Development of a predictive model for adverse drug reactions using unstructured nursing records

Abstract

의학의 발전에 따라 환자는 다양한 처치와 처방을 받고 사용하는 약물이 증가하면서 약물로 인한 의도치 않은 해로운 반응인 약물유해반응(Adverse Drug Reaction, ADR)의 발생은 꾸준히 늘어나고 있다. 이러한 ADR 또는 약물 관련 문제의 탐지, 평가 및 예방을 위한 다양한 약물감시 활동 및 연구가 시도되고 있다. 약물감시 시스템을 개발하기 위한 여러 연구들이 진행되어 왔으며, 주로 환자 기본정보, 진단정보, 검사정보, 처방정보와 같은 코드화 된 정형 데이터를 활용하고 있다. 하지만, 의료분야에서 발생하는 데이터 중 정형 데이터는 소수이며, 환자에게 발생되는 증상 및 징후 등은 대부분 비정형 데이터로 기록되고 있다. 의료 비정형 데이터 중 가장 많은 비율을 차지하는 데이터 중 하나인 서술형 간호기록은 간호사가 환자의 상태를 관찰한 후 실시간으로 기록하는 비정형 텍스트 데이터이다. 국내 보고되는 ADR 중 절반 정도는 간호사부터 보고되며, 이렇게 ADR과 가장 밀접한 관계에 있는 간호사로부터 생성된 간호기록 데이터는 약물감시 시스템 개발에 중요한 자료원이 될 수 있을 것이다. 이에 본 연구에서는 비정형 서술형 간호기록을 기반으로 인공지능 기술 중 하나인 자연어처리 기법을 활용하여 ADR을 예측할 수 있는 모델을 개발하였다. 간호 경험과 전문 지식을 바탕으로 간호기록 분류들 중 ADR 발생과 무관한 것들을 제외하고 ADR 발생과 관련이 있거나 있을 수도 있는 간호기록을 분류하고 일련의 전처리를 수행해 예측 모델을 개발하기 위한 구조로 만들었다. 정제된 간호기록을 약물 투약내역, ADR 보고 기록과 연동하여 약물이 투약 된 시점부터 ADR이 발생하기 전까지의 간호기록을 추출하여, 하나의 ADR이 발생하기 까지의 환자 기록을 만들었다. 약 70종의 ADR 발생을 예측하기 위한 모델을 개발하였으며, ADR에 따라 발생 건수의 차이가 심한 불균형 데이터를 기반으로 예측 모델을 만들기 위한 새로운 방법을 고안하였다. ADR에 따라 개발된 여러 Sub model들을 모아 하나의 Main model을 구성하는 개발 방법론을 개발하였다. 또한, Convolutional neural network(CNN), Recurrent neural networks(RNN), Long Short-Term Memory(LSTM) 등 하나의 딥러닝 알고리즘만을 사용하는 것이 아닌 복수의 알고리즘을 활용할 수 있는 Stacking Ensemble 기법을 적용하여 개발하였다. 성능평가결과 95% 이상의 정확도로 ADR의 발생을 예측할 수 있었다. ADR이 발생하지 않은 환자들의 간호기록을 모델에 적용하여 ADR이 발생하였지만 보고하지 않은 과소 보고된 건을 찾아낼 수 있었으며, 이를 통해 본 모델의 성능 입증은 물론 약물 감시 도구로서의 활용 가능성을 제시하였다. 한글 기반의 간호기록만이 아닌 영문 기반의 데이터에도 활용할 수 있도록 구글 번역 모델을 적용한 추가 모델을 개발하여 다른 언어로의 확장성을 보여주었으며, 조기 예측이 가능한 추가 모델을 개발하여 ADR 예측 시간을 2시간가량 앞당길 수 있었다. 본 연구를 통해 개발된 ADR 예측 모델을 실제 간호환경에 적용한다면 환자의 의료 질 향상에 기여할 수 있을 것으로 기대된다.