A joint model for (un)bounded longitudinal markers, competing risks, and recurrent events using patient registry data

의학 연구의 세계에서 의사와 과학자들은 질병이 인체를 통해 어떻게 이동하는지 이해하기 위해 두 가지 서로 다른 종류의 정보를 추적하곤 합니다. 첫 번째 종류는 몇 달마다 혈압이나 폐 용량을 확인하는 것처럼 시간이 경과함에 따라 측정된 일련의 수치입니다. 이것들은 종단적 표지자(longitudinal markers)라고 불리며, 환자가 천천히 좋아지고 있는지 아니-면 악화되고 있는지를 보여주는 변화의 이야기를 들려줍니다. 두 번째 종류의 정보는 갑작스러운 입원, 주요 합병증, 또는 사망과 같이 중요한 사건이 발생하는 특정 순간에 관한 것입니다. 이것들은 임상 사건(clinical events)으로 알려져 있습니다. 수십 년 동안 연구자들은 이 두 가지 데이터 스트림을 연결하는 수학적 모델을 구축하기 위해 노력해 왔으며, 환자의 건강 측정치에서 나타나는 느리고 꾸준한 변화가 어떻게 갑작스럽고 심각한 사건의 발생을 예측할 수 있는지 질문해 왔습니다. 이러한 연결은 매우 중요한데, 왜냐하면 의사들이 문제가 응급 상황이 되기 전에 문제를 예측할 수 있게 해주기 때문입니다. 그러나 실제 의료 데이터는 결코 단순하지 않습니다. 환자들은 종종 동일한 유형의 위기를 여러 번 경험하며, 호흡 부전으로 인한 사망과 이식이 필요한 위험처럼 서로 경쟁하는 서로 다른 유형의 심각한 결과에 직면합니다. 더욱이, 많은 건강 측정치는 경계가 정해져 있는데, 즉 0 아래로 내려가거나 특정 한계치 위로 올라갈 수 없다는 뜻입니다. 이는 숫자가 양방향으로 무한히 뻗어나갈 수 있다고 가정하는 표준 도구들로 분석하기 어렵게 만듭니다.

통계학자와 역학자들로 구성된 한 팀은 이 복잡한 조각들을 한꺼번에 연결할 수 있는 더 정교하고 새로운 방법을 개발했습니다. 그들의 연구는 폐와 소화 기관을 손상시키는 심각한 유전 질환인 낭성 섬유증에 초점을 맞추고 있습니다. 이 질환을 가진 환자들은 영양 상태를 반영하는 체질량 지수(BMI)와, 예측된 1초간 강제 호기량의 백분율(percent of predicted forced expiratory volume in one second)이라고 불리는 폐 기능 측정치의 두 가지 핵심 지표를 통해 면밀히 모니터링됩니다. 이 폐 측정치는 보통 0에서 100 사이의 범위를 갖지만, 효과적인 치료를 통해 가끔 100을 약간 넘을 수도 있습니다. 이 수치는 특정 범위 안에 갇혀 있기 때문에, 표준 통계 방법들은 이를 정확하게 모델링하는 데 어려움을 겪으며 때로는 음수의 폐 용량과 같은 불가능한 결과를 만들어내기도 합니다. 또한 연구자들은 환자들이 반복적인 폐 감염(pulmonary exacerbations)을 겪을 수 있다는 점과, 그들이 여정의 끝에서 호흡 부전으로 인한 사망과 폐 이식이라는 두 가지 뚜렷하고 경쟁하는 위험에 직면한다는 점을 고려해야 했습니다. 기존의 방법들은 연구자들이 여러 번의 감염을 단일 사건으로 취급하거나 사망과 이식을 하나의 범주로 결합하는 등, 중요한 세부 사항을 가리는 방식으로 일부 정보를 무시하도록 강요하는 경우가 많았습니다.

