뇌졸중 환자의 90일 예후를 예측하는 머신러닝(Machine Learning) 모델은 높은 정확도를 보였지만, 실제 임상 현장에서의 활용은 저조했습니다. 이는 모델의 설명 방식이 의사들의 임상적 추론 과정과 일치하지 않았기 때문입니다. 의사들은 환자의 상태를 연속적인 수치보다는 특정 기준에 따라 분류된 범주(예: 경증, 중증)로 판단하는 경향이 있습니다.
최근 arXiv에 발표된 연구는 이러한 간극을 좁히기 위한 흥미로운 접근법을 제시했습니다. 연구팀은 임상 가이드라인에 명시된 기준을 바탕으로 연속적인 예측 변수(continuous predictors)를 범주형 데이터(categorical encodings)로 변환하여 모델에 적용했습니다. 유럽의 다기관 등록 데이터를 세 가지 치료 코호트(treatment cohort)로 나누어 표준 모델과 범주형 모델을 비교한 결과, 두 개의 코호트에서는 범주형 모델이 표준 모델과 통계적으로 구별할 수 없는 예측 정확도를 보였습니다. 한 코호트에서는 예측 정확도가 유의미하게 감소했지만, 전반적인 특징 중요도(feature importance) 순위는 일관되게 유지되어, 범주화가 예후 인자의 핵심 계층을 보존함을 시사했습니다.
이 연구 결과는 뇌졸중 예후 예측 모델의 임상 도입을 가속화할 중요한 단서를 제공합니다. 의사들이 익숙한 방식으로 모델이 정보를 처리하고 설명한다면, AI 기반 진단 및 예측 시스템에 대한 신뢰와 수용도가 크게 높아질 것입니다. 이는 궁극적으로 환자 치료 결정의 효율성과 정확성을 향상시키는 데 기여할 수 있으며, AI 의료 솔루션 개발자들이 사용자 친화적인 설명 가능성(explainability)을 설계하는 데 중요한 방향성을 제시합니다.