오성우
(Graduate School of Information, Yonsei University)
,
이한길
(College of Pharmacy, Yonsei University)
,
신지연
(Graduate School of Information, Yonsei University)
,
이정훈
(Graduate School of Information, Yonsei University)
세계보건기구(WHO)를 비롯해 세계 각국의 정부기관은 항생제 오남용에 따른 항생제 내성균 감염에 대해 심각하게 경고하며 이를 예방하기 위한 관리와 감시를 강화하고 있다. 하지만 감염을 확인하기 위한 감염균 배양에 수일의 시간이 소요되면서 격리와 접촉주의를 통한 감염확산 방지 효과가 떨어져 선제적 조치를 위한 신속하고 정확한 예측 및 추정방법이 요구되고 있다. 본 연구는 Electronic Health Records에 포함된 질병 진단내역과 항생제 처방내역을 neuralembedding model과 matrix factorization을 통해 embedding 하였고, 이를 활용한 딥러닝 기반분류 예측 모형을 제안하였다. 항생제 내성균 감염의 주요 원인인 질병과 항생제 정보를 embedding하여 환자의 기본정보와 병원이용 정보에 추가했을 때 딥러닝 예측 모형의 f1-score는 0.525에서 0.617로 상승하였고, 딥러닝 모형은 Super Learner와 같은 기존 기계학습 모형보다 더 나은 성능을 보여주었다. 항생제 내성균 감염환자의 특성을 분석한 결과, 감염환자는 동일한 질병을 진단받은 비감염환자에 비교해 J01 계열 항생제 사용이 많았고 WHO 권고기준(DDD)을 크게 벗어나는 오남용 청구사례가 6.3배 이상 높게 나타났으며 항생제 오남용과 항생제 내성균 감염간의 높은 연관성이 발견되었다.
세계보건기구(WHO)를 비롯해 세계 각국의 정부기관은 항생제 오남용에 따른 항생제 내성균 감염에 대해 심각하게 경고하며 이를 예방하기 위한 관리와 감시를 강화하고 있다. 하지만 감염을 확인하기 위한 감염균 배양에 수일의 시간이 소요되면서 격리와 접촉주의를 통한 감염확산 방지 효과가 떨어져 선제적 조치를 위한 신속하고 정확한 예측 및 추정방법이 요구되고 있다. 본 연구는 Electronic Health Records에 포함된 질병 진단내역과 항생제 처방내역을 neural embedding model과 matrix factorization을 통해 embedding 하였고, 이를 활용한 딥러닝 기반분류 예측 모형을 제안하였다. 항생제 내성균 감염의 주요 원인인 질병과 항생제 정보를 embedding하여 환자의 기본정보와 병원이용 정보에 추가했을 때 딥러닝 예측 모형의 f1-score는 0.525에서 0.617로 상승하였고, 딥러닝 모형은 Super Learner와 같은 기존 기계학습 모형보다 더 나은 성능을 보여주었다. 항생제 내성균 감염환자의 특성을 분석한 결과, 감염환자는 동일한 질병을 진단받은 비감염환자에 비교해 J01 계열 항생제 사용이 많았고 WHO 권고기준(DDD)을 크게 벗어나는 오남용 청구사례가 6.3배 이상 높게 나타났으며 항생제 오남용과 항생제 내성균 감염간의 높은 연관성이 발견되었다.
The World Health Organization (WHO) and other government agencies aroundthe world have warned against antibiotic-resistant bacteria due to abuse of antibiotics and are strengthening their care and monitoring to prevent infection. However, it is highly necessary to develop an expeditious and accurate...
The World Health Organization (WHO) and other government agencies aroundthe world have warned against antibiotic-resistant bacteria due to abuse of antibiotics and are strengthening their care and monitoring to prevent infection. However, it is highly necessary to develop an expeditious and accurate prediction and estimating method for preemptive measures. Because it takes several days to cultivate the infecting bacteria to identify the infection, quarantine and contact are not effective to prevent spread of infection. In this study, the disease diagnosis and antibiotic prescriptions included in Electronic Health Records were embedded through neural embedding model and matrix factorization, and deep learning based classification predictive model was proposed. The f1-score of the deep learning model increased from 0.525 to 0.617when embedding information on disease and antibiotics, which are the main causes of antibiotic resistance, added to the patient's basic information and hospital use information. And deep learning model outperformed the traditional machine hospital use information. And deep learning model outperformed the traditional machine learning models.As a result of analyzing the characteristics of antibiotic resistant patients, resistant patients were more likely to use antibiotics in J01 than nonresistant patients who were diagnosed with the same diseases and were prescribed 6.3 times more than DDD.
