Utility of glucose, lipid and kidney function Trajectory Measures for incident Cardiovascular Disease risk prediction for people living with Type 2 Diabetes: a case-study using Danish registry data

덴마크 등록 데이터를 활용한 본 연구는 제 2 형 당뇨병 환자의 심혈관 질환 발병 위험 예측 모델에 HbA1c, LDL-콜레스테롤, eGFR 의 단일 측정값뿐만 아니라 시간에 따른 변화 및 변동성 (궤적) 지표를 추가할 경우, 판별력은 미미하게 향상되지만 순 재분류 지수 (NRI) 를 통해 위험 예측 성능을 modest 하게 개선할 수 있음을 보여주었습니다.

핵심

🚗 비유: "단 한 번의 스냅샷" vs "실시간 내비게이션"

지금까지 의사가 당뇨병 환자의 심장병 위험을 예측할 때 주로 사용한 방법은 **'단 한 번의 사진 (스냅샷)'**을 찍는 것이었습니다.

• 기존 방식: "오늘 아침에 측정한 혈당, 콜레스테롤, 신장 수치가 이렇습니다. 그래서 위험도는 이 정도입니다."
• 문제점: 사람의 몸은 매일 변합니다. 오늘 수치가 좋아도, 지난 1 년 동안 혈당이 요동쳤다면 그 '사진'만으로는 실제 위험을 제대로 알 수 없습니다. 마치 운전할 때 오직 출발 지점의 위치만 보고 목적지까지의 교통 체증이나 사고 위험을 예측하는 것과 비슷합니다.

이 연구는 **"과거 3 년간의 운전 기록 (궤적 데이터)"**을 함께 보자고 제안합니다.

• 새로운 방식: "지난 3 년간 혈당과 콜레스테롤이 어떻게 변해왔는지, 얼마나 들쑥날쑥했는지 (변동성), 그리고 어떤 방향으로 흐르고 있는지 (추세) 를 모두 합쳐서 위험을 계산합니다."

---

🔍 연구가 발견한 핵심 사실

연구진은 덴마크의 거대한 의료 기록 데이터베이스를 이용해 8 만 3 천 명 이상의 당뇨병 환자를 6 년간 추적했습니다. 그 결과 놀라운 사실들이 드러났습니다.

1. "평균값"보다 "요동침"이 더 중요했다! 📉📈

기존의 예측 모델은 '평균 혈당'이나 '평균 콜레스테롤' 같은 중심값을 중요하게 여겼습니다. 하지만 이 연구는 **"수치가 얼마나 들쑥날쑥했는지 (변동성)"**와 **"어떤 방향으로 변해가는지 (추세)"**가 훨씬 더 중요하다는 것을 발견했습니다.

• 비유: 두 사람이 같은 '평균 속도'로 운전했다고 가정해 봅시다.
  • A 씨는 일정하게 60km/h 로 달렸습니다.
  • B 씨는 20km/h 에서 100km/h 를 오가며 급정거와 급가속을 반복했습니다.
  • 결과: B 씨가 사고 (심장병) 를 낼 확률이 훨씬 높습니다. 이 연구는 B 씨처럼 수치가 들쑥날쑥한 환자가 심장병 위험이 더 높다는 것을 증명했습니다.

2. 세 가지 주요 지표의 역할

연구진은 세 가지 주요 지표를 살펴봤습니다.

• 혈당 (HbA1c): 혈당 수치가 들쑥날쑥하면 위험이 약간 증가했습니다.
• 신장 기능 (eGFR): 신장 수치가 불안정하면 위험이 증가했습니다.
• 나쁜 콜레스테롤 (LDL): 가장 큰 충격! 콜레스테롤 수치가 조금만 변해도 (들쑥날쑥하면) 심장병 위험이 급격히 증가했습니다. 마치 도로 위의 '급커브'처럼 위험한 요소였습니다.

3. 예측 정확도는 얼마나 좋아졌을까? 📊

이 새로운 방법 (궤적 데이터) 을 추가하면 예측 정확도가 얼마나 나아질까요?

• 정답률 (C-지수): 아주 조금만 좋아졌습니다 (0.001~0.003 증가). 마치 시험 점수가 100 점 만점에 0.1 점 오르는 정도라, "완벽한 해결책"은 아닙니다.
• 재분류 능력 (NRI): 하지만, **"위험군을 더 잘 찾아내는 능력"**은 꽤 좋아졌습니다. 기존 모델이 놓쳤던 위험한 환자 1,000 명 중 약 30~90 명을 더 정확하게 찾아낼 수 있게 되었습니다.
  • 비유: 기존 내비게이션이 "이 길은 안전해"라고 했을 때, 새 내비게이션은 "잠깐, 저기 급커브가 있어서 위험할 수 있어"라고 더 많은 운전자에게 경고할 수 있게 된 것입니다.

