Routine laboratory trajectories encode the onset of organ-level complications in cancer

기술 요약: 일상적인 실험실 궤적이 암 환자의 장기 수준 합병증 발생을 부호화한다

문제 제기
다발성 골수종 및 난소암과 같이 장기간의 다중 라인 치료를 필요로 하는 진행성 암 환자들은 여러 계통에 걸쳐 점진적으로 장기 수준의 합 complications(합병증)를 축적한다. 일상적인 실험실 패널은 거의 모든 임상 진료 시마다 작성되어 장기 기능에 대한 조밀한 종단적 기록을 생성하지만, 이러한 시간적 신호는 여전히 충분히 활용되지 못하고 있다. CARG 점수나 CRASH 척도와 같은 기존의 예후 도구들은 치료 전 수치에 의존하며, 생리학적 변화에 따라 업데이트되지 않거나 치료 라인을 가로지르는 실험실 궤적을 통합하지 못한다. 또한, 현재의 질환 특이적 모델들은 개별적인 치료 관련 합병증의 발생보다는 총체적인 부작 most adverse events(이상 사례)나 생존율을 예측하는 데 치중되어 있다. 표준화되고 일상적으로 수집되는 데이터를 사용하여, 정의된 암 환자군 내에서 합병증 해결 중심의 위험 추정을 위해 가공되지 않은 실험실 궤적을 적용하는 모델은 부족한 실정이다.

방법론
본 연구는 트랜스포머 기반 모델을 훈련시켜 8가지 임상 범주(골수이형성 증후군, 심혈관 질환, 신장 질환, 감염 등을 포함)에 걸친 162가지 치료 관련 합병증의 2년 내 발생을 예측하였다.

• 데이터 소스 및 코호트: 모델은 2000년부터 2026년 사이에 단일 3차 의료 기관에서 치료받은 3,905명의 환자(다발성 골수종 1,855명, 난소암 2,050명)로부터 추출된 2,777,595개의 구조화된 실험실 측정값을 바탕으로 훈련되었다. 데이터셋은 특정 검사 지시 편향(indication bias)을 피하기 위해 39개의 일상적 검사 항목(혈액학, 대사, 간 기능, 염증, 응고 및 내분비 패널을 포괄)으로 필터링되었다.
• 데이터 처리: 실험실 궤적은 10~30일 단위의 중복되지 않는 관찰 창(observation windows)으로 분할되었다. 결측치는 마스킹된 분석물을 재구성하도록 훈련된 전용 트랜스포머 기반 임퓨테이션(imputation) 모델을 통해 처리되었으며, 이를 통해 예측 모델이 검사 패턴이 아닌 생리학적 수치에 의존하도록 보장하였다.
• 모델 아키텍처: 언어 사전 학습 없이 구조화된 실험실 데이터만을 사용하여 양방향 트랜스포머 인코더(회전 위치 임베딩 및 SwiGLU 활성화 함수를 포함한 Qwen-3 아키텍처 구성 요소 기반)를 처음부터 훈련시켰다. 입력 토큰은 z-score 정규화된 39개 분석물의 값과 환자의 연령을 인코딩하며, 각 시퀀스에는 이진 성별 토큰이 추가되었다.
• 과업 설정: 과업은 입력 창 이후 730일(2년) 이내에 162가지 진단(ICD-10 코드에서 매핑됨)이 발생할 확률을 예측하는 다중 레이블 분류(multi-label classification)로 설정되었다.
• 베이스라인 및 검증: 트랜포머 모델은 동일한 데이터의 bag-of-words 표현으로 훈련된 비순차적 베이스라인(XGBoost 및 로지스틱 회귀)과 비교되었다. 외부 검증은 미세 조정이나 코호트별 재보정 없이 두 개의 독립적인 미국 코호트인 MIMIC-IV 중환자실 데이터베이스와 MMRF CoMMpass 다발성 골수종 레지스트리를 대상으로 수행되었다.

