기술 요약: 건강한 헌혈자 집단의 대사 증후군 위험 예측을 위한 경고 시스템

문제 제기

대사 증후군 (MetS) 은 복부 비만, 고혈압, 공복 고혈당, 고중성지방혈증, 저 HDL 콜레스테롤 등 여러 대사성 위험 인자가 동시에 존재하는 복잡한 임상적 상태로 특징지어집니다. 이는 종종 조용히 진행되어 오랫동안 진단되지 않아 조기 예방을 어렵게 만듭니다. 데이터 기반의 조기 선별 도구가 공중보건적 우선순위임에도 불구하고, 기존 연구는 대부분 이미 질병을 앓고 있는 개인들의 횡단면 데이터에 의존하거나, 종단적 역동성과 불확실성을 명시적으로 모델링하지 않는 머신러닝 (ML) 모델에 기반하고 있습니다.

특히, 주로 건강한 인구 집단으로부터의 종단 데이터를 활용하여 MetS 의 발병을 예측하는 데에는 명확한 격차가 존재합니다. 헌혈자는 일반적으로 건강하며 정기적인 상세 임상 선별 검사를 받고 시간에 따라 반복 측정을 제공한다는 점에서 독특한 코호트입니다. 그러나 헌혈 센터의 표준 선별 검사는 일반적으로 기증자의 현재 상태를 반영할 뿐, 향후 방문에 대한 미래 지향적 위험 평가를 제공하지는 않습니다.

방법론

데이터 원천 및 전처리

본 연구는 2019 년 1 월부터 2023 년 9 월 사이에 2,228 명의 헌혈자 (남성 1,907 명, 여성 321 명) 로부터 수집된 11,556 건의 방문 기록을 포함한 AVIS 밀라노 (Associazione Volontari Italiani del Sangue) 의 종단 데이터를 활용했습니다.

• 목표 변수: NCEP-ATP III 가 정의한 MetS 의 다섯 가지 진단 구성 요소: 허리 둘레, 수축기 혈압 ($PMAX$), 공복 혈당, 중성지방, HDL 콜레스테롤.
• 공변량: 모델은 인구통계학적 정보 (나이, 성별), 인체계측치 (BMI, 키), 생활습관 요인 (신체 활동), 그리고 혈액학/생화학 표지자 (헤모글로빈, 페리틴, ALT 등) 를 포함한 34 개의 공변량과 상호작용 항 (예: 나이 $\times$ 성별, BMI $\times$ 성별) 을 포함합니다.
• 결측 데이터 처리: 허리 둘레는 방문 기록의 48.5% 에서 결측되었습니다. 이를 제외하는 대신, 저자들은 결측값을 베이지안 프레임워크 내의 데이터 증강을 통해 공동 추정되는 잠재 매개변수로 처리했습니다. 결측률이 50% 미만인 다른 공변량은 체인 방정식을 통한 다중 결측치 대체 (MICE) 를 사용하여 대체되었습니다.
• 데이터 분할: 표본 외 예측 성능을 평가하기 위해 데이터를 훈련 세트 (각 헌혈자의 마지막 관측치를 제외한 모든 관측치) 와 테스트 세트 (각 헌혈자의 가장 최근 관측치) 로 분할했습니다.

통계 모델: 베이지안 다변량 혼합 효과 모델

핵심 기여는 다섯 가지 MetS 구성 요소의 로그를 공동으로 모델링하는 베이지안 다변량 혼합 효과 모델입니다.

