Using multiomic data to predict postoperative complications after major surgery in the UK Biobank cohort

UK Biobank 코호트 데이터를 활용한 본 연구는 수술 시점과 시료 채취 시점 사이에 상당한 시간 간격이 존재하는 경우, 대사체 및 단백질체 데이터를 추가해도 표준 임상 변수만으로는 예측 성능이 유의미하게 향상되지 않음을 보여주었습니다.

핵심

이 연구는 **"수술 전 환자의 상태를 예측할 때, 최신의 정밀한 혈액 검사 (유전체, 대사체 데이터) 가 정말로 도움이 되는가?"**라는 질문에 답하기 위해 영국에 있는 거대한 건강 데이터베이스 (UK Biobank) 를 분석한 논문입니다.

결론부터 말씀드리면, **"기존의 간단한 진료 기록 (나이, 병력 등) 만으로도 충분히 잘 예측할 수 있으며, 복잡한 최신 검사는 수술 시점과 너무 멀게 떨어진 과거 데이터일 경우 오히려 쓸모가 없었다"**는 놀라운 결과가 나왔습니다.

이 복잡한 내용을 일상적인 비유로 쉽게 설명해 드릴겠습니다.

---

🏥 비유: "수술이라는 여행"과 "날씨 예보"

상상해 보세요. 환자가 큰 수술을 받기 위해 병원에 오면, 의사는 마치 **"내일 비가 올지, 폭풍이 올지"**를 예측해야 합니다. 수술 중이나 수술 후에 어떤 합병증 (심장마비, 신부전, 감염 등) 이 일어날지 미리 알아내야 하니까요.

1. 기존 방법: "간단한 날씨 예보" (임상 데이터)

기존에 의사들은 환자의 나이, 성별, 평소 앓고 있던 병 (당뇨, 고혈압 등), 응급인지 아닌지 같은 기본적인 정보를 보고 위험도를 판단했습니다.

• 비유: "내일 비가 올까? 내일 아침에 하늘을 보고, 구름이 얼마나 짙은지, 바람이 어떻게 부는지 보는 거죠."
• 결과: 이 연구에서 이 '간단한 예보'는 이미 매우 정확하게 작동했습니다. (정확도 72~88%)

2. 새로운 시도: "초정밀 위성 사진" (오믹스 데이터)

연구진은 "그런데 만약에, 과거에 찍은 초고해상도 위성 사진이나 대기 중 미세 입자 분석 데이터를 추가하면 더 정확하지 않을까?"라고 생각했습니다. 이것이 바로 **대사체 (Metabolomics)**와 단백체 (Proteomics) 데이터입니다.

• 비유: 과거에 찍은 고화질 위성 사진으로 내일의 폭풍을 더 정확히 예측할 수 있지 않을까?
• 문제점: 이 위성 사진은 수술 (내일) 이 있기 6 년 전에 찍힌 것이었습니다.
• 결과: "아, 이 사진은 6 년 전의 날씨를 보여주고 있네요. 지금 내일 비가 올지 알려주진 못합니다."
  • 6 년 전의 건강 상태 데이터는 수술 직전의 급작스러운 몸의 변화를 반영하지 못했습니다. 그래서 기존 방법보다 더 좋은 예측을 해주지 못했습니다.

3. 특별한 기술: "다른 지역의 날씨 패턴을 빌려오기" (전이 학습)

데이터가 너무 적어서 예측이 어려울 때, 연구진은 **비슷한 다른 상황 (수술을 받지 않은 일반인의 질병 데이터)**에서 배운 지식을 빌려와서 적용해 보았습니다.

• 비유: "내일 수술받는 사람의 '심장마비' 위험을 예측하기가 어렵다면, 평소 '심장마비'가 잘 오는 일반인들의 패턴을 먼저 공부하고, 그 지식을 수술 환자에게 적용해 보자."
• 결과: 이 방법은 모델이 더 안정적이게 만들었지만, 결국 기존의 간단한 날씨 예보 (임상 데이터) 를 이기지는 못했습니다.

---

💡 핵심 요약 (한 줄 정리)

"수술 6 년 전에 찍은 정밀한 건강 사진 (오믹스 데이터) 은, 수술 직전의 위험을 예측하는 데는 쓸모가 없었습니다. 의사는 여전히 환자의 나이와 병력 같은 '간단한 정보'만으로도 충분히 잘 예측할 수 있습니다."

🤔 왜 이런 결과가 나왔을까요?