The World Health Organization (WHO) and other government agencies aroundthe world have warned against antibiotic-resistant bacteria due to abuse of antibiotics and are strengthening their care and monitoring to prevent infection. However, it is highly necessary to develop an expeditious and accurate prediction and estimating method for preemptive measures. Because it takes several days to cultivate the infecting bacteria to identify the infection, quarantine and contact are not effective to prevent spread of infection. In this study, the disease diagnosis and antibiotic prescriptions included in Electronic Health Records were embedded through neural embedding model and matrix factorization, and deep learning based classification predictive model was proposed. The f1-score of the deep learning model increased from 0.525 to 0.617when embedding information on disease and antibiotics, which are the main causes of antibiotic resistance, added to the patient's basic information and hospital use information. And deep learning model outperformed the traditional machine hospital use information. And deep learning model outperformed the traditional machine learning models.As a result of analyzing the characteristics of antibiotic resistant patients, resistant patients were more likely to use antibiotics in J01 than nonresistant patients who were diagnosed with the same diseases and were prescribed 6.3 times more than DDD.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
건강보험 자료를 활용한 표본 추출 방식으로 청구자료를 추출하였고 환자 표본자료의 대상 모집단이 되는 건강보험 청구자료는 의료기관에서 건강보험심사평가원에 환자의 진료비용 중에서 국민건강보험이 지급해야 하는 부분을 청구하기 위한 자료이다. 청구자료 모집단에는 입원환자 1년간의 모든 진료, 처치, 처방내역을 포함하며 입원환자의 요양기관에 대한 현황 자료가 함께 포함된다.
본 연구는 실제 항생제 내성균 감염의 원인이 되는 항생제 처방 정보를 포함하는 EHR 데이터를 활용하여 딥러닝 기반 항생제 내성균 감염을 예측하고자 한다. 그리고 감염 환자에 대한 탐색적 통계분석을 통해 감염 환자의 특성을 분석하고 항생제 오남용 현황을 파악하고자 한다.
본 연구는 Electronic Health Records 데이터를 사용하여 항생제 내성균 감염 예측을 위한 딥러닝 모형을 제안하였다. 이때 질병 진단내역과 항생제와 약물 처방내역을 embedded vector로 변환하여 예측 모형의 입력변수로 사용하여 감염을 예측할 때 인자로 활용되도록 하여 이에 따른 예측 성능의 변화를 분석하였다.
본 연구는 실제 항생제 내성균 감염의 원인이 되는 항생제 처방 정보를 포함하는 EHR 데이터를 활용하여 딥러닝 기반 항생제 내성균 감염을 예측하고자 한다. 그리고 감염 환자에 대한 탐색적 통계분석을 통해 감염 환자의 특성을 분석하고 항생제 오남용 현황을 파악하고자 한다.
본 연구는 입원환자에 대한 질병 진단내역과 항생제 및 약물 처방내역 그리고 환자정보 및 병원 이용 기록을 사용하여 항생제 내성균 감염 예측을 위한 딥러닝 기반 분류(binary classification) 예측 모형을 제안한다. 이때 질병 진단내역과 항생제 및 약물 처방내역은 희소 행렬의 형태이므로 사전에 학습한 embedding model을 통해 저차원 벡터로 변환하여 질병 d와 항생제 a를 다른 정보 h와 연결한(concatenate) 입원환자 P를 입력 데이터로 하였다.
본 연구는 항생제 내성균의 감염을 분류 예측하기 위해서 환자가 진단받았던 질병의 내역과 처방을 받았던 항생제와 기타 약물에 대한 정보를 사용한다. 수천 개의 질병과 수만 개의 항생제를 데이터로 표현(representation)하여 예측 모형의 예측 인자(feature)로 사용하였다.
사용자의 수를 m, 아이템의 수를 n이라 할 때, 행렬 분해는 행렬 A에 근사하는 행렬을 찾는 것이 목표이며, 그 공식은 Ã = UMT이다.
