DeepComp, 위암 수술 전 합병증 예측… 그러나 여전히 전향적 검증 필요
DeepComp는 5,237명의 위암 수술 전 합병증을 예측한 뒤 Google News에 소개됐지만, 가장 중요한 임상적 주장은 아직 입증되지 않았다.
이 멀티모달 모델은 일상적으로 촬영되는 컴퓨터단층촬영(CT) 스캔과 임상 정보를 결합했다. 수술 후 30일 이내 중등도 이상 합병증의 위험을 추정했으며, 연구진은 전체 생존율을 예측하도록도 모델을 학습시켰다.
공개된 결과는 DeepComp를 기존의 수술 위험 점수보다 더 야심찬 도구로 만든다. 보도에 따르면 이 모델은 9개의 확립된 점수를 앞섰고, 판독 연구에서 외과의사의 민감도를 크게 높였다.
그러나 합병증을 예측하는 것과 이를 예방하는 것은 다르다. 여러 중재의 이점으로 보고된 결과는 기존 데이터를 이용해 가상의 임상시험 일부를 재현하는 관찰 연구 방법인 표적 임상시험 에뮬레이션에서 나왔다.
이 차이가 Google News 헤드라인 뒤에 있는 실제 이야기를 규정한다. DeepComp는 고무적인 다기관 결과를 냈지만, 병원들은 여전히 이 점수를 바탕으로 한 조치가 불필요한 치료를 유발하지 않으면서 진료를 개선한다는 전향적 근거를 필요로 한다.
DeepComp 연구는 단일 병원 시험을 넘어섰다
DeepComp의 가장 강력한 결과는 눈에 띄는 단일 정확도 수치가 아니다. 여러 병원, 치료 환경, 평가 방식에서 나타난 모델 성능이다.
이 연구는 2026년 7월 16일 Annals of Oncology 온라인판에 게재됐다. 연구진은 중국 내 11개 센터에서 위선암 환자 5,237명을 분석했다.
대상군에는 선행 화학요법, 화학방사선요법, 면역화학요법을 포괄하는 등록 임상시험 코호트 6개가 포함됐다. 선행 치료는 수술 전에 시행되며 암을 축소하거나 조절하는 것을 목표로 한다.
전체 대상군에서 1,072명은 Clavien-Dindo II등급 이상 합병증을 경험했다. 이는 연구 대상의 20.5%에 해당한다.
Clavien-Dindo 분류는 필요한 치료 수준에 따라 수술 후 합병증의 등급을 매긴다. II등급은 일반적으로 일상적인 수술 후 약물 외의 약물 치료, 수혈 또는 영양 치료가 필요했음을 뜻한다.
III등급 합병증에는 수술적, 내시경적 또는 방사선학적 중재가 필요하다. 더 높은 등급에는 생명을 위협하는 사건과 사망이 포함된다.
DeepComp는 통합 내부 검증 세트에서 수신자 조작 특성 곡선 아래 면적(AUC) 0.888을 기록했다. AUC는 결과를 경험한 환자와 그렇지 않은 환자를 모델이 얼마나 잘 구분하는지 측정한다.
0.5는 우연 수준의 구분을, 1.0은 완벽한 구분을 의미한다. 9개 외부 코호트에서 DeepComp의 AUC는 0.824~0.869이었다.
원 연구에 따르면, 이 모델은 가장 우수한 임상 기준선보다 15.3%포인트 높은 성능을 보였다. 또한 연구진이 시험한 확립된 임상 점수 9개 모두보다 우수했다.
이 비교가 중요한 이유는 임상의들이 이미 위험 평가 도구를 사용하고 있기 때문이다. 핵심은 AI가 병원 데이터에서 어떤 신호라도 찾아낼 수 있느냐가 아니다. 의사결정을 바꿀 만큼 충분히 유용한 정보를 AI가 추가하느냐이다.
연구진은 수술 전에 이용 가능한 정보를 중심으로 DeepComp를 구축했다. 유용한 경고는 임상의가 준비, 모니터링 또는 수술 계획을 조정할 수 있는 시점에 도착해야 하므로 이 시점은 필수적이다.
이 모델은 세 개의 CT 영역에서 추출한 특징과 임상 변수를 함께 처리했다. 여기에는 종양, 종양 주변 5밀리미터 영역, 그리고 제3요추 주변에서 얻은 체성분 측정치가 포함됐다.
