Inflammatory Biomarkers & Interpretable ML for SAP Risk Stratification in AIS Patients Undergoing Bridging Therapy

이 연구는 뇌경색 환자에게서 뇌졸중 관련 폐렴 (SAP) 의 위험을 예측하기 위해 염증 생체 표지자를 활용한 해석 가능한 머신러닝 모델을 개발하여 기존 임상 모델보다 우수한 성능을 입증했습니다.

핵심

🏥 배경: 뇌졸중 치료와 숨겨진 적 '폐렴'

뇌졸중 (특히 뇌혈관이 막힌 경우) 이 오면, 환자들은 혈관을 뚫기 위해 **약물 (혈전용해제)**을 먼저 쓰고, 그래도 안 되면 기계 (카테터) 로 혈전을 제거하는 '연결 치료'를 받습니다. 이 치료는 생명을 구하는 데 아주 훌륭하지만, 치료 후 폐렴이라는 새로운 적이 나타날 수 있습니다.

기존에는 의사들이 환자의 증상 (열, 기침 등) 을 보고 폐렴을 의심했는데, 이는 마치 **"불이 나고 연기가 피어오른 뒤에야 '화재!'라고 외치는 것"**과 같습니다. 이미 늦은 경우가 많죠.

🔍 연구의 목표: "미래를 보는 수정구슬" 만들기

이 연구팀은 **"폐렴이 오기 전에 미리 경고 신호를 포착하는 시스템"**을 만들고 싶었습니다. 이를 위해 두 가지 강력한 도구를 사용했습니다.

1. 신호등 (염증 지표): 환자의 혈액 속에 숨어 있는 '염증 수치'들을 확인했습니다. (예: 백혈구, 호중구, 림프구 등의 비율)
2. 스마트 두뇌 (머신러닝): 이 복잡한 신호들을 사람이 일일이 계산하기엔 너무 많고 헷갈리므로, **인공지능 (AI)**에게 학습시켜 패턴을 찾게 했습니다.

🛠️ 어떻게 만들었나요? (과정)

1. 데이터 수집: 2019 년부터 2023 년까지 뇌졸중 치료를 받은 환자 135 명의 기록을 모았습니다. 이 중 70 명은 폐렴에 걸렸고, 65 명은 걸리지 않았습니다.
2. 신호 필터링 (LASSO): 혈액 검사 항목이 63 가지나 있었는데, 이 중 가장 중요한 11 가지만 골라냈습니다. (마치 100 개의 나침반 중 가장 정확한 11 개만 고르는 것과 같습니다.)
3. AI 학습: 이 11 가지 데이터를 바탕으로 10 가지 다른 AI 모델을 훈련시켰습니다. 그중에서 CatBoost라는 AI 가 가장 똑똑하게 작동했습니다. (다른 모델들은 70~80 점 정도였는데, 이 모델은 95 점 이상의 성적을 냈습니다.)
4. 해석 가능하게 만들기 (SHAP): AI 는 보통 "왜 이 환자가 위험하다고 했지?"라고 물어보면 답을 안 해주는 '블랙박스'입니다. 하지만 이 연구팀은 SHAP라는 도구를 써서 AI 가 왜 그렇게 판단했는지 이유를 설명 가능하게 만들었습니다.

🏆 주요 발견: 무엇을 알 수 있게 됐나요?

이 AI 모델은 폐렴 위험을 예측하는 데 95% 이상의 정확도를 보였습니다. 특히 다음과 같은 요소들이 위험 신호로 작용한다는 것을 발견했습니다.

• 뇌졸중의 심각도 (NIHSS 점수): 뇌손상이 클수록 폐렴 위험이 높습니다. (몸이 마비되면 기침을 못 해서 침이 폐로 넘어가기 쉽기 때문)
• 혈액의 염증 신호 (SIRI, NLR 등): 치료 후 24 시간, 48 시간 뒤에 혈액 속 염증 수치가 급격히 오르면 폐렴 위험이 큽니다.
• 위장관 튜브: 음식을 넣는 튜브를 꽂은 환자는 폐렴 위험이 더 높았습니다. (위산이 역류해서 폐로 들어갈 수 있기 때문)

💡 이 연구가 왜 중요한가요? (비유)

기존의 방법은 **"비가 오기 시작해서 우산을 펴는 것"**이라면, 이 연구는 **"구름이 끼고 습도가 높아지는 것을 보고 미리 우산을 챙기는 것"**입니다.

