Early prediction of skeletal muscle loss using longitudinal clinical data in patients with gastric cancer after radical gastrectomy and adjuvant chemotherapy: a retrospective cohort study

본 후향적 코호트 연구는 루틴하게 이용 가능한 종단적 임상 데이터, 특히 영양 및 염증 상태의 역동적 변화를 활용한 해석 가능한 다층 퍼셉트론 모델이 위암 환자의 근절제술 및 보조 화학요법 후 유의한 골격근 손실을 효과적으로 예측할 수 있음을 보여줍니다.

핵심

위암 환자가 위장 부분 또는 전체를 제거하는 대수술을 받고 이어 항암 치료를 받게 된다고 상상해 보세요. 환자의 몸을 거칠고 울퉁불퉁한 도로를 달려야 하는 자동차로 비유해 보십시오. 수술은 거대한 엔진 오버홀과 같고, 항암 치료는 모래폭풍을 통과하는 것과 같습니다.

불행히도, 이 여정 동안 자동차는 종종 '연료탱크' 용량을 상실합니다. 의학적 용어로 이는 골격근 감소입니다. 환자가 근육을 너무 많이 잃으면 치료를 견디기 어려워지고, 더 악화되며, 결과가 나빠집니다.

문제:
현재 의사들은 CT 스캔이라는 특수 카메라를 사용하여 연료탱크(근육) 를 점검합니다. 하지만 이러한 스캔을 반복적으로 촬영하는 것은 비용이 많이 들고 시간이 소요되며 모든 환자에게 항상 실용적이지는 않습니다. 스캔이 연료탱크가 비어 있음을 보여줄 때는 이미 너무 늦어 쉽게 고치기 어려울 수 있습니다.

해결책:
이 논문의 연구자들은 질문했습니다. "이미 가지고 있는 표준 검사 데이터를 사용하여, 실제로 연료탱크가 사라지기 전에 누가 그것을 잃을지 예측할 수 있을까요?"

그들은 이에 답하기 위해 디지털 수정구슬(기계 학습 모델) 을 구축했습니다.

수정구슬을 어떻게 구축했는지

1. 데이터: 그들은 이미 수술과 항암 치료를 마친 292 명의 환자를 뒤돌아보며 데이터를 분석했습니다.
2. '연료 게이지'(결과): 그들은 CT 스캔을 사용하여 각 환자가 정확히 얼마나 많은 근육을 잃었는지 측정했습니다. '중요한 손실'을 근육 지수의 5% 이상 감소하는 것으로 정의했습니다.
3. 단서(입력): 새로운 CT 스캔 대신 그들은 컴퓨터에 이미 가지고 있는 단순하고 일상적인 데이터를 입력했습니다.
   • 자동차 사양: 나이, 체중, 키, 성별.
   • 손상 보고서: 수술의 규모 (위 전체 제거 대 부분 제거).
   • 엔진 오일: 적혈구, 염증 마커, 영양 수준과 같은 혈액 검사 결과.
   • 초기 경고 신호: 수술 후 첫 달 동안 이러한 혈액 수치가 어떻게 변했는지.

예측자들의 경주

연구자들은 수정구슬을 하나만 만든 것이 아니라, 서로 다른 유형의 알고리즘과 같은 여섯 가지 유형의 기계 학습 모델을 구축하여 서로 경쟁시켜 어떤 모델이 근육 손실을 가장 정확하게 예측할 수 있는지 확인했습니다.

• 승자: **MLP(다층 퍼셉트론)**이라는 모델이 경주를 우승했습니다.
• 점수: 이 모델은 근육을 잃을 환자를 약 83% 정확하게 식별했습니다 (높은 '재현율'). 때로는 몇몇 건강한 환자를 위험군으로 잘못 표시하기도 했습니다 (낮은 '특이도'). 연구자들은 고위험 환자를 놓치는 것보다 조기에 포착하는 것이 더 낫기 때문에 이것이 좋은 절충안이라고 판단했습니다.

수정구슬이 '본' 것

결정의 이유를 보기 위한 돋보기 역할을 하는 SHAP이라는 특수 도구를 사용하여 연구자들은 어떤 단서가 가장 중요한지 알아냈습니다.

1. 시작 연료(BMI): 환자가 처음에 가지고 있던 근육의 양.
2. 오버홀의 규모(수술 유형): 위 전체가 제거되었는지 아니면 일부만 제거되었는지. 전체 제거는 신체에 더 큰 부담을 주었습니다.
3. 엔진 스트레스(염증 및 대사): 신체가 얼마나 많은 스트레스와 염증을 받고 있는지 보여주는 혈액 마커.