주요 결과

• 예측 성능: 트랜포머는 8개 주요 질환 그룹 모두에서 각각의 유병률 베이스라인보다 높은 수준으로 2년 내 발생을 예측하였다. AUROC 값은 제2형 당뇨병의 0.65에서 진균 감염의 0.75 사이였다. 모델은 유의미한 예측 농축(predictive enrichment)을 달alog성하였으며, 희귀 엔드포인트에서 가장 높은 비율이 관찰되었다(예: 골수이형성 증후군은 6.1배 농축, 진균 감염은 3.1배 농축).
• 시간적 우위: 트랜포머는 8개 그룹화된 엔드포인트 전체에서 비순차적 베이스라인과 대등하거나 이를 능가하였다. AUROC 상승 폭은 골수이형성 증후군에서 최대 +0.11, 진균 감염에서 +0.09에 달했다. 이는 종단적 궤적이 고립된 측정값으로는 접근할 수 없는 진화하는 합병증 특이적 생리학을 포착함을 입증한다.
• 생물학적 일관성: 예측은 질병의 병태생리학적 차이에도 불구하고 8개 중 5개 엔드포인트(심혈관, 세균 감염, 전이성 질환, 제2형 당뇨병, 진균 감염)에 대해 두 암종 간에 일반화되었다. 실험실 징후가 질환 특이적인 경우(예: 내부 테스트 세트에서 난소암 환자의 유병률이 0이었던 골수이형성 증후군)에는 차이가 관찰되었다.
• 바이오마커 시그니처: 마스킹 분석 결과, 모델이 알려진 병태생리에 부합하는 해석 가능한 바이오마커에 의존한다는 것이 밝혀졌다. 예를 들어, 포도당은 제2형 당뇨병 예측을 주도했고, 사구체 여과율(eGFR)은 신장 질환 예측을 이끌었으며, 적혈구 수는 골수이형성 증후군 예측에 결정적이었다. 쌍방향 마스킹은 바이오마커 간의 시너지 관계를 나타냈다.
• 외부 전이 가능성: 모델은 재학습 없이 독립적인 의료 시스템(MIMIC-IV 및 MMRF CoMMpass)으로의 전이성을 입증하였다. 신장 및 대사 엔드포인트가 가장 견고하게 전이되었으며(MIMIC-IV에서 특정 신장 질환 단계에 대해 AUROC 최대 0.85), 감염 관련 엔드포인트의 성능은 코딩 시스템의 차이로 인해 변동성을 보였다.

의의 및 주장
저자들은 일상적인 종양학 실험실 데이터가 임상적 발현 수주 또는 수개월 전에 장기 저하를 부호화한다고 주장한다. 본 연구의 주요 의의는 표준화되고 일상적으로 수집되는 데이터 내에 "합병증 특이적" 신호가 존재함을 입증하여, 추가적인 검사 인프라 없이도 감시가 가능하다는 점을 보여준 데 있다.

본 논문은 이 접근 방식이 "종양학에서 이용 가능한 가장 저렴하고 밀도 높은 종단적 모니터링 채널"을 제공한다고 상정한다. 이는 모든 종양학 단위에서 이미 생성되고 병원 정보 시스템에 저장되어 있는 데이터를 활용하기 때문이다. 162개의 구체적인 엔드포인트를 해결함으로써, 모델은 현재의 모델들이 갖지 못한 실행 가능한 합병증 특이적 가이드를 제공한다. 저자들은 예측이 확립된 병태생리와 일치하는 해석 가능한 바이오마커 시그니처에 의해 구동되므로, 모델이 불투명한 블랙박스가 아닌 감사 가능한(auditable) 형태임을 강조한다.

결론적으로, 본 연구는 임상적 개입을 위한 의사결정 임계치를 설정하기 위해 전향적 검증이 필요하지만, 이러한 시간적 신호를 탐지하기 위한 데이터 인프라는 이미 구축되어 있으며, 이는 장기 상태 표현이 지속적으로 업데이트되는 암 환자의 '디지털 트윈'으로 나아가는 경로를 제공한다고 밝히고 있다.