Learning lifetime disease liability reveals and removes genetic confounding in electronic health records

이 논문은 활성 학습을 통해 임상적으로 검증된 지표와 진단 코드를 정렬하는 딥러닝 프레임워크인 EDGAR 을 제안하여 전자의무기록 기반 유전체 연구에서 발생하는 건강 관리 이용 패턴에 따른 유전적 혼란을 제거하고 연구의 특이성을 향상시키는 방법을 제시합니다.

핵심

🏥 1. 문제: 도서관의 '부적절한' 책 분류

우리는 전 세계의 병원에서 쌓인 **전자 건강 기록 (EHR)**이라는 거대한 도서관을 가지고 있습니다. 여기에는 수백만 명의 진료 기록이 들어있죠. 과학자들은 이 데이터를 이용해 유전자가 어떤 질병을 일으키는지 연구 (GWAS) 해왔습니다.

하지만 이 도서관에는 큰 문제가 있습니다.

• 진짜 질병 vs. 병원에 온 이유: 어떤 사람은 진짜로 아파서 병원에 갔지만, 어떤 사람은 단순히 건강 검진을 받으러 갔거나, 돈이 없어서 병원을 못 갔을 수도 있습니다.
• 데이터의 왜곡: 기록에는 '진짜 질병'뿐만 아니라, "이 사람은 병원을 자주 가는지", "사회경제적 지위가 어떤지", "어떤 의사를 만났는지" 같은 부수적인 정보가 섞여 있습니다.

이걸 비유하자면, 도서관 사서가 책을 분류할 때 책의 내용 (질병) 보다는 '책을 빌린 사람의 옷차림 (사회적 배경)'이나 '도서관에 온 횟수 (진료 빈도)'를 보고 분류한 것과 같습니다. 그래서 유전자를 분석하면 "이 유전자는 질병을 일으킨다"고 착각하지만, 사실은 "이 유전자는 병원을 자주 가는 사람과 관련이 있다"는 잘못된 결론이 나옵니다.

🛠️ 2. 해결책: EDGAR (에드가) 라는 똑똑한 수선공

저자들은 이 문제를 해결하기 위해 EDGAR라는 새로운 인공지능 (AI) 모델을 만들었습니다. EDGAR 는 다음과 같이 작동합니다.

• 진짜 상태를 찾아내는 안경: EDGAR 는 단순히 병원에 온 기록만 보는 게 아니라, **진짜 질병의 상태 (Deep Phenotype)**를 알고 있는 소수의 정밀한 데이터를 '스승'으로 삼아 학습합니다.
• 적극적인 학습 (Active Learning): 모든 사람의 정밀한 상태를 조사하려면 돈과 시간이 너무 많이 듭니다. 그래서 EDGAR 는 **"누구의 상태를 먼저 조사하면 가장 효율적으로 모델을 배울 수 있을까?"**를 계산해서, 가장 중요한 사람들만 선별해 조사합니다. 마치 가장 혼란스러운 구역부터 먼저 정리하는 수선공처럼요.
• 결과: EDGAR 는 환자의 기록을 바탕으로 **"진짜 평생 동안 질병에 걸릴 가능성 (질병 부담)"**을 매우 정확하게 예측해냅니다.

🧬 3. 성과: 잡음을 제거하고 진짜 소리를 듣다

이 새로운 방법을 적용한 결과는 놀라웠습니다.

1. 더 정확한 유전자 찾기: 기존 방식 (단순 진료 기록) 으로 유전자를 찾으면 잡음 (오류) 이 섞여 있었지만, EDGAR 를 쓰면 질병과 직접 관련된 진짜 유전자를 훨씬 더 많이 찾아냈습니다.
2. 다른 문화권에서도 통함: 영국에서 학습한 EDGAR 모델은 다른 인종이나 다른 나라의 데이터에서도 잘 작동했습니다.
3. 가짜 연결 고리 끊기: 기존 데이터에서는 "우울증과 고혈압이 유전적으로 비슷하다"고 잘못 나왔는데, EDGAR 를 쓰니 그건 사실 두 질병이 아니라, '병원을 자주 가는 습관'이라는 공통된 원인 때문이었음이 밝혀졌습니다.

🌍 4. 마지막 마법: 다른 도서관의 오류도 고쳐주다

가장 흥미로운 점은, 영국 (UK Biobank) 에서 찾아낸 '오류의 패턴'을 다른 나라 (핀란드 등) 의 데이터에도 적용할 수 있다는 것입니다.

