기술 요약: Pre-AF 13 – 해석 가능한 심방세동 위험 점수

문제 정의

심방세동(AF)은 가장 흔한 심장 부정맥이자 환자의 예후를 결정하는 중요한 요소로, 뇌졸중, 심부전 및 사망률에 크게 기여한다. 기존의 임상 위험 점수(예: CHARGE-AF, C2HEST, MHS, HAVOC)는 연령, 고혈압, 비만과 같은 일반적인 위험 요인에 의존하는 경우가 많다. 이러한 도구들은 일반 인구에게는 효과적이지만, 이러한 위험 요인들이 거의 보편적으로 존재하는 기저 심혈관 질환(CVD) 환자군에서는 층화 능력이 제한적이다. 또한, 전통적인 점수들은 대개 장기적(510년) 예측을 위해 설계되었는데, 이는 단기 또는 중기(624개월) 내에 즉각적인 선별 검사나 개입이 필요한 환자를 식별하는 데에는 적합하지 않다. 아울러, 많은 기존 도구들은 해석 가능성이 부족하며 진행 중인 약물 치료, 구조적 리모델링 마커 또는 이전의 침습적 중재술의 영향과 같은 역동적인 요인들을 반영하지 못한다.

방법론

데이터 소스 및 연구 대상

본 연구는 2012년 1월부터 2019년 5월까지 러시아 국립 심장 센터의 단일 센터 회고적 데이터셋을 활용하였다. 코호트는 18세 이상의 연령으로, 심혈관 질환(CVD)은 있으나 심방세동(AF)은 없으며 1회 이상 입원한 기록이 있는 45,000명의 고유 환자(선정 기준을 충족하는 17,562명)로 구성되었다. 데이터셋에는 80,576개의 전자 건강 기록(EHR)이 포함되었다.

자연어 처리(NLP) 파이프라인

비정형 퇴원 보고서를 73개의 구조화된 특징(feature)으로 변환하기 위해 맞춤형 NLP 파이프라인을 개발하였다. 이 파이프라인은 두 가지 접근 방식을 결합하였다:

1. 규칙 기반 파싱(Rule-Based Parsing): 쉽게 추출 가능한 특징(예: 연령, 성별, BMI, 당뇨병)을 위해 정규 표현식과 GLR 파서(Yargi Parser)를 활용하였다. 이를 통해 이진 특징에 대해 0.98의 평균 F1 점수를 달성하였다.
2. 딥러닝 기반 추출(Deep Learning-Based Extraction): 약물 이름, 좌심실 비대(LVH), 말초 동맥 질환(PAD)과 같이 맥락적 이해가 필요한 복잡한 특징을 위해 트랜스포머 기반 개체명 인식(NER) 모델(특히 도메인 적응형 RuBioRoBERTa)을 사용하였다. 주석(annotation) 효율성을 최적화하기 위해 능동 학습(Active learning)이 사용되었다. 이 방식은 평균 0.95의 F1 점수를 달성하였다.

파이프라인은 진단, 신체 검사, 실험실 검사, 기기 검사 및 약물 처방 권고 사항으로부터 특징을 추출하였다.

타겟 변수 정의

예측 작업은 지표 병원 방문 시점을 기준으로 특정 시간 창(time window) 내의 심방세동 발생 여부에 대한 이진 분류로 공식화되었다:

• 24개월 타겟: 방문 후 1주일에서 24개월 사이에 진단된 심방세동.
• 전체 추적 관찰 타겟: 지표 방문 이후(첫 1주일 제외) 어느 시점에서든 진단된 심방세동.

모델 구축

LightAutoML 프레임워크를 사용하여 세 가지 별도의 모델을 개발하였다:

1. 전체 모델(Full Model): 통계적(F-검정) 방법과 모델 기반(재귀적 특징 제거, 순차적 특징 선택) 방법의 합의를 통해 선택된 13개 특징의 하위 집합을 사용하여 Random Forest, LightGBM, L2 정규화 선형 회귀 및 CatBoost의 앙상블로 학습되었다.
2. 단순 모델 (Pre-AF 13): 통계적(F-검정) 방법과 모델 기반(재귀적 특징 제거, 순차적 특징 선택) 방법의 합의를 통해 선택된 13개 특징의 압축된 모델이다.
3. 선형 모델 (Pre-AF 9): 13개 특징에서 유도된 단순 다변량 선형 모델로, 종이 기반의 위험 점수를 만들기 위해 정수 가중치를 가진 9개의 예측 변수로 더욱 축소되었다.

