AI가 미숙아의 영양을 개선할 수 있는 방법

미숙아를 위한 수만 건의 영양 처방을 학습한 알고리즘은 의료 실수를 줄이고 가장 어린 환자에게 필요한 영양소가 무엇인지 더 잘 파악할 수 있습니다. 

인공지능은 미숙아의 정맥 영양을 개선할 수 있습니다. 스탠포드 의대 연구 보여주었습니다. 새로운 자연 의학 공부하다 부분적으로는 자선 활동으로 가능해졌으며, AI 알고리즘이 어떻게 의사가 아픈 신생아에 대한 더 나은 임상적 결정을 내리는 데 도움이 될 수 있는지를 보여준 최초의 사례 중 하나입니다.  

이 알고리즘은 미숙아의 전자 의료 기록 정보를 활용하여 필요한 영양소와 필요한 양을 예측합니다. 이 AI 도구는 과거 약 8만 건의 정맥 영양 처방 데이터를 기반으로 훈련되었으며, 이는 미숙아 환자의 건강 상태 정보와 연결되었습니다. 

연구진은 AI를 활용하여 정맥 영양 처방을 돕는 것이 의료 오류를 줄이고, 시간과 비용을 절약하며, 자원이 부족한 환경에서 미숙아를 돌보는 것을 더욱 용이하게 할 수 있다고 밝혔습니다. 정맥 영양은 완전 비경구 영양이라고도 하며, 소화 기관이 영양소를 흡수할 만큼 성숙되지 않은 미숙아에게 영양을 공급하는 유일한 방법입니다. 

"현재 저희는 매일 각 아기에게 개별적으로 TPN 처방을 내립니다. 직접 만들어 아기에게 제공합니다."라고 수석 연구 저자는 말했습니다. 니마 아가에푸르, 박사, 마취과, 수술 및 통증의학과, 소아과 부교수. "전정맥 영양법은 미국과 전 세계적으로 신생아 중환자실에서 가장 큰 의료 오류 원인입니다." 

이러한 과정은 오류가 발생하기 쉬울 뿐만 아니라, 의사들이 분유가 제대로 만들어졌는지 확인하기 어렵게 만듭니다. 예를 들어, 미숙아가 매일 적정량의 칼로리를 섭취했는지 측정할 혈액 검사가 없으며, 만삭아와 달리 미숙아는 배가 고프면 울거나 배가 부르면 만족감을 표현하지 않습니다. 

연구 공동 저자는 "영양은 신생아 중환자 치료에서 우리가 가장 취약한 분야 중 하나입니다."라고 말했습니다. 데이비드 스티븐슨신생아과 의사이자 소아과 Harold K. Faber 교수인 MD입니다. 

느린 과정 

약 10%의 아기가 조산아로 태어나는데, 이는 예정일보다 최소 3주 일찍 태어난다는 것을 의미합니다. 약 8주 이상 일찍 태어난 아기는 장을 통해 영양분을 흡수할 준비가 되어 있지 않아 정맥 영양 공급이 필요합니다. 또한, 일부 조산아는 조기 분만으로 인한 위장관 합병증을 겪으며 장이 회복되는 동안 정맥 영양 공급이 필요합니다. 

현재 이러한 환자들에게 정맥 영양 공급은 매일 개별적으로 처방됩니다. 환자는 단백질, 지방, 탄수화물의 분자 구성 요소인 다량 영양소, 비타민, 미네랄, 전해질과 같은 미량 영양소, 그리고 혈전 위험을 줄이기 위해 정맥 주사에 첨가되는 헤파린과 같은 약물을 섭취해야 합니다. 현재 처방은 아기의 체중, 발달 단계, 검사 결과 등의 요인을 기반으로 합니다. 

이러한 처방을 제공하려면 수시간에 걸쳐 6명의 전문가가 협력하여 의견을 제시해야 합니다. 신생아과 전문의 또는 약사가 각 처방을 작성하고, 영양사가 영양 성분을, 또 다른 약사가 안전성을 확인합니다. 처방은 조제 약국으로 보내져 조제된 후 신생아 중환자실로 이송됩니다. 신생아 중환자실에서는 한 명의 간호사가 정맥 주사를 하고, 다른 간호사가 각 환자에게 올바른 조제물이 투여되었는지 다시 한번 확인합니다. 

연구 공동 저자는 "이것은 여러 가지 다른 물질이 혼합되어 있기 때문에 위험도가 높은 약물입니다."라고 말했습니다. 샤브남 가스카리스탠포드 의대 아동 건강센터의 전무이사 겸 최고약무책임자(CPO)인 약학박사는 "즉시 사용 가능한 TPN(임상시험용 항응고제)을 제조했다면 매우 유익했을 것입니다. 환자에게 더 안전할 것이라고 생각합니다."라고 말했습니다. 

표준 공식을 향해 

연구자들은 AI를 사용하여 병원에 제조되어 바로 사용 가능한 영양제 제품을 제공할 수 있을지 고민했습니다. 