• 비유: 영국 도서관에서 "옷차림으로 책을 잘못 분류하는 사서의 버릇"을 발견했습니다. 이제 핀란드 도서관에 가서, 그 버릇을 알고 있으면 새로 분류할 필요 없이 기존에 잘못 분류된 책들을 바로잡을 수 있습니다.
• 의미: 우리는 다른 나라의 데이터를 다시 조사할 필요 없이, 이미 가진 데이터만으로도 사회경제적 요인이나 행동 패턴 때문에 생긴 가짜 유전적 연결을 제거할 수 있게 되었습니다.

💡 요약

이 연구는 **"데이터가 많다고 해서 무조건 좋은 건 아니다"**라고 말합니다. 대신, 진짜 질병 상태를 잘 아는 소수의 데이터를 '나침반'으로 삼아 AI 를 훈련시키고, 그 AI 를 통해 거대한 데이터 속의 '오류 (잡음)'를 찾아내어 제거하면, 훨씬 더 정확하고 신뢰할 수 있는 유전학 연구가 가능해진다는 것을 증명했습니다.

이는 앞으로 더 정확한 맞춤 치료와 질병의 진짜 원인 규명에 큰 도움이 될 것입니다.

기술 요약

1. 연구 배경 및 문제 제기 (Problem)

• EHR 기반 GWAS 의 한계: 대규모 전자 건강 기록 (EHR) 데이터는 유전체 연구 (GWAS) 의 표본 크기를 획기적으로 늘려주지만, 진단 코드 (ICD 등) 는 실제 질병의 생물학적 위험 (biological risk) 만을 반영하지 않습니다.
• 체계적 편향 (Systemic Bias): EHR 진단 코드는 환자의 질병 부담뿐만 아니라 의료 시스템 접근성, 건강 관리 참여도 (care-seeking behavior), 사회경제적 지위 (SES), 의료 기관의 코딩 관행 등의 요인에 의해 크게 영향을 받습니다.
• 편향의 전파: 이러한 요인들은 유전적으로도heritable(유전 가능) 할 수 있어, EHR 기반 GWAS 에서 질병 간 유전적 상관관계 (genetic correlation) 를 왜곡하거나, 사회경제적/행동적 특성과의 허위 연관성 (spurious links) 을 만들어냅니다. 기존 딥러닝 모델들은 대부분 EHR 데이터 자체로 학습하여 이러한 편향을 재생산 (replicate) 하는 문제가 있었습니다.
• 데이터 부족: 편향을 제거하기 위해서는 '깊은 표현형 (deep phenotype, 임상적으로 검증된 정밀 진단)' 데이터가 필요하지만, 이는 EHR 에 기록되지 않거나 구하기 매우 비싸고 어렵습니다.

2. 방법론 (Methodology)

A. EDGAR 프레임워크 (EHR Disease liability prediction for Genetic Architecture Recovery)

• 목표: EHR 진단 코드와 임상적으로 검증된 깊은 표현형 (deep phenotypes) 및 질병 관련 지표 (lab tests 등) 를 통합하여, 편향이 제거된 **평생 질병 부담 (lifetime disease liability)**을 예측하는 것입니다.
• 모델 구조:
  • 입력: EHR 진단 코드 (GP 및 병원 기록의 카운트, 진단 연령 정보 포함) 와 질병 관련 연속형 지표 (혈액 검사, 혈압 등).
  • 아키텍처: AutoComplete 아키텍처를 기반으로 한 다층 퍼셉트론 (MLP) 을 사용하며, 타겟별 손실 최적화 (target-specific loss optimization) 를 적용했습니다.
  • 학습 전략: EHR 코드만으로는 편향이 유지되므로, **깊은 표현형 (Deep Phenotype)**을 지도 학습 (supervision) 라벨로 사용하여 모델이 실제 질병 생물학에 초점을 맞추도록 훈련합니다.
• 활성 학습 (Active Learning) 도입:
  • 깊은 표현형 데이터를 얻기 위한 환자 재접촉 (call-back) 비용이 제한적이라는 점을 고려하여, 어떤 환자를 우선적으로 선별하여 라벨을 획득할지 결정하는 활성 학습 (Conf, Coreset, Badge 알고리즘) 을 적용했습니다.
  • 이를 통해 적은 수의 라벨로도 높은 예측 정확도를 달성하는 **라벨 효율성 (label efficiency)**을 극대화했습니다.

