Integrating dynamic nomogram and machine learning for personalized disability prediction in elderly cardiometabolic multimorbidity: routine blood markers and mental health

기술 요약: 노인 심혈관 대사 다중질환자의 개인 맞춤형 장애 예측을 위한 동적 노모그램 및 머신러닝 통합

문제 제칭
심혈관 대사 다중질환(CMM, 고혈압, 심장 질환, 뇌졸중, 당뇨병, 이상지질혈증 등 두 가지 이상의 심혈관 대사 질환이 공존하는 상태로 정의됨)을 가진 노인 환자의 장애는 중대한 공중보건학적 부담을 초래한다. 기존 연구들이 일반적인 위험 요인(예: 연령, BMI, 우울증)을 식별해 왔으나, 기존의 임상의 예측 모델들은 개별화된 정밀도가 부족하며 다음과 같은 구체적인 복잡성을 해결하지 못하고 있다: 일상적인 혈액 지표의 예측 가치, 정신 건강과 신체 기능의 상대적 지배력 비교, 그리고 장애 위험이 다중질환의 수에 따라 선형적으로 증가하는지 아니면 정체기에 도달하는지 여부 등이다. 표준 ADL/IADL 척도와 같은 현재의 도구들은 일반적인 평가를 제공하지만, 동적이고 개인화된 위험 계층화 능력은 부족하다.

연구 방법론
본 연구는 China Health and Retirement Longitudinal Study(CHARLS) 데이터를 활용하여, 모델 개발(훈련 및 내부 검증 세트)을 위해 60세 이상의 CMM 환자 1,424명을 분석하였고, 외부 검증을 위해 3,335명을 분석하였다. 장애는 일상생활 수행 능력(ADL) 또는 도구적 일상생활 수행 능력(IADL)의 손상, 또는 자가 보고된 장애로 정의되었다.

연구는 다각적인 분석 접근법을 채택하였다:

1. 변수 선택: 46개의 후보 예측 변수(인구통계학적 특성, 생활 방식, 신체 검사, 임상 병력 및 HbA1c, TyG, CVAI, 신기능 등 20개 이상의 실험실 지표 포함)로부터 로지스틱 회귀 분석을 통해 변수를 스크리닝한 후, 차원 축소를 위해 LASSO(Least Absolute Shrinkage and Selection Operator) 회귀를 사용하였다.
2. 노모그램 개발: 최종 선정된 독립 예측 변수들을 사용하여 다변량 로지스틱 회귀를 통해 동적 노모그램을 구축하였다. 이 모델은 실시간 위험 계산을 위한 온라인 도구(Shiny 애플리케이션)로 구현되었다.
3. 고급 통계 분석:
   • 매개 분석(Mediation Analysis): 신체 기능(악력, 보행 속도)과 낙상이 우울, 인지 기능, 뇌졸중이 장애에 미치는 영향을 매개하는 경로를 탐색하였다.
   • 비선형 분석: 관계의 변곡점을 식별하기 위해 제한적 삼차 스플라인(Restricted Cubic Spline, RCS) 및 임계값 효과 분석을 사용하였다(예: 인지 기능).
   • 용량-반응 평가(Dose-Response Assessment): 선형 트렌드 테스트와 Tukey 조정 쌍별 비교를 통해 CMM 질환 수와 장애 위험 사이의 관계를 평가하였다.
4. 머신러닝(ML): 다섯 가지 알고리즘(로지스틱 회귀, 랜덤 포레스트, SVM, LightGBM, XGBoost)을 Boruta 알고리즘을 이용한 특징 선택 방식으로 학습시켰다. 성능 지표를 바탕으로 랜덤 포레스트(RF) 모델이 최적의 모델로 선택되었다. ML 모델의 특징 중요도와 방향성을 해석하기 위해 SHAP(SHapley Additive exPlanations)을 적용하였다.

주요 결과

• 예측 모델: 최종 동적 노모그램은 6개의 독립 예측 변수인 우울 증상, 인지 기능, 뇌졸중, CMM 수, 연령, 낙상을 포함하였다. 모델은 훈련 세트(AUC 0.746), 내부 검증(0.740), 외부 검증(0.754)에서 견고한 판별력을 입증하였다. 교정 곡선(Calibration curves)과 결정 곡선 분석(DCA)은 예측 확률과 실제 확률 사이의 우수한 일치도 및 유의미한 임상적 순이익을 확인하였다.
• 일상적 혈액 지표: 전통적인 로지스틱 회귀에서는 일상적 혈액 지표들이 통계적으로 유의하지 않았다. 그러나 랜덤 포레스트 모델의 SHAP 분석 결과, HbA1c, 크레아티닌, 요산, 헤마토크릿, 공복 혈당, TyG, CVAI가 중요한 위험 지표로 식별되었으며, 이는 머신러닝이 기존 모델이 놓친 비선형적 상호작용을 포착함을 시사한다.
• 정신 건강 vs 신체 건강: 우울 증상은 전통적 모델과 ML 모델 모두에서 악력이나 보행 속도와 같은 신체 기능 지표보다 우수한 예측력을 가진 지배적 예측 변수로 나타났다. 매개 분석 결과, 왼손 악력은 뇌졸중이 장애에 미치는 영향의 12.3%를 매개하였고, 보행 속도는 인지 기능과 뇌졸중의 영향을 매개하였다.
• CMM 수의 정체기: CMM 질환 수와 장애 위험 사이의 관계는 순수하게 선형적이지 않았다. 위험은 2개에서 3개, 4개로 질환이 늘어날 때 유의미하게 증가했으나, CMM이 3개 이상일 때는 정체되는 양상을 보였다. CMM=4와 5를 병합한 민감도 분석 결과, CMM≥4가 CMM=2보다 높은 위험을 갖는 것은 확실하나, CMM=3과 CMM≥4 사이의 차이는 유의미하지 않음을 확인하였다.
• 머신러닝 통찰: 랜덤 포레스트 모델이 내부 검증 세트에서 가장 높은 AUC(0.782)를 달 기록하였다. 주목할 점은, ML 모델에서 신장 질환이 뇌졸중이나 CMM 수보다 더 높은 예측 가치를 가졌다는 것인데, 이는 뇌졸중이 가장 강력한 예측 변수(OR=2.55)였던 전통적 회귀 분석과 대조된다.
• 비선형 관계: 인지 기능은 장애와 역 U자형 관계를 보였으며, 변곡점은 12.043에서 나타났다.

의의 및 주장
저자들은 본 연구가 CMM 환자의 장애를 예측하기 위한 최초의 실용적인 동적 노모그램을 제공한다고 주장한다. 본 연구의 의의는 다음과 같은 통합적 접근 방식에 있다:

1. 일상적 지표의 검증: 일상적인 혈액 지표(예: HbA1c, 크레아티닌)가 선형 회귀에서는 유의하지 않더라도 머신러닝을 