제안 방법
둘째, 항생제 내성균 감염환자의 특성을 분석하고 동일한 질병을 진단받았던 비감염환자와의 비교를 통해 국내 항생제 오남용 실태의 심각성을 파악하였다. 비감염환자와 비교하여 대부분의 항생제 내성균 감염 환자는 높은 빈도로 항생제를 과다 투약받은 것으로 나타났다.
또한, 항생제 내성균 감염 예측을 위해 새로 제안하는 딥러닝 모형과 기존에 주로 사용되었던 기계학습 모형의 분류 예측의 성능 차이를 비교하였고, 기준 모형은 Logistic regression, Decision tree, Bagging ensemble method, XGBoost, Super learner 총 5개의 알고리즘을 대상으로 하였다. 이 중 Super Learner[26, 33]는 의료 분야에서 예측 모형을 만들 때 많이 사용되었던 알고리즘으로 일부 연구에서는 딥러닝보다 나은 성능을 보였다는 결과가 있다[27, 37].
본 연구는 입원환자가 진단을 받았던 질병과 환자에게 투약이 된 항생제와 약물이 실제 항생제 내성균 감염에 큰 영향을 미쳤다고 가정하여 성별, 연령과 같은 환자에 대한 인구통계학적 정보와 환자의 병원이용 기록을 기준(baseline)으로 하고 질병 진단내역과 항생제와 약물 처방내역을 추가됐을 때 예측 모형의 성능이 어떻게 변화했는지를 분석하였다.
이 중 Super Learner[26, 33]는 의료 분야에서 예측 모형을 만들 때 많이 사용되었던 알고리즘으로 일부 연구에서는 딥러닝보다 나은 성능을 보였다는 결과가 있다[27, 37]. 분류 알고리즘의 유형 별로 그리고 앙상블 모형의 종류별로 대표적인 예측 모형을 가져와 본 연구에서 제안한 딥러닝 모형과의 비교를 진행하였다.
셋째, Electronic Health Records 데이터를 사용하여 감염환자의 특성을 파악하였으며 국내 항생제 오남용 실태를 확인하였다. 연구에 사용한 데이터는 일부 의료기관의 편향된 데이터가 아닌 국내 전체 입원환자를 대상으로 통계적으로 추출된 대표성과 범용성이 있는 표본자료이다.
실제 항생제 내성균 감염과 연관이 있는 질병 진단내역과 항생제 처방내역을 예측 모형의 변수로 사용했을 때 예측 모형의 성능에 어떻게 영향을 주는지를 실험하였으며 입원환자의 기본정보와 병원이용 기록을 기준(baseline)으로 하여 질병과 항생제 정보의 추가에 따른 변화를 비교 분석하였다. 항생제 내성균 감염에 큰 영향을 미치는 병원 이용 정보가 추가되었을 때 f1-score가 0.
은 t차원으로 embedding하여 표현하였다. 예측 모형은 입원환자 데이터 P의 입력정보를 통해서 감염 여부를 분류하기 위해 sigmoid 분류자를 사용하였으며 cross-entropy를 사용하여 예측 분류 값과 실제 분류 값의 손실을 최소화하는 방향으로 모형을 학습시켰다.
본 연구는 입원환자에 대한 질병 진단내역과 항생제 및 약물 처방내역 그리고 환자정보 및 병원 이용 기록을 사용하여 항생제 내성균 감염 예측을 위한 딥러닝 기반 분류(binary classification) 예측 모형을 제안한다. 이때 질병 진단내역과 항생제 및 약물 처방내역은 희소 행렬의 형태이므로 사전에 학습한 embedding model을 통해 저차원 벡터로 변환하여 질병 d와 항생제 a를 다른 정보 h와 연결한(concatenate) 입원환자 P를 입력 데이터로 하였다.
본 연구는 Electronic Health Records 데이터를 사용하여 항생제 내성균 감염 예측을 위한 딥러닝 모형을 제안하였다. 이때 질병 진단내역과 항생제와 약물 처방내역을 embedded vector로 변환하여 예측 모형의 입력변수로 사용하여 감염을 예측할 때 인자로 활용되도록 하여 이에 따른 예측 성능의 변화를 분석하였다. 본 연구의 주요 결과를 요약하면 다음과 같다.