B. 편향 식별 및 제거 (Bias Identification & Removal)

• 편향 분리: GWAS-by-subtraction 프레임워크를 사용하여 EHR 표현형에서 EDGAR 로 예측된 실제 질병 부담 (Liability) 을 제외한 나머지 부분 (편향, Bias) 을 분리했습니다.
• 공통 편향 요인 (Common Bias Factor): 9 가지 질병에서 추출된 편향 성분들을 genomic SEM 을 통해 분석하여, 질병 간에 공유되는 공통 편향 요인을 식별했습니다.
• 외부 데이터 편향 제거: UK Biobank 에서 학습된 공통 편향 요인을 사용하여, 외부 EHR 데이터 (예: FinnGen) 의 GWAS 결과에서 편향을 통계적으로 제거 (bias removal) 하는 방법을 제안했습니다.

3. 주요 결과 (Key Results)

A. 예측 성능 및 효율성

• 예측 정확도: EHR 코드만 사용한 모델 (AUC ~0.64) 에 비해, EDGAR 모델 (EHR + 질병 관련 지표 + 깊은 표현형 라벨) 은 질병별 AUC 를 0.98까지 높였습니다.
• 활성 학습 효과: 무작위 샘플링 대비 2.43 배 더 효율적으로 라벨을 활용하여 동일한 예측 성능 (R²) 을 달성했습니다. 즉, 적은 비용으로 고품질 라벨 데이터를 확보할 수 있음을 입증했습니다.

B. GWAS 및 유전적 특이성 (Specificity)

• GWAS 통계력 향상: EDGAR 기반 질병 부담으로 수행된 GWAS 는 기존 EHR 기반 GWAS 보다 더 많은 유전체 유의성 좌위 (genome-wide significant loci) 를 발견했습니다.
• 유전적 상관관계: EDGAR 기반 유전적 상관관계는 깊은 표현형 (Deep Phenotype) 기반 결과와 높은 일치를 보였으나, 기존 EHR 기반 결과와는 차이가 있었습니다.
• PRS 특이성: EDGAR 기반 다유전자 위험 점수 (PRS) 는 표적 질병에 대한 예측 특이성 (specificity) 이 높았으며, 비표적 질병이나 사회경제적 특성과의 허위 연관성이 낮았습니다.

C. 편향의 식별 및 제거 효과

• 공통 편향 요인 발견: EHR 기반 질병들 간에 높은 유전적 상관관계를 일으키는 공통 요인을 식별했습니다. 이 요인은 낮은 교육 수준, 흡연, 정신적 고통, 건강 관리 참여도 등 사회경제적 및 행동적 특성과 강한 유전적 상관관계를 보였습니다.
• 편향 제거 효과: UK Biobank 에서 식별한 공통 편향 요인을 FinnGen 의 EHR GWAS 결과에 적용하여 제거한 결과:
  1. 외부 깊은 표현형 GWAS 와의 유전적 상관관계가 증가했습니다.
  2. 사회경제적/행동적 특성과의 허위 유전적 상관관계가 통계적으로 유의미하게 감소했습니다.

4. 기여 및 의의 (Significance)

1. EHR 기반 유전학의 질적 개선: EHR 데이터의 대규모 이점을 유지하면서도, 체계적 편향을 제거하여 실제 질병 생물학에 더 부합하는 유전적 신호를 추출하는 방법을 제시했습니다.
2. 비용 효율적인 데이터 수집 전략: 활성 학습을 통해 제한된 예산으로도 고품질 깊은 표현형 데이터를 확보할 수 있는 실용적인 전략을 제시했습니다.
3. 편향 제거의 일반화 가능성: 한 EHR 시스템 (UK Biobank) 에서 학습된 편향 요인을 다른 EHR 시스템 (FinnGen) 의 기존 GWAS 요약 통계에 적용하여 편향을 제거할 수 있음을 증명했습니다. 이는 별도의 개인 수준 데이터 접근 없이도 기존 연구 결과를 정제할 수 있음을 의미합니다.
4. 연구 방향 전환: EHR 기반 GWAS 연구에서 단순한 진단 코드 사용이 아닌, 편향을 식별하고 보정하는 과정이 필수적임을 강조하며, 유전체 연구의 신뢰성을 높이는 새로운 패러다임을 제시합니다.

결론적으로, 이 연구는 EDGAR 를 통해 EHR 데이터에서 '실제 질병'과 '데이터 수집 과정의 편향'을 분리해내는 데 성공했으며, 이를 통해 유전체 연구의 정확성과 해석 가능성을 크게 향상시켰습니다.