Unsupervised Machine Learning of Computed Tomography Angiography Features Uncovers Unique Subphenotypes of Aortic Stenosis With Differential Risks of Conduction Disturbances Following Transcatheter Aortic Valve Replacement

본 연구는 비지도 기계 학습을 통해 TAVR 전 CT 영상 데이터를 분석하여 남성 환자에서 전도 장애 위험도가 다른 아형들을 발견하고, 기존 위험 인자보다 예후 예측을 개선할 수 있음을 보여주었습니다.

핵심

🏥 핵심 이야기: "심장이라는 집의 리모델링 공사"

1. 배경: 낡은 문 (심장 판막) 을 교체하는 수술
심장에는 피를 한 방향으로만 흐르게 하는 '문' (판막) 이 있습니다. 이 문이 딱딱하게 굳어 (협착증) 열리지 않으면 심장이 고생합니다. 이를 해결하기 위해 TAVR이라는 수술을 합니다. 이는 구멍을 뚫지 않고 혈관을 통해 새로운 문 (인공 판막) 을 넣어 교체하는 첨단 수술입니다.

2. 문제: 공사 중 '전기 시스템' (심장 전도계) 고장
이 수술은 매우 정교하지만, 새로운 문을 설치하는 과정에서 심장 근처에 있는 **전기 회로 (전도계)**가 손상될 위험이 있습니다. 이걸 **'전도 장애 (CDs)'**라고 하는데, 심장이 제때 뛰지 못해 인공 심박동기 (배터리) 를 심어야 하는 큰 문제가 될 수 있습니다.

3. 기존 방법의 한계: "한 가지 치수만 재기"
기존에는 수술 전 CT 사진을 볼 때, 문 (판막) 의 크기나 위치 등 몇 가지 치수만 따로따로 재서 위험을 판단했습니다. 마치 집을 리모델링할 때 '문틀 너비'만 보고 "이 집은 공사하기 쉽다/어렵다"고 판단하는 것과 비슷합니다. 하지만 집은 문틀 하나만으로 결정되지 않죠.

4. 이 연구의 혁신: "AI 가 보는 집의 전체적인 모양"
이 연구는 **인공지능 (기계학습)**을 이용해 CT 사진에서 12 가지의 다양한 치수 (문틀 크기, 문틀 높이, 지붕 모양, 벽 두께 등) 를 한꺼번에 분석했습니다. 그리고 비슷한 특징을 가진 환자들을 **'조 (Cluster)'**로 묶어보았습니다.

🧩 비유: 레고 블록으로 만든 집
환자들은 모두 다른 모양의 레고 집입니다.

• 기존 방식: "이 집 문이 5cm 라서 위험해"라고 단편적으로 판단.
• 이 연구 방식: AI 가 "이 집은 문이 크고, 지붕이 짧으며, 벽이 두꺼운 'A 타입' 집이야. 반면 저 집은 문이 크고 지붕이 길며 벽이 얇은 **'B 타입'**이야"라고 **집의 전체적인 스타일 (하위 유형)**을 분류했습니다.

---

🔍 연구 결과: "남자와 여자는 다른 규칙"

인공지능은 환자를 성별에 따라 나누어 분석했고, 흥미로운 결과를 찾아냈습니다.

👨 남성 환자 (3 가지 유형 발견)
남성 환자는 3 가지의 뚜렷한 '집 스타일'로 나뉘었습니다.

1. M1 (안전한 집): 문 (판막) 에 돌 (석회화) 이 적고, 집 구조도 작고 정돈된 경우. → 위험 낮음.
2. M2 (위험한 집): 문에 돌이 많고, 집은 너비 (가로) 는 넓지만 높이 (세로) 는 짧은 특이한 모양. → 가장 위험함! (전기 시스템이 손상될 확률이 2 배 이상 높음)
3. M3 (중간 위험): 문에 돌은 많고 집도 넓지만, 높이는 M2 보다 긴 경우. → M2 와 비슷하게 위험하지만 통계적으로 M1 과는 차이가 덜 뚜렷함.

💡 핵심 발견: 남성 환자 중에서도 **"문은 넓고 돌은 많지만, 집이 유독 짧고 뚱뚱한 모양"**인 환자가 수술 후 심장 전기 고장 위험이 가장 높다는 것을 AI 가 찾아냈습니다.