첫째, 본 연구는 다른 항생제 선행연구와는 다르게 내성균 감염 예측을 위해 질병 진단내역과 항생제 및 약물 처방 내역을 사용하였으며 이때 embedding을 기반으로 수많은 질병과 항생제를 적은 차원 공간 안에서 분산된 확률분포 형태로 매핑하여 차원을 축소하면서 동시에 그 안에 존재하는 잠재적 의미와 연관성을 포함할 수 있도록 하였다는 차별점이 있다. 질병을 embedding하기 위해서 자연어처리와 기타 기계학습 영역에서 그 효과를 입증한 neural embedding model을 구축하였으며, 항생제 및 약물 처방을 embedding하기 위해 추천시스템과 자연어처리 분야에서 아이템과 단어 안에 내포된 잠재적 요인을 찾기 위해 많이 사용되는 행렬 인수분해 방법을 사용하였다. 이러한 embedding 과정을 거쳐 축소된 질병 벡터와 항생제 벡터는 그 안에 잠재적 의미가 있는 것뿐만 아니라 연산 효율성을 높여 훨씬 적은 시간으로도 학습할 수 있었다.
첫째, 본 연구는 다른 항생제 선행연구와는 다르게 내성균 감염 예측을 위해 질병 진단내역과 항생제 및 약물 처방 내역을 사용하였으며 이때 embedding을 기반으로 수많은 질병과 항생제를 적은 차원 공간 안에서 분산된 확률분포 형태로 매핑하여 차원을 축소하면서 동시에 그 안에 존재하는 잠재적 의미와 연관성을 포함할 수 있도록 하였다는 차별점이 있다. 질병을 embedding하기 위해서 자연어처리와 기타 기계학습 영역에서 그 효과를 입증한 neural embedding model을 구축하였으며, 항생제 및 약물 처방을 embedding하기 위해 추천시스템과 자연어처리 분야에서 아이템과 단어 안에 내포된 잠재적 요인을 찾기 위해 많이 사용되는 행렬 인수분해 방법을 사용하였다.
환자 단위로 항생제 내성균 감염 여부를 예측하도록 하였으며 모형의 전반적인 아키텍처는 deep neural network를 사용하였다. 청구명세서별로 사전 학습된(pre-trained) embedding layer를 통해 질병 진단내역과 항생제 처방내역을 embedded vector로 변환하고 환자 단위로 평균(average)을 내어 질병 벡터와 항생제 벡터를 표현하였으며 두 벡터를 다른 정보 벡터와 연결(wide concatenate)하여 입력 데이터의 변수로 사용하였다. 연결된 벡터는deep neural network의 input layer에 입력되도록 하며 input layer는 고정된 길이의 dense vector와 fully-connected시키고 dropout을 통해 randomness를 추가하였으며 layer마다 활성화 함수(activation function)로 Rectified Linear Units(ReLU)를 사용하였다.
환자 단위로 항생제 내성균 감염 여부를 예측하도록 하였으며 모형의 전반적인 아키텍처는 deep neural network를 사용하였다. 청구명세서별로 사전 학습된(pre-trained) embedding layer를 통해 질병 진단내역과 항생제 처방내역을 embedded vector로 변환하고 환자 단위로 평균(average)을 내어 질병 벡터와 항생제 벡터를 표현하였으며 두 벡터를 다른 정보 벡터와 연결(wide concatenate)하여 입력 데이터의 변수로 사용하였다.
대상 데이터
항생제 내성균에 감염되지 않았던 대조군은 감염환자 이외의 환자를 모두 감염 환자가 진단을 받았던 주진단 질병과 부진단 질병 중에서 상위 15개 다빈도 질병을 분석하여 해당 질병들로 주진단과 부진단을 받았지만 항생제 내성균에 감염되지 않았던 대조군 4,369명을 추출하였다. 그리고 감염환자 259명과 유사한 인구통계학적 정보와 병원이용 기록을 가졌으나 항생제 내성균에 감염되지 않은 환자 4,336명을 추가로 추출하여 총 8,705명을 대조군으로 설정하였다. 총 8,964명의 입원환자를 연구 대상으로 한다.
본 연구에서 사용한 데이터는 건강보험심사평가원(HIRA)에서 건강보험 청구 자료를 기초로 하여 진료개시일을 기준으로 1년간 진료받은 환자를 대상으로 표본 추출한 표본 데이터로 연구 목적으로 제공되는 자료이다. 본 연구는 2016년 건강보험심사평가원 입원환자표본자료(HIRA-NIS-2016-0078)를 활용한 것이며, 연구 결과는 건강보험심사평가원 및 보건복지부와 연관이 없음을 밝힌다.
