연세사랑병원과 연세대학교 세브란스병원, 강북연세병원으로 구성된 공동 연구팀이 인공지능(AI)을 활용하여 '슬개골(무릎뼈) 탈구'의 위험을 정확히 예측할 수 있는 인공지능 모델을 개발하는 데 성공했다.

공동연구팀이 자기공명영상(MRI)과 최적화된 머신러닝 기법을 활용해 슬개대퇴 불안정성의 해부학적 위험 요인을 효과적으로 식별하는 연구 결과를 최초로 선보인 것이다.

'슬개골 탈구'는 무릎 앞 한가운데에 있는 종지 모양의 뼈인 슬개골의 뼈마디가 삐어 어긋나거나 정상적인 위치에서 벗어나는 현상을 말한다. 통증 및 불편을 일으키는 심한 질환이지만 환자가 자각을 늦게 해서 적절한 치료 시기를 놓치는 경우 무릎 연골, 근육, 십자인대 손상을 유발하고 관절염이 빠르게 찾아올 수 있다.

논문은 'Comparative analysis of three machine-learning methods for identifying minimal predictors of patellofemoral instability risk factors(슬개골대퇴골 불안정성 위험 요인의 최소 예측 인자를 식별하기 위한 세 가지 기계 학습 방법의 비교 분석)'이라는 제목으로 정형외과 분야의 저명한 국제 학술지인 'Orthopaedic Journal of Sports Medicine(스포츠 의학 정형외과 저널)' 4월 온라인 판에 실렸다.

이번 연구는 세 기관의 정형외과 전문의들이 협력하여 최소한의 변수만으로도 성인 슬개골 탈구 위험을 정확히 예측할 수 있는 인공지능 모델을 개발한 것이 특징이다.

논문에 따르면, 연구팀은 2010년부터 2022년까지 급성 외측 슬개골 탈구로 진단받은 20세 이상 성인 환자 124명의 MRI 데이터를 분석하고, 대조군 121명과 비교하여 연구를 수행했다.

분석 결과, 슬개골 경사(patellar tilt)와 대퇴골 활차 깊이(trochlear depth)가 슬개골 탈구와 가장 밀접한 상관관계를 보이는 요인으로 확인됐다.

연구에서는 로지스틱 회귀 분석(LRA), 서포트 벡터 머신(SVM), 라이트 그래디언트 부스팅 머신(LGBM) 등 세 가지 머신러닝 기법을 적용하고 성능을 비교했다. LGBM 모델은 8개의 변수를 활용해 AUC(곡선하면적) 0.873로 가장 높은 성능을 보였고, SVM 모델은 단 3개의 변수만으로도 AUC 0.858을 기록하며 높은 효율성과 정확도를 동시에 입증했다.

연구진은 "실제 임상에서는 진단 정확도뿐 아니라 효율성도 매우 중요하다"며 "적은 수의 변수로도 높은 예측력을 가진 머신러닝 모델이 실용적인 임상 적용에 더욱 적합하다"고 강조했다.

이번 연구는 성인 슬개골 탈구 위험 예측을 위한 효율적인 접근법을 제시했으며, 특히 SVM 모델이 적은 수의 변수로도 우수한 성능을 보여 임상적 활용 가능성이 높은 것으로 평가되었다.

한편 이번 성과는 작년에 발표된 연세사랑병원과 서울아산병원 곽윤해 교수팀이 공동 수행한 'Application of a machine learning and optimization method to predict patellofemoral instability risk factors in children and adolescents(아동 및 청소년의 슬개대퇴 불안정성 위험 요인을 예측하기 위한 기계 학습 및 최적화 방법의 적용)' 연구의 연장선상에 있다. 해당 논문은 세계적인 정형외과 학술지 Knee Surgery, Sports Traumatology, Arthroscopy(무릎 수술, 스포츠 외상, 관절경 검사)에 게재된 바 있다.

연세사랑병원 고용곤 원장은 "독립된 의료기관들 간의 긴밀한 협력과 시너지를 통한 성공적인 공동 연구 사례로도 주목받고 있다"며 "향후 이 기술이 임상 현장에 도입되고 활용되면 슬개골 탈구 고위험 환자들을 조기에 쉽게 식별, 진단하고 적절한 예방적 조치를 취하는 것은 물론 적극적인 치료로 이뤄지는 데 큰 도움이 될 것으로 기대된다"고 설명했다.