• 구조: 모델은 $Y_{ij} \sim N_K(\mu_{ij}, \Sigma_Y)$를 가정합니다. 여기서 $Y_{ij}$는 헌혈자 $i$가 방문 $j$에서 가진 로그 변환 및 표준화된 MetS 구성 요소들의 벡터입니다.
• 선형 예측자: $\mu_{ij} = x'_{ij}\beta + b_i$이며, 여기서 $x_{ij}$는 공변량 벡터, $\beta$는 회귀 계수 행렬, $b_i$는 관찰되지 않은 이질성을 포착하는 헌혈자별 랜덤 절편 벡터입니다.
• 변수 선택: 높은 차원을 처리하고 다섯 가지 결과 전반에 걸친 공동 희소성을 장려하기 위해 회귀 계수 $\beta$에 말발굽 (horseshoe) 사전 분포를 할당했습니다. 이는 관련 없는 계수를 0 으로 수축시키면서 여러 MetS 구성 요소에 대한 정보 제공 계수들은 보존하는 구조화된 변수 선택을 가능하게 합니다.
• 공분산 구조: 모델은 두 가지 공분산 행렬을 추정합니다: $\Sigma_Y$(단일 방문 시 구성 요소 간의 잔차 의존성) 와 $\Sigma_b$(헌혈자별 랜덤 절편 간의 상관관계).
• 시간적 역동성: 저자는 불규칙하게 간격이 떨어진 방문을 고려하기 위해 연속 자기회귀 (t-CAR) 구조를 추가하는 것을 고려했습니다. 그러나 사후 추정은 전형적인 헌혈 간격에서 시간적 자기상관이 거의 0 으로 감소함을 나타냈으며, 모델 비교 (WAIC/LOOIC) 는 예측적 이득이 없음을 보여주었습니다. 따라서 최종 모델은 종단적 역동성을 포착하기 위해 랜덤 절편과 나이 상호작용에 의존하며, 간결성을 우선시합니다.
• 추론: 사후 분포는 Stan 을 통한 해밀토니안 몬테카를로 (HMC) 를 사용하여 계산됩니다.

신호등 경고 시스템

확률론적 출력을 임상적 행동으로 전환하기 위해 저자들은 다음 방문에서 MetS 기준을 충족하는지 여부를 나타내는 지표 $S$에 대한 사후 예측 확률 $P(S_{i, n_i+1} = 1 | \text{data})$를 기반으로 한 3 단계 분류 시스템을 개발했습니다.

• 임계값 설정: 훈련 세트에서 Youden's J 통계량을 통해 최적화된 확률 임계값 $t$를 사용합니다.
• 분류 규칙:
  • 초록 (저위험): 사후 평균과 95% 신뢰구간의 상한선이 모두 $t$보다 낮습니다.
  • 노랑 (잠재적 위험): 사후 평균은 $t$보다 낮지만 상한선이 $t$를 초과합니다. 이 범주는 불확실성과 잠재적 위험 증가를 포착합니다.
  • 빨강 (고위험): 사후 평균이 $t$를 초과합니다.
• 철학: 이 예방적 설정에서는 특이도보다 민감도가 우선시됩니다. "노랑" 범주는 위음성을 최소화하는 완충 역할을 하여, 확률이 명확히 높지 않더라도 기증자를 더 면밀히 모니터링하도록 경고합니다.

주요 결과

모델 성능

모델은 2,228 명의 헌혈자로 구성된 테스트 세트에서 평가되었으며, 710 명의 헌혈자 (완전한 허리 둘레 데이터를 가진 경우) 에 대해 실제 값 (ground truth) 을 사용할 수 있었습니다.

