미국 국립보건원(NIH)의 새로운 연구에 따르면 인공지능(AI)과 머신러닝(ML)은 일반적으로 15~45세 여성에게 가장 흔한 호르몬 장애인 다낭성 난소 증후군(PCOS)을 효과적으로 감지하고 진단할 수 있다고 합니다. 연구자들은 PCOS를 진단하고 분류하기 위해 데이터를 분석하기 위해 AI/ML을 사용하여 발표된 과학 연구를 체계적으로 검토했으며 AI/ML 기반 프로그램이 PCOS를 성공적으로 감지할 수 있음을 발견했습니다.
"지역사회에서 PCOS에 대한 과소진단 및 오진으로 인한 상당한 부담과 잠재적으로 심각한 결과를 고려할 때, 우리는 PCOS의 위험에 처할 수 있는 환자를 식별하는 데 AI/ML의 유용성을 결정하고 싶었습니다."라고 국립 보건원(NIH) 산하 국립 환경 보건 과학 연구소(NIEHS)의 수석 연구자이자 내분비학자인 연구 공동저자 Janet Hall 박사는 말했습니다. "PCOS를 탐지하는 데 있어서 인공 지능과 기계 학습의 효과는 우리가 생각했던 것보다 훨씬 인상적입니다."
다낭성 난소 증후군은 난소가 제대로 기능하지 못할 때 발생하며, 많은 경우 테스토스테론 수치가 상승합니다. 이 질병은 불규칙한 월경, 여드름, 얼굴 털 또는 머리 탈모를 유발할 수 있습니다. PCOS가 있는 여성은 일반적으로 제2형 당뇨병, 수면, 심리적, 심혈관 및 자궁암 및 불임과 같은 기타 생식 장애에 걸릴 위험이 높습니다.
"PCOS를 진단하는 것은 다른 질환과 겹치기 때문에 어려울 수 있습니다."라고 국립 보건원(National Institutes of Health)의 보조 연구 의사이자 내분비학자인 이번 연구의 수석 저자인 Skand Shekhar 박사는 말했습니다. "이러한 데이터는 AI/ML을 전자 건강 기록 및 기타 임상 설정에 통합하여 PCOS가 있는 여성의 진단 및 관리를 개선할 수 있는 아직 개발되지 않은 잠재력을 반영합니다."
이 연구의 저자는 대규모 인구 기반 연구를 전자 건강 데이터 세트와 결합하고 일반적인 실험실 테스트를 분석하여 PCOS 진단에 도움이 될 수 있는 민감한 진단 바이오마커를 식별할 것을 권장합니다.
PCOS는 수년에 걸쳐 발전되어 널리 받아들여지는 표준화된 기준에 따라 진단되지만 일반적으로 임상적 특징(예: 여드름, 과도한 모발 성장, 불규칙한 월경)뿐만 아니라 실험실적 소견(예: 고혈압 테스토스테론) 및 방사선 소견(예: 여러 개의 작은 낭종 및 난소 초음파에서 난소 크기 증가)을 포함합니다. 그러나 PCOS의 일부 특징은 비만, 당뇨병, 심장 대사 장애와 같은 다른 질환과 공존할 수 있기 때문에 PCOS는 종종 간과됩니다.
인공지능이란 컴퓨터 기반 시스템이나 도구를 사용하여 인간의 지능을 모방하고 결정이나 예측을 돕는 것을 말합니다. ML은 이전 이벤트로부터 학습하고 이 지식을 향후 결정에 적용하는 데 중점을 두는 인공 지능의 한 분야입니다. 인공지능은 전자 건강 기록에서 얻은 것과 같은 다양한 양의 데이터를 처리할 수 있으므로 다낭성 난소 증후군과 같이 진단하기 어려운 상태를 진단하는 데 이상적인 도움이 됩니다.
연구진은 지난 25년(1997~2022)에 발표된 PCOS를 탐지하기 위해 AI/ML을 사용하여 모든 동료 검토 연구에 대한 체계적인 검토를 수행했습니다. 숙련된 NIH 사서의 도움으로 연구자들은 잠재적으로 적합한 연구를 식별했습니다. 그들은 총 135개의 연구를 선별했으며 이 기사에는 31개를 포함했습니다. 모든 연구는 관찰되었으며 환자 진단에서 AI/ML 기술의 사용을 평가했습니다. 연구의 약 절반에는 초음파 이미지가 포함되었습니다. 연구 참가자의 평균 연령은 29세였습니다.
PCOS를 진단하기 위해 표준화된 진단 기준을 사용한 10개 연구에서 감지 정확도는 80%~90%였습니다.
Shekhar는 "다양한 진단 및 분류 방식에 걸쳐 AI/ML은 PCOS를 탐지하는 데 매우 뛰어난 성능을 보였으며 이는 우리 연구의 가장 중요한 결론입니다."라고 말했습니다.
저자들은 AI/ML 기반 프로젝트가 PCOS가 있는 여성을 조기에 발견하는 능력을 크게 향상시켜 관련 비용을 절감하고 PCOS가 환자와 의료 시스템에 부과하는 부담을 줄일 수 있는 잠재력이 있다고 지적합니다. 강력한 검증 및 테스트 관행을 갖춘 후속 연구를 통해 AI/ML을 만성 건강 상태와 원활하게 통합할 수 있습니다.