산모 및 태아 건강 결과 예측에서의 머신러닝 발전

Brief news summary

최근 연구들은 모자보건 분야에서 머신러닝(ML)의 활용이 확산되고 있음을 보여주며, 초기 위험 예측을 개선하고 임상 평가를 자동화하는 데 기여하고 있습니다. Ahmadzia 등(2024)은 미국 출생 데이터 185,000건 이상을 이용해 그래디언트 부스팅을 적용하여 산후 출혈과 수혈 필요성을 예측했으며, 높은 성능(ROC-AUC 최대 0.833)을 달성했고, 분만 방식과 옥시토신 투여량이 중요한 예측 변수임을 확인했습니다. Venkatesh 등(2020)은 입원 시점에 XGBoost를 활용해 출혈 예측을 수행했으며, 높은 C-통계량(0.93)을 기록했고, BMI와 진통 특성의 중요성을 강조했습니다. 두 연구 모두 임상 실무의 변화로 인해 외부 검증과 재조정의 필요성을 지적했습니다. Li 등(2025)은 메릴랜드 출생 261,000건 이상에 LASSO 회귀를 적용하여 심각한 모성 합병증 위험을 평가했으며, 인종적 소수자와 저소득층에서 격차가 나타났지만, 중간 정도의 정확도(약 0.80 AUC)와 희귀 사건에 대한 낮은 민감도를 보였습니다. Venturini 등(2025)은 20주차 초음파 영상을 이용한 완전 자동 태아 생체계측 시스템을 도입하여 전문가 편향과 측정 차이를 절반으로 감축했으며, 첨단 프레임 수준 분석과 베이esian 기법을 활용했습니다. 이러한 발전들은 ML이 위험 계층화, 건강 불평등 해소, 태아 평가 향상에 있어 잠재력을 보여주며, 앞으로는 지속적 검증, 공정성 확보, 도메인 적응, 그리고 임상 실무에의 통합을 통해 모자보건 분야에서의 ML 활용 효과를 극대화하는 것이 중요할 것입니다.

산모와 태아 건강 결과 향상을 위한 기계학습 활용 1. 산후 자 hemorrhage (PPH) 및 수혈 예측을 위한 기계학습 아흐마드지아 HK 외 (2024)은 그래디언트 부스팅 등 여러 ML 모델을 개발하여 미국 12개 병원에서 태어난 185, 000건 이상의 출생 데이터를 활용해 PPH(≥1000 mL 출혈량) 및 수혈 필요성을 예측하였다. 그래디언트 부스팅이 다른 모델들보다 성능이 우수했으며(ROC-AUC 0. 833; PR-AUC 0. 210), 산전과 산중 데이터를 결합했을 때 예측 정확도가 향상되었으나 정밀도는 약 13%에 머물고, 교정곡선은 위험 과평가를 시사하였다. 주요 예측 변수에는 분만방법, oxytocin 투약량, 자궁수축제 사용, 마취 간호사의 배치, 병원 유형이 포함되었으며, 이는 임상 및 시스템 차원의 요인임을 보여준다. 데이터 통합은 정확도를 높였으나, 고전 데이터(2002~2008년)를 사용한 점, 결측치 처리 방식을 비롯한 교차 검증의 제한점, 외부 검증 요구와 인종·보험·병원 특성 고려한 공정성 검증 필요성을 시사한다. 2. 입원 시점에서의 PPH 예측을 위한 ML 및 통계 모델 벤카테시 KK 외 (2020)은 로지스틱 회귀, 랜덤 포레스트, XGBoost를 비교하여, 2002~2008년 미국 10개 병원에서 152, 279건 출생 데이터를 활용해 PPH를 예측하였다. XGBoost가 가장 높은 성능(C 통계량 0. 93)을 보였으며, 랜덤 포레스트(0. 92), 로지스틱 모델(0. 87)을 앞섰다. 중요한 예측 변수로는 임신 전·입원 시 BMI, 거대아, 활력징후, 자연 분만 시도, 임신 횟수, 빈혈, 자연 분만 여부 등이 있었다. PPH 발생률은 4. 7~4. 8%였으며, 제왕절개는 약 15%, 질식 분만은 약 0. 6%로서 클래스 불균형 및 임계값 조정이 필요함을 보여준다. 연구는 시간 및 병원별 검증과 의사결정 곡선 분석을 통해 임상적 활용 가능성을 평가하였으며, 데이터의 최신성, 출혈 측정 오류 가능성 등의 한계도 제기하였다. 외부 검증과 재보정, 최적 임계값 선정, 형평성 평가가 권장된다. 3. 메릴랜드 주에서의 심각한 산모 합병증(SMM) 예측과 불평등 분석 리 Q 외 (2025)는 2016~2019년 메릴랜드 내 261, 226건 분만 데이터를 병원 행정자료와 미국병원협회 자료를 연계하여 SMM을 예측하고 인종, 소득, 보험, 언어별 격차를 분석하였다.

18개 변수에 LASSO를 적용한 모델은 AUC 약 0. 80으로, 로지스틱 회귀(0. 69~0. 71)보다 성능이 우수했으나, SMM는 희귀하여 재현율이 낮았다(약 76건/10, 000건). 비히스패닉 흑인 여성, 저소득층, 공적보험, 비영어권에서 SMM 위험이 상대적으로 높게 나타났다. 전혈 수혈(transfusion)을 제외한 CDC 기준 SMM 정의를 활용하여 해석 가능성과 수렴도를 높였으며, 형평성 검증도 수행하였다. 큰 강점은 아우터 데이터 연계와 상세 분석이지만, 저감률, 지리적 제한, 혈액 수혈 제외 등이 한계이며, 추후에는 클래스 불균형 해소, 자원 배분에 맞춘 의사결정 분석, 확장 검증이 필요하다. 4. 20주 태아 생체측정의 자동화 AI 시스템 벤투리니 L 외 (2025)는 20주 ultrasound 영상의 전체 프레임을 분석하여 표준 태아 생체측정값(머리둘레, 두정경, 복부둘레, 대퇴골 길이)을 자동으로 추정하는 AI 시스템을 제시하였다. 이 시스템은 실시간 평면 분류( SonoNet), 프레임별 U-Net 측정, Bayesian 혼합모델을 통합하여 측정값을 결합, 이상값을 제거하며 신뢰구간을 제공하여 조작자 편향을 최소화한다. 대부분의 측정에서 인간 간 오차와 유사한 수준으로 측정 차이를 보였으며(95% 범위 내), 모든 프레임 통합 시 변동성이 크게 줄어들었다. 반복 시험에서도 다른 초음파 장치에 대한 측정 재현성이 높아 신뢰성을 입증하였다. Bayesian 신뢰구간은 해석 가능한 신뢰도를 제공하며, 데이터가 늘어날수록 더욱 정교해진다. 강점은 대규모 적용, 실시간 분석, 재현성, 불확실성 정량화이며, 제한점은 이상아 태아 예측 방지 데이터 부족, 일부 지표의 성능 저하(예: 소뇌두께), 일반화 가능성의 불확실성이다. 임상시험, 병원별 모델 업데이트, 신뢰구간 표시의 유용성 검증이 추천된다. 이전 연구 요약과 최신 글로벌 디지털 헬스 업데이트는 제공된 링크를 참고하시기 바랍니다.