Predicting cardiovascular risk under intervention: Development and internal validation of the CHARIOT Model in 19 million adults

이 논문은 1,940 만 명의 영국 성인을 대상으로 개발된 CHARIOT 모델을 통해 약물 치료나 생활 습관 개선과 같은 특정 중재가 심혈관 질환 위험을 얼마나 감소시키는지 예측할 수 있는 새로운 도구와 그 유효성을 제시합니다.

핵심

1. 기존 모델의 한계: "날씨가 나쁘다" vs "우산을 쓰면 비를 피할 수 있다"

기존의 심혈관 질환 예측 모델 (QRISK 등) 은 마치 날씨 예보관과 같습니다.

• 기존 모델: "내일 비가 올 확률이 80% 입니다. 위험하니까 조심하세요."
• 문제점: 환자는 "그럼 내가 우산을 쓰면 비가 얼마나 덜 올까요? 아니면 옷을 갈아입으면 어떨까요?"라고 물어봐도 답을 못 해줍니다. "무언가 바꿔야 한다"는 말만 할 뿐, 구체적인 행동이 어떤 결과를 가져오는지 알려주지 못합니다.

2. CHARIOT 의 등장: "가상 시뮬레이션 게임"

CHARIOT 는 단순한 예보관이 아니라, **환자의 미래를 시뮬레이션하는 '게임 엔진'**과 같습니다.

• 핵심 기능: "만약 당신이 담배를 끊으면?", "만약 혈압 약을 먹으면?", "만약 5kg 을 감량하면?"이라는 가정을 입력하면, 그 행동이 실제로 일어났을 때의 미래 위험도를 계산해줍니다.
• 예시: 70 세 여성이 현재 심혈관 질환 위험이 19% 라고 가정해 봅시다.
  • 기존 모델: "위험합니다. 약을 드세요."
  • CHARIOT: "약만 드시면 위험이 14% 로 줄어듭니다. 하지만 담배를 끊으면 15% 로 줄고, 체중을 10kg 감량하고 혈압을 20mmHg 낮추는 복합 치료를 하면 위험이 5% 까지 뚝 떨어집니다."

이처럼 환자에게 "당신의 선택이 당신의 미래를 어떻게 바꿀지" 숫자로 보여줌으로써, 생활 습관 개선에 대한 동기를 부여합니다.

3. 이 도구가 어떻게 만들어졌나요? (1,900 만 명의 데이터와 '시간 여행')

이 모델은 영국에 사는 1,940 만 명의 의료 기록 (전자 건강 기록) 을 분석하여 만들었습니다.

• 데이터의 힘: 1,900 만 명이라는 방대한 데이터를 통해 남성과 여성, 다양한 인종과 지역별로 정교하게 학습했습니다.
• 인과관계의 마법: 기존 모델은 단순히 "약 먹은 사람과 안 먹은 사람의 데이터를 비교"했지만, CHARIOT 는 **인과관계 (Causal Inference)**라는 수학적 기법을 썼습니다.
  • 비유: "비 오는 날 우산을 쓴 사람과 안 쓴 사람을 비교하면 우산이 비를 막는다는 걸 알 수 있을까요?" (아니요, 비가 오니까 우산을 쓰는 거니까요.)
  • CHARIOT 는 "만약 이 사람이 우산을 안 썼다면 어떻게 되었을까?"라는 **가상의 시나리오 (Counterfactual)**를 만들어서, 약이나 생활 습관 변화가 실제로 위험을 얼마나 줄이는지 정확히 계산합니다.

4. '기억력'이 있는 모델: 한 번의 상담이 끝이 아닙니다

이 모델의 가장 큰 특징은 **'기억력 (Memory)'**이 있다는 점입니다.

• 기존 방식: 병원에 갈 때마다 처음부터 다시 계산합니다.
• CHARIOT 방식:
  1. 첫 방문 (Visit 0): 환자의 현재 상태를 기록하고 기준점을 잡습니다.
  2. 1 년 후 방문 (Visit 1): "지난 1 년 동안 담배를 끊고 체중이 5kg 줄었네요. 그럼 지금의 위험도는 얼마일까요?"라고 계산합니다.
  3. 미래 예측: "약까지 추가로 먹으면 어떨까요?"라고 다시 시뮬레이션합니다.

이는 환자가 병원을 여러 번 방문할 때마다, 과거의 노력과 현재 상태를 기억하며 더 정교한 조언을 해줄 수 있게 합니다. 마치 개인 트레이너가 지난주 운동 기록을 기억하고 이번 주 계획을 세워주는 것과 같습니다.