1. 시간의 간극 (Gap): 이 연구에서 사용된 혈액 데이터는 수술 평균 6 년 전에 채취된 것이었습니다. 몸은 6 년 사이에 많이 변할 수 있습니다. 수술 직전의 급격한 스트레스나 염증 상태를 6 년 전 데이터로 알 수는 없는 노릇입니다.
2. 이미 드러난 병: 6 년 전의 데이터로 '잠재된 위험'을 찾아냈더라도, 그 위험은 이미 시간이 지나면서 실제 병으로 드러나서 환자의 진료 기록 (임상 데이터) 에 이미 포함되어 있었습니다. 즉, 복잡한 검사 없이도 이미 알려진 정보였던 셈입니다.

🔮 앞으로의 전망

이 연구는 "수술 바로 직전이나 수술 중, 그때그때의 생체 데이터를 측정한다면" 오믹스 기술이 큰 도움을 줄 수 있을 것이라고 제안합니다. 마치 내일 비가 오기 직전에 구름을 관측하는 것처럼 말이죠.

하지만, 수술 6 년 전에 미리 채취해 둔 정밀 검사는 비용과 시간이 많이 들기만 하고, 현재로서는 예측 정확도를 높이는 데는 도움이 되지 않는다는 것이 이 연구의 결론입니다.

기술 요약

논문 요약: UK Biobank 코호트를 활용한 다중 오믹스 (Multiomics) 데이터 기반 주요 수술 후 합병증 예측

1. 연구 배경 및 문제 제기 (Problem)

• 배경: 주요 수술 후 합병증 (부정맥, 급성 신장 손상, 심근경색, 섬망, 뇌졸중, 수술 부위 감염 등) 은 환자 이환율, 사망률 및 의료 자원 소모에 큰 영향을 미칩니다. 현재 수술 전 위험 stratification 은 주로 인구통계학적 요인과 임상 점수 (예: ASA 등급) 에 의존하고 있으나, 이는 개인의 생물학적 이질성을 충분히 반영하지 못합니다.
• 문제: 고차원의 분자 데이터 (대사체학, 프로테오믹스 등) 를 임상 변수에 추가하면 예측 정확도를 높일 수 있을 것이라는 가설이 존재합니다. 그러나 기존 연구는 단일 센터의 소규모 코호트나 단일 오믹스에 국한되어 있었으며, 대규모 바이오뱅크 데이터를 활용한 연구에서 샘플 채취와 수술 시점 사이의 시간적 간격 (Temporal gap) 이 예측력에 미치는 영향은 명확하지 않았습니다.
• 목표: UK Biobank 의 대규모 전향적 코호트 데이터를 활용하여, 표준 임상 변수에 대사체 및 프로테오믹스 데이터를 추가하는 것이 수술 후 합병증 예측 성능을 개선하는지, 그리고 소규모 샘플 문제를 해결하기 위해 비수술 영역에서의 전이 학습 (Transfer Learning) 이 유효한지 검증하는 것입니다.

2. 연구 방법론 (Methodology)

• 데이터 소스: UK Biobank 코호트 (2006-2010 년 모집, 2022 년까지 추적 관찰).
  • 대상: 주요 입원 수술을 받은 158,156 명 중 대사체 및/또는 프로테오믹스 데이터가 있는 환자.
  • 주요 결과 변수 (6 가지): 수술 후 30 일 이내 발생한 심방세동 (AF), 급성 신장 손상 (AKI), 급성 심근경색 (AMI), 섬망, 뇌졸중, 수술 부위 감염 (SSI).
  • 시간적 특징: 샘플 채취와 수술 사이의 중앙값 간격은 6 년 (범위: 1 일 ~ 15.5 년).
• 특징 세트 (Feature Sets):
  • 임상 변수: 나이, 성별, Charlson 동반질환 지수 (CCI), 입원 방식 (선택적/응급), 수술 유형.
  • 오믹스 데이터:
    • 대사체 (Metabolomics): Nightingale 패널의 251 개 바이오마커.
    • 프로테오믹스 (Proteomics): Olink Explore 플랫폼 (염증 패널 등, 최대 2,922 개 단백질).
    • 다중 오믹스 (Multiomics): 위 두 가지의 결합 (조기 통합 및 후기 통합 방식).
• 모델링 접근법:
  • 기본 모델: Elastic Net 정규화 로지스틱 회귀를 Balanced Bagging Classifier 내에서 훈련 (불균형 데이터 처리).
  • 차원 축소: 고차원 오믹스 데이터를 처리하기 위해 오토인코더 (Autoencoder, AE) 를 사용하여 16 차원 잠재 공간 (Latent space) 으로 축소.
  • 전이 학습 (Transfer Learning):
    • 소스 도메인: 수술을 받지 않은 비수술 환자 코호트에서 해당 질환 (만성 질환 등) 을 예측하는 모델을 훈련.
    • 타겟 도메인: 훈련된 모델의 예측 확률을 새로운 특징 (Feature) 으로 사용하여 수술 환자 코호트의 합병증을 예측.
• 성능 평가: 교차 검증 (Cross-validation) 을 통해 AUROC, 민감도 (Recall), 특이도 (Specificity) 를 평가. 베이스라인 임상 모델과 오믹스 추가 모델 간 비교를 위해 수정된 재표본 추출 t-검정 (Corrected Resampled t-test) 사용.