이 요추 부위는 골격근과 지방 분포를 정량화하는 데 도움이 된다. 이런 측정은 체중이나 체질량지수가 놓칠 수 있는 생리적 예비력을 드러낼 수 있다.
그다음 모델은 이중 과제 아키텍처를 사용했다. 수술 후 합병증 위험과 전체 생존율을 서로 관련 없는 결과로 다루지 않고 함께 추정하도록 학습했다.
이 DeepComp 위암 접근법은 시스템에 더 폭넓은 목표를 부여했다. 동일한 수술 전 근거에서 단기 수술 취약성과 장기 예후를 연결하려 했다.
따라서 Google News 기사는 상당한 규모의 모델 개발 연구에 기반한다. 제품 발표, 규제 승인 또는 일상적 병원 배치에 근거한 것은 아니다.
이 경계는 중요하다. 논문은 공유 코드와 일부 데이터 리소스를 갖춘 연구 시스템을 설명할 뿐, 감독 없이 사용 가능한 임상 서비스가 아니다.
Google News가 외과의사 비교에 주목한 이유
외과의사가 DeepComp의 출력을 참고할 수 있었을 때 훨씬 더 많은 합병증을 식별했기 때문에, 가장 즉각적인 압박은 기존 위험 평가에 가해진다.
10명의 외과의사가 판독 연구에 참여했다. 이들의 경력은 임상 경력 5년 미만의 주니어 의사부터 10년 이상 경력의 시니어 외과의사까지 다양했다.
DeepComp 없이 이들의 평균 민감도는 47.1%였다. 민감도는 합병증을 겪은 환자 가운데 검토자가 위험군으로 정확히 식별한 비율을 측정한다.
지원이 제공되자 평균 민감도는 87.9%로 상승했다. 연구에 따르면 이 차이는 통계적으로 유의했다.
이러한 향상은 AI 수술 위험 예측이 주목받는 이유를 보여준다. 고위험 환자를 놓치면 영양 지원, 보다 면밀한 모니터링 또는 다른 수술 전후 계획을 제공할 기회를 잃을 수 있다.
하지만 민감도만으로 판단할 수는 없다. 시스템은 더 많은 환자를 고위험으로 분류해 더 많은 실제 사례를 포착할 수 있으며, 이는 거짓 양성을 늘릴 가능성이 있다.
공개된 초록은 민감도 향상을 강조하지만, 인간-AI 협업에서 발생하는 전체 오류 간 절충에 관한 공개 정보는 상대적으로 적다. 병원은 운영상 가치를 판단하기 전에 특이도, 양성예측도, 보정, 의사결정 임계값을 확인해야 한다.
특이도는 모델이 저위험 환자를 위험군으로 표시하지 않는 비율을 측정한다. 보정은 예측 확률이 실제 환자에서의 결과 발생 빈도와 일치하는지를 묻는다.
너무 많은 사람을 고위험으로 판단하는 모델은 중환자실 자원을 소모할 수 있다. 정상적으로 회복했을 환자의 수술을 지연시킬 수도 있다.
반대로 평균적인 구분 성능이 뛰어난 모델도 특정 병원에서는 실패할 수 있다. 서로 다른 스캐너, 치료 프로토콜, 환자군, 문서화 관행이 입력 데이터를 바꿀 수 있다.
이 때문에 다기관 설계가 중요하다. 9개 외부 코호트는 단일 병원 데이터베이스의 무작위 분할보다 더 강한 근거를 제공한다.
다만 모든 센터는 중국에 있었으며, 이곳은 위암 부담과 임상 경험이 큰 지역이다. 이 모델은 북미 의료 시스템 전반에서 동등한 성능을 확립하지는 못했다.
국제암연구소의 위암 데이터에 따르면, 2022년으로 추정된 위암 사망의 70.1%는 아시아에서 발생했다. 이 집중도는 대규모 지역 데이터셋을 뒷받침하지만, 전 세계적 이전 가능성을 보장하지는 않는다.
북미 병원은 자사 환자가 개발 대상군과 유사한지 검토해야 한다. 암 병기, 체성분, 영상, 수술 전 치료, 수술 방식의 차이가 보정에 영향을 줄 수 있다.
연구 대상군 자체도 임상적으로 까다로웠다. 중앙 연령은 58세였고, 남성은 61.6%, 병리학적 III기 질환 환자는 67.6%였다.
이러한 특성은 모델에 유용한 스트레스 테스트를 제공한다. 동시에 고령 환자, 조기 병기 질환, 학습 데이터에서 충분히 대표되지 않은 집단에서의 성능에 대한 의문도 제기한다.
