Incorporation of Visit-to-Visit Blood Pressure Variability into Cardiovascular Disease Risk Prediction

본 연구는 단일 혈압 측정치 대신 방문 간 혈압 변동성 (VVV BPV) 을 포함하여 심혈관 질환 위험 예측 모델의 정확도를 유의미하게 향상시켰음을 입증했습니다.

핵심

🌧️ 비유 1: 한 번의 날씨 예보 vs. 한 달간의 날씨 기록

기존의 심장병 위험 예측 모델은 어떻게 작동했을까요?
마치 **"오늘 아침 8 시에 하늘을 한 번만 보고, '오늘은 비가 오지 않을 것이다'라고 예보하는 것"**과 같습니다.

• 기존 방식 (단일 혈압 측정): 병원에 갔을 때 한 번만 혈압을 재서 그 숫자만 보고 "당신은 안전합니다" 혹은 "위험합니다"라고 판단했습니다.
• 문제점: 하지만 실제 날씨는 아침에 맑다가 오후에 폭우가 내릴 수 있죠. 혈압도 마찬가지입니다. 병원에 갈 때만 재면 평상시보다 낮게 나올 수도 있고, 스트레스를 받아 높게 나올 수도 있습니다. 한 번의 숫자는 '진짜 날씨 (실제 건강 상태)'를 제대로 보여주지 못합니다.

이 연구는 **"지난 5 년 동안 매일매일 기록된 날씨 (혈압) 의 변화 폭을 분석해야 진짜 폭우 (심장병) 를 예측할 수 있다"**고 말합니다.

🚗 비유 2: 자동차의 '진동'과 '운전 습관'

혈압이 변하는 정도를 **'VVV BPV (방문 간 혈압 변동성)'**라고 하는데, 이를 자동차에 비유해 볼까요?

• 단일 혈압: 차를 한 번만 시동 걸고 계기판의 속도를 본 것입니다. "속도가 60km 라서 괜찮네"라고 생각할 수 있죠.
• 혈압 변동성 (VVV BPV): 하지만 이 차는 운전자가 가끔은 급발진을 하고, 가끔은 갑자기 브레이크를 밟으며, 속도가 20km 에서 100km 까지 요동치는 상태였습니다.
  • 이런 **'불안정한 진동'**이 오래 지속되면 엔진 (심장) 과 차체 (혈관) 는 빨리 망가집니다.
  • 연구팀은 **"속도계 숫자 (단일 혈압) 보다, 차가 얼마나 덜덜 떨리고 속도가 들쑥날쑥했는지 (혈압 변동성) 를 보는 것이 차가 고장 날지 예측하는 데 훨씬 중요하다"**는 것을 증명했습니다.

🔍 연구가 무엇을 발견했나요?

연구팀은 호주 시드니의 3,000 명 이상의 환자 데이터를 분석했습니다. (모두 55 세 미만이었고, 55 세 이후 심장병 발생 여부를 추적했습니다.)

1. 기존 방식의 한계: 한 번만 재서 예측한 모델은 정확도가 70% 대였습니다. (비유: 한 번의 날씨 예보로 폭우를 예측하는 것이라서 틀릴 확률이 높음)
2. 새로운 방식의 성공: 과거 5 년간 혈압이 얼마나 들쑥날쑥했는지 (변동성) 를 계산해서 넣은 모델은 정확도가 80% 대 이상으로 크게 향상되었습니다.
   • 특히 혈압이 안정적으로 유지되지 않고 크게 요동치는 사람은, 혈압 수치가 정상 범위라도 심장병에 걸릴 위험이 훨씬 높았습니다.
3. 결론: 혈압이 '높다'는 것보다, 혈압이 **'불안정하다'**는 것이 더 큰 위험 신호입니다.

💡 이 연구가 우리에게 주는 교훈

이 연구는 의사와 환자 모두에게 중요한 메시지를 줍니다.

