전자의무기록(EHR)은 환자의 진료 기록, 처방, 시술 등 방대한 의료 정보를 담고 있어 임상 예측 개선에 큰 잠재력을 가지고 있습니다. 하지만 환자, 방문, 진단, 처방 등 이질적인 정보들이 복잡하게 얽혀 있고 시간 순서대로 기록된다는 특성 때문에, 이를 효과적으로 학습하는 것은 오랫동안 어려운 과제로 남아 있었습니다. 최근 Anirudh Rayas 연구팀은 이러한 EHR의 복잡성을 해결하기 위해 'MiGHT-EHR'(Multi-task Graph Transformer for Heterogeneous Temporal EHRs)이라는 새로운 AI 모델을 제안했습니다.
MiGHT-EHR은 EHR 데이터를 환자, 방문, 진단, 처방 등 다양한 임상 개체(clinical entities)를 노드(node)로, 이들 간의 통계적 연관성을 엣지(edge)로 연결한 이종 그래프(heterogeneous graph)로 구성합니다. 이 모델은 환자의 장기적인 진료 궤적과 여러 임상 예측 작업 간의 공유된 통계적 의존성을 통합적으로 모델링하는 다중 작업 그래프 트랜스포머(multi-task graph transformer) 방식을 사용합니다. 연구팀은 MIMIC-III와 MIMIC-IV 데이터셋을 활용하여 MiGHT-EHR의 성능을 검증했으며, 약물 추천, 입원 기간 예측, 사망률 예측, 재입원 예측 등 네 가지 주요 임상 예측 작업에서 기존 최첨단(state-of-the-art) 방법론들을 능가하는 결과를 얻었습니다. 특히 사망률과 재입원 예측에서 두드러진 성능 향상을 보였습니다.
MiGHT-EHR의 가장 큰 의미는 복잡한 EHR 데이터에서 임상적으로 해석 가능한 구조를 유지하면서도 다양한 예측 작업을 지원하는 강력한 표현(representation)을 학습한다는 점입니다. 학습된 표현을 분석한 결과, 환자 군집이 임상 결과에 따라 조직되고, 중요한 의료 개념들이 표현 공간 내에서 선형적인 방향으로 복구될 수 있음이 확인되었습니다. 또한, 작업별 예측 확률이 잘 보정(calibrated)되어 임상적 신뢰도를 높였습니다. 이러한 결과는 MiGHT-EHR이 단순히 예측 정확도를 높이는 것을 넘어, 의료진이 AI의 예측 결과를 이해하고 신뢰할 수 있는 기반을 제공한다는 점에서 중요한 진전입니다. 이는 궁극적으로 환자 치료의 질을 향상하고 의료 의사결정을 지원하는 데 크게 기여할 수 있을 것으로 기대됩니다.