본 연구는 항생제 내성균의 감염을 분류 예측하기 위해서 환자가 진단받았던 질병의 내역과 처방을 받았던 항생제와 기타 약물에 대한 정보를 사용한다. 수천 개의 질병과 수만 개의 항생제를 데이터로 표현(representation)하여 예측 모형의 예측 인자(feature)로 사용하였다. 자연어처리 분야에서 낮은 차원의 실수형 벡터공간 안에서 문장 속의 단어(word)들을 표현하기 위해 embedding을 한 것처럼[22] 환자의 질병 진단기록과 항생제 처방내역을 각각의 모형을 만들어 embedding space를 생성하였다.
연구 대상은 전체 입원환자표본자료에 포함된 입원환자 987,763명은 2016년 전체 입원환자 중 약 13%의 비율로 통계적인 검증을 걸쳐 추출되었다. 항생제 내성균 감염 환자는 전체 입원환자 표본 중 질병 진료내역으로 항생제 내성균 감염과 관련 있는 7차 한국표준질병, 사인분류 기준에 따라 ‘U82(베타락탐항생제 내성)’, ‘U83(기타 항생제 내성)’, ‘U84(기타 항균제 내성)’ 질병코드로 진단받은 기록이 있는 환자로 정의하여 추출하였다.
셋째, Electronic Health Records 데이터를 사용하여 감염환자의 특성을 파악하였으며 국내 항생제 오남용 실태를 확인하였다. 연구에 사용한 데이터는 일부 의료기관의 편향된 데이터가 아닌 국내 전체 입원환자를 대상으로 통계적으로 추출된 대표성과 범용성이 있는 표본자료이다. 보건복지부(2014)에서 보고한 것과 같이 국내 항생제 내성률은 OECD 국가 중에서도 최상위권에 있으며 그 수는 계속해서 증가하고 있다.
항생제 내성균 감염 환자는 전체 입원환자 표본 중 질병 진료내역으로 항생제 내성균 감염과 관련 있는 7차 한국표준질병, 사인분류 기준에 따라 ‘U82(베타락탐항생제 내성)’, ‘U83(기타 항생제 내성)’, ‘U84(기타 항균제 내성)’ 질병코드로 진단받은 기록이 있는 환자로 정의하여 추출하였다. 예측 모형 학습을 위해 목표가 되는 감염환자뿐만 아니라 항생제 내성균에 감염되지 않았던 대조군을 추출하여 학습 데이터와 검증 데이터를 구성하였다.
항생제 내성균 감염 예측 모형을 학습하고 검증하기 위해 입원환자를 대상으로 하였다. 총 4,628명 중 감염환자 259명과 비감염환자 4,369명을 대상으로 검증하였다. 입원 환자의 특성은 [Table 1]과 같다.
그리고 감염환자 259명과 유사한 인구통계학적 정보와 병원이용 기록을 가졌으나 항생제 내성균에 감염되지 않은 환자 4,336명을 추가로 추출하여 총 8,705명을 대조군으로 설정하였다. 총 8,964명의 입원환자를 연구 대상으로 한다.
항생제 내성균 감염 예측 모형을 학습하고 검증하기 위해 입원환자를 대상으로 하였다. 총 4,628명 중 감염환자 259명과 비감염환자 4,369명을 대상으로 검증하였다.
항생제 내성균에 감염되지 않았던 대조군은 감염환자 이외의 환자를 모두 감염 환자가 진단을 받았던 주진단 질병과 부진단 질병 중에서 상위 15개 다빈도 질병을 분석하여 해당 질병들로 주진단과 부진단을 받았지만 항생제 내성균에 감염되지 않았던 대조군 4,369명을 추출하였다. 그리고 감염환자 259명과 유사한 인구통계학적 정보와 병원이용 기록을 가졌으나 항생제 내성균에 감염되지 않은 환자 4,336명을 추가로 추출하여 총 8,705명을 대조군으로 설정하였다.
데이터처리
예측 모형의 성능을 평가하기 위해서는 f1-score와 예측에 대한 적중률(Hit-ratio)의 결과는 [Table 2]와 같다. 모형의 학습과 검증을 위해서 훈련 데이터와 검증 데이터는 5개의 fold로 나누어 교차 검증을 하였으며, fold별로 생성된 5개의 예측 모형의 성능을 평가하였다. 그 결과 제안된 딥러닝 모형의 평균 f1-score가 0.
