Subtyping patients with chronic disease using longitudinal BMI patterns

기술 요약: 만성 질환 환자의 하위 유형 분류 - 종단적 BMI 패턴을 중심으로

문제 제기
비만은 당뇨병, 암, 심혈관 질환을 포함한 주요 만성 질환의 잘 알려진 위험 요인입니다. 비만과 이러한 질병 간의 관계는 횡단적 BMI 측정(단일 시점 데이터)을 통해 광범위하게 연구되어 왔으나, 종단적 BMI 궤적(시간에 따른 체중 변화 패턴)의 역할, 특히 대규모 차원에서의 역할은 아직 충분히 탐구되지 않았습니다. 기존 문헌은 과거의 비만 패턴이 질병 위험을 이해하는 데 중요하다는 점을 시사하지만, 전통적인 예측 방법은 이러한 시간적 역동성을 포착하지 못하는 경우가 많으며, 고급 딥러닝 접근 방식은 해석 가능성이 부족한 경우가 빈번합니다. 본 연구는 종단적 비만 패턴만으로 개인이 향후 18가지 주요 만성 질환을 겪을 위험을 예측할 수 있는지, 그리고 이러한 패턴을 기반으로 환자를 하위 유형화(subtyping)할 수 있는지를 조사함으로써 이 간극을 메우고자 합니다.

연구 방법론
본 연구는 athenahealth 시스템의 지리적으로 다양한 대규모 전자 건강 기록(EHR) 데이터셋을 활용하였으며, 6년 기간(2013~2018년) 동안 약 153만 명의 개인(중복 방문 필터링 후)을 대상으로 하였습니다.

1. 코호트 정의: 연구진은 18가지 주요 만성 질환(예: 당뇨병, 뇌졸중, 알츠하이머, 암, 고혈압) 각각에 대해 별도의 코호트를 정의했습니다. 각 코호트는 특정 질환을 진단받은 환자와 무작위로 선정된 동일한 수의 건강한 대조군을 포함합니다. 또한 18가지 질환 중 하나라도 해당하는 환자들을 포함하는 통합 코호트도 분석되었습니다.
2. 특징 공학(Feature Engineering): 시간적 비만 패턴을 포착하면서도 해석 가능성을 유지하기 위해, 개별 BMI 궤적으로부터 9가지의 새로운 특징을 생성했습니다:
   • 가중 평균 BMI (Weighted Mean BMI): 불규칙한 방문 간격을 고려함.
   • 추세 (Trend): 연속된 BMI 값 간 차이의 가중 평균(1차 미분).
   • 정규화된 상승 횟수 및 하락 횟수 (Normalized Up-Count and Down-Count): 체중 증감 사이클(체중 순환)의 빈도를 측정함.
   • 최대 BMI (Maximum BMI): 기록된 가장 높은 BMI 값.
   • BMI 최대 변화량 (Maximum Change in BMI): 연속된 방문 사이의 가장 큰 급증 또는 급락.
   • 시작 및 종료 BMI 범주 (Start and End BMI Categories): 관찰 기간 시작과 종료 시의 BMI 분류(예: 저체중, 비만)를 나타내는 범주형 변수.
   • 중앙값 BMI (Median BMI): 궤적의 중심 경향성.
3. 클러스터링 (하위 유형 분류): 각 코호트에 대해 생성된 9가지 특징을 사용하여 k-means 클러스터링 알고리즘을 적용했습니다. 최적의 클러스터 수는 엘보우 방법(elbow method)을 통해 결정되었으며, 클러스터 품질은 실루엣(Silhouette) 및 칼린스키-하라바츠(Calinski-Harabasz) 점수를 사용하여 검증되었습니다. 저자들은 k-means를 계층적 클러스터링(hierarchical clustering) 및 심층 시간적 클러스터링(Deep Temporal Clustering, DTC)과 비교하였으며, k-means가 가장 뚜렷하고 중복되지 않는 클러스터를 생성함을 확인했습니다.
4. 분석: 식별된 클러스터에 대해 인구통계학적(연령, 성별, 인종), 사회경제적(소득, 보험), 생리학적(HbA1c, 혈압, LDL) 특성을 분석했습니다. 양성 사례가 우세한 클러스터와 음성 사례가 우세한 클러스터 간의 질병 발생 상대 위험도를 계산했습니다.