• 의사에게: "이 환자는 폐렴에 걸릴 확률이 90% 입니다. 미리 항생제를 쓰거나 호흡 관리를 철저히 하세요"라고 알려줍니다.
• 환자에게: 불필요한 항생제 사용을 줄이고, 병에 걸리기 전에 미리 예방할 수 있어 회복이 빨라집니다.

📝 결론

이 연구는 **"혈액 속 염증 수치"**와 **"똑똑한 AI"**를 결합하여, 뇌졸중 환자가 폐렴에 걸릴지 미리 알아내는 정밀한 예측 도구를 만들었습니다.

이제 의사들은 환자의 혈액 검사 결과를 AI 에게 보여주면, **"이 환자는 폐렴 위험이 높으니 주의를 기울이세요"**라는 명확한 조언을 받을 수 있게 되었습니다. 이는 환자의 생명을 구하고 회복을 돕는 아주 중요한 진전입니다.

기술 요약

논문 기술 요약: 뇌졸중 연관 폐렴 (SAP) 위험 stratification 을 위한 염증 생체표지자와 해석 가능한 머신러닝 모델

1. 연구 배경 및 문제 제기 (Problem)

• 배경: 급성 뇌경색 (AIS) 환자, 특히 정맥 내 혈전용해술 (IVT) 후 기계적 혈전제거술 (MT) 을 병행하는 '브리지 치료 (Bridging Therapy)'를 받은 환자에서 뇌졸중 연관 폐렴 (SAP) 은 예후를 악화시키고 사망률을 높이는 주요 합병증입니다.
• 현재의 한계:
  • 기존 예측 도구 (A2DS2, AIS-APS 등) 는 주로 임상 증상에 의존하여 주관적이며, 조기 발견을 지연시킬 수 있습니다.
  • 항생제의 불필요한 남용은 내성균 발생 위험을 높이며, SAP 발생 위험이 높은 환자를 선별하여 표적 치료를 수행할 수 있는 객관적인 도구가 부족합니다.
  • 단일 생체표지자나 복잡한 상호작용을 고려하지 않은 기존 연구들은 예측 정확도에 한계가 있었습니다.
• 목표: 염증 관련 생체표지자 (NLR, PLR, SII, SIRI 등) 와 임상 데이터를 결합하여, 해석 가능한 (Interpretable) 머신러닝 (ML) 모델을 구축하고 브리지 치료 AIS 환자의 SAP 발생 위험을 정밀하게 예측하는 것입니다.

2. 연구 방법론 (Methodology)

• 연구 설계: 단일 기관 (신양중앙병원) 에서 진행된 후향적 관찰 연구 (2019 년 1 월 ~ 2023 년 12 월).
• 대상 환자:
  • 포함 기준: 18 세 이상 급성 뇌경색 환자, 증상 발병 4.5 시간 이내, IVT 후 MT 를 시행한 환자.
  • 제외 기준: 입원 전 감염력, 자가면역질환, 악성종양, 중증 간/신장 질환, 외상/수술력 등.
  • 최종 분석 대상: 135 명 (SAP 발생군 70 명, 비발생군 65 명).
• 데이터 수집:
  • 임상 데이터: 인구통계학적 정보, 기저질환, NIHSS 점수 (입원 전, 수술 전, 수술 후 24 시간, 입원 후 2~7 일), mRS 점수, 당뇨, 고혈압 등.
  • 생체표지자: 입원 시, 24 시간, 48 시간 시점의 혈액 검사 데이터.
    • 주요 지표: 중성구/림프구 비율 (NLR), 혈소판/림프구 비율 (PLR), 전신 면역 - 염증 지수 (SII), 전신 염증 반응 지수 (SIRI), WBC, D-dimer, Fibrin degradation products 등.
• 통계 및 머신러닝 분석:
  • 특성 선택: 단변량 분석 (P < 0.05) 후 LASSO 회귀를 사용하여 다중공선성을 제거하고 11 개의 핵심 변수를 선정.
  • 모델 구축: 10 가지 머신러닝 알고리즘 (Random Forest, Logistic Regression, XGBoost, CatBoost, LightGBM, SVM 등) 을 학습 및 비교.
  • 모델 평가: 훈련 세트 (70%) 와 테스트 세트 (30%) 로 분할하여 AUC-ROC, DCA (Decision Curve Analysis), 정확도, 정밀도, 재현율, F1-Score 로 평가.
  • 해석 가능성 (Interpretability): SHAP (Shapley Additive Explanations) 기법을 적용하여 모델의 '블랙박스' 문제를 해결하고 각 변수의 기여도를 시각화 및 정량화.

