[헬스코리아뉴스 / 박민주] 최근 Science에 발표된 논문이 기계학습 모델을 통한 환자 맞춤형 항생제 처방으로 재감염 및 항생제 내성을 최소화할 수 있다는 사실을 제시해 주목되고 있다. 

생명공학정책연구센터는 Science의 최근 논문 'Anticipating antibiotic resistance'를 인용, '똑똑하게 항생제를 처방하기 위한 AI 활용 연구'라는 보고서를 발간했다. 

일반적으로 환자가 세균에 감염된 것으로 진단되면 임상의는 실험실에서 항생제 감수성 검사를 수행한다. 해당 검사 결과를 바탕으로 적절한 항생제를 처방하지만, 재발율이 높은 것으로 조사되고 있다. 

연구팀은 항생제 치료가 양날의 검과 같아서, 재감염은 원래 감염 세균의 변이에 의해 유발되기 때문에 감수성 일치 항생제를 올바르게 처방하면 전반적으로 재감염률이 감소한다는 것을 발견했다. 

하지만 원래 감염 세균과 다른 균주에 의해 유발되는 내성 감염이 발생할 가능성도 높아지기 때문에, 감수성 일치에 따른 항생제 치료가 미생물군에 숨어 있는 내성 균주의 활동을 유도할 수 있다는 것도 알아냈다. 

이에 연구팀은 세균의 게놈 시퀀싱을 수행, 원래 감염 균주와 재감염 균주를 비교 분석했다. 세균의 게놈 시퀀싱 데이터를 임상 기록과 통합하면 임상적 개입과 치료에 대한 통찰력과 잠재력이 향상할 것으로 예상했다. 

항생제 처방에 관한 기계학습 모델을 통해 환자의 개인 기록 등을 통합하는 데이터 기반 접근 방식으로, 재감염과 항생제 내성 위험을 동시에 최소화할 수 있다는 게 연구팀의 설명이다. 

연구팀은 광범위한 감염 및 치료 이력 데이터 세트를 기반으로 환자별 맞춤 처방을 위한 기계학습 알고리즘을 개발했다. 

의학적 결과 예측을 위해 오랫동안 사용되어 온 다변량 로지스틱 회귀를 사용했다. 알고리즘은 각 항생제 후보에 대한 조기 재감염 위험을 평가한 다음, 조기 재감염 가능성이 가장 적고 처방된 항생제에 내성이 작은 항생제를 예측한다. 

추천 알고리즘은 의사의 감수성 일치 처방에 비해 요로 감염 및 상처 감염의 조기 내성 재발률을 거의 절반 수준으로 줄일 수 있을 것으로 기대를 모으고 있다. 

의료 및 건강관리를 위한 데이터 기반의 접근방법은 시대의 흐름 상 거스를 수 없다는 평가를 받고 있다. 의료 및 건강관리를 위한 데이터 기반의 수요와 접근방법은 광범위한 공중 보건 문제를 해결할 수 있을 것으로 기대를 모으고 있다. 뿐만 아니라 새로운 데이터 수집 표준, 평가 지표 및 교육 패러다임을 도입하는 데에 기회를 제공할 것으로 예상된다. 이를 위해 근본적인 통찰력을 제공하는 게놈 서열 분석을 기반으로 임상 정보와 의료기록의 통합을 통한 대규모 데이터 세트 등 학제 간 융합 연구가 매우 중요한 실정이다. 

박민주 다른기사 보기