그들의 AI 알고리즘은 스탠퍼드 루실 패커드 어린이 병원 신생아 중환자실에서 10년간 축적된 전자 의료 기록 데이터를 기반으로 학습되었으며, 여기에는 5,913명의 미숙아 환자로부터 받은 79,790건의 정맥 영양 처방이 포함됩니다. 또한, 이 알고리즘은 환자의 의료 결과에 대한 정보도 활용하여 영양소 수치와 아기의 건강을 연결하는 미묘한 패턴을 찾아낼 수 있었습니다. 의사들이 이전 처방을 항상 정확하게 내린 것은 아니었지만, 방대한 데이터 덕분에 이러한 문제를 극복하고 알고리즘이 다양한 의료 상황에서 아기에게 효과적인 처방을 전반적으로 학습할 수 있었습니다. 

아가에푸르는 "이것이 AI의 강점입니다. 때로는 불완전한 데이터라도 양이 많으면 충분히 유용할 수 있습니다."라고 말했습니다. 

10년간의 환자 데이터로 학습한 후, 알고리즘은 유사한 영양소 처방을 그룹화하여 모든 환자의 영양 요구 사항을 충족하는 표준 처방의 수와 각 처방에 포함되는 성분을 파악했습니다. 

"표준 처방을 세 가지, 아니면 열 가지, 아니면 열 가지로 만들면 어떨까 생각했습니다." 아게에푸르는 말했다. "정맥 영양을 위한 15가지 처방을 사용하면, 당신이 추천하는 내용은 의사, 약사, 영양사가 원래 했을 것과 매우 유사합니다. 하지만 이 15가지 AI 기반 처방은 속도와 안전성을 크게 향상시키는 데 사용될 수 있습니다." 

또한, 연구진은 AI 알고리즘이 환자의 전자 의료 기록 데이터를 활용하여 각 아기에게 필요한 15가지 분유를 예측하고, 환자의 성장과 건강 상태에 따라 매일 권장량을 조정할 수 있음을 보여주었습니다. 즉, 알고리즘은 특정 아기에게 5일 동안 8번 분유를, 1주일 동안 3번 분유를, 며칠 동안 14번 분유를 권장할 수 있습니다. 

이 접근법이 실제 처방과 어떻게 비교되는지 시험하기 위해 연구팀은 신생아과 전문의 10명을 대상으로 실험을 진행했습니다. 의사들에게는 과거 환자들의 임상 정보와 함께 실제로 받았던 정맥 영양 처방전, 그리고 알고리즘이 추천할 처방전이 제시되었습니다. 의사들에게는 어떤 처방이 어떤 것인지 알려주지 않고, 어떤 처방이 더 좋다고 생각하는지 질문했습니다. 의사들은 실제 처방전보다 AI가 생성한 처방전을 일관되게 선호했습니다. 

연구진은 또한 AI를 사용하여 과거 환자들의 전자 의료 기록을 분석하여 환자의 실제 영양 처방이 AI가 권장한 것과 상당히 다른 사례를 찾아냈습니다. 이러한 환자들은 AI가 권장한 것과 처방이 일치하는 환자들보다 사망, 패혈증, 장 질환 위험이 상당히 높은 것으로 나타났습니다. 

연구팀은 또한 캘리포니아 대학교 샌프란시스코 캠퍼스의 실제 데이터(3,417명의 환자로부터 얻은 63,273개의 영양 처방 포함)를 사용하여 AI 모델의 유효성을 검증했으며, 이 모델이 이들 집단의 영양소 요구량을 예측하는 데도 좋은 성과를 보였다는 것을 발견했습니다. 

구현 단계 

다음 단계는 일부 환자에게는 수동 방법을 사용하여 영양소 처방을 제공하고, 다른 환자에게는 AI가 권장하는 처방을 제공하는 무작위 임상 시험을 실시하여 연구자들이 각 그룹의 결과를 확인하는 것입니다. 

시스템이 구현되면 팀은 의사와 약사가 AI 권장 사항을 계속 확인하고 필요한 경우 처방을 조정할 계획입니다. 

기여자 및 후원자 

남부 캘리포니아 대학교 케크 의과대학과 로스앤젤레스 소아병원의 과학자들이 이 연구에 기여했습니다. 

본 연구는 미국 국립보건원(National Institutes of Health, 연구비 R35GM138353), 국립 중개과학진흥센터(National Center for Advancing Translational Sciences, 연구비 UL1TR001872), 유니스 케네디 슈라이버 국립 아동건강 및 인간발달연구소(Eunice Kennedy Shriver National Institute of Child Health and Human Development, 연구비 R42HD115517), 버로우즈 웰컴 기금(Burroughs Wellcome Fund), 마치 오브 다임스(March of Dimes), 알프레드 E. 맨 재단(Alfred E. Mann Foundation), 스탠퍼드 모자보건연구소(Stanford Maternal and Child Health Research Institute)의 SPARK 중개연구 프로그램(Stanford's SPARK Translational Research Program), 스탠퍼드 고영향 기술 기금(Stanford High Impact Technology Fund), 그리고 스탠퍼드 바이오디자인(Stanford Biodesign)의 지원을 받았습니다. 또한, 본 프로젝트는 미국 국립보건원 국립 중개과학진흥센터(National Center for Advancing Translational Sciences)와 UCSF 임상중개과학연구소(UCSF Clinical & Translational Science Institute)의 지원을 받았습니다. 

선물을 주세요 루실 패커드 소아병원 스탠포드와 전 세계에서 엄마와 아기를 위한 혁신적인 연구와 치료를 지원합니다.