AI 조기경보 도입 효과 논문, 병동에서 읽는 법
국내 병원에서 나온 AI 조기경보 연구 3편을 바탕으로, 도입 전후 변화와 경보 횟수를 어떻게 읽을지, 병동이 도입 전에 확인할 점을 정리합니다.
환자 상태가 나빠지기 전에 병동에 알려 주는 AI 조기경보는 병원이 도입을 검토할 수 있는 도구입니다. 국내 병원에서 같은 모델(VC-MAES)을 다룬 논문 3편이 2025~2026년에 발표됐습니다. 행정과 간호가 이 숫자를 어떻게 읽으면 좋을지 정리합니다.
도입 전후 비교에서 나온 결과
국내 한 병원은 신속대응체계(악화 환자에게 대응팀이 출동하는 체계) 없이 담당 간호사가 악화 징후를 살폈고, 2023년 3월 이 시스템을 일반 병동과 중환자실에 도입했습니다. 이 병원을 분석한 논문(JMIR Medical Informatics, 2025)의 결과입니다.
- 코드블루(즉시 소생술이 필요한 응급 상황) 발생률은 입원 1,000명당 10.57건(2019~2022년 평균)에서 7.93건(2023년)으로 24.97% 낮아졌습니다.
- 일반 병동에서 중간 단계 경보가 처음 울린 뒤 산소 처방이 새로 나온 비율은 경보를 의료진에게 보여 주지 않은 기간의 3.94%에서 9.43%로 늘었습니다.
- 사망률은 겨울철끼리 비교하면 입원 1,000명당 19.72건에서 16.78건으로 줄었지만, 통계적으로 뚜렷한 차이로 인정되지 않았습니다(P=0.12).
읽을 때 조심할 점
- 같은 병원의 전후 비교라서, 같은 시기에 있었던 다른 변화의 영향까지 가를 수는 없습니다(연구소 의견). 저자들도 대조 기간이 짧았고, 퇴원 후 경과와 경보 피로 같은 의료진과 AI의 상호작용은 평가하지 못했다고 밝혔습니다. 경보가 덜 울리도록 민감도를 낮추면 알림은 줄지만 중요한 사건을 놓칠 위험이 커진다고도 적었습니다.
- 세 논문 모두 저자에 개발사 소속 연구자가 있습니다. 다른 기관이 독자적으로 확인한 결과가 있는지 함께 물어볼 만합니다(연구소 의견).
- 다른 병원의 6개 병동을 앞으로 지켜보며 검증한 연구(Acute and Critical Care, 2025)에서는 사건 6시간 전 AUROC(위험 순서를 맞히는 정도, 1에 가까울수록 좋음)가 0.918로 기존 점수(NEWS 0.797, MEWS 0.722)보다 높았습니다. 다만 입원 건의 3.6%에서만 중대 사건이 생겨, 울린 경보의 정확도까지 반영하는 AUPRC(만점 1)는 0.352였습니다. NEWS와 MEWS는 활력징후와 의식 상태로 점수를 매기는 기존 방식입니다.
경보는 하루에 몇 번 울릴까
세 번째 논문(Journal of Clinical Medicine, 2026)은 708병상 병원의 입원 48,790건을 분석하며 경보를 ‘환자일 100건당 몇 건’으로 셉니다. 환자일은 환자 1명의 하루이고, 그날 경보가 한 번이라도 울리면 1건입니다. 연구진은 3~10건을 관리 가능한 범위로 놓았습니다.
이 범위에서 기준을 잡고 세 점수를 같은 시점에서 비교했더니, AI 점수는 9.67건, NEWS는 7.07건, MEWS는 5.58건이 울렸고 사건 전 시점에서 기준을 넘긴 비율은 각각 52%, 23%, 17%였습니다. 환자 30명 병동이라면 하루 약 3명에게 경보가 울리는 규모입니다(연구소 계산 예시). 반대로 보면 사건 전 시점의 절반 가까이는 기준을 넘지 못했으니, 간호사의 관찰을 대신하는 도구로 보기는 어렵습니다(연구소 의견). 이 논문은 사건이 드문 자료에서 AUROC가 오해를 부를 수 있다고도 적었습니다.
도입 전에 확인할 점
아래는 공식 요건이 아니라 연구소의 제안입니다.
- 우리 병동에서 환자일 100건당 몇 건이 울릴지 과거 데이터로 먼저 계산해 달라고 요청합니다. 첫 논문도 경보를 의료진에게 보여 주지 않는 ‘조용한 기간’을 두고 기준선을 쟀습니다.
- 경보를 받은 간호사가 누구에게 알리고 무엇을 기록하는지 대응 절차를 먼저 정합니다.
- 도입 전 코드블루, 예기치 않은 중환자실 전실, 재원일수를 우리 병원 수치로 확보해 둡니다.
- 경보 기준을 병동이 조정할 수 있는지, 조정하면 놓침과 경보 수가 어떻게 달라지는지 설명을 요청합니다.
성능 숫자의 기본은 성능 숫자 읽는 법, 알림이 쌓일 때의 문제는 경보 피로 글에서 다뤘습니다.
핵심 요약
- 한 병원의 도입 전후 비교에서 코드블루 발생률이 낮아졌다고 보고됐지만, 대조군 없는 전후 비교입니다.
- 세 논문 모두 저자에 개발사 소속 연구자가 있어, 독립적인 확인 결과를 따로 물어볼 만합니다.
- 성능 점수와 함께 환자일 100건당 경보 수를 봐야 병동의 부담이 보입니다.
- 도입 전에 경보 수 추정, 대응 절차, 기준선 수치를 먼저 준비합니다.
출처
- Kim 외, Deep Learning-Based Early Warning Systems in Hospitalized Patients at Risk of Code Blue Events and Length of Stay (JMIR Medical Informatics, 2025)
- Sim 외, Prospective external validation of a deep-learning-based early-warning system for major adverse events in general wards in South Korea (Acute and Critical Care, 2025)
- Jang 외, Determining a Clinically Applicable Cutoff in AI Algorithms for Predicting Clinical Deterioration: A Workload-Constrained, Alarm-Based Approach (Journal of Clinical Medicine, 2026)
본 사이트의 콘텐츠는 일반적인 정보 제공과 연구·교육 목적이며, 특정 환자에 대한 의학적 진단이나 조언을 대신하지 않습니다.