---

💡 이 연구가 우리에게 주는 메시지

1. 단순하지만 강력한 도구: 새로운 고가의 검사나 복잡한 유전자 분석이 아니더라도, 병원 기록에 이미 쌓여 있는 **"과거의 데이터 흐름"**을 잘만 분석하면 환자를 더 잘 보호할 수 있습니다.
2. 안정성이 생명: 당뇨병 관리에서 "수치가 평균적으로 괜찮다"는 것만으로는 부족합니다. **수치가 안정적으로 유지되는 것 (들쑥날쑥하지 않는 것)**이 심장 건강에 훨씬 더 중요합니다.
3. 미래의 방향: 이 방법은 아직 완벽하지는 않지만, 기존 예측 모델에 **'보너스 기능'**을 추가하는 것과 같습니다. 앞으로는 이 데이터 흐름 분석에 AI 나 다른 새로운 지표를 더 섞으면, 당뇨병 환자의 심장병을 훨씬 더 정확하게 막을 수 있을 것입니다.

📝 한 줄 요약

"단 한 번의 검사 결과보다, 지난 3 년간 혈당과 콜레스테롤이 어떻게 '춤을 추었는지'를 보면, 당뇨병 환자의 심장병 위험을 더 잘 예측할 수 있다!"

이 연구는 의사와 환자 모두에게 **"수치의 평균값만 보지 말고, 그 변화의 흐름과 안정성에도 주의를 기울이자"**는 중요한 교훈을 남겼습니다.

기술 요약

1. 연구 배경 및 문제 제기 (Problem)

• 배경: 제 2 형 당뇨병 (T2D) 환자는 심혈관 질환 (CVD) 발병 위험이 일반인보다 약 2 배 높으며, 당뇨병 관련 사망의 30~50% 를 차지합니다.
• 현황: 현재 임상에서 사용되는 CVD 위험 예측 모델은 주로 단일 시점의 기준선 (baseline) 측정값 (가장 최근의 HbA1c, LDL-콜레스테롤, eGFR 등) 을 기반으로 합니다.
• 한계: 이러한 기존 모델은 T2D 환자군에서 중등도의 성능 (C-지수 약 0.7) 만 보이며, 특히 여성과 젊은 층에서 위험을 과소평가하는 경향이 있습니다. 또한, 단일 측정값은 측정 오차나 개인 내 변동성으로 인해 부정확한 위험 예측을 초래할 수 있습니다.
• 연구 목적: 의료 기록 (EHR) 에 축적된 반복 측정 데이터를 활용하여, HbA1c(혈당), LDL-콜레스테롤(지질), eGFR(신장 기능) 의 '궤적 (trajectory)' (변화율, 변동성 등) 이 기존 기준선 모델에 비해 새로운 CVD 발생 위험 예측에 어떤 추가적인 가치를 제공하는지 규명하는 것입니다.

2. 연구 방법론 (Methodology)

• 연구 설계: 덴마크 전국 등록 데이터를 활용한 다변량 예후 예측 모델링 연구 (개발 및 내부 검증).
• 대상:
  • 2015 년 1 월 1 일 기준 살아있는 덴마크 거주자 중 T2D 유병자 (229,759 명).
  • 선정 기준: 2012~2014 년 (기준선 전 3 년) 동안 HbA1c, LDL-콜레스테롤, eGFR 측정값이 최소 2 회 이상 기록된 환자.
  • 최종 표본: 83,326 명 (남녀 비율 52:48, 평균 연령 65 세).
• 예측 변수 (Trajectory Measures):
  • 기준선 전 3 년간의 반복 측정 데이터를 기반으로 3 가지 유형의 쌍을 이룬 궤적 측정값을 계산:
    1. 평균 & 표준편차 (Mean & SD): 중심 경향성과 분산.
    2. 중앙값 & 사분위수 범위 (Median & IQR): 중심 경향성과 분산.
    3. 절편 & 기울기 (Intercept & Slope): 선형 혼합 모델 (Linear Mixed Model) 을 통해 추정한 개인별 기준선 추정치 및 연간 변화율.
• 결과 변수 (Outcome):
  • 2015~2020 년 동안 발생한 주요 심혈관 사건 (MACE): 허혈성 심장질환, 뇌졸중, 심부전, CVD 사망.
• 통계 분석:
  • 기준선 모델 (Reference Model): 연령, 성별, T2D 발병 연령, 기준선 HbA1c/LDL/eGFR, 약물 사용 등을 포함한 Cox 비례위험 회귀 모델.
  • 궤적 모델: 기준선 모델에 각 궤적 측정값 (Mean/SD, Median/IQR, Intercept/Slope) 을 순차적으로 추가하여 평가.
  • 성능 지표: C-지수 (판별력), 연속형 NRI (Net Reclassification Index, 재분류 개선도), 위험비 (HR).

