Screening for Probable Undiagnosed Hypertension in US Adults Using Interpretable Machine Learning: An NHANES 2017-2018 Study

기술 요약: 해석 가능한 머신러닝을 이용한 잠재적 미진단 고혈압 선별

문제 정의
고혈압은 전 세계적으로 약 12억 8천만 명의 성인에게 영향을 미치는 중대한 글로벌 보건 과제이지만, 자신의 상태를 인지하고 있는 비율은 절반에도 미치지 못합니다. 미진단 고혈압은 침묵하는 장기 손상을 통해 예방 가능한 심혈관 질병 발생률과 사망률을 높입니다. 머신러닝(ML)이 고혈압 위험 예측에 적용되어 왔으나, 기존 모델 대부분은 자원이 제한된 환경이나 지역사회 설정에서 사용하기 어려운 실험실 변수(예: 지질 패널, 신기능 등)에 의존합니다. 또한, 이전 연구들은 대개 일반적인 위험 예측을 목표로 하며, 본 연구가 다루는 '이미 고혈압 상태이나 진단을 받지 못한 성인'을 식별하는 구체적이고 임상적으로 시급한 과제에는 집중하지 않았습니다. 본 연구는 비침습적이고 일상적으로 수집 가능한 데이터만을 사용하여 잠재적 미진단 고혈압을 위한 선별 도구를 개발하는 공백을 메우고자 합니다.

연구 방법론

• 데이터 소스: 본 연구는 2017–2018 NHANES(National Health and Nutrition Examination Survey) 사이클의 데이터를 활용한 단면 연구 설계를 채택하였습니다.
• 연구 대상: 초기 참여자 9,254명 중 혈압 데이터 누락, 고혈압 인지 여부 응답 무효, 또는 연령 18세 미만인 경우를 제외한 후 5,237명의 성인(연령 ≥18세)을 포함하였습니다.
  • 결과 정의: "잠재적 미진단 고혈압"은 ACC/AHA 2017 가이드라인에 따른 평균 혈압 130/80 mmHg 이상과 의료 전문가로부터 진단받은 적이 없다는 자기 보고를 결합하여 정의되었습니다.
  • 대조군: "미진단" 상태와 "정상 혈압" 상태를 구분하기 위해, 이전에 진단받았음을 스스로 보고한 참여자(n=1,930)를 음성 대조군으로 유지하였습니다.
  • 클래스 불균형: 최종 샘플은 1,072개의 양성 사례(20.5%)와 4,165개의 음성 대조군으로 구성되었습니다.
• 예측 변수: 실험실 접근 없이도 배포 가능성을 확보하기 위해 8가지 비침습적 변수를 선택하였습니다:
  1. 연령
  2. 성별
  3. 체질량지수 (BMI)
  4. 허리둘레
  5. 흡연 상태 (100개 이상의 담배를 피운 적이 있는 경우)
  6. 당뇨병 상태 (의사 확진)
  7. 격렬한 신체 활동 (지난 한 주간)
  8. 평일 수면 시간
• 머신러닝 접근 방식:
  • 세 가지 분류기(로지스틱 회귀(LR), 랜덤 포레스트(RF), XGBoost)를 학습시키고 비교하였습니다.
  • 전처리: 결측치는 임퓨테이션(연속형은 중앙값, 범주형은 최빈값)을 수행하였습니다. 범주형 변수는 이진 인코딩되었습니다. 클래스 불균형은 클래스 가중치 학습(class_weight="balanced" (LR/RF용); scale_pos_weight (XGBoost용))을 사용하여 해결하였습니다.
  • 검증: 80%의 훈련 세트와 20%의 테스트 세트로 데이터를 분할하였으며, 이때 층화 추출(stratified sampling)을 사용하였습니다. 훈련 세트에는 층화 5-겹 교차 검증(stratified 5-fold cross-validation)을 적용하였습니다. 모델은 홀드아웃(held-out) 테스트 세트에서 평가되었습니다.
  • 하이퍼파라미터: 과적합을 방지하고 알고리즘의 특성을 고립시키기 위해 기본 설정을 사용하였으며, 클래스 불균형 조절을 위해서만 조정하였습니다.
• 평가 지표: 주요 지표는 AUC-ROC였습니다. 이차 지표로는 민감도, 특이도, F1 점수가 포함되었으며, 모두 1,000회의 부트스트랩 반복을 통한 95% 신뢰 구간과 함께 보고되었습니다. 모델 해석을 위해 순열 변수 중요도(Permutation feature importance)를 사용하였습니다.