평가 및 해석

성능은 ROC AUC, 정밀도-재현율(Precision-Recall) AUC, 균형 정확도(balanced accuracy), F1 점수를 사용하여 평가되었다. 모델들은 네 가지 기존 임상 점수(CHARGE-AF, C2HEST, MHS, HAVOC)와 비교되었다. 해석 가능성은 SHAP(SHapley Additive exPlanations)을 사용하여 특징의 기여도를 정량화함으로써 달성되었다.

주요 결과

특징 추출 성능

NLP 파이프라인은 높은 효능을 입증하였으며, 규칙 기반 파서는 모든 특징에 대해 0.97의 평균 성능을, 트랜스포머 기반 추출기는 0.95의 성능을 달성하였다.

예측 성능

• 전체 모델: 24개월 타겟에 대해 0.735, 전체 추적 관찰 기간에 대해 0.696의 테스트 ROC AUC를 달성하였다.
• 단순 모델 (Pre-AF 13): 전체 모델과 거의 동일하게 수행되었으며, 테스트 ROC AUC는 각각 0.725(24개월) 및 0.696(전체 추적 관찰)을 기록하였다.
• 비교: 모든 비선형 모델(전체 및 단순 모델)은 동일한 테스트 세트에서 0.53에서 0.64 사이의 ROC AUC를 나타낸 네 가지 기존 임상 점수를 유의미하게 상회하였다.
• 선형 모델: 선형 모델(ROC AUC ~0.64)은 비선형 모델에 비해 성능이 감소하였으나, 기존 임상 점수들에 비해 열등하지 않은 성능을 보였다.

특징 중요도

SHAP 분석 결과 연령과 좌심방 용적이 지배적인 예측 인자로 식별되었다. 다른 중요한 특징으로는 상심실 조기 수축, 심부전, 크레아티닌 수치 및 특정 약물이 포함되었다. 특히, **클로피도그렐(clopidogrel)**과 **경피적 관상동맥 중재술(PCI)**은 보호 요인(음의 SHAP 값)으로 나타났는데, 이는 해당 환자군에서 더 나은 위험 요인 관리가 이루어지고 있음을 반영하는 것으로 보인다.

위험 층화

도출된 Pre-AF 9 점수 체계는 위험을 성공적으로 층화하였다. 24개월 전망을 기준으로, 관찰된 심방세동 발생률은 최저 위험 범주에서 약 **7%**에서 최고 위험 범주에서 **36%**까지 나타났다.

주요 기여 및 의의

1. 고위험 코호트에서의 우수한 성능: 본 연구는 일상적으로 수집되는 병원 데이터를 사용하여 학습된 머신러닝 모델이, 표준 점수들이 세밀한 층화를 제공하기 어려운 기저 심혈관 질환(CVD) 환자군에서 기존의 임상 위험 점수보다 뛰어날 수 있음을 보여준다.
2. 해석 가능성 및 임상적 유용성: 복잡한 비선형 모델을 13개 특징의 "단순 모델"과 9개 특징의 "선형 모델"(Pre-AF 9)로 정제함으로써, 저자들은 높은 성능과 임상적 해석 가능성을 모두 갖춘 도구를 제작하였다. Pre-AF 9 점수는 계산 자원 없이도 침상 옆(bedside) 위험 평가를 가능하게 한다.
3. 단기-중기 예측: 모델은 24개월 전망에 최적화되어 있으며, 이는 대부분의 도구가 장기(5~10년) 위험에 집중하는 기존 문헌의 공백을 메운다. 이 시간대는 즉각적인 선별 검사 및 개입 전략에 더 실행 가능하다.
4. 엔드 투 엔드(End-to-End) NLP 파이프라인: 본 연구는 비정형 러시아어 EHR에서 구조화된 임상 특징을 추출하기 위한 견고한 파이프라인을 검증하였으며, 수동 차트 검토 없이도 복잡한 도메인 특화 개념에 대해 고품질의 자동 추출이 가능하다는 것을 증명하였다.
5. 새로운 예측 인자의 식별: 모델은 심방 기질 리모델링 마커(예: 좌심방 용적)와 치료 효과(예: SGLT2 억제제, 클로피도그렐)를 성공적으로 통합하여, 정적인 인구통계학적 점수보다 더 역동적인 심방세동 위험 뷰를 제공하였다.

저자들은 절대적인 ROC AUC 값이 다소 낮더라도(다요인적 심혈관 사건을 예측하는 어려움을 고려할 때 일관된 결과임), 기존 점수 대비 상대적인 개선과 고위험군에서의 위험 층화 능력은 이러한 도구들이 보다 정밀한 선별 및 예방 전략을 안내하는 데 잠재력이 있음을 강조하며 결론을 맺었다. 본 연구는 단일 센터의 회고적 연구라는 한계와 임상 배포 전 외부 검증의 필요성을 인정하고 있다.