[논문 리뷰] The Past, Current, and Future of Neonatal Intensive Care Units with Artificial Intelligence

Elif Keleş, Ulaş Bağcı|arXiv (Cornell University)|2023. 02. 01.

Neonatal Respiratory Health ResearchMedicine인용 수 3

한 줄 요약

이 체계적 리뷰는 1996–2022년 기간 동안 신생아 집중치료에서 인공지능을 다룬 106篇의 연구를 종합하여, 신생아과에서의 전통적 기계학습 및 딥러닝 응용을 평가한다. PRISMA 2020 지침을 활용해 생존 예측, 뇌영상, 생명체징후 모니터링, 조기출생성 망막병변 진단 분야에서의 AI를 분석하며, NICU에 통합하기 위한 핵심 방법론, 과제 및 향후 로드맵을 규명한다.

ABSTRACT

Machine learning and deep learning are two subsets of artificial intelligence that involve teaching computers to learn and make decisions from any sort of data. Most recent developments in artificial intelligence are coming from deep learning, which has proven revolutionary in almost all fields, from computer vision to health sciences. The effects of deep learning in medicine have changed the conventional ways of clinical application significantly. Although some sub-fields of medicine, such as pediatrics, have been relatively slow in receiving the critical benefits of deep learning, related research in pediatrics has started to accumulate to a significant level, too. Hence, in this paper, we review recently developed machine learning and deep learning-based solutions for neonatology applications. We systematically evaluate the roles of both classical machine learning and deep learning in neonatology applications, define the methodologies, including algorithmic developments, and describe the remaining challenges in the assessment of neonatal diseases by using PRISMA 2020 guidelines. To date, the primary areas of focus in neonatology regarding AI applications have included survival analysis, neuroimaging, analysis of vital parameters and biosignals, and retinopathy of prematurity diagnosis. We have categorically summarized 106 research articles from 1996 to 2022 and discussed their pros and cons, respectively. In this systematic review, we aimed to further enhance the comprehensiveness of the study. We also discuss possible directions for new AI models and the future of neonatology with the rising power of AI, suggesting roadmaps for the integration of AI into neonatal intensive care units.

연구 동기 및 목표

• 최근 30년간 신생아 집중치료실(NICU)에서 기계학습 및 딥러닝의 역할을 종합적으로 평가하기 위해.
• 생존 분석, 뇌영상, 생체신호 처리, 조기출생성 망막병변(ROP) 진단을 포함한 주요 AI 응용 분야를 식별하고 분류하기 위해.
• AI 기반 신생아 질환 평가에서의 방법론적 발전, 알고리즘 혁신 및 잔류 과제를 평가하기 위해.
• evidence-based 리뷰 기준(_PRISMA 2020_)을 활용해 AI를 임상 NICU 워크플로우에 통합하기 위한 체계적 로드맵을 제공하기 위해.
• 임상 번역 및 시스템 수준 통합을 강조하여 신생아과에서의 AI 향후 방향을 예측하기 위해.

제안 방법

• PRISMA 2020 지침을 활용해 1996년부터 2022년까지의 인공지능을 다룬 106편의 동료심사 논문을 대상으로 체계적 문헌 리뷰를 수행하였다.
• 응용 분야별로 연구를 분류: 생존 분석, 뇌영상, 생체신호 및 생명체징후 분석, ROP 진단.
• 클래식 기계학습(예: 랜덤 포레스트, SVM) 및 딥러닝(예: CNN, RNN, Transformers)을 활용한 임상 신생아 데이터에서의 알고리즘 접근 방식을 평가하였다.
• 데이터 품질, 모델 해석 가능성, 임상 유효성 검증에 중점을 두고 방법론적 강점과 한계를 종합하였다.
• AI 기법의 발전 과정을 맵핑하여 연구 및 구현 분야에서의 추세와 격차를 규명하였다.
• 인터옵레러빌리티, 실시간 모니터링, 임상 의사결정 지원을 강조하여 NICU에서의 AI 통합 향후 로드맵을 제안하였다.

실험 결과

연구 질문

• RQ1 1996년부터 2022년까지 신생아 집중치료실(NICU)에서 AI의 주요 임상 응용 분야는 무엇이며, 그 발전 과정은 어떠한가?
• RQ2 신생아 질환 예측 및 진단에서 클래식 기계학습과 딥러닝 모델의 성능 및 임상 적용 가능성은 어떻게 비교되는가?
• RQ3 데이터 부족, 모델 해석 가능성, 일반화 능력 등의 방법론적 과제는 AI가 신생아 간호에 도입되는 데 어떤 제약을 가하는가?
• RQ4 AI 모델을 어떻게 체계적으로 NICU 워크플로우에 통합하여 임상 결과 및 의사결정을 향상시킬 수 있는가?
• RQ5 확장 가능하고 실세계 적용이 가능한 AI 도입을 위해 향후 연구 방향성과 기술적 발전이 무엇이 필요한가?

주요 결과

• 딥러닝은 뇌영상 및 조기출생성 망막병변(ROP) 진단 분야에서 크게 발전하였으며, 일부 모델은 ROP 스크리닝에서 90% 이상의 정확도를 달성하였다.
• 생명체징후 및 생체신호 분석을 위한 AI 모델은 세균성 패혈증 및 호흡 정지 예측에 있어 잠재력이 있으나, 다각도의 대규모 코hort에서의 임상 유효성 검증은 여전히 제한되어 있다.
• 다중모odal 데이터를 통합한 기계학습 기반 생존 예측 모델은 기존의 점수 시스템에 비해 위험 분류를 향상시켰다.
• 진전에도 불구하고 데이터 품질 문제, 모델 해석 가능성 부족, prospective 임상 시험 부족으로 인해 NICU에서의 광범위한 도입이 저해되고 있다.
• AI의 NICU 통합은 여전히 초보 단계에 있으며 대부분의 연구가 개념 증명 수준에 머물러 있다. 실시간, 확장 가능한 배포는 향후 핵심 과제이다.
• 향후 AI 개발은 설명 가능한 AI, 데이터 프라이버시를 위한 피어드레이티드 러닝, 임상 신뢰성 및 규제 준수를 보장하기 위한 표준화된 벤치마크를 우선시해야 한다.