[기술 요약] 장기 전자 건강 기록(EHR)을 이용한 급성 신손상(AKI) 환자의 투석 위험 예측 및 치료 효과 추정

1. 문제 정의 (Problem Statement)

• 임상적 배경: 급성 신손상(AKI) 환자가 투석 또는 말기 신질환(ESRD)으로 진행되는 것은 매우 중요한 임상적 결과이지만, 발생 빈도가 낮아 예측과 관리가 어렵습니다.
• 기존 연구의 한계:
  • 인과관계 파악의 어려움: 기존의 예측 모델은 주로 상관관계(Correlation)에 집중하며, 약물 노출이 실제 결과에 미치는 인과적 효과(Causation)를 구분하기 어렵습니다.
  • 다제복용(Polypharmacy) 문제: 환자들이 여러 약물을 동시에 복용하므로, 특정 약물의 효과를 개별적으로 분리해내는 것이 매우 복잡합니다.
  • 데이터 불균형: 투석 발생률이 매우 낮아(약 1.1%), 모델 학습 시 클래스 불균형(Class Imbalance) 문제가 발생합니다.

2. 연구 방법론 (Methodology)

본 연구는 투석 위험 예측과 치료 효과 추정을 하나의 인과 추론(Causal Inference) 문제로 정의하고 다음과 같은 기술적 접근을 취했습니다.

• 데이터셋 및 코호트 구성: TriNetX 네트워크의 EHR 데이터를 활용하여 81,401명의 환자 코호트를 구축했습니다. 90일(또는 365일)의 관찰 기간(Observation window)을 거친 후, 730일의 예측 기간(Prediction window) 동안 투석 여부를 추적하는 고정 윈도우 설계를 적용했습니다.
• 모델 아키텍처 (Transformer-based Causal Model):
  • 멀티 헤드 트랜스포머(Multi-head Transformer): 진단명, 처방, 처치 코드의 시퀀스와 신장 기능 지표(eGFR, Creatinine, BUN)의 추세를 동시에 학습합니다.
  • 4개의 출력 헤드: ① 투석 위험 예측(Outcome head), ② 약물 처방 확률 모델링(Propensity head), ③ 처치 시 잠재적 결과(Treated outcome), ④ 비처치 시 잠재적 결과(Untreated outcome)를 각각 예측합니다.
• 인과 추론 기법 (Counterfactual Intervention):
  • 반사실적 시나리오(Counterfactual scenarios): 특정 약물 토큰을 시퀀스에서 제거(Untreated)하거나 추가(Treated)하여, 모델이 예측하는 투석 위험의 차이를 계산함으로써 **평균 처치 효과(ATE, Average Treatment Effect)**를 산출합니다.
  • 성분 단위 분석(Ingredient-level analysis): 개별 약물 제품이 아닌 활성 성분(Active ingredient) 단위로 효과를 추정하여 임상적 해석력을 높였습니다.
• 검증 전략: 모델의 예측 결과가 실제 신장 수치(eGFR, Creatinine, BUN)의 변화 방향과 일치하는지 확인하기 위해 IPTW, AIPW 등 다양한 통계적 방법론을 사용한 사후 검증(Post-hoc validation)을 수행했습니다.

3. 주요 기여 (Key Contributions)

1. 통합 프레임워크 개발: 위험 예측과 인과적 치료 효과 추정을 하나의 트랜스포머 구조 내에서 동시에 수행하는 통합 모델을 제안했습니다.
2. 성분 단위의 인과 효과 추정: 약물 제품명이 아닌 성분 단위로 반사실적 개입을 수행하여, 복잡한 다제복용 환경에서도 해석 가능한 약물 효과를 도출했습니다.
3. 임상적 타당성 검증 레이어: 모델의 수치적 결과에 그치지 않고, 실제 신장 기능 지표(Lab markers)의 변화와 비교함으로써 모델의 예측이 생리학적으로 타당한지 검증하는 단계를 도입했습니다.
4. 희귀 사건 대응 전략: 불균형한 데이터셋을 위해 Imbalance-aware loss(Focal loss 등)와 시간 인지형(Time-aware) 검증 프로토콜을 적용했습니다.

4. 연구 결과 (Results)

• 예측 성능: 90일 관찰 기준, AUC 0.694, PR-AUC 0.094를 기록하며 기존 베이스라인(SVM, Logistic Regression)보다 우수한 성능을 보였습니다. (단, 관찰 기간을 365일로 늘릴 경우 노이즈 증가로 인해 성능이 다소 하락함)
• 약물 효과 추정 (ATE):
  • ACE/ARB 계열 (예: Lisinopril): 투석 위험을 낮추는 **보호적 방향(Protective direction)**의 신호를 보였습니다.
  • 루프 이뇨제 (Loop Diuretics, 예: Furosemide): 투석 위험을 높이는 **위험 증가 방향(Risk-increasing direction)**의 신호를 보였습니다.
• 임상적 일치성: 모델이 도출한 약물 효과 방향이 실제 신장 수치(eGFR, Creatinine 등)의 변화 추세와 부분적으로 일치함을 확인하여 모델의 신뢰성을 뒷받침했습니다.

5. 의의 및 결론 (Significance & Conclusion)

본 연구는 대규모 EHR 데이터를 활용하여 **"단순히 위험을 예측하는 것을 넘어, 특정 약물이 환자의 예후에 어떤 영향을 미칠지"**를 시뮬레이션할 수 있는 가능성을 보여주었습니다.

비록 관찰 데이터의 특성상 '적응증에 의한 교란(Confounding by indication)'과 같은 한계가 존재하지만, 트랜스포머 기반의 모델링이 신장 질환 관리 및 약물 안전성 연구를 위한 가설 생성(Hypothesis generation) 도구로서 매우 강력한 역할을 할 수 있음을 입증했습니다. 이는 향후 정밀 의료 및 개인 맞춤형 치료 전략 수립에 기여할 수 있는 중요한 기술적 토대를 제공합니다.