수술을 앞둔 환자와 보호자들이 가장 두려워하는 것은 수술 자체보다 이후에 찾아올 수 있는 합병증이다. 출혈이나 감염, 호흡 곤란처럼 예측하기 어려운 상황이 뒤따를 수 있기 때문이다. 최근에는 수술 전후 축적된 방대한 임상 데이터를 학습한 인공지능이 이러한 합병증 발생 위험을 미리 계산해 의료진의 판단을 보조하는 연구와 임상 적용 사례가 늘어나고 있다.
이러한 인공지능 모델은 환자의 나이, 기저질환, 수술 종류뿐 아니라 혈액검사 수치, 활력징후, 마취 기록 등 다양한 항목을 함께 분석한다. 과거 수술에서 실제로 합병증이 발생했던 환자들의 데이터를 대조해 위험도가 높아지는 패턴을 찾아내는 방식으로 작동한다.
실제로 여러 연구에서는 수술 부위 감염, 패혈증, 부정맥이나 심부전 같은 심장 관련 합병증, 폐렴이나 무기폐 등 호흡기 합병증을 예측 대상으로 삼고 있다. 합병증 종류별로 세분화된 예측 모델을 개발하면 의료진이 각 위험 요인에 맞춰 사전 대비책을 마련하기 쉬워진다는 설명이다.
수술 전 검사 결과를 입력하면 인공지능이 감염, 출혈, 심장 관련 합병증 등 항목별 위험도를 수치로 제시하는 형태가 대표적이다. 의료진은 이 수치를 참고해 고위험군 환자에게 추가 검사를 진행하거나 수술 계획을 조정하는 등 사전 대응에 활용할 수 있다.
수술 전 위험도를 함께 확인하는 모습 [그림=메디닉스DB]
이런 예측 도구는 특히 중환자실 병상이나 인력이 제한된 상황에서 유용하다는 평가를 받는다. 합병증 위험이 높은 환자를 미리 선별하면 수술 후 집중 관찰이 필요한 인력과 병상을 우선 배정할 수 있어 의료 자원을 효율적으로 활용하는 데도 도움이 된다.
다만 전문가들은 인공지능이 제시하는 위험도는 어디까지나 참고 지표일 뿐 진단이나 최종 결정을 대신할 수 없다고 강조한다. 실제 임상 현장에서는 의료진의 경험과 종합적인 판단이 여전히 핵심적인 역할을 한다는 것이다.
국내외 여러 대학병원과 연구기관에서도 이러한 인공지능 예측 모델을 수술실과 연계한 전자의무기록 시스템에 적용하는 연구가 이어지고 있다. 대한의료정보학회 등 관련 학회에서도 인공지능 기반 임상 의사결정 지원 도구의 검증과 표준화 필요성을 논의하고 있는 것으로 알려져 있다.
인공지능 예측 모델이 널리 쓰이기 위해서는 다양한 병원과 환자군에서 반복적으로 검증하는 과정이 필요하다는 지적도 나온다. 특정 병원의 데이터로 학습한 모델이 다른 환경에서는 정확도가 떨어질 수 있어 지속적인 보정이 요구된다는 것이다.
다양한 임상 데이터를 분석하는 연구 현장 [그림=메디닉스DB]
환자 입장에서는 수술 전 인공지능 예측 결과를 근거로 의료진이 추가 상담이나 검사를 권할 경우 이를 부담스러워하기보다 합병증을 예방하기 위한 절차로 이해하는 것이 도움이 될 수 있다. 평소 앓고 있는 만성질환이나 복용 중인 약물 정보를 정확히 전달하는 것도 예측 정확도를 높이는 데 중요하다.
수술을 앞둔 환자라면 금연과 금주를 지키고 담당의가 안내한 금식 시간을 정확히 지키는 것이 합병증 예방의 기본이다. 당뇨나 고혈압 등 기저질환이 있다면 수술 전 혈당과 혈압을 안정적으로 관리하는 것도 위험을 낮추는 데 도움이 된다.
수술 후에는 상처 부위의 발열이나 붓기, 갑작스러운 호흡 곤란, 심한 통증 등이 나타나면 예정된 진료일을 기다리지 말고 곧바로 의료진에게 알리는 것이 안전하다. 인공지능 예측 도구가 확산되더라도 이상 증상을 가장 먼저 알아차리는 것은 환자 자신과 보호자라는 점을 기억할 필요가 있다.