주요 기여

• 해석 가능한 특징 세트: 저자들은 종단적 BMI 값에서 유도된 9가지의 해석 가능하고 근거 있는 특징들을 정의했습니다. 시간적 패턴을 놓칠 수 있는 회귀 방법이나 "블랙박스" 역할을 하는 딥러닝 모델과 달리, 이 특징들은 데이터의 추세, 계절성, 불규칙성을 명시적으로 포착합니다.
• 시간적 관련성 검증: 본 연구는 시간적 BMI 패턴을 포착하는 특징들이 비만, 당뇨병, 암, 고혈압, 뇌졸중, 치매 등을 포함한 특정 질병의 발생과 직접적으로 연관되어 있음을 입증했습니다.
• 환자 하위 유형 분류: 본 연구는 연구된 18가지 질환 중 8가지에 대해 성공적으로 구별되는 환자 하위 유형(클러스터)을 식별했습니다. 이러한 하위 유형은 구별되는 질병 발생 패턴을 보이며, 고유한 인구통계학적, 사회경제적, 생리학적 프로필을 특징으로 합니다.

결과
클러스터링 분석 결과, 18개 중 8개의 만성 질환 코호트에서 주목할 만한 뚜렷한 패턴이 나타났습니다. 나머지 10개 질환은 양성 사례가 불충분하거나 BMI 단독 신호가 강하지 않아 뚜렷한 BMI 관련 하위 유형을 보이지 않았습니다.

• 당뇨병: 두 개의 클러스터(2와 3)에서 높은 당뇨병 환자 농축도(각각 60.83% 및 57.28%)를 보였습니다. 이 그룹들은 높은 생리학적 위험(높은 HbA1c, 혈압, LDL)과 낮은 소득, 그리고 감소 폭이 적으면서 30 이상의 상태를 유지하는 BMI 추세를 특징으로 했습니다.
• 암: 클러스터 2는 높은 BMI 추세(>40)와 함께 높은 암 위험(59.68% 양성)을 보였으나, 클러스터 3는 주로 건강한 개인들로 구성되었으나 더 좋지 않은 생리학적 측정치와 낮은 BMI 추세를 보였습니다.
• 고혈압: 클러스터 5는 클러스터 2에 비해 고혈압 위험이 1.66배 높았습니다. 클러스터 5는 높은 BMI 추세, 낮은 소득, 그리고 흑인 또는 아프리카계 미국인의 높은 비율을 보였습니다.
• 알츠하이머/치매: 높은 BMI 추세나 안정적인 높은 BMI를 가진 노인들로 구성된 클러스터 2와 3은 클러스터 1에 비해 유의미하게 높은 위험도(2.93배 및 2.51배)를 보였습니다.
• 비만: 비만 코호트는 가장 뚜렷한 패턴을 보였습니다. 클러스터 2와 3은 극도로 높은 비만 위험(클러스터 1보다 29.7배 및 32.87배 높음)을 보였으며, 높은 LDL과 혈압을 가진 젊은/중년층의 특성을 나타냈습니다.
• 고관절 골절/골다공증: 역관계가 관찰되었습니다. 양성 사례(골절)가 많은 클러스터는 상대적으로 더 건강한 생리학적 측정치를 보인 반면, 건강 상태가 더 나쁜 클위터는 양성 사례가 적었습니다.
• 통합 코호트: 18가지 질환 중 하나라도 해당하는 환자들에 대한 분석 결과, 질환이 있는 클러스터는 일반적으로 점근적(건강한) 코호트에 비해 더 나쁜 생리학적 측정치와 낮은 소득을 보였으며, 유의미한 인종적 및 지리적 격차가 존재했습니다.

의의 및 주장
본 논문은 종단적 BMI 패턴만으로도 특정 만성 질환에 대한 위험이 있는 개인을 효과적으로 하위 유형화할 수 있으며, 비만 궤적과 당뇨병, 고혈압, 치매와 같은 질병 간의 직접적인 관계를 재확립한다고 주장합니다. 본 연구는 BMI 궤적에 기반한 환자 하위 유형 분류가 주요 만성 질환의 요인으로서 비만의 역할을 뒷받침하며, 특정 인구통계학적 및 생리학적 특성을 가진 뚜렷한 하위 그룹을 밝혀낸다는 점을 강조합니다.

저자들은 BMI 패턴이 유의미하지만, 만성 질환은 많은 공변량(covariates)의 복잡한 상호작용의 결과라는 점을 언급하며 신중한 입장을 유지합니다. 또한 표본 크기를 유지하기 위해 남성/여성 코호트를 분리하지 않은 점과, 더 큰 데이터셋이 있다면 숨겨진 패턴을 찾아낼 수 있는 더 복잡하고 해석력이 낮은 딥러닝 모델(RNN 또는 트랜스포머 등) 대신 해석 가능한 특징을 사용했다는 점을 한계점으로 인정합니다. 본 연구는 이러한 결과가 기존의 가이드라인(예: 40~59세 과체중 개인에 대한 당뇨병 선별 검사)을 지지하며, 향-후 연구에서 다른 공변량과 결합된 BMI 추세를 탐구해야 함을 시사한다고 결론짓습니다.