기존 대안은 DeepComp가 주목받은 이유를 보여준다. 위암 수술을 위한 이전 기계학습 모델은 455명의 환자를 포함했으며 AUC 0.789를 보고했다.
그 이전 모델은 흡연 상태, 영양 선별, 마취 분류, 수술 시간, 출혈량 등의 변수를 사용했다. 이 입력 중 일부는 수술 중 또는 수술이 시작된 뒤에야 이용할 수 있다.
반면 DeepComp는 수술 전 정보에 집중한다. 이는 임상의에게 더 긴 개입 시간을 제공하고, 모델을 수술 후 진단 시스템과 구분한다.
그럼에도 외과의사 비교가 의사와 소프트웨어 간 경쟁으로 변질돼서는 안 된다. 보고된 이점은 임상의와 모델이 함께 작업했을 때 나타났다.
따라서 유의미한 비교 대상은 DeepComp 대 외과의사가 아니다. 멀티모달 평가와 기존 판단 및 분절된 위험 점수의 비교다.
이는 더 어려운 시험이다. 새 도구는 임상 워크플로에 맞고, 불확실성을 설명하며, 경고 피로를 피하면서 의사결정을 개선해야 한다.
DeepComp의 메커니즘은 종양과 환자를 연결한다
이 모델의 핵심 발상은 수술 위험이 암의 해부학적 특성과 환자의 치료 견딜 능력을 모두 반영한다는 것이다.
기존 점수는 종종 환자를 소수의 임상 범주로 압축한다. DeepComp 위암 예측은 수술 전에 이용 가능한 여러 생물학적·해부학적 관점을 활용한다.
종양 영역에는 국소 질환 중증도와 관련된 영상 패턴이 포함될 수 있다. 종양 주위 5밀리미터 영역은 병변 바로 주변의 조직을 포착한다.
L3 체성분 영역은 근육과 지방 분포를 추정한다. 이 정보는 환자의 체중이 평범해 보여도 근감소증, 즉 낮은 골격근 예비력을 드러낼 수 있다.
DeepComp는 단순히 원시 스캔을 하나의 불투명한 분류기에 입력하지 않는다. 연구진은 더 광범위한 영상 데이터에서 학습된 수치적 표현인 파운데이션 모델 이미지 특징을 사용했다.
이 특징은 표 형식 아키텍처 내에서 구조화된 임상 변수와 결합됐다. 이후 모델은 합병증과 생존 예측을 함께 최적화했다.
이 구성은 하나의 임상적 관계를 포착하려는 시도다. 환자의 질병 상태, 영양 상태, 염증, 생리적 예비력은 회복과 장기 결과 모두에 영향을 미친다.
생존 결과는 이 연결을 뒷받침한다. DeepComp는 전체 생존에 대해 통합 일치도 지수 0.766을 기록했다.
일치도 지수는 결과 발생 시점에 따라 환자를 모델이 올바르게 순서화하는지 측정한다. 연구는 위험 점수가 표준편차 1만큼 증가할 때마다 보정 위험비가 3.08이라고 보고했다.
5년 생존율은 최저 위험 5분위에서 97.5%, 최고 위험 5분위에서 2.4%였다. 이 집단은 연구 대상군 내에서 모델이 정의한 위험 층화를 반영한다.
이 수치를 모든 미래 환자에 대한 예측으로 해석해서는 안 된다. 이는 연구에 사용된 대상군, 추적 관찰, 치료 맥락, 모델 버전에 따라 달라진다.
이중 결과는 어려운 임상 질문도 만든다. 모델은 합병증 위험이 높고 예측 생존율도 낮은 사람을 식별할 수 있지만, 그 사람의 치료 목표를 결정할 수는 없다.
임상의는 여전히 완치 의도, 삶의 질, 대체 치료, 환자 선호, 수술 지연의 결과를 함께 고려해야 한다.
모델의 공개 연구 자료는 독립 연구팀이 이러한 주장을 검토하는 데 도움이 될 수 있다. 논문은 추론 코드, 사전학습 가중치, 평가 스크립트, 예시 데이터가 DeepComp repository를 통해 제공된다고 밝힌다.
연구진은 한 내부 검증 코호트의 처리된 특징 행렬도 공개했다. 이는 일부 평가 결과를 재현하는 데 유용하다.