주요 결과

• 모델 성능: 세 모델 모두 완만하지만 일관된 변별력을 보여주었으며, 테스트 AUC는 0.599에서 0.611 사이였습니다.
  • 로지스틱 회귀 (LR): 가장 높은 테스트 AUC인 0.611 (95% CI: 0.571–0.652)을 달달성하였습니다. 이는 0.535의 민감도와 0.594의 특이도를 가진 가장 균형 잡힌 임상 프로필을 제공했습니다.
  • 랜덤 포레스트 (RF): AUC 0.607을 기록했으나, 기본 임계값에서 높은 특이도(0.971)에도 불구하고 민감도가 거의 없는 수준(0.047)을 보여 선별 도구로서 부적합했습니다.
  • XGBoost: 가장 높은 교차 검증 AUC(0.621)를 보였으나 가장 낮은 테스트 AUC(0.599)를 기록하여 경미한 과적합을 시사했습니다. 민감도는 중간 수준(0.279)이었고 특이도는 높았습니다(0.804).
• 변수 중요도: LR 모델에 대한 순열 분석 결과, 당뇨병 상태, 성별, 연령이 가장 영향력 있는 예측 인자로 식별되었습니다.
  • 참고 (당뇨병): 생물학적 직관과는 반대로, 당뇨병 상태는 미진단 고혈압의 역(inverse) 예측자로 작용했습니다. 데이터에 따르면 당뇨병 환자의 미진단 고혈압 비율(10.1%)이 비당뇨 환자(16.4%)보다 낮았는데, 이는 의료 이용률이 높아 조기 진단으로 이어졌기 때문으로 보입니다.
• 인구통계학적 특성: 잠재적 미진단 고혈압 참여자들은 음성 클래스에 비해 유의하게 연령이 높고, 남성일 확률이 높으며, 허리둘레가 더 컸습니다.

의의 및 주장
본 논문은 8가지 비침습적 변수로 학습된 해석 가능한 ML 분류기가 잠재적 미진단 고혈압을 식별하는 데 있어 완만하지만 일관된 변별력을 달성할 수 있다고 주장합니다.

• 실행 가능성: 본 연구는 특히 진단 인프라가 제한적인 지역(예: 남아시아)에서 실험실 데이터가 필요 없는 커뮤니티 선별의 실행 가능성을 뒷받침합니다.
• 임상적 유용성: 저자들은 로지스틱 회귀 모델을 진단 도구가 아닌 1차 선별 도구로 배치합니다. 약 83%의 추정 음성 예측도(NPV)를 가진 이 모델은 음성 판정 시 잠재적 미진단 고혈압을 배제하는 데 효과적이며, 이를 통해 확진을 위한 임상 혈압 측정이 필요한 개인을 식별해 줍니다.
• 투명성: 변수를 비침습적 측정치로 제한하고 기본 하이퍼파라미터를 사용함으로써, 본 연구는 복잡한 특징 공학이나 실험실 데이터를 통한 정확도 극대화보다 임상적 적용 가능성과 재현성을 우선시하였습니다.

한계 및 향후 방향
저자들은 몇 가지 한계점을 인정합니다: 단면 연구 설계로 인해 인과 관계 추론이 불가능하며, 외부 검증의 부재가 일반화 가능성을 제한하고, 자기 보고 데이터 사용이 편향을 초래할 수 있습니다. 결정적으로, ML 파이프라인에 NHANES 샘플링 가중치를 적용하지 않았으므로, 도출된 유병률 추정치는 가중치가 적용된 미국 전체 인구가 아닌 해당 코호트에 국한됩니다. 저자들은 임상 적용 전 다양한 인구 집단에 대한 외부 검증과 지역사회 환경에서의 전향적 평가가 필요하다고 명시하였습니다.