5. 실제 사례: 70 세 여성, '블랙 카리비안'의 이야기

논문에 나온 실제 예시를 들어보면:

• 상황: 70 세 여성, 흡연자, 고혈압, 비만. 현재 10 년 내 심혈관 질환 위험 19%.
• 시나리오 1 (약물): 스타틴 (콜레스테롤 약) 을 먹으면 위험이 14% 로 감소.
• 시나리오 2 (생활 습관): 담배를 끊으면 15% 로 감소.
• 결정: 환자는 약보다는 담배 끊기를 선택하고, 식이요법과 운동을 병행합니다.
• 1 년 후: 담배를 끊고 체중이 줄었습니다. CHARIOT 는 "축하합니다! 현재 위험은 11% 로 떨어졌습니다. 하지만 혈압이 여전히 높으니 혈압약을 고려해볼까요?"라고 새로운 조언을 줍니다.

6. 결론: 왜 이것이 중요한가요?

CHARIOT 는 단순히 "질병이 올 확률"을 알려주는 것을 넘어, "질병을 막기 위해 내가 무엇을 해야 하는지, 그리고 그 행동이 얼마나 큰 효과를 볼지" 보여줍니다.

• 환자에게: "내가 노력하면 정말 달라진다"는 희망과 구체적인 목표를 줍니다.
• 의사에게: 환자와 더 설득력 있게 대화할 수 있는 도구가 됩니다.
• 사회적으로: 예방 의학을 통해 심장마비나 뇌졸중 같은 큰 질병을 미리 막아 의료비를 아낄 수 있습니다.

이 도구는 아직 실험 단계이지만, 앞으로 우리 모두의 건강 관리 방식이 "수동적인 치료"에서 "능동적인 예방"으로 바뀌는 중요한 첫걸음이 될 것입니다.

기술 요약

논문 요약: CHARIOT 모델 개발 및 내부 검증

1. 연구 배경 및 문제 제기 (Problem)

• 현재의 한계: 심혈관 질환 (CVD) 위험 예측 모델 (QRISK2, SCORE2 등) 은 널리 사용되지만, 본질적으로 연관성 (associational) 기반입니다. 즉, "위험이 높으니 무언가를 해야 한다"는 것은 알려주지만, "구체적으로 어떤 행동 (약물 복용, 금연, 체중 감량 등) 을 취하면 위험이 얼마나 감소할지"에 대한 개별화된 인과적 답변을 제공하지 못합니다.
• 임상적 필요성: 환자와 임상가는 특정 개입 (예: 스타틴 복용 시작, 혈압 10mmHg 감소) 이 개인의 위험도에 미치는 구체적인 영향을 알고 싶어 합니다. 기존 모델은 치료 중인 환자를 배제하거나, 치료 효과를 단순히 평균값으로 적용하는 등 한계가 있어, 반복적인 진료 방문이나 생활 습관 변화 시나리오를 반영하기 어렵습니다.
• 목표: 개입 (Intervention) 하에서의 위험을 예측할 수 있는 새로운 임상 예측 모델 개발을 통해, 환자 중심의 예방 의학 및 행동 변화를 촉진하는 의사결정 지원 도구 마련.

2. 방법론 (Methodology)

• 데이터 소스: 영국 임상실천연구데이터링크 (CPRD) Aurum 의 전자 건강 기록 (EHR) 을 활용하여 19,410,403 명의 영국 성인 (남성 950 만 명, 여성 990 만 명) 을 대상으로 한 후향적 코호트 연구를 수행했습니다.

• 모델 아키텍처 (CHARIOT): 모델은 두 가지 핵심 구성 요소로 나뉩니다.

  1. 초기 위험 추정 구성 요소 (Initial Risk Estimation Component):
     • 모델: 코크스 비례위험 모델 (Cox Proportional Hazard Model) 사용.
     • 특징: 기존 모델의 한계인 '치료 유입 (Treatment Drop-in, 추적 중 치료 시작/중단)' 문제를 해결하기 위해 인과 추론 (Causal Inference) 기법을 적용했습니다.
     • 기법: 추적 기간 중 관찰된 치료 변화를 시간 의존적 변수로 처리하고, 문헌 기반의 인과적 평균 총 효과 (Average Total Effect) 를 오프셋 (offset) 항으로 고정하여 모델에 통합했습니다. 이는 치료 중인 환자와 치료하지 않은 환자를 혼동하지 않고, 추적 방문 시에도 모델 적용이 가능하도록 합니다.
     • 변수: 나이, 성별, 인종, 사회경제적 지위, 수축기 혈압, BMI, 비-HDL 콜레스테롤, 흡연 상태 등 QRISK4 와 유사한 예측 인자들을 사용했습니다.
  2. 개입 구성 요소 (Intervention Component):
     • 기법: 위험 추정 구성 요소에서 산출된 위험 (오즈) 에 문헌 기반의 인과적 오즈비 (Causal Odds Ratios) 를 적용하여 개입 효과를 계산합니다.
     • 구조: Directed Acyclic Graph (DAG) 를 사용하여 개입 (약물, 금연 등) 이 가변적 위험 인자 (혈압, BMI, 콜레스테롤, 흡연) 에 미치는 직접 및 간접 효과를 매핑했습니다.
     • 기능: 특정 개입 (예: 스타틴 시작) 이나 위험 인자의 구체적 변화 (예: 혈압 10mmHg 감소) 에 따른 위험을 시뮬레이션할 수 있습니다. 또한, 메모리 (Memory) 기능을 통해 첫 방문 (Visit 0) 의 기준 값을 기억하고, 추후 방문 시 업데이트된 값을 반영하여 위험을 재계산합니다.

