최근 발표된 연구에 따르면, 중환자실(ICU) 환자의 사망률을 예측하는 데 있어 불규칙하게 발생하는 다양한 임상 데이터를 효과적으로 분석하는 새로운 AI 모델 'CT-HEG(Continuous-Time Heterogeneous EHR Graph)'가 개발되었습니다. 이 모델은 기존 시퀀스 모델이나 그래프 모델이 가진 한계, 즉 불규칙한 데이터 샘플링이나 고정된 입력 간격 문제를 해결하며 높은 예측 성능을 보여주었습니다.
CT-HEG는 각 ICU 입원 기록을 방문(visit), 활력 징후(vital), 검사 결과(lab_event) 세 가지 노드 유형과 시간 및 값 정보를 포함하는 엣지(edge) 속성을 가진 그래프 형태로 인코딩합니다. 이를 기반으로 'CHIRP-Net'이라는 4계층 이종 그래프 신경망(GATv2Conv network)을 구현했으며, MIMIC-IV v3.1 데이터셋(31,142개 ICU 기록)으로 평가한 결과, AUROC(Area Under the Receiver Operating Characteristic curve) 0.8449의 높은 예측 정확도를 달성했습니다. 특히, 양방향 연결성(bidirectional connectivity)이 모델 성능에 필수적이며, 이를 제거할 경우 AUROC가 0.1968 감소하는 것으로 나타났습니다. 또한, 시간 정보를 반영한 엣지(edge) 특성도 예측 정확도를 0.0247 향상시키는 데 기여했습니다.
이 연구는 불규칙하고 이질적인 전자의무기록(EHR) 데이터에서 AI 모델이 어떻게 효과적으로 정보를 추출하고 활용할 수 있는지에 대한 중요한 통찰을 제공합니다. 특히, 데이터의 시간적 관계와 다양한 엔티티 간의 연결성을 그래프 형태로 모델링하는 접근 방식은 의료 분야에서 복잡한 임상 상황을 이해하고 예측하는 데 큰 잠재력을 가집니다. 향후 외부 데이터 검증과 인구 통계학적 공정성 감사 등을 통해 모델의 견고성이 입증된다면, 실제 임상 환경에서 환자 예후 예측 및 의료진의 의사 결정 지원에 크게 기여할 수 있을 것으로 기대됩니다.