의약품 부작용의 패턴 인식: 신경망을 활용한 시계열 탐지 기법

– EHR 기반 부작용 발생 시점 예측과 딥러닝 기술의 접목 –

1. 부작용 탐지의 새로운 패러다임: ‘예방적 감지’

의약품은 치료 목적이지만, 모든 환자에게 동일한 효과와 안전성을 보장하지 않습니다. 특히 만성질환 치료제, 항암제, 면역억제제 등은 복용 도중 예기치 못한 부작용을 유발할 수 있으며, 이로 인해 복약 순응도 저하나 치료 실패, 심할 경우 입원이나 사망으로 이어질 수도 있습니다.

기존의 부작용 감시는 의사가 보고하거나 환자가 자발적으로 불편을 호소한 이후에야 탐지되는 경우가 대부분이었습니다. 그러나 최근 EHR(전자건강기록)의 활용과 AI 기술의 발달로 부작용이 발생하기 전의 전조 패턴을 탐지하고 조기 경고하는 접근이 가능해지고 있습니다. 이 중에서도 신경망 기반의 시계열 탐지 모델은 시간 축을 중심으로 환자의 임상 데이터를 분석하여, 특정 약물 복용 이후 일정 시간 내 이상반응이 발생할 가능성을 예측하는 강력한 도구로 부상하고 있습니다.

의약품 부작용의 패턴 인식: 신경망을 활용한 시계열 탐지 기법

---

2. 왜 시계열인가? – 부작용은 ‘시간의 흐름 속에서’ 발생한다

부작용은 정적(static) 현상이 아니라 동적(dynamic) 현상입니다. 예를 들어 다음과 같은 패턴을 가정할 수 있습니다.

• 환자가 특정 항생제를 복용한 후 5~7일 사이에 간수치(AST, ALT)가 급격히 상승한다.
• 항우울제 복용 2주 후 체중 증가, 수면장애가 반복적으로 보고된다.
• 항암제를 복용한 특정 주기 이후 백혈구 수치가 급감한다.

이러한 현상은 단순한 '있다/없다'의 분류 문제가 아니라, 특정 시간적 흐름에서 발생하는 이상 탐지 문제입니다. 따라서 시계열(Time Series) 기반의 분석이 필수적이며, 기존 통계 모델로는 포착하기 어려운 비선형적 변화, 장기 의존성(long-term dependency) 등을 모델링하기 위해 신경망 기반 모델이 주목받고 있습니다.

---

3. 신경망 기반 시계열 분석 모델의 등장

(1) LSTM (Long Short-Term Memory)

LSTM은 전통적인 순환신경망(RNN)의 단점인 기울기 소실 문제를 극복하고, 시간이 지남에 따라 발생하는 정보를 장기 기억하는 데 강점을 가집니다. 의료 시계열에서 흔히 사용되는 대표적인 딥러닝 모델입니다.

활용 예시:

• 혈액검사 수치(Lab test), 바이탈(Vitals), 약물 투약 기록 등을 시간 축에 따라 LSTM에 입력하여,
• 부작용 발생 여부 또는 발생 시점을 예측

(2) GRU (Gated Recurrent Unit)

LSTM과 유사하지만 파라미터 수가 적어 학습 속도가 빠르고, 소규모 데이터셋에도 강인한 성능을 보이는 모델입니다. 실시간 반응형 시스템에서 선호됩니다.

(3) Transformer 기반 시계열 모델

최근에는 Transformer 아키텍처의 Self-attention 메커니즘을 활용한 시계열 분석도 의료 도메인에 적용되고 있습니다. 예컨대:

• Informer, Transformer Time Series Forecasting 모델은 긴 시계열 데이터에 대해 빠른 예측이 가능하며,
• 의약품 투약 전후의 생체 신호 변화 및 검사 수치 변화에 대한 장기적 예측에 적합합니다.

---

4. EHR 데이터로 부작용 시점 예측하기

EHR은 환자의 진단 정보, 투약 이력, 검사 수치, 바이탈 사인 등 방대한 데이터를 시간 순으로 보관하는 ‘의료 시계열의 보고’입니다. 이 데이터를 정제하고 AI에 학습시키면 다음과 같은 일이 가능합니다.