• 검증 (Validation):

  • 개발 데이터 (70%) 와 검증 데이터 (30%) 로 분할하여 내부 검증을 수행했습니다.
  • 보정 (Calibration): 보정 곡선, 통합 보정 지수 (ICI), E50/E90 등을 통해 평가.
  • 판별력 (Discrimination): Harrell's C-index 사용.
  • 시간적 검증 (Temporal Validation): 1~5 년 후의 방문 데이터를 시뮬레이션하여 모델의 장기적 성능과 개입 구성 요소의 유효성을 평가했습니다.

3. 주요 결과 (Results)

• 성능 지표:
  • 판별력: 여성 코호트에서 C-index 0.874, 남성 코호트에서 0.859로 기존 모델들과 비교해 우수한 성능을 보였습니다.
  • 보정: 성별, 연령, 인종, 영국 지역별로 전반적으로 잘 보정되었습니다. 다만, 17~30 세 저위험군과 고위험군 일부에서 약간의 오보정 (Under/Over-prediction) 이 관찰되었으나 절대적 위험 규모는 작았습니다.
• 구체적 시나리오 예시 (Worked Example):
  • 70 세 여성 (기초 CVD 위험 18.97%) 을 대상으로 개입 시나리오를 적용한 결과:
    • 스타틴 복용: 위험 14.32% 로 감소.
    • 혈압 10mmHg 감소: 위험 15.26% 로 감소.
    • 금연: 위험 15.77% 로 감소.
    • 복합 개입 (콜레스테롤 2mmol/L 감소 + 혈압 20mmHg 감소 + 체중 10kg 감량): 위험 5.49% 까지 급감.
• 공정성 (Fairness): 인종, 지역, 성별 하위 그룹에서 일관된 보정 및 판별력을 유지했습니다.

4. 주요 기여 (Key Contributions)

1. 개입 하의 예측 (Prediction under Intervention) 의 실용화: 단순한 위험 점수 산출을 넘어, "만약 ~하면 어떻게 될까?"라는 질문에 답할 수 있는 인과적 예측 모델을 대규모 인구집단에서 최초로 개발 및 검증했습니다.
2. 치료 유입 (Treatment Drop-in) 문제 해결: 기존 관측 데이터 기반 모델이 겪는 치료 시작/중단으로 인한 편향을 인과 추론 기법으로 해결하여, 치료 중인 환자에도 정확히 적용 가능한 모델을 구축했습니다.
3. 반복적 사용 및 메모리 기능: 단일 방문이 아닌, 환자의 상태 변화에 따른 다중 방문 (Multi-visit) 시나리오를 지원하도록 설계되어, 지속적인 예방 관리 및 디지털 헬스 플랫폼 연동에 적합합니다.
4. 개방형 리소스: 모델 코드는 GitHub 에 공개되었으며, Rshiny 애플리케이션으로 제공되어 임상 및 연구 목적으로 즉시 활용 가능합니다.

5. 의의 및 결론 (Significance)

• 임상적 의의: CHARIOT 은 환자가 자신의 위험을 이해하고, 구체적인 행동 변화 (약물 복용, 생활 습관 교정) 가 가져올 이익을 시각적으로 파악하게 함으로써 행동 변화 동기 (Response Efficacy) 를 높이는 데 기여합니다.
• 정책적 의의: NHS 건강 검진 및 디지털 건강 기록 플랫폼과 통합되어, 대규모 인구집단에서 개인 맞춤형 CVD 예방 전략을 수립하는 데 핵심 도구가 될 수 있습니다.
• 한계 및 향후 과제: 생활 습관 개입의 생리학적 메커니즘 (인슐린 감수성 등) 을 완전히 포착하지 못했을 가능성, 다른 영국 지역 (스코틀랜드, 웨일스 등) 에 대한 외부 검증 필요성, 그리고 경쟁 위험 (Competing Risk) 을 고려한 평생 위험 예측으로의 확장이 향후 과제로 제시되었습니다.

결론적으로, CHARIOT 은 기존 CVD 위험 예측 모델의 한계를 넘어, 인과 추론과 대규모 데이터를 결합하여 구체적이고 실행 가능한 예방 전략을 제시하는 차세대 임상 의사결정 지원 시스템의 토대를 마련했습니다.