결핵은 세계에서 가장 치명적인 세균 감염이다. 2022년에는 1,000만 명이 넘는 사람들이 이 질병에 걸렸고 130만 명이 목숨을 잃었다. 이 숫자는 다제내성 결핵의 확산으로 인해 급격히 증가할 것으로 예상된다.

왜 한 결핵 환자는 감염에서 회복되고 다른 환자는 쓰러질까? 그리고 같은 질병을 앓고 있어도 한 환자에게는 한 가지 약이 효과가 있지만 다른 환자에게는 효과가 없는 이유는 무엇일까?

사람들은 수천년 동안 결핵과 싸워왔다. 예를 들어, 연구자들은 결핵 징후를 보이는 기원전 2400년의 이집트 미라를 발견했다. 결핵 감염은 전 세계적으로 발생하지만 다제내성 결핵 사례가 가장 많은 국가는 우크라이나, 몰도바, 벨로루시, 러시아이다.

연구자들은 우크라이나에서 진행 중인 전쟁으로 인해 의료 서비스 중단으로 인해 다제내성 결핵 사례가 증가할 것이라고 예측한다. 또한, 코로나19 팬데믹으로 인해 결핵 진단 및 치료에 대한 접근성이 줄어들어 전 세계적으로 수십 년간의 발전이 역전되었다.

이용 가능한 의료 데이터를 신속하고 전체적으로 분석하면 각 환자에 대한 치료를 최적화하고 약물 내성을 줄이는 데 도움이 된다. 최근 발표된 연구에서 우리 팀과 나는 전 세계 환자 데이터를 사용하여 보다 개인화되고 효과적인 결핵 치료를 안내하는 개발된 새로운 AI 도구에 대해 설명한다.

성공 또는 실패 예측

우리 팀과 나는 환자가 결핵 치료에 어떻게 반응하는지 예측할 수 있는 변수가 무엇인지 확인하고 싶었다. 그래서 우리는 10개국 5,000명 이상의 결핵 환자로부터 200가지 이상의 임상 검사 결과, 의료 영상 및 약물 처방을 분석했다. 연령, 성별, 이전 치료 이력, 환자에게 다른 질환이 있는지 여부 등 인구통계학적 정보를 조사했다. 마지막으로 병원체가 어떤 약물에 내성을 갖고 있는지, 병원체가 어떤 유전적 돌연변이를 갖고 있는지 등 다양한 결핵균에 대한 데이터도 분석했다.

이와 같은 거대한 데이터세트를 보는 것은 부담스러울 수 있다. 대부분의 기존 AI 도구조차도 대규모 데이터 세트를 분석하는 데 어려움을 겪었다. AI를 사용한 이전 연구는 영상이나 연령과 같은 단일 데이터 유형에 초점을 맞춰서 결핵 치료 결과를 예측하는 데 제한적인 성공을 거두었다.

우리는 크고 다양한 변수를 동시에 분석하고 결핵 결과와의 관계를 식별할 수 있는 AI 접근 방식을 사용했다. 우리의 AI 모델은 투명했다. 즉, 내부 작동을 통해 가장 의미 있는 임상 특징을 식별할 수 있다. 이는 또한 다중 모드였으며 이는 동시에 다양한 유형의 데이터를 해석할 수 있음을 의미한다.

데이터 세트에서 AI 모델을 훈련한 후, 새로운, 보이지 않는 환자 데이터에 대해 83%의 정확도로 치료 예후를 예측하고 기존 AI 모델보다 뛰어난 성능을 발휘할 수 있다는 사실을 발견했다. 즉, 새로운 환자의 정보를 모델에 입력하면 AI가 특정 유형의 치료가 성공할지 실패할지 여부를 결정할 수 있다.

우리는 영양, 특히 낮은 BMI와 관련된 임상 특징이 치료 실패와 관련이 있음을 관찰했다. 결핵은 일반적으로 영양결핍 집단에서 더 널리 퍼져 있기 때문에 이는 영양을 개선하기 위한 중재의 사용을 지원한다.

우리는 또한 특정 유형의 약물 내성 감염 환자에게 특정 약물 조합이 더 잘 작용하지만 다른 유형의 환자에게는 효과가 없어 치료 실패로 이어진다는 사실도 발견했다. 시너지 효과가 있는 약물을 결합하면 실험실에서 서로의 효능을 향상시켜 더 나은 결과를 얻을 수 있다. 실험실의 조건과 비교하여 신체의 복잡한 환경을 고려할 때, 실험실의 약물 간의 시너지 관계가 임상에서 유지되는지 여부는 지금까지 불분명했다. 우리의 결과는 AI를 사용하여 길항 약물 또는 서로를 억제하거나 상쇄하는 약물을 약물 발견 과정 초기에 제거하면 치료 실패를 피할 수 있음을 시사한다.

AI로 결핵 퇴치

우리의 연구 결과는 다양한 유형의 임상 데이터의 상대적 중요성을 강조함으로써 연구원과 임상의가 2035년까지 결핵을 종식시키려는 세계보건기구(WHO)의 목표를 달성하는 데 도움이 될 수 있다. 이는 결핵 완화를 위한 공중 보건 노력의 우선순위를 정하는 데 도움이 될 수 있다.

우리 AI 도구의 성능은 유망하지만 모든 경우에 완벽하지는 않으며 병원에서 사용하려면 더 많은 교육이 필요하다. 인구통계학적 다양성은 한 국가 내에서 높을 수 있으며 병원마다 다를 수도 있다. 우리는 이 도구를 지역 전반에 걸쳐 보다 일반화할 수 있도록 노력하고 있다.

우리의 목표는 궁극적으로 AI 모델을 맞춤화하여 특정 조건을 가진 개인에게 적합한 약물 요법을 식별하는 것이다. 일률적인 치료 접근법 대신, 다양한 유형의 데이터를 연구하는 것이 의사가 각 환자에 대한 치료를 개인화하여 최상의 결과를 제공하는 데 도움이 되기를 바란다.