3. 주요 결과 (Key Results)

• SAP 발생률: 연구 대상 135 명 중 70 명 (51.9%) 에서 SAP 가 발생함.
• 임상적 특징: SAP 발생군은 비발생군에 비해 NIHSS 점수 (각 시점 모두 유의하게 높음), 입원 시 공복 혈당, D-dimer, 섬유소분해산물 (FDP) 수치가 유의하게 높았으며, 위관 삽입 비율이 높았음.
• 염증 지표 변화:
  • SAP 군은 비발생군에 비해 24 시간 및 48 시간 시점의 NLR, SII, SIRI가 유의하게 높았음 (모두 P < 0.05).
  • PLR은 두 군 간 유의한 차이가 관찰되지 않음.
  • 24 시간 및 48 시간의 WBC 및 중성구 수치도 SAP 군에서 유의하게 높았음.
• 모델 성능:
  • CatBoost 모델이 가장 우수한 성능을 보임.
    • 훈련 세트 AUC: 0.952
    • 테스트 세트 AUC: 0.932
  • 다른 모델 (SVM, LightGBM 등) 보다 높은 정확도와 AUC 를 기록함.
• SHAP 분석 (핵심 예측 인자):
  • 모델 예측에 가장 큰 영향을 미친 상위 3 개 변수: 입원 후 7 일 NIHSS 점수 (NIHSS_7d), 24 시간 SIRI (SIRI_24h), 24 시간 백혈구 수 (WBC_24h).
  • 기타 중요 변수: 입원 전 NIHSS, D-dimer, 위관 삽입 여부, 24 시간 SII, 48 시간 NLR 등 총 11 개 변수가 선정됨.
  • SHAP 의존도 플롯을 통해 고령과 높은 NIHSS 점수의 상호작용이 SAP 위험을 증가시킴을 확인.

4. 주요 기여 및 의의 (Contributions & Significance)

• 최초의 시도: IVT 후 브리지 MT 를 받은 급성 뇌경색 환자를 대상으로 염증 생체표지자와 해석 가능한 머신러닝 (CatBoost + SHAP) 을 결합하여 SAP 를 예측한 최초의 연구 중 하나임.
• 동적 모니터링의 중요성 강조: 단순 입원 시점 데이터뿐만 아니라, 24 시간 및 48 시간 시점의 염증 지표 (NLR, SII, SIRI) 의 동적 변화가 SAP 예측에 결정적임을 입증.
• 임상적 유용성:
  • 조기 위험 선별: 고위험군 환자를 조기에 식별하여 예방적 관리 (예: 흡인 예방, 호흡 관리 강화) 및 표적 항생제 사용을 가능하게 함.
  • 해석 가능성: SHAP 분석을 통해 임상 의사들이 모델의 판단 근거 (예: 왜 이 환자가 고위험군인지) 를 이해할 수 있게 하여, 임상 신뢰도와 공유 의사결정을 촉진함.
  • 개인 맞춤형 치료: 객관적인 데이터 기반의 위험 stratification 을 통해 불필요한 항생제 사용을 줄이고 환자 예후를 개선할 수 있는 기반을 마련함.

5. 결론

본 연구는 염증 생체표지자 (특히 24~48 시간 NLR, SII, SIRI) 와 임상 데이터를 활용하여 CatBoost 기반의 해석 가능한 머신러닝 모델을 개발함으로써, 브리지 치료를 받는 급성 뇌경색 환자의 뇌졸중 연관 폐렴 (SAP) 위험을 매우 높은 정확도로 예측할 수 있음을 입증했습니다. 이 모델은 임상 현장에서 고위험 환자를 조기에 식별하고 맞춤형 치료 전략을 수립하는 데 중요한 도구로 활용될 수 있습니다.