3. 주요 결과 (Results)

• 샘플 크기: 대사체 데이터는 1441,596 명, 프로테오믹스는 27289 명, 다중 오믹스는 15~219 명의 사례 (Case) 를 가짐. 일부 결과 (AMI, 뇌졸중 등) 는 추천된 샘플 크기 미달로 통계적 검정력이 부족함.
• 임상 모델의 성능: 임상 변수만 사용한 베이스라인 모델은 모든 결과 변수에서 견고한 예측 성능을 보임 (AUROC 0.720.88, 민감도 0.710.80).
• 오믹스 데이터의 추가 효과:
  • 대사체 및/또는 프로테오믹스 데이터를 추가한 모델은 어떤 임상 표현형에서도 임상적으로 의미 있는 성능 향상 (Incremental improvement) 을 보이지 않음.
  • 특이도 (Specificity) 측면에서 일부 개선이 관찰된 경우 (SSI 등) 가 있었으나, 전반적인 예측력 향상은 없었음.
• 전이 학습의 효과:
  • 비수술 영역에서의 전이 학습은 모델의 안정성 (Stability) 을 향상시켰고, 특히 샘플 크기가 작은 경우 (예: AMI) 예측 변동성을 줄임.
  • 그러나 전이 학습을 적용한 모델도 베이스라인 임상 모델의 성능을 능가하지는 못함.
  • 단, SSI 의 경우 전이 학습 시 민감도가 오히려 감소하여 (0.64 vs 0.75), 소스 도메인 선택의 중요성을 시사함.

4. 주요 기여 및 결론 (Key Contributions & Conclusions)

• 주요 결론: 수술 시점과 시간적으로 거리가 먼 (평균 6 년) 시점에 수집된 대사체 및 프로테오믹스 데이터는 수술 전 위험 stratification 에 있어 표준 임상 변수에 비해 추가적인 예측 가치를 제공하지 않음.
• 원인 분석:
  • 오믹스 데이터는 동적인 생리학적 상태를 반영하지만, 수술 시점과 너무 먼 과거의 데이터는 수술 당시의 생리적 예비력 (Physiological reserve) 을 반영하지 못함.
  • 과거의 '오믹스 스냅샷'으로 식별된 아임상적 경로는 시간이 지나 임상적 질환으로 진행되어 이미 동반질환 (Comorbidity) 으로 기록되었을 가능성이 높음.
• 전이 학습의 의미: 비수술 영역에서의 전이 학습이 성공적이었다는 점은 만성 질환과 급성 수술 후 합병증 사이에 공유된 생물학적 위험 구조가 존재함을 시사함. 이는 수술이 잠재된 취약성을 가진 개인에게 급성 스트레스로 작용하여 표현형을 '마스크 해제 (Unmasking)'할 수 있음을 의미.
• 임상적 시사성:
  • 수술 전 위험 평가에 있어 고비용의 고차원 오믹스 데이터 (시간적 거리가 먼 경우) 의 추가는 현재로서는 정당화되지 않음.
  • 기존 임상 변수 기반 모델이 이미 강력한 예측력을 가지므로, 간명성 (Parsimony) 원칙이 유지됨.
  • 향후 연구는 수술 직전 (Peri-operative period) 에 오믹스 데이터를 수집하여 급성 생리학적 변화를 포착하는 방향으로 진행되어야 함.

5. 의의 및 한계 (Significance & Limitations)

• 의의: 대규모 바이오뱅크 데이터를 활용하여 다중 오믹스의 예측 가치를 체계적으로 검증한 최초의 연구 중 하나. 다양한 오믹스 접근법과 전이 학습을 포함한 엄격한 방법론을 적용하여 편향을 최소화함.
• 한계:
  • Healthy Volunteer Bias: UK Biobank 참여자가 일반 인구보다 건강하여 결과의 일반화 (Generalisability) 에 제한이 있을 수 있음.
  • 데이터 누락: 수술 시점의 구체적인 변수 (마취 유형, 수술 긴급도 등) 가 누락됨.
  • 샘플 크기: 희귀 합병증의 경우 오믹스 데이터가 있는 사례 수가 적어 통계적 검정력이 부족함.
  • 시간적 간격: 샘플 채취와 수술 사이의 긴 시간 간격이 주요 한계점으로 작용함.

종합적으로, 이 연구는 과거의 오믹스 데이터가 수술 전 예측에 유용하지 않음을 보여주었으나, 전이 학습을 통한 생물학적 기전의 공유 가능성과 수술 직전 데이터 수집의 필요성을 강조했습니다.