이론/모형
청구명세서별로 사전 학습된(pre-trained) embedding layer를 통해 질병 진단내역과 항생제 처방내역을 embedded vector로 변환하고 환자 단위로 평균(average)을 내어 질병 벡터와 항생제 벡터를 표현하였으며 두 벡터를 다른 정보 벡터와 연결(wide concatenate)하여 입력 데이터의 변수로 사용하였다. 연결된 벡터는deep neural network의 input layer에 입력되도록 하며 input layer는 고정된 길이의 dense vector와 fully-connected시키고 dropout을 통해 randomness를 추가하였으며 layer마다 활성화 함수(activation function)로 Rectified Linear Units(ReLU)를 사용하였다. Hidden layer의 깊이(depth)는 dense vector와 dropout의 수를 바꿔가며 최적의 성능을 내는 것으로 조절하였다.
성능/효과
모형의 학습과 검증을 위해서 훈련 데이터와 검증 데이터는 5개의 fold로 나누어 교차 검증을 하였으며, fold별로 생성된 5개의 예측 모형의 성능을 평가하였다. 그 결과 제안된 딥러닝 모형의 평균 f1-score가 0.617로 가장 높은 성능을 나타났고 선행연구에서 다른 기계학습 알고리즘에 비해 좋은 성능을 보였던 Super learner가 0.563으로 2순위의 결과로 나타났다. 최근 Kaggle과 같은 데이터 과학 경진대회에서 좋은 결과를 보여주고 있는 XGBoost가 0.
기존 연구에서는 폐결핵(tuberculosis) 환자의 항생제 내성균 감염을 예측하기 위해 합성곱신경망(Convolution Neural Network: CNN) 기반의 딥러닝 모형을 통해서 환자들의 폐를 촬영한 CT 이미지를 분석하였다[10]. 다양한 항생제 내성 종류 별로 분류 예측을 하는 모형을 제안하였고 이미지에서 특징을 검출하는 hand-crafted SIFT 방법과 비교하여 스스로 특징을 찾아내는 딥러닝 모형이 더 나은 성능을 보였음을 밝혔다.
둘째, 딥러닝 모형이 다른 기존 기계학습 모형보다 더 나은 예측 성능을 보여주었다. 오래전부터 MIMIC 데이터를 이용하여 입원환자 사망률과 예상되는 입원 기간을 예측하는 연구들이 진행되었고 최근 딥러닝 기반의 예측 모형들이 기존의 방법들을 뛰어넘는 결과를 보여주고 있어[27] 항생제 내성균 감염 예측에서도 좋은 결과를 기대할 수 있었다.
둘째, 항생제 내성균 감염환자의 특성을 분석하고 동일한 질병을 진단받았던 비감염환자와의 비교를 통해 국내 항생제 오남용 실태의 심각성을 파악하였다. 비감염환자와 비교하여 대부분의 항생제 내성균 감염 환자는 높은 빈도로 항생제를 과다 투약받은 것으로 나타났다. 따라서 의사들에게 항생제 처방과 투약에 있어 항생제 내성균 감염의 위험성을 제고하고 세계보건기구에서 권고한 지침(DDD)을 따를 수 있도록 국가적 차원에서 교육과 관리가 필요하다.
개인의 차원에서는 건강보험심사평가원 홈페이지에서는 항생제 처방률 적정성 평가 등을 해볼 수 있다. 이렇듯 2016년은 항생제 오남용을 줄이기 위한 국가적 차원의 정책을 펼친 첫해였으나 본 연구의 분석 결과를 통해서 관리가 잘 이루어지지 못했다는 것을 확인할 수 있었다.
첫째, 입원환자의 과거 질병 진단내역과 항생제 및 약물 투약에 대한 내역을 예측 모형에 반영했을 때 더 나은 결과를 보였다. 선행연구에서는 유전자 서열 분석과 CT 이미지 데이터 분석을 통한 항생제 내성균 감염 예측을 연구하였으나 항생제 내성균에 감염되는 일차적인 원인이 진단된 질병과 그에 따른 항생제 및 약물 사용에 있으므로[20] 이에 대한 고려가 필요했고, 본 연구에서는 이러한 정보를 EHR 데이터에서 얻어 예측 모형에 반영할 수 있었으며 반영한 이후에 더 나은 결과를 보여주었다.