주요 결론

이 논문은 근육 손실을 예측하기 위해 새롭고 비싼 CT 스캔이 필요하지 않다고 주장합니다. 표준 혈액 검사, 수술 유형, 그리고 수술 후 첫 달 동안 환자의 신체 반응을 살펴봄으로써, 이 디지털 모델은 스캔에서 명확해지기 전에 근육을 잃을 가능성이 있는 환자를 조기에 발견할 수 있습니다.

이 논문이 주장하지 않는 것:

• 이 모델이 내일 바로 병원에서 사용될 준비가 되었다고 주장하지 않습니다 (더 많은 검증이 필요합니다).
• 이 모델을 사용하면 자동으로 생명을 구할 것이라고 주장하지 않습니다 (이는 치료법이 아닌 예측 도구입니다).
• 이 모델이 다른 유형의 암에도 작동한다고 주장하지 않습니다 (위암에서만 테스트되었습니다).

간단히 말해, 연구자들은 근육 손실에 대한 조기 경고를 제공하기 위해 오래된 일상 데이터를 사용하는 도구를 구축했습니다. 이를 통해 의사들은 '연료탱크'가 완전히 비어 버리기 전에 더 일찍 개입할 수 있게 됩니다.

기술 요약

다음은 연구 논문에 대한 상세한 기술적 요약입니다:

1. 문제 제기

근치적 위절제술과 보조 화학요법을 받는 위암 환자들은 종종 상당한 골격근 손실 (근감소증) 을 경험하며, 이는 치료 내성 저하, 합병증 증가 및 장기적 예후 악화와 연관됩니다.

• 현재의 한계: 근손실 평가의 금표준은 L3 척추 수준에서 컴퓨터 단층촬영 (CT) 기반의 골격근 지수 (SMI) 측정이지만, 이 방법은 후향적이며 번거롭고 일상적인 연속 모니터링에는 실용적이지 않습니다. CT 를 통해 유의미한 근손실이 감지될 때는 이미 조기 개입을 위한 최적의 시기가 지났을 수 있습니다.
• 임상적 필요성: 반복적인 CT 촬영에 의존하지 않고도 시의적절한 영양 및 지지적 개입을 가능하게 하기 위해, 수술 전 및 수술 초기에 routinely 이용 가능한 임상 데이터를 활용하여 이후 근손실을 예측하는 조기 위험 계층화 도구에 대한 미충족 필요가 있습니다.

2. 방법론

연구 설계 및 대상:

• 유형: 단일 기관 후향적 코호트 연구.
• 코호트: 근치적 위절제술 후 보조 화학요법을 받은 위암 환자 292 명 (초기 후보자 362 명 중 선별).
• 데이터 분할: 70% 학습 세트 ($n=204$), 30% 검증 세트 ($n=88$).
• 시간점:
  1. 기선: 수술 전 2 주 이내 CT 촬영.
  2. 조기 수술 후: 수술 후 1 개월 시점의 임상/실험실 데이터.
  3. 추적 관찰: 보조 화학요법 시작 후 3 개월 (수술 후 약 4 개월) 시점 CT 촬영.

결과 정의:

• 목표: 기선과 추적 관찰 CT 사이의 SMI 감소율이 $\ge$5% 인 유의미한 골격근 손실.
• 측정: 두 명의 방사선과 전문의가 검증한 Comp2Comp 딥러닝 툴킷을 사용한 L3 근육 면적의 자동 분할.

특성 및 변수:

• 입력 데이터: 인구통계학적 정보, 종양 특성, 실험실 수치 (RBC, HGB, LDH, HCY), 종양 표지자 (CEA, CA199, CA724), 그리고 염증/영양 지표 (NLR, LLR, PLR, SII, PNI).
• 종단적 특성: 기선부터 수술 후 1 개월까지의 모든 위 변수에 대해 계산된 동적 변화 ($\Delta$).
• 전처리: 결측 데이터는 다중 대체법을 통해 처리; 연속 변수는 z-score 정규화를 통해 표준화.

