SNOMED-CT 기반 심부전 자동 진단 파이프라인 개발

주장심부전은 조기 진단이 환자의 예후를 결정하는 핵심 요소입니다. 그러나 비정형 임상 기록에 담긴 언어적 모호성으로 인해 그동안 의료 현장에서의 활용도는 낮았습니다.

팩트연구진은 846명의 환자 데이터를 대상으로 독일어 임상 기록을 영어로 번역한 뒤, 국제 표준 의료 용어 체계인 스노메드 시티(SNOMED-CT)와 연결하는 파이프라인을 구축했습니다. 이 과정에서 약어 해소 정확도는 최대 96.1%를 기록했습니다.

팩트심부전 분류 모델은 서포트 벡터 머신(SVM)을 기반으로 F1-점수 65.3%를 달성했습니다. 해당 수치는 전자건강기록(EHR)을 활용한 신경망 모델인 메드버트(medBERT.de)와 대등한 수준입니다.

교차검증현재 의료 인공지능 분야는 영어 데이터에 편중되어 있어 독일어 등 특정 언어 자원이 부족합니다. 또한 스노메드 시티 주석을 위한 대규모 수동 라벨링 데이터셋 확보 역시 기술적 난제로 꼽힙니다.

팩트이번 파이프라인은 제로샷 학습 방식을 도입하여 대규모 학습 데이터 없이도 약어 해소와 엔티티 연결을 수행합니다. 이는 데이터가 부족한 초기 질병 단계에서도 진단 정확도를 높이는 결과를 낳습니다.

주장임상 기록은 환자 건강 데이터의 80%를 포함하며 실제 진단보다 최대 2년 앞서 질병을 감지하는 핵심 정보원입니다. 따라서 임상 기록을 표준화된 온톨로지인 스노메드 시티와 결합하는 작업은 임상 의사결정 지원 시스템(CDSS) 발전에 필수적입니다.

팩트연구진은 카시(CASI) 데이터셋과 더블유에스알에스(WSRS) 임상 약어 데이터셋으로 약어 해소 성능을 검증했습니다. 이어 샤어(ShARe)/클레프(CLEF) 2014 및 메드멘션스(MedMentions) 데이터셋으로 엔티티 연결 성능을 평가했습니다.

교차검증제로샷 학습 기반의 엔티티 연결은 학습 데이터가 필요 없다는 장점이 있으나, 용어 순서가 바뀌거나 새로운 동의어가 등장할 경우 성능이 저하될 위험이 있습니다. 연구진은 이를 보완하고자 의료진의 피드백을 반영하는 온라인 학습 방식을 도입했습니다.

주장이번 연구는 스노메드 시티의 계층적 구조를 활용한 최초의 심부전 예측 접근 방식입니다. 인공지능 기반 임상 의사결정 지원 시스템이 실제 의료 현장에서 실질적인 도움을 줄 수 있음을 보여줍니다.

출처해당 연구 내용은 네이처(Nature)의 사이언티픽 리포트(Scientific Reports)를 통해 교차 검증했습니다. (https://www.nature.com/articles/s41598-026-48771-1)