연구자들은 이러한 발견이 제대로 이해되지 않은 의학적 문제를 밝히는 데 있어 중요한 실제적 의미를 갖는다고 말했습니다. 연구의 맥락에서 그들은 ML 접근 방식이 건강한 임신 환자의 태아 심박수 변화와 관련된 위험에 대한 임상의의 인식을 높여 치료 계획을 조정할 수 있는 잠재력이 있다는 점에 주목했습니다.

다른 연구자와 임상의도 AI를 활용하여 진통 및 출산 결과를 개선하려고 노력하고 있습니다.

지난해 메이요클리닉(Mayo Clinic) 연구진은 질분만과 관련된 임산부의 개별 노동 위험을 예측하기 위해 AI 기반 위험 예측 모델을 개발했습니다.

이 모델은 환자의 가장 최근 임상 평가, 입원 후 누적 분만 진행 상황, 분만 시작 시 기본 특성에서 수집한 환자 데이터를 사용하여 환자와 아기의 잠재적 분만 결과를 나타냅니다.