실제 항생제 내성균 감염과 연관이 있는 질병 진단내역과 항생제 처방내역을 예측 모형의 변수로 사용했을 때 예측 모형의 성능에 어떻게 영향을 주는지를 실험하였으며 입원환자의 기본정보와 병원이용 기록을 기준(baseline)으로 하여 질병과 항생제 정보의 추가에 따른 변화를 비교 분석하였다. 항생제 내성균 감염에 큰 영향을 미치는 병원 이용 정보가 추가되었을 때 f1-score가 0.103에서 0.525로 많이 증가하였으며, 질병과 항생제 정보가 추가되었을 때 0.617로 증가하면서 질병과 항생제의 정보가 항생제 내성균 감염 예측을 위한 주요 변수로 영향을 미치는 것을 파악하였다(Refer [Table 3]).
후속연구
정보시스템을 통해서 축적된 데이터를 기반으로 새로운 항생제 내성 출현과 국제적 확산을 더욱 효과적으로 감지할 수 있을 것이다. 또한 기존의 ‘독성 및 내성 등으로 사용이 제한된 항생제’의 재생기술 개발 연구[6] 등을 지원할 수 있을 것으로 기대한다.
정보시스템을 통해서 축적된 데이터를 기반으로 새로운 항생제 내성 출현과 국제적 확산을 더욱 효과적으로 감지할 수 있을 것이다. 또한 기존의 ‘독성 및 내성 등으로 사용이 제한된 항생제’의 재생기술 개발 연구[6] 등을 지원할 수 있을 것으로 기대한다.
2016년의 보건복지부의 항생제 오남용 보고서와 Park[25]의 연구에 따르면 사람의 왕래가 잦아 감염 위험이 컸던 종합병원 이외의 지역 의료시설에도 감염이 확산하는 추세라고 보고하였다. 종합병원에서는 메르스 사태 이후 감염관리가 비교적 잘 이루어지고 있으나 다른 지역 의료시설에는 관리가 어려워 감염에 더 취약한 상황이므로 본 연구에서 제안한 예측 방법을 활용하여 실시간으로 지역 요양기관에서도 감염 예방을 위한 검사와 선제적 격리를 할 수 있도록 국가적 차원에서 정보 시스템 구축을 지원해야 할 것이다.
질의응답
핵심어
질문
논문에서 추출한 답변
항생제 내성이란 무엇인가?
항생제 내성은 박테리아 감염을 예방하고 치료하는데 사용되는 의약품인 항생제 사용에 따라 박테리아가 변하면서 내성이 생기게 된 것을 말한다[20]. 이러한 내성균이 생성됨에 따라 항생제가 제대로 작용하지 못하며, 감염균이 발생할 가능성이 높아지게 된다.
항생제 내성균 감염에 대한 검사시스템 구축이 필요한 이유는 무엇인가?
하지만 배양 결과를 확인하기까지 평균적으로 5.2일이 걸리며 이 기간은 감염 확산을 막기에는 긴 기간이고[21], 결과를 확인한 후에 격리 및 접촉주의를 시행했을 때는 감시의 효과가 떨어지게 된다. 검사 결과가 나오기 이전에 선제적으로 격리하고 접촉주의를 시행하는 것은 윤리적인 문제가 생길 여지가 있고 기타 사회적, 경제적 비용을 발생시키게 된다[30].
따라서 항생제 내성균 감염에 대한 조기 발견과 명확한 진단을 통해 적절한 관리와 감시가 이루어질 수 있도록 신속하고 정확하게 검사 결과를 통보하기 위한 검사시스템 구축이 요구되는 상황이다[25].
단기간에 항생제 내성을 증가시킨 주요 원인은 무엇인가?
항생제 내성이 가속화되는 이유는 항생제의 오남용이 심하다는 문제가 있지만, 단기간에 항생제 내성을 증가시킨 주요 원인은 내성균이 빠르게 전파 확산하는 것에 있다. 특히나 병원이나 요양원 같은 의료시설에서 직간접적으로 내성균이 전파 확산하는 경우가 많다[25].
※ AI-Helper는 부적절한 답변을 할 수 있습니다.