• 민감도: 신호등 알고리즘은 100% 의 민감도를 달성하여 테스트 세트의 66 건의 실제 MetS 사례를 모두 "노랑" 또는 "빨강" 범주로 분류하여 정확히 식별했습니다.
• 특이도와 정확도: 시스템은 관측치의 약 38% 를 중위험 또는 고위험으로 표시하여 67.9% 의 특이도와 70.8% 의 전체 정확도를 보였습니다. 위험에 처한 개인을 놓치지 않기 위한 선별을 위해 이러한 보수적 접근 방식은 의도적인 것입니다.
• 직접 이진 비교: 모델을 엄격한 이진 분류 (임계값 $t$) 로 강제했을 때, 92.4% 의 민감도, 85.2% 의 특이도, 85.9% 의 정확도를 달성하여 강력한 근본적인 판별 능력을 보여주었습니다.
• ML 과의 비교: 베이지안 접근 방식은 민감도 측면에서 표준 분류기 (로지스틱 회귀, LDA, KNN) 와 Light Gradient Boosting Machine (LGBM) 보다 우수했습니다. LGBM 은 16 건, KNN 은 19 건을 놓친 반면, 신호등 구성의 베이지안 모델은 하나도 놓치지 않았습니다. 그러나 ML 모델은 훈련 속도가 훨씬 빨랐습니다 (수분 대 베이지안 MCMC 의 약 3 시간).

생물학적 통찰

고정 효과에 대한 사후 분석은 확립된 임상 지식을 확인했습니다:

• BMI, 나이, 성별은 다섯 가지 생체 표지자 전반에 걸쳐 중심 결정 요인으로 나타났습니다.
• 성별 차이: 남성 성별은 대부분의 목표와 양의 상관관계를 보였으나 HDL 과는 음의 상관관계를 보였습니다. BMI 와 성별 간의 상호작용은 허리 둘레에 대한 BMI 의 효과가 여성에서 더 강함을 보여주었습니다.
• 새로운 연관성: 모델은 HDL 콜레스테롤과 관련된 적혈구 지수 (MCH, MCHC) 에 대해 0 이 아닌 계수를 식별하여, 미묘한 혈액학적 변화가 이상지질혈증과 공존할 수 있음을 시사했습니다.
• 상관 구조: 분석은 MetS 구성 요소 간의 상관관계가 잔차 수준보다 랜덤 절편 수준 (개체별) 에서 더 강함을 보여주었으며, 이는 대사적 의존성이 주로 시간 불변의 개인 특성 (예: 유전, 장기적 습관) 에 의해 주도되고 단기적 변동보다는 시간 불변의 개인 특성에 의해 주도됨을 나타냅니다.

중요성과 주장

본 논문은 저유병률 건강한 인구를 위해 맞춤화된 해석 가능한 확률론적 경고 시스템을 개발한 것이 주요 기여라고 주장합니다.

• 임상적 유용성: 이 시스템은 복잡한 베이지안 출력을 간단한 "신호등" 형식으로 변환하여, AVIS 밀라노의 임상가가 추가 침습적 검사 없이 일상적인 헌혈 전 선별 검사 중 위험에 처한 헌혈자를 식별할 수 있게 합니다.
• 예방적 초점: 건강한 개인으로부터의 종단 데이터를 활용함으로써, 모델은 기존 질병의 진단에서 미래 발병 예측으로 초점을 이동시켜 조기 생활습관 개입을 용이하게 합니다.
• 불확실성 처리: 점 추정을 제공하는 표준 ML 분류기와 달리, 베이지안 프레임워크는 신뢰구간을 통해 불확실성을 명시적으로 정량화하여 "노랑" 위험 범주에 필수적입니다. 이는 불확실한 사례를 무시하는 대신 모니터링을 위해 경고하는 세분화된 접근 방식을 가능하게 합니다.
• 효율성: 저자들은 모델이 계산 집약적 (훈련에 3 시간 소요) 이지만, 기존 헌혈 데이터를 활용하여 더 침습적이거나 비싼 선별 방법의 비용 효율적인 대안을 제공하며 정기적인 재훈련에 실행 가능하다고 주장합니다.

저자들은 일반화 가능성에 대해 겸손한 입장을 유지하며, 모델이 AVIS 밀라노 코호트를 위해 특별히 구축되었으며 더 다양한 인구 집단에서 외부 검증이 필요하다고 지적합니다. 또한 위험 임계값의 선택이 민감도와 특이도 간의 트레이드오프를 수반하며 다른 임상적 맥락에서 보정이 필요할 수 있음을 인정합니다.