기술 요약: 마르코프 결정 과정을 이용한 제2형 당뇨병 관리를 위한 맥락 인식형 추적 관찰 간격 최적화

문제 정의

현재의 임상 가이드라인은 환자의 개별적인 이질성을 고려하지 않고, 고정된 시간 간격(예: 조절되지 않는 환자는 분기별, 조절되는 환자는 반기별)으로 일차 의료 추적 관찰을 처방하는 고정된 방식을 채택하고 있습니다. 이러한 "일률적인(one-size-fits-all)" 접근 방식은 역동적인 임상 궤적, 변화하는 위험 프로필, 그리고 빈번한 모니터링(환자와 시스템에 부담을 줌)과 드문 모니터링(당뇨 조절 악화를 놓칠 위험이 있음) 사이의 절충안을 모두 반영하지 못합니다. 기존 연구들은 주로 고정된 간격과 결과 사이의 집단 평균적 연관성이나 치료 선택에 초점을 맞추었을 뿐, 진화하는 환자 맥락에 기반하여 추적 관찰 간격을 최적화하기 위한 규범적 프레임워크를 제시하지 못했습니다.

방법론

본 연구는 10개 일차 의료 클리닉의 EHR(전자 건강 기록) 데이터(2017~2023년, 제2형 당뇨병 환자 22,154명)를 활용하여, 개인화되고 맥락 특화된 추적 관찰 정책을 도출하기 위한 맥락적 마르코프 결정 과정(Contextual Markov Decision Process, CMDP) 프레임워크를 제안합니다. 분석 파이프라인은 다음 네 단계로 구성됩니다.

1. 데이터 전처리 및 특징 공학(Feature Engineering)

프레임워크는 정적 변수와 동적 변수를 모두 활용합니다.

• 정적 변수: 인구통계학적 특성(연령, 성별), 동반 질환(심혈관 질환, 만성 신장 질환, 당뇨병 합병증), 과거 의료 이용 기록.
• 동적 변수: 각 결정 시점(PCP 방문 시점 $t$)에서 정의됨:
  • 혈당 상태: 조절됨(HbA1c < 6.5%), 조절되지 않음(≥ 6.5%), 또는 측정되지 않음.
  • 간격 내 입원: 방문 사이의 입원 여부(이진 지표).
  • HbA1c 추세: HbA1c의 변화($\Delta HbA1c$)를 개선, 안정, 악화, 또는 정의되지 않음으로 분류.

2. 차원 축소 (PCA)

복잡한 임상 궤적(방문당 24개의 뚜렷한 상태 시퀀스)의 고차원성을 처리하기 위해 주성분 분석(PCA)을 적용했습니다. 본 연구는 원래 409차원의 특징 공간에서 최소 95%의 분산을 설명하는 83개의 주성분(PC)을 유지했습니다.

3. 클러스터링을 통한 맥락 식별

환자들을 K-Prototypes 알고ৰ리즘을 사용하여 서로 다른 "맥락(context)"에 할당했습니다. 이 알고리즘은 수치형(PC)과 범주형(정적 변수) 데이터가 혼합된 데이터를 처리할 수 있습니다. 평균 실루엣 점수를 최대화하는 최적의 클러스터 수($K=2$)를 결정하였으며, 그 결과 두 개의 뚜렷한 하위 집단이 도출되었습니다.

• 맥락 1 (고위험군): 고령이며 동반 질환 부담(CKD, CVD, 합병증)이 높은 환자군.
• 맥락 2 (저위험군): 상대적으로 젊고 건강하며 합병증이 적은 환자군.

4. CMDP 공식화

최적화 문제는 튜플 $(S, A, \{P_z\}, \{C_z\}, \gamma)$로 정의되는 무한 시계열 할인된 CMDP로 모델링됩니다.