(1) 입력 데이터 구성

시간(t) 투약 정보                       진단 코드                           검사 수치 (e.g. AST, Creatinine) 바이탈사인 (e.g. BP, HR)

 

t₁	Drug A 시작	K21.9 (GERD)	AST: 32, Cr: 1.1	BP: 120/80, HR: 75
t₂	계속 복용	없음	AST: 41, Cr: 1.3	BP: 118/76, HR: 80
t₃	계속 복용	없음	AST: 63, Cr: 1.6	BP: 130/85, HR: 88

 

위와 같은 테이블을 시계열로 구성하여 모델에 투입, 예측 목표는 "DILI(약물 유발 간손상) 발생 여부" 또는 "며칠 후 이상 반응이 발생할지"를 예측하는 것입니다.

(2) 부작용 예측 모델의 출력

• Binary classification: 이상반응 발생 여부 (Yes/No)
• Time-to-event prediction: 며칠 후 발생할 가능성(생존 분석 접목)
• Anomaly detection: 정상 시계열 대비 이상한 패턴 탐지

---

5. 실제 사례 및 응용 연구

(1) MIMIC-III/IV 기반 연구

하버드 MIT가 공동 개발한 MIMIC 시계열 EHR 데이터셋을 기반으로 다음과 같은 연구가 진행됨.

• LSTM 기반 DILI 예측 모델: AST 상승 추이를 바탕으로 약물-시점-간수치 변화 패턴 분석
• Multi-task LSTM: 동일 모델로 다수의 부작용(예: 간손상, 신기능 저하)을 동시에 예측

(2) Pfizer의 EHR 기반 부작용 예측 플랫폼

• 화이자는 실제 의료기관의 EHR을 활용한 RWD 기반 시계열 분석 플랫폼을 개발해, 항정신병 약물 복용 환자 중 체중 증가 리스크를 조기 탐지하는 시스템을 구축함

---

6. 데이터 정제 및 전처리의 중요성

EHR 데이터는 정형화되지 않은 형식으로 존재하는 경우가 많아, 다음의 전처리 작업이 필요합니다.

• Missing Value 처리: LSTM은 누락된 시계열 값에 민감 → Imputation 기법 필요 (e.g. forward fill, interpolation)
• 이상치 제거 및 변환: 비정상 수치(예: AST 9999)를 제거하거나 로그변환
• 이벤트 정렬: 복수 환자의 이벤트를 동기화하여 모델 학습의 일관성 확보

---

7. 향후 전망과 임상적 활용 가능성

신경망 기반 부작용 시계열 탐지 기술은 아직 발전 단계에 있지만, 다음과 같은 가능성을 내포하고 있습니다.

• 실시간 임상 경고 시스템: 병원 EMR과 연동하여 고위험 약물 복용 시 자동 경고
• 개인 맞춤형 약물 리스크 분석: 환자별 과거 의료기록 기반 위험도 스코어 산출
• 약물 허가 이후의 지속적 감시(PMS)에 활용되어 규제기관 대응 가능

또한, Explainable AI(XAI) 기술이 결합되면 의료진은 “왜 모델이 이 시점에 위험을 예측했는지”에 대한 근거를 이해할 수 있어 임상적 신뢰성을 높일 수 있습니다.

---

8. 결론: 데이터 흐름에서 패턴을 읽는 ‘의료 시계열 AI’

약물 부작용은 수많은 변수와 시간이 얽혀 있는 복잡한 현상입니다. 신경망 기반 시계열 분석 기법은 이제 단순히 '있다/없다'를 넘어, ‘언제 어떤 신호가 먼저 나타날까’, ‘어떤 검사가 부작용의 전조일까’를 찾아내고 있습니다. 이는 단순한 데이터 분석을 넘어, 환자 안전을 지키고 의료의 선제적 대응을 가능케 하는 새로운 도구입니다.

앞으로 EHR, 웨어러블, 바이오마커 등 다양한 시계열 데이터가 통합되고, 설명 가능성과 실시간성이 확보된다면, 이 기술은 진짜 임상 속에서 부작용을 예방하고 생명을 구하는 데 실질적으로 기여할 수 있을 것입니다.