3. 주요 결과 (Key Results)

• 관찰 결과:
  • 추적 관찰 기간 (중앙값 6 년) 동안 11,280 명 (13.5%) 에서 CVD 사건이 발생했습니다.
  • 궤적 측정값과 CVD 의 연관성:
    • 분산 및 변화 측정값 (SD, IQR, Slope): HbA1c, LDL-콜레스테롤, eGFR 의 변동성 (SD, IQR) 과 변화율 (Slope) 이 CVD 위험과 유의미하게 연관되었습니다.
      • 특히 **LDL-콜레스테롤의 기울기 (Slope)**는 가장 강력한 연관성을 보였으며 (HR 1.48), HbA1c 와 eGFR 의 분산 지표들도 위험 증가와 연관되었습니다 (HR 약 1.1~1.2).
    • 중심 경향성 측정값 (Mean, Median, Intercept): 기준선 모델에 이미 포함된 단일 측정값과 중복되는 경향이 있어, 추가적인 위험 예측 인자로서의 유의미한 연관성을 보이지 않았습니다.
• 예측 모델 성능:
  • 판별력 (Discrimination, C-index): 궤적 측정값을 추가한 모델은 기준선 모델 대비 C-지수가 0.001~0.003만 미세하게 증가했습니다 (약 0.67 → 0.673).
  • 재분류 능력 (Reclassification, NRI): C-지수 증가폭은 작았으나, **연속형 NRI 는 +3.0% 에서 +9.0%**까지 개선되었습니다. 이는 위험군 분류가 더 정확하게 이루어졌음을 의미합니다.
  • 결합 모델: HbA1c(절편/기울기), LDL(절편/기울기), eGFR(중앙값/IQR) 의 궤적 측정값을 모두 결합한 모델이 가장 좋은 성능을 보였습니다 (NRI 9.0%).

4. 주요 기여 및 의의 (Contributions & Significance)

• 실용적 접근: 새로운 바이오마커를 측정할 필요 없이, 이미 일상적인 임상 기록 (EHR) 에 존재하는 반복 측정 데이터를 활용하여 위험 예측 모델을 개선할 수 있음을 입증했습니다.
• 변동성의 중요성: 당뇨병 관리에서 단순히 '평균 수치'가 중요한 것이 아니라, **수치의 변동성 (variability) 과 변화 추세 (trend)**가 심혈관 예후에 중요한 예측 인자임을 확인했습니다. 특히 LDL-콜레스테롤의 불안정성이 큰 위험 요소로 작용함을 강조했습니다.
• 임상적 함의:
  • 기존 모델의 판별력 (C-index) 향상은 미미했으나, 재분류 (NRI) 측면에서 실질적인 개선이 가능함을 보였습니다. 이는 고위험군을 더 정확하게 식별하여 표적 치료에 도움을 줄 수 있습니다.
  • 특히 40 대 이상, 남성, 그리고 약물 치료 중인 환자군에서 궤적 측정값의 추가적 가치가 더 두드러지는 경향을 보였습니다.
• 한계 및 제언:
  • 개선 폭이 작아 단독으로 임상 도구로 사용하기에는 한계가 있으며, 향후 더 긴 추적 기간 데이터, 약물 순응도, 다른 생체 표지자 (예: NT-proBNP) 와의 결합, 또는 머신러닝 기법을 활용한 비선형 패턴 분석 등을 통해 성능을 더욱 높여야 함을 지적했습니다.

5. 결론

제 2 형 당뇨병 환자의 심혈관 질환 위험 예측에 있어, HbA1c, LDL-콜레스테롤, eGFR 의 **궤적적 특성 (변동성과 변화율)**은 기존 기준선 모델에 중간 정도의 재분류 개선 효과를 제공합니다. 이는 저비용으로 구현 가능한 실용적인 접근법이지만, 임상적으로 유의미한 성능 향상을 위해서는 기존 모델과 결합하거나 더 정교한 모델링 기법과 함께 사용되어야 합니다.