• 상태 공간 ($S$): 혈당 상태, 입원 상태, HbA1c 추세의 데카르트 곱(Cartesian product) 및 흡수 상태인 "추적 관찰 소실(Loss-to-Follow-Up)" 상태.
• 행동 공간 ($A$): 이산화된 추적 관찰 간격: 1, 3, 6, 12, 또는 12개월 초과.
• 비용 함수 ($C_z$): 임상적 부담을 정량화하기 위해 네 가지 구성 요소를 결합한 비금전적 비용 함수:
  1. 혈당 부담 ($C_G$): HbA1c > 6.5%인 상태로 머무는 시간이며, 상태 전이의 심각도에 따라 가중치를 부여함.
  2. 측정 불확실성 ($C_M$): 측정되지 않았거나 오래된 HbA1c 데이터에 근거하여 행동할 때의 페널티로, 불확실성의 기간에 따라 규모가 커짐.
  3. 입원 비용 ($C_I$): 방문 사이에 발생하는 입원에 대한 페널티.
  4. 방문 이용 비용 ($C_F$): 불필요한 부담을 방지하기 위해 로그 변환을 통해 모델링된 오목한(concave) 형태의 빈번한 방문에 대한 페널티.
• 목표: 각 맥락 $z$에 대해 기대 할인 누적 비용을 최소화함.

주요 결과

1. 맥락 발견

클러스터링을 통해 임상적으로 구별되는 두 그룹을 성공적으로 식별했습니다. 맥락 1 환자들은 맥락 2에 비해 유의미하게 고령이었으며(64.1%가 60세 이상), CKD(34.45% vs 23.96%), CVD(40.69% vs 33.15%), 그리고 당뇨병 합병증 비율이 높았습니다.

2. 최적 정책

학습된 CMDP 정책은 다음과 같은 미묘하고 데이터 기반의 계층화를 보여주었습니다.

• 측정되지 않은 HbA1c: 두 맥락 모두 불확실성을 줄이기 위해 신속한 재측정을 우선시하며 1개월 간격을 권장합니다.
• 조절되지 않음/악화: 두 맥락 모두 짧은 간격(1~3개월)을 권장합니다. 특히 맥락 1(고위험군)은 부정적인 신호(악화되는 추세 또는 입원)가 있을 때 종종 가장 짧은 간격인 1개월을 기본값으로 설정합니다.
• 조절됨/안정:
  • 맥락 2 (저위험군): 정책적으로 12개월의 연장된 간격을 자주 권장합니다.
  • 맥락 1 (고위험군): 안정적인 환자라 할지라도 기저 위험도가 높기 때문에 간격을 6개월로 제한하는 더 보수적인 접근 방식을 취합니다.
• 일반적 경향: 거의 모든 임상 상태에서, 고위험 맥락을 위한 권장 간격은 저위험 맥락보다 짧거나 같습니다.

3. 비교 성능

CMDP 정책을 ADA 고정 가이드라인, 고정 3개월 정책, 고정 6개월 정책 등 세 가지 휴리스틱과 비교했습니다.

• 고위험 맥락: CMDP 정책은 ADA 유사 고정 간격 정책에 비해 기대 누적 비용을 약 34.8% 감소시켰습니다.
• 저위험 맥락: CMDP 정책은 고정 간격 정책 대비 비용을 약 6.4% 감소시켰습니다.
• 강건성: 비용 파라미터(불확실성 페널티, 입원 가중치, 전이의 심각도)를 변화시킨 민감도 분석 결과, CMDP 정책이 광범위한 파라미터 설정 범위 내에서 모든 벤치마크를 일관되게 상회함을 확인했습니다.

의의 및 주장

본 논문은 단순한 기술적 연관성을 넘어 불확실성 하에서의 의사결정을 최적화하는, 적응형 추적 관찰 전략을 위한 규범적 프레임워크를 제공한다고 주장합니다.

• 임상적 기여: 본 연구는 조절되지 않는 상태로 머무는 시간과 의료 이용 사이의 절충안을 구체화합니다. 또한, 맥락 인식 접근법이 머신러닝(클러스터링/PCA)과 확률적 결정 모델(MDP)을 결합하여 임상적 직관과 일치하면서도 특정 하위 집단의 요구를 해결하는 해석 가능한 정책을 생성할 수 있음을 입증합니다.
• 방법론적 참신함: 복잡한 진단 후 궤적에 대한 차원 축소와 혼합 데이터 클러스터링을 CMDP 프레임워크 내에서 적용한 새로운 사례를 제시합니다.
• 성과: 연구 결과는 개인화되고 맥락 특화된 간격이 (놓치는 악화 위험을 높이지 않으면서도) 특히 고위험 동반 질환 인구에서 고정된 가이드라인보다 기대 임상 부담(비용)을 크게 낮출 수 있음을 시사합니다.

저자들은 데이터의 일반화 가능성(단일 의료 시스템)과 비대면 방식(텔레헬스) 및 환자 보고 결과(PRO)의 제외를 한계점으로 인정하며, 이를 향후 연구 과제로 남겨두었습니다.