머신러닝 접근법:

• 비교 모델: 6 가지 알고리즘을 훈련 및 비교: Random Forest (RF), XGBoost, LightGBM, CatBoost, Support Vector Classifier (SVC), Multilayer Perceptron (MLP).
• 최적화: 5-fold 교차 검증을 통한 무작위 탐색 (random search) 을 통한 하이퍼파라미터 튜닝.
• 해석 가능성: 최성능 모델에 SHAP (Shapley Additive Explanations) 를 적용하여 전역 특성 중요도를 정량화하고 개별 예측을 설명.
• 평가 지표: ROC-AUC, PR-AUC, 정확도 (Accuracy), 정밀도 (Precision), 재현율 (Recall), F1 점수, 특이도 (Specificity), 그리고 임상적 유용성을 위한 의사결정 곡선 분석 (DCA).
• 임계값 선정: 조기 개입에 필수적인 재현율 (Recall) 을 우선시하면서 균형 잡힌 특이도를 유지하기 위해 0.45의 의사결정 임계값을 선정.

3. 주요 기여

1. 조기 예측 프레임워크: 수술 전 및 수술 후 1 개월 데이터만을 사용하여 근손실 위험을 예측하는 모델을 개발함으로써, 추적 관찰 영상에서 명백한 근고갈이 발생하기 전 에 예측 시점을 앞당겼습니다.
2. 종단적 역동성의 가치: 기선부터 수술 후 1 개월까지의 임상 변수 동적 변화 ($\Delta$) 를 통합하는 것이 기선 데이터 단독 사용에 비해 예측 성능을 유의미하게 향상시킨다는 것을 입증했습니다.
3. 임상 접근성: 이 모델은 혈액 검사, 인구통계, 수술 유형과 같은 routine 임상 데이터에 전적으로 의존하므로, 위험 평가를 위한 반복적인 CT 촬영 없이도 표준 임상 워크플로우에 배포 가능합니다.
4. 해석 가능성: "블랙박스" 모델과 달리, 본 연구는 SHAP 를 활용하여 근손실이 영양 비축량 (BMI, PNI), 수술적 부담 (수술 유형), 그리고 염증/대사 상태 (LDH, PLR, NLR) 라는 세 가지 요인의 삼중체에 의해 주도됨을 규명했습니다.

4. 결과

• 최고 성능 모델: Multilayer Perceptron (MLP) 이 모든 다른 모델을 능가했습니다.
  • 검증 세트 성능:
    • AUC: 0.757
    • PR-AUC: 0.745
    • 정확도: 0.693
    • 재현율: 0.833 (위험군 환자를 포착하는 데 필수적인 높은 민감도)
    • 특이도: 0.525
    • F1 점수: 0.748
• 비교: MLP 는 SVC, LightGBM, RF, XGBoost, CatBoost 보다 유의하게 우수했습니다. 특히 완벽한 재현율을 보인 모델들 (SVC, XGBoost) 은 특이도가 거의 0 에 가까워 과도한 위양성으로 인해 임상적으로 실용적이지 않았습니다.
• 동적 특성의 영향: 기선 및 종단적 특성 모두를 사용한 MLP 모델 (AUC 0.757) 은 기선 특성만 사용한 모델 (AUC 0.709) 보다 성능이 우수하여, 조기 수술 후 회복 추적을 통한 가치를 확인했습니다.
• 주요 예측 인자 (SHAP 분석):
  • 상위 특성: BMI, 수술 유형 (전위절제술 대 원위부 위절제술), LDH, PLR, HCY, 나이, 그리고 LLR.
  • 해석: 높은 BMI 와 낮은 수술적 부담 (원위부 위절제술) 은 보호 요인이었습니다. 높은 염증 표지자 (LDH, PLR) 와 고령은 위험을 증가시켰습니다.

5. 의의 및 함의

• 임상적 유용성: 이 도구는 조기 경보 시스템 역할을 합니다. 수술 직후 (1 개월 시점) 에 고위험 환자를 식별함으로써, 임상가는 유의미한 근손실이 발생하기 전 에 예방적 영양 지원, 운동 재활, 그리고 대사 관리를 시작할 수 있습니다.
• 패러다임 전환: 본 연구는 순수 영상 기반 진단에서 예측적이고 데이터 기반의 임상 워크플로우로의 전환을 주도합니다. routine 혈액 검사와 임상 병력이 체성분 변화를 예측하기에 충분한 신호를 포함함을 검증했습니다.
• 향후 방향: 모델이 유망한 결과를 보이지만, 저자들은 다양한 인구집단과 수술 관행에서의 일반화 가능성을 보장하기 위해 다기관 코호트에서의 외부 검증이 필요함을 인정합니다.

결론: 본 연구는 위암 환자의 골격근 손실을 예측하기 위해 routine 종단적 임상 데이터를 활용하는 해석 가능한 머신러닝 프레임워크를 성공적으로 정립하여, 개인화된 지지적 치료를 위한 실용적인 전략을 제시했습니다.