본 연구에서는 다기관 손상 레지스트리를 활용하여 뇌출혈 예측 모델을 새롭게 개발한 뒤 이것을 head CT 처방 추천 여부를 알려주는 임상 결정지원 시스템으로 적용해보고자 하였다. (본 연구에서는 모델을 개발한 뒤 실제 응급의학과 의사의 임상 결정에 모델이 미치는 영향의 정도와 방식을 분석하여 향후 모델이 실제 workflow에 적용될 때 고려할 인자를 찾는 것을 연구 목표로 하였다. 또한 해당 모델의 검증을 위해 다국적 레지스트리를 활용하여 외부 검증을 하고 성능이 낮은 경우 해당 성능을 높이기 위한 방법을 고려해보았다.)

모델 개발 단계에서는 25개의 응급실 손상 환자를 대상으로 구축된 레지스트리를 활용하였다. 그 중 두부 외상 환자 75 만명의 데이터로 모델을 개발하였으며 삼성서울병원 손상 레지스트리의 약 3만명으로 외부 검증하였다. 최종적으로 모델은 내부 검증 시 AUROC 0.927, 외부 검증 시 0.886으로 높은 성능을 보였다.

의사결정 시뮬레이션 연구는 삼성서울병원 응급의학과에 근무중인 전공의 및 전문의 22명을 대상으로 시행하였으며 먼저 의사에게 시뮬레이션 케이스를 보여 준 뒤 head CT의 시행 여부를 응답하게 하고 이후 인공지능의 결과를 보여 준 뒤 같은 케이스에 대한 head CT 시행 결정 변화를 조사했다. 실험결과 의사의 의사결정 변화는 인공지능이 제시한 추천 내용에 따라 차이가 있었으며 인공지능이 CT를 권유할수록 수용성이 높았다.

다국적 데이터로 외부 검증을 해보았을 때 전반적으로 AUROC 0.8 미만의 낮은 성능을 보여 전이 학습을 시도 데이터의 분포가 기존의 만들어진 모델과 비슷한 양상을 띠는 국가일수록 전이학습의 효과가 큰 것을 확인하였다.

본 연구에서는 응급실에 내원한 외상성 뇌출혈을 중심으로 3가지 연구를 시행하였다. 예측 모델의 임상결정지원 시스템으로서의 영향도와 영향을 주는 주요 인자들을 평가하고 나아가 해당 모델을 다국적 데이터를 활용해 외부 검증 및 국가별 맞춤화된 모델을 만들어 보았다. 따라서 본 연구의 결과는 외상성 뇌출혈의 조기 진단 및 불필요한 head CT를 줄이는 데에 인공지능을 활용한 새로운 시각과 방향성을 제안해 줄 것으로 기대된다.