오픈 코드는 자동으로 완전한 재현성을 보장하지 않는다. 외부 팀에는 호환 가능한 영상 파이프라인, 환자 정의, 전처리, 대표성 있는 임상 데이터에 대한 접근이 여전히 필요하다.
연구의 시퀀싱 데이터는 중국 국가유전체데이터센터에 등록됐다. 추가 환자 수준 자료는 민감한 건강 정보를 포함하고 있어 제한된 상태로 남아 있다.
이러한 제약은 의학 연구에서 일반적이지만, 독립적인 검증을 복잡하게 만든다. 병원이 소스 코드만 평가하고 결과 점수가 동일하게 작동할 것이라고 가정할 수는 없다.
영상 워크플로는 또 다른 실무적 과제를 제시한다. 종양 분할은 스캐너 제조사, 슬라이스 두께, 조영 프로토콜, 현지 영상 품질 전반에서 신뢰성을 유지해야 한다.
눈에 띄지 않는 분할 오류는 외과의가 위험 추정치를 보기 전에 후속 특징을 왜곡할 수 있다. 따라서 품질 관리는 유효하지 않은 스캔과 분포 밖 사례를 포착해야 한다.
모델에는 해석 가능한 출력도 필요하다. 대상 집단, 시간 범위, 신뢰도, 한계를 함께 제시하지 않은 위험 확률은 자동화 편향을 초래할 수 있다.
TRIPOD+AI에 따른 현행 보고 지침은 예측 모델 개발 및 평가에 대한 투명한 설명을 강조한다. 여기에는 데이터 처리, 결측값, 성능 지표, 공정성 고려 사항이 포함된다.
이러한 요건은 모델 주변의 행정 절차가 아니다. 다른 임상팀이 보고된 성능이 어디에서 비롯됐는지 이해할 수 있는지를 결정한다.
그 작동 기전은 과학적으로 타당하고 기술적으로 흥미롭다. 이제 그 가치는 해당 기전이 전향적 워크플로, 변화하는 데이터, 실제 치료 결정에서도 유지되는지에 달려 있다.
예측된 이점은 아직 입증된 환자 이점이 아니다
DeepComp의 가장 큰 불확실성은 개입에 관한 것이다. 연구가 모델 점수에 따라 무작위로 치료를 배정한 것이 아니라 치료 효과를 추정했기 때문이다.
연구진은 고위험 환자를 위한 세 가지 가능한 대응을 검토하기 위해 표적시험 에뮬레이션을 사용했다. 이 방법은 관찰 기록으로부터 가상의 무작위 시험을 재현하려는 접근이다.
첫 번째 전략은 예방적 집중치료 또는 고도 의존도 모니터링이었다. 이는 II등급 이상 합병증의 절대 발생률을 약 6% 낮춘 것으로 추정됐다.
두 번째 전략은 선행항암화학요법을 받는 고위험 환자에게 2~4주의 영양 지원을 제공하고 수술을 연기하는 것이었다. 이는 절대 발생률을 20.6% 낮춘 것으로 추정됐다.
세 번째 전략은 최소침습수술로의 분류였다. 연구는 절대 위험이 11.7% 감소한 것으로 추정된다고 보고했다.
이러한 추정치는 임상적으로 주목할 만하다. 이미 결정이 내려진 뒤의 위험을 설명하는 데 그치지 않고, 모델이 더 많은 역할을 할 수 있음을 시사한다.
그러나 DeepComp이 그러한 개선을 유발했다는 사실을 입증하지는 않는다. 추가 모니터링, 영양 지원, 수술 연기 또는 최소침습 치료를 받은 환자는 기록에 포착되지 않은 방식으로 다를 수 있다.
역확률 가중은 집단 간 측정된 차이를 균형 있게 조정할 수 있다. 측정되지 않은 교란 요인을 통제한다고 보장할 수는 없다.
보고된 E-value는 숨은 교란에 대한 한 가지 민감도 분석을 제공한다. 연구된 개입 전반에서 1.90~5.73 범위였다.
E-value는 관찰된 연관성을 설명하기 위해 측정되지 않은 요인이 치료와 결과 모두에 얼마나 강하게 연관돼야 하는지를 추정한다. 그 요인을 제거하거나 관찰 데이터를 무작위 시험으로 바꾸지는 않는다.
암 수술 지연에는 그 자체의 결과가 따르므로, 영양 지원 결과는 특히 신중하게 해석할 필요가 있다. 모델은 치료를 불필요하게 미루지 않으면서 이득을 볼 가능성이 높은 환자를 식별해야 한다.
최소침습수술 결과 역시 수술 적격성 및 현지 전문성에 좌우된다. 복강경 또는 로봇 수술 대상으로 선정된 환자는 개복수술을 받는 환자와 의미 있게 다를 수 있다.
예방적 집중치료는 자원 문제를 제기한다. 병원은 위양성과 임상적 이득을 이해하지 못한 채 민감도 향상만을 근거로 부족한 병상을 배정할 수 없다.
이러한 절충점 때문에 전향적 검증이 결정적인 다음 단계가 된다. 등록된 DeepComp-Prospective 연구는 5개 의료센터에서 수행되는 다기관 관찰 평가로 설계됐다.
임상시험 등록부에는 절제 가능성이 있는 위암 성인 환자 500명을 추정 등록 대상으로 기재하고 있다. 연구는 수술 전 예측과 30일 이내 관찰된 합병증을 비교할 계획이다.
등록부에는 무작위로 선정된 환자 120명과 외과의 10명이 참여하는 인간-AI 협업 평가도 포함돼 있다. 이 구성 요소는 판독자 연구에서 나타난 이점이 새로 수집된 집단에서도 나타나는지 검증할 수 있다.
그러나 관찰적 검증만으로는 모델 지시형 개입이 결과를 개선한다는 사실을 입증할 수 없다. 전향적 데이터 수집 환경에서 판별력, 보정, 협업 성능을 확인할 수는 있다.
더 강력한 검증은 적격 환자나 임상팀을 모델 유도 치료와 통상 치료에 배정하는 방식일 것이다. 이후 합병증, 지연, 집중치료 이용, 오경보, 장기 결과를 측정하게 된다.
그러한 시험에는 각 위험 범주에 대한 사전 정의된 대응이 필요하다. 그렇지 않으면 임상의가 같은 점수를 받더라도 병원마다 다르게 행동할 수 있다.
프로토콜에는 자동화 편향에 대한 안전장치도 필요하다. 외과의는 권고의 근거를 이해하고 이를 해석할 책임을 유지해야 한다.
미국에서의 규제 분류는 시스템의 의도된 사용 방식과 임상의가 그 추론을 어떻게 검토하는지에 달려 있다. FDA의 소프트웨어 지침은 특정 비의료기기 지원 기능과 의료기기 감독 대상 소프트웨어를 구분한다.
시간에 민감한 치료에 영향을 주는 환자별 위험 점수는 중요한 감독 문제를 제기할 수 있다. 중국 외 지역 배포에는 현지 개인정보 보호, 보안, 의료기기 관련 분석도 필요하다.
Google News 보도에는 FDA 허가, 북미 지역의 일상적 배포, 또는 보험 상환을 입증하는 근거가 없다. 독자는 DeepComp을 검증 중인 유망한 연구 모델로 받아들여야 한다.
같은 신중함은 생존 예측 출력에도 적용된다. 전체 생존을 예측한다고 해서 모델이 수술, 화학요법, 면역요법 또는 완화의료를 권고할 권한이 생기는 것은 아니다.
DeepComp은 하나의 추정치를 제공할 수 있다. 병리, 병기 결정, 다학제 검토, 환자와의 충분한 대화를 대체할 수는 없다.
다음 DeepComp 근거가 보여줘야 할 것
DeepComp이 임상적으로 유용해질지는 세 가지 신호가 결정할 것이다. 전향적 보정, 측정 가능한 의사결정 이득, 그리고 원래의 의료 시스템을 넘어선 검증이다.
첫 번째 신호는 완전한 전향적 다기관 결과다. 연구진은 등록 환자 중 평가 가능했던 인원, 입력값 누락 빈도, 검증 전 모델이 고정됐는지를 보고해야 한다.
고정된 모델은 중요하다. 새 데이터에서 반복적으로 조정하면 검증과 추가 학습의 경계가 흐려질 수 있기 때문이다. 최종 보고서는 시험된 정확한 버전을 명시해야 한다.
결과에는 AUC 이상이 포함돼야 한다. 보정 그래프, 민감도, 특이도, 예측도, 의사결정 곡선, 운영 임계값에서의 성능이 모두 필요하다.
하위집단 결과도 중요하다. 연령, 성별, 암 병기, 치료 유형, 병원, 스캐너 프로토콜, 관련 체성분 지표별 성능을 검토해야 한다.
전향적 등록부는 4월 업데이트 당시 공개 상태가 모집 중으로 유지된 가운데, 이전에 2026년 5월을 추정 완료일로 기재했다. 향후 출판물은 실제 등록 및 추적 관찰 날짜를 명확히 해야 한다.
두 번째 신호는 중재 연구다. 연구진은 점수 사용이 적절한 대조군과 비교해 치료를 바꾸고 합병증을 줄인다는 사실을 보여야 한다.
해당 시험은 “AI를 사용하라”는 일반적 제안이 아니라 정의된 경로를 검증해야 한다. 고위험 분류는 구체적이고 임상적으로 정당화된 조치와 연결돼야 한다.
예를 들어 프로토콜은 환자가 언제 영양 평가, 강화 모니터링 또는 수술 검토를 받는지 명시할 수 있다. 그러한 조치로 인한 위해도 기록해야 한다.
관련 위해에는 수술 지연, 불필요한 집중치료 이용, 추가 영상 검사, 불안, 결과를 개선하지 않는 치료 변경이 포함된다.
모델 유도 경로는 이상적으로 환자 중심의 평가 지표를 개선해야 한다. 여기에는 합병증 중증도, 회복, 치료 완료, 병원 이용, 삶의 질, 생존이 포함된다.
세 번째 신호는 서로 다른 국가와 의료 시스템에서의 외부 검증이다. DeepComp은 발표된 분석에 사용된 11개 중국 센터를 넘어 보정 성능이 이전될 수 있음을 보여야 한다.
북미 시험은 현지의 무개입 검증으로 시작해야 한다. 연구진이 예측과 실제 결과를 비교하는 동안 모델은 치료에 영향을 주지 않고 점수를 생성하게 된다.
성능이 허용 가능한 수준으로 유지된다면, 이후 모니터링된 임상 평가가 뒤따를 수 있다. 병원에는 재량적 무시, 소프트웨어 업데이트, 데이터 드리프트, 이상사건 검토에 대한 거버넌스가 필요하다.
AI 수술 위험 예측은 지속적인 감시도 요구한다. 새로운 수술 전후 요법이 표준이 되면 환자 집단과 치료 경로는 변한다.
스캐너 업그레이드와 영상 프로토콜 변경은 모델 입력을 바꿀 수 있다. 개발 당시 성능이 좋았던 모델도 명백한 소프트웨어 장애 없이 성능이 저하될 수 있다.
따라서 임상팀에는 버전 관리와 드리프트 모니터링이 필요하다. 시스템이 언제 재학습됐는지, 어떤 집단이 변경을 뒷받침했는지, 현지 보정을 다시 수행했는지를 알아야 한다.
Google News 노출은 DeepComp이 관심을 끄는 데 도움이 되겠지만, 관심은 도입과 다르다. 의료 AI는 전향적 근거, 투명한 한계, 재현 가능한 이득을 통해 신뢰를 얻는다.
이 연구는 이미 여러 의미 있는 기준을 넘었다. 수천 명의 환자, 외부 코호트, 여러 치료 환경, 외과의 판독자 연구, 접근 가능한 연구 코드를 활용했다.
그러나 최종 기준은 아직 넘지 못했다. DeepComp 유도 치료가 신중한 기존 진료보다 합병증을 더 잘 예방한다는 무작위 근거는 아직 없다.
이 공백은 임상의, 환자, 기술팀이 이 헤드라인을 해석하는 방식에 영향을 줘야 한다. 이 모델은 공허한 시연도, 완성된 의료 제품도 아니다.
이는 유용한 임상 명제를 시험할 진지한 후보이다. 일상적인 스캔에는 수술실에 들어가기 전 수술 취약성을 드러낼 만큼 충분한 통합 정보가 담겨 있을 수 있다는 명제다.
다음 보고서는 병원이 이 정보를 더 안전한 결정으로 전환할 수 있는지 밝혀야 한다. 또한 모델이 틀렸을 때 어떤 일이 일어나는지도 보여줘야 한다.
Google News를 통해 이 이야기를 따라가는 독자에게 이제 핵심 질문은 실용적이다. 전향적 연구팀은 과도한 경보, 지연 또는 자원 사용 없이 DeepComp의 정확도를 재현하고 진료를 개선할 수 있을까?
그 결과가 나오기 전까지 책임 있는 결론은 신중해야 한다. DeepComp은 더 나은 수술 전 위험 계층화를 위한 설득력 있는 근거를 제시했지만, 주장된 치료 이점은 임상시험으로 검증해야 할 가설로 남아 있다.