• 의사에게: "환자를 볼 때 한 번만 혈압을 재고 판단하지 마세요. 과거 기록을 통해 혈압이 얼마나 들쑥날쑥했는지 확인하세요. 그게 진짜 위험 신호입니다."
• 환자에게: "혈압을 한 번만 재고 안심하지 마세요. 꾸준히, 정기적으로 혈압을 재는 것이 중요합니다. 혈압이 매일매일 크게 오르내린다면, 수치가 정상이라도 심장병 위험이 있을 수 있으니 관리가 필요합니다."

🏁 요약

이 논문은 **"심장병을 예방하려면, 혈압이 '얼마나 높은가'보다 '얼마나 들쑥날쑥했는지'를 지켜봐야 한다"**는 사실을 증명했습니다.

마치 날씨 예보를 할 때, "오늘은 맑음"이라고 한 번만 말하는 대신, "지난 한 달 동안 기온이 얼마나 급격히 변했는지"를 분석해야 진짜 폭우를 막을 수 있는 것과 같습니다. 이제부터는 혈압을 **'한 번의 스냅샷'**이 아니라, **'시간이 흐르며 변하는 흐름'**으로 바라봐야 합니다.

기술 요약

1. 연구 배경 및 문제 제기 (Problem)

• 현재의 한계: 심혈관 질환 (CVD) 예방 가이드라인은 주로 단일 혈압 측정치를 기반으로 위험을 평가합니다. 그러나 임상 방문 간 혈압은 크게 변동할 수 있으며, 기존 예측 모델들은 이러한 '방문 간 혈압 변동성 (Visit-to-Visit Blood Pressure Variability, VVV BPV)'을 충분히 반영하지 못하고 있습니다.
• 연구 필요성: 단일 측정치만으로는 혈압의 동적인 변화를 포착하지 못해 CVD 위험을 정확히 예측하기 어렵습니다. 특히 전자 건강 기록 (EHR) 에 축적된 종단적 (longitudinal) 데이터를 활용하여 VVV BPV 를 예측 모델에 통합하는 연구가 부족했습니다.
• 목표: VVV BPV 를 CVD 위험 예측 모델에 통합하고, 단일 혈압 측정치를 사용한 기존 모델과 비교하여 모델의 판별력 (discrimination) 과 보정 (calibration) 성능을 평가하는 것입니다.

2. 연구 방법론 (Methodology)

• 연구 설계: 전향적 코호트 연구 (Prospective Cohort Study).
• 데이터 소스: 호주 남서부 시드니의 전자 진료 기반 연구 네트워크 (ePBRN) 의 EHR 데이터 (2006~2019 년).
• 대상 환자:
  • 18~55 세 사이이며, 55 세 도달 전 최소 5 회 이상의 혈압 기록이 있는 환자.
  • 55 세 도달 전 아테로롬성 심혈관 질환 (CVD) 이 없는 환자.
  • 최종 분석 코호트: 3,065 명 (남성 54.6%, 여성 45.4%).
• 예측 변수 (Predictors):
  • 기본 모델: 성별, 흡연, 공복 혈당, BMI, 총콜레스테롤/HDL 비율, eGFR, 가족력, 고혈압/당뇨병 유무, 단일 수축기 혈압 (SBP) 측정치.
  • 종단 모델: 단일 SBP 를 VVV BPV로 대체.
    • VVV BPV 지표: 표준 편차 (SD) 및 변동 계수 (CV).
    • 분류 기준: 이전 연구 (Lukitasari et al.) 에서 도출된 임계값 사용 (SBP SD >19 mmHg, DBP SD >11 mmHg, SBP CV >14%, DBP CV >12%).
• 주요 결과 (Outcome): 연구 기간 내 발생한 첫 CVD 사건 (심근경색, 뇌졸중, 심부전, 말초동맥질환 등).
• 통계 분석:
  • 결측치 처리: 체인 방정식 다중 대체법 (MICE) 을 사용하여 20 개의 데이터셋 생성.
  • 모델 개발: Cox 비례 위험 회귀 분석 (Cox proportional hazards regression) 및 10-폴드 교차 검증.
  • 성능 평가 지표:
    • 판별력: Harrell's C-index, 5 년 예측을 위한 시간 가변 AUC (Time-varying AUC).
    • 보정: 보정 기울기 (Calibration slope), Brier score.