이러한 문제들을 해결하기 위해 연구진은 이 모든 복잡성을 동시에 처리할 수 있는 통합된 통계 프레임워크를 만들었습니다. 연구진은 폐 기능 데이터를 불가능한 값을 허용하는 표준 곡선에 억지로 맞추는 대신, 정해진 경계 내에 머무는 숫자를 위해 특별히 설계된 유연한 수학적 형태를 사용했습니다. 이 접근 방식은 모델이 오직 현실적인 폐 기능 값만을 예측하도록 보장합니다. 그런 다음 이 개선된 측정 모델을 반복되는 감염의 시점 및 사망과 이식이라는 경쟁하는 위험과 연결했습니다. 이를 통해 연구진은 환자의 폐 기능과 체중의 궤적이 미래의 감염이나 종말적 사건의 가능성에 어떻게 영향을 미치는지 확인할 수 있었으며, 동시에 환자가 이식을 받으면 동일한 방식으로 호흡 부전으로 사망할 위험이 사라진다는 점도 고려했습니다. 연구팀은 미국 내 2만 3천 명 이상의 낭성 섬유증 환자들의 건강 기록을 담고 있으며 거의 20년에 걸친 방대한 데이터베이스를 사용하여 이 새로운 방법을 테스트했습니다. 이 데이터셋에는 수백만 개의 개별 측정치가 포함되어 있었으며 수천 건의 입원, 이식, 그리고 사망을 추적했습니다.

이 새로운 모델을 실제 데이터에 적용한 결과는 질병이 어떻게 진행되는지에 대한 더 명확한 그림을 보여주었습니다. 분석 결과, 과거에 많은 감염을 겪었다면 환자의 폐 감염 위험이 높아진다는 것이 밝혀졌으며, 이는 질병이 에피소드 형태로 군집을 이루는 경향이 있음을 확인시켜 주었습니다. 더 중요한 것은, 모델이 폐 기능과 체질량 지수 모두가 미래의 위험을 예측하는 강력한 지표임을 입증했다는 점입니다. 구체적으로, 폐 기능의 빠른 저하는 사망 위험과 강한 상관관계가 있었던 반면, 체질량 지수의 누적된 변화 이력은 또 다른 감염의 위험과 연결되었습니다. 연구는 사망 위험과 이식이 필요한 위험이 이 표지자들에 의해 서로 다르게 영향을 받는다는 것을 발견했으며, 이는 두 가지를 단일 결과로 취급했을 경우 중요한 미묘한 차이를 놓쳤을 것임을 증명했습니다. 예를 들어, 모델은 폐 기능의 1단위 하락과 감소 속도의 가속화가 각각 사망 위험을 서로 다른 양만큼 증가시킨다는 것을 보여주었으며, 이는 현재의 수치뿐만 아니라 변화의 속도를 추적하는 것의 중요성을 강조했습니다. 연구진은 또한 환자들이 더 쇠약해진 상태(frail, 전반적인 취약 상태를 의미함)일수록 감염을 경험하거나, 이식을 받거나, 사망할 가능성이 현저히 높다는 것을 발견했습니다.

또한 이 연구는 오래된 단순한 방법들을 사용하는 것이 잘못된 결론을 도출할 수 있는지 확인하는 시험 역할을 했습니다. 연구진이 폐 기능이 엄격하게 경계가 정해진 데이터를 생성한 후, 숫자가 어디든 갈 수 있다고 가정하는 전통적인 방법으로 분석을 시도했을 때 결과는 왜곡되었습니다. 오래된 접근 방식은 편향된 추정치를 생성하여, 폐 건강과 사망 위험 사이의 관계가 실제보다 훨씬 약한 것처럼 보이게 만들었습니다. 이는 새로운 방법이 단순히 사소한 수정이 아니라 정확한 분석을 위한 필수적인 개선임을 확인시켜 주었습니다. 연구팀은 자신들의 새로운 모델을 무료 소프트웨어 패키지로 공개하여, 다른 연구자들이 유사한 복잡한 데이터 구조를 가진 다른 질병에 이 엄격한 접근 방식을 적용할 수 있도록 했습니다. 환자의 건강 여정의 전체 이야기—반복되는 좌절, 경쟁하는 위험, 그리고 생체 징후의 경계가 정해진 특성—를 포착함으로써, 이 작업은 질병 진행을 이해하기 위한 더 정밀한 도구를 제공합니다. 이는 가장 중요한 임상 징후와 생명을 위협하는 사건 사이의 관계를 이전에는 불가능했던 수준의 세부 정보로 정량화하는 방법을 제시하며, 향-후 의사들이 이러한 질환들을 더 효과적으로 관리하는 데 도움을 줄 수 있습니다.