👩 여성 환자 (2 가지 유형 발견)
여성 환자도 2 가지 유형으로 나뉘었지만, 이 두 유형 사이에는 수술 후 심장 전기 고장 위험에 큰 차이가 없었습니다. (아직 데이터가 부족하거나, 여성은 남성처럼 집 모양에 따라 위험이 크게 달라지지 않는 것일 수 있음).

---

🚀 왜 이 연구가 중요한가요?

1. "단순한 합계가 아닌, 패턴의 발견"
기존에는 "돌이 많으면 위험 + 문이 크면 위험 = 더 위험"이라고 단순하게 더했습니다. 하지만 이 연구는 **"돌이 많고, 문이 크고, 동시에 집이 짧으면 위험"**이라는 복합적인 패턴을 찾아냈습니다.

2. 맞춤형 수술 계획 수립
이제 의사는 수술 전 CT 를 볼 때, "아, 이 환자는 '짧고 뚱뚱한 집 (M2)' 스타일이구나"라고 파악할 수 있습니다. 그러면 의사는 **"이 환자는 전기 시스템이 손상될 위험이 높으니, 인공 판막을 넣는 깊이를 아주 정밀하게 조절해야겠다"**라고 미리 계획을 세울 수 있습니다.

3. 더 안전한 수술
이처럼 AI 가 환자의 '집 스타일'을 미리 분류해 주면, 불필요한 인공 심박동기 삽입을 줄이고 수술 성공률을 높일 수 있습니다.

📝 한 줄 요약

"심장 판막 수술 전 CT 사진을 AI 로 분석해, 환자의 심장 구조를 '집의 모양'처럼 유형화했더니, 남성의 경우 '짧고 넓은 집' 모양을 가진 환자가 수술 후 심장 전기 고장 위험이 가장 높다는 것을 발견했습니다. 이제 의사는 이 정보를 바탕으로 더 안전한 수술을 설계할 수 있게 되었습니다."

기술 요약

1. 연구 배경 및 문제 제기 (Problem)

• 배경: TAVR 은 중증 대동맥판막 협착증 (AS) 환자에게 효과적인 치료법이지만, 수술 중 또는 수술 후 발생하는 전도 장애 (새로운 좌족속근 차단, 고도 방실 차단, 영구 심박동기 삽입 필요 등) 는 여전히 주요 합병증입니다.
• 기존 한계: 현재까지 전도 장애의 위험 인자로는 심실 내 심전도 이상 (RBBB 등), 대동맥판막 석회화 위치, 막간 중격 길이, 심실 삽입 깊이, 사용된 심판막의 종류 등이 알려져 있습니다.
• 문제: TAVR 시 대동맥 근원 (Aortic Root) 을 통과하는 복잡한 해부학적 구조와 다양한 CTA 측정치들이 집단적으로 (Collectively) 전도 장애 위험에 어떤 영향을 미치는지는 명확히 규명되지 않았습니다. 개별 지표만으로는 환자별 고유한 해부학적 하위 유형 (Subphenotypes) 을 파악하기 어렵습니다.

2. 연구 방법론 (Methodology)

• 연구 대상: 스탠포드 대학과 VAPAHCS 에서 TAVR 평가를 받은 660 명의 환자 (남성 330 명, 여성 330 명) 를 대상으로 한 후향적 연구입니다.
• 데이터 추출:
  • 수술 전 CTA 이미지에서 21 가지 일반적인 특징을 추출한 후, 상관관계가 높은 (Pearson r ≥ 0.8) 중복 특징을 제거하여 12 가지 비중복 특징을 선정했습니다.
  • 주요 특징: 대동맥판막 판엽 (NCC, RCC, LCC) 의 석회화 부하, 대동맥 판상면적, 발바닥 (SOV) 직경, 결절 (STJ) 직경, 상승 대동맥 직경, 관상동맥 개구부 높이, 대동맥 근원 각도 등.
• 비지도 기계 학습 (UML) 적용:
  • 성별 (남성/여성) 에 따라 데이터를 분리하여 응집 계층적 군집화 (Agglomerative Hierarchical Clustering, AHC) 를 수행했습니다.
  • Ward's linkage 방법을 사용했으며, 30 가지의 군집 유효성 지수 (Cluster Indices) 를 통해 최적의 군집 수를 결정했습니다.
• 통계 분석:
  • 군집 유형과 전도 장애 발생 간의 연관성을 평가하기 위해 다변량 로지스틱 회귀 분석을 수행했습니다.
  • 기존 위험 인자 (나이, BMI, 심판막 종류, RBBB 등) 를 보정한 후, 군집 유형이 예측 모델의 성능을 얼마나 향상시키는지 우도비 검정 (Likelihood-ratio test) 으로 확인했습니다.

3. 주요 결과 (Key Results)

A. 군집화 결과 (Clustering)

• 남성 (3 개 군집: M1, M2, M3):
  • M1: 판엽 석회화 부하가 적고, 대동맥 근원의 단면적 및 높이 치수가 작음. 저압력 (Low-gradient) AS 비율이 높음.
  • M2: 판엽 석회화 부하가 크고, 대동맥 근원의 단면적은 넓지만 높이 치수가 짧음 ("짧고 넓은" 대동맥 근원). 고압력 (High-gradient) AS 비율이 높음.
  • M3: 판엽 석회화 부하가 크고, 대동맥 근원의 단면적과 높이 치수 모두 큼 ("크고 긴" 대동맥 근원).
• 여성 (2 개 군집: F1, F2):
  • F1: 전반적으로 특징값이 낮음.
  • F2: 판엽 석회화 부하와 대동맥 근원 치수가 더 큼.

B. 전도 장애 (CDs) 와의 연관성

• 남성: M1 (기준군) 에 비해 M2 군집이 전도 장애 위험이 유의하게 높음 (OR=2.15, P=0.032). M3 는 M1 과 유의한 차이가 없었으며, M2 와 M3 사이에도 유의한 차이가 없었습니다.
  • 해석: "짧고 넓은" 대동맥 근원 구조를 가진 남성 (M2) 이 전도 장애 위험이 가장 높았습니다.
• 여성: F1 과 F2 군집 간 전도 장애 위험에 유의한 차이가 없었으며, 남성 군집과 비교해도 유의한 차이를 보이지 않았습니다. (여성군의 전체 전도 장애 발생률이 낮아 통계적 검정력이 부족했을 가능성 제기).

C. 예측 모델의 성능 향상

• 기존 위험 인자 (RBBB, 막간 중격 길이, 심판막 종류 등) 만 포함된 모델에 군집 유형을 추가한 모델은 모델 적합도 (Goodness-of-fit) 가 유의하게 향상되었습니다 (P=0.020). 이는 군집 분석이 기존 임상 지표보다 추가적인 예후 정보를 제공함을 의미합니다.

4. 주요 기여 및 의의 (Contributions & Significance)

• 새로운 하위 유형 발견: 단순한 "작음/큼" 이 아닌, 대동맥 판막 석회화와 대동맥 근원의 3 차원적 형태 (단면적 vs 높이) 를 결합한 환자 하위 유형 (Subphenotypes) 을 발견했습니다. 특히 남성에서 "짧고 넓은" 대동맥 근원 (M2) 이 전도 장애의 강력한 예측 인자임을 규명했습니다.
• 예측 정확도 향상: 기존에 알려진 개별 위험 인자들만으로는 설명하기 어려운 전도 장애의 변이를, 다중 CTA 특징을 통합한 군집 분석을 통해 설명할 수 있음을 입증했습니다.
• 임상적 함의:
  • 수술 전 CTA 분석 시 개별 수치 측정뿐만 아니라, 기계 학습을 통한 환자 군집 분류를 도입하면 전도 장애 위험을 더 정교하게 예측할 수 있습니다.
  • 고위험군 (예: 남성 M2 군집) 에 대해서는 심판막 선택, 삽입 깊이 조절, 또는 예방적 심박동기 삽입 등 개인화된 전략을 수립하는 데 기여할 수 있습니다.

5. 결론

이 연구는 비지도 기계 학습을 활용하여 TAVR 수술 전 CTA 데이터를 분석함으로써, 대동맥 판막 석회화 부하와 대동맥 근원 해부학의 복합적 상호작용이 전도 장애 위험에 결정적인 역할을 함을 보여주었습니다. 특히 남성 환자에서 특정 해부학적 하위 유형 (M2) 이 높은 전도 장애 위험과 연관되어 있음을 규명하여, 향후 TAVR 의 안전성을 높이기 위한 정밀 의료 (Precision Medicine) 접근법의 기초를 마련했습니다.