수동 감시 벗어난 mRNA 백신 부작용 추적, 기계학습으로 중복 신호 17% 걸러냈다
배경
코로나19 팬데믹 당시 메신저 리보핵산(mRNA) 백신이 전 세계에 대규모로 긴급 투입되면서 기존 약물감시(Pharmacovigilance) 체계가 지닌 구조적 한계가 여실히 드러났다. 의료진이나 접종자의 자발적 신고에 의존하는 전통적인 수동 감시는 잦은 보고 지연과 높은 미보고율이라는 구조적 결함을 안고 있다. 전체 인구 집단에서 백신 접종과 부작용 사이의 실제 발생률을 정밀하게 산출하기 어렵다는 사실 역시 보건당국을 곤혹스럽게 만들었다. 새로운 백신 플랫폼이 도입될 때마다 감시 창구에는 비정형 서술형 데이터와 중복 민원이 한꺼번에 쏟아진다. 이상 징후를 조기에 포착하고 안전성을 명확히 입증하려면 여러 출처의 데이터를 신속히 통합하는 새로운 접근법을 마련해야 했다. 방대한 전자의무기록(Electronic Health Records, EHR)과 진료비 청구 자료, 이상사례 보고 시스템을 아우르는 실사용데이터(Real-World Data, RWD)를 처리할 대안으로 기계학습(Machine Learning, ML)이 급부상한 배경이다.
핵심 발견
연구진은 데이터베이스 구축 시점부터 2026년 6월까지 펍메드(PubMed), 엠베이스(Embase), 웹오브사이언스(Web of Science)에 등재된 영어권 문헌을 포괄적으로 수집했다. 두 명의 평가자가 독립적으로 문헌을 검토했으며, 비뚤림 위험 평가는 진단 정확도 연구 품질평가 도구를 수정한 QUADAS-2에 근거한다. 신호 탐지, 텍스트 추출, 위험 예측, 예후 계층화 등 기계학습 과업과 알고리즘, 평가지표 전반의 이질성이 워낙 컸던 까닭에 서술적 합성 방식이 불가피했다. 엄격한 기준을 통과해 최종 분석 대상에 오른 연구는 총 43건이다.
이상반응 예측 분야에서는 의사결정나무 계열의 트리 기반 모델들이 수신자조작특성 곡선하면적(Area Under the Curve, AUC) 0.85에서 0.87 사이의 안정적인 수치를 기록했다. 다만 연구마다 적용된 임상 환경과 데이터군이 서로 달라 직접적인 우열을 가리기는 어렵다는 해석이 뒤따른다. 백신 보고 체계에 유입되는 서술형 이상 징후 기록에 자연어처리(Natural Language Processing, NLP)를 적용했을 때 중복 신호는 17% 감소했다. 불필요한 중복 보고를 걸러냄으로써 감시 인력의 업무 부담을 줄이고 유의미한 안전성 신호를 추려내는 속도를 한층 끌어올린 셈이다. mRNA 백신의 주요 이상반응으로 꼽히는 심근염의 경우, 심혈관계 코호트를 학습한 ML 모델의 예측 성능이 AUC 기준 최대 0.899에 달했다. 그러나 이 모델들을 실제 mRNA 백신 접종 환자군에 직접 검증한 연구는 여전히 드물며, 대부분 후향적 분석에 머물러 있는 실정이다. 자가증폭 mRNA 백신이나 암 치료용 백신 같은 차세대 플랫폼은 시판 후 실제 데이터가 부족해 ML 적용이 아직 개념 검증 단계에 그친 것으로 파악됐다.
의미와 전망
이번 체계적 문헌고찰은 사후 신고에 매달리던 백신 안전성 감시 체계가 능동적이면서 지능적인 실시간 모니터링 체계로 진화하고 있음을 뚜렷이 보여준다. 방대한 의료 빅데이터를 실시간으로 학습하는 알고리즘은 접종 초기 감지하기 힘든 희귀 부작용의 미세한 징후를 조기에 포착할 잠재력을 지녔다. 실제 의료 현장에 안착하기까지 넘어야 할 산도 적지 않다. 의료기관마다 제각각인 데이터 형식과 품질 편차, 알고리즘의 도출 과정을 명확히 설명하기 어려운 블랙박스 문제는 임상 현장의 신뢰를 얻는 데 여전한 걸림돌이다. 규제 기관의 구체적인 인허가 가이드라인과 공인된 검증 기준이 미비한 현실도 상용화를 늦추는 요인으로 꼽힌다. 데이터 투명성을 확보하고 설명 가능한 인공지능 모델을 확립해야만 지능형 약물감시 체계가 공중보건의 든든한 방패로 자리 잡을 전망이다.
BACKGROUND: The rapid deployment of mRNA vaccines during the COVID-19 pandemic exposed limitations in traditional pharmacovigilance systems, including delayed reporting, high underreporting rates, and inability to calculate true incidence. Machine learning (ML) offers new pathways to overcome these challenges by integrating multi-source real-world data. METHODS: We systematically reviewed English-language studies from database inception to June 2026. Searches were performed in PubMed, Embase, and Web of Science. Two reviewers independently screened records. Given substantial heterogeneity across ML tasks (signal detection, text extraction, risk prediction, prognosis stratification), algorithms, data sources, and metrics, we performed narrative synthesis. Risk of bias was assessed using adapted QUADAS-2. RESULTS: We identified 43 studies. For adverse-event prediction, tree-based models reported AUCs of 0.85-0.87, though estimates derive from heterogeneous settings. NLP reduced redundant signals by 17% in vaccine reporting systems. For myocarditis, ML models reached AUCs up to 0.899 in cardiovascular cohorts, but direct mRNA vaccine applications remain limited and retrospective. Emerging platforms (self-amplifying and tumor mRNA vaccines) lack post-marketing data, rendering ML applications largely conceptual. CONCLUSION: ML-assisted pharmacovigilance enables a shift from passive to active, intelligent monitoring. Despite challenges in data quality, model interpretability, and regulatory approval, intelligent pharmacovigilance systems will become essential infrastructure for safeguarding public health.
이번 연구 결과는 백신 접종 현장과 보건당국의 안전 관리 체계에 구체적인 개선 방향을 제시한다. 의료기관에서는 접종 대상자의 기저 질환과 과거 약물 반응 이력, 심혈관 위험 요인을 EHR 기반 ML 모델로 사전 분석함으로써 심근염 고위험군을 정밀하게 가려낸다. 선별된 고위험군 접종자에게는 접종 후 집중 관찰 일정과 맞춤형 사후 관리 지침을 자동으로 안내하는 임상 의사결정 지원 시스템(CDSS)을 연계하는 방식이다. 보건의료 규제 기관은 NLP 알고리즘을 부작용 보고 창구에 도입해 17%에 달하는 중복 신호를 신속히 걷어냄으로써 전담 인력의 행정 피로를 크게 덜게 된다. 신종 백신이 유통되는 초기 국면에서 통계적 이상 징후를 놓치지 않고 포착하는 국가 단위 능동 감시망 구축이 현실화되는 셈이다.