3. 주요 결과 (Key Results)

• 모델 성능 비교 (판별력):
  • 단일 혈압 모델: 단일 SBP 만을 사용한 모델의 Harrell's C-index 는 0.716 (95% CI: 0.658–0.775), 5 년 AUC 는 0.757이었습니다.
  • VVV BPV 통합 모델:
    • SD 사용 모델: C-index 0.833 (95% CI: 0.804–0.862), 5 년 AUC 0.852.
    • CV 사용 모델: C-index 0.837 (95% CI: 0.810–0.864), 5 년 AUC 0.856.
  • 결론: VVV BPV (SD 또는 CV) 를 통합한 모델은 단일 혈압 측정치 모델에 비해 판별력이 유의미하게 향상되었습니다.
• 보정 및 기타 지표:
  • 보정 기울기와 Brier score 는 단일 혈압 모델과 VVV BPV 모델 간에 유의미한 차이가 없었으며, 두 모델 모두 보정이 잘 되어 있었습니다 (기울기가 1 에 근접).
  • 단일 혈압과 VVV BPV 를 모두 포함하는 모델은 VVV BPV 만을 포함한 모델과 성능 차이가 없었습니다. 즉, VVV BPV 가 단일 측정치보다 우세한 정보를 제공했습니다.
  • 이완기 혈압 (DBP) 변동성 모델이 수축기 혈압 (SBP) 모델보다 약간 더 높은 성능을 보였습니다.
• 하위 그룹 분석: 성별 (남성/여성) 에 따른 성능 차이는 VVV BPV 모델에서 크지 않았으나, 단일 혈압 모델의 경우 남성의 위험을 과소평가하는 경향이 있었습니다.

4. 주요 기여 및 의의 (Key Contributions & Significance)

• 예측 정확도 향상: 단일 혈압 측정치를 VVV BPV (SD 또는 CV) 로 대체함으로써 CVD 위험 예측 모델의 정확도를 크게 높였습니다. 이는 55 세 이하의 젊은 인구에서도 CVD 위험을 더 잘 식별할 수 있음을 시사합니다.
• 임상적 적용 가능성:
  • VVV BPV 는 혈관 노화, 심장 구조 변화, 동맥 경직도 등의 초기 징후를 포착하는 강력한 동적 바이오마커임을 입증했습니다.
  • 기존 CVD 위험 점수 (예: Australian CVD risk score) 에 VVV BPV 를 통합하면, 특히 젊은 층과 고혈압 치료 중에도 잔류 위험 (residual risk) 이 있는 환자들을 더 정확하게 선별할 수 있습니다.
• EHR 및 정책적 시사점:
  • 일반 진료소 (GP) 의 EHR 시스템에 VVV BPV 계산 및 동적 CVD 위험 점수가 통합되면, 예방 의학 및 개인 맞춤형 치료에 큰 도움이 될 것입니다.
  • 혈압 측정은 환자의 나이와 무관하게 모든 진료 시 기록되어야 하며, 이를 통해 데이터의 양과 질을 높여야 함을 강조합니다.
• 약물 치료 관련 통찰: VVV BPV 는 약물 순응도 (adherence) 와도 관련이 있으며, 칼슘 채널 차단제 (Calcium channel blockers) 가 다른 약물보다 혈압 변동성을 줄이는 데 효과적일 수 있음을 시사합니다.

5. 결론 (Conclusion)

이 연구는 CVD 위험 예측을 위해 단일 혈압 측정치 대신 **방문 간 혈압 변동성 (VVV BPV)**을 활용하는 모델의 개발과 유효성을 입증했습니다. VVV BPV 를 통합한 모델은 기존 모델보다 훨씬 우수한 예측 능력을 가지며, 이는 임상 현장에서 혈압 모니터링의 중요성을 재확인하고, EHR 기반의 동적 위험 평가 시스템 도입의 필요성을 강력하게 지지합니다.

---

참고: 본 논문은 아직 동료 검토 (peer review) 를 거치지 않은 preprint 이며, 임상 실무 지침으로 바로 사용해서는 안 된다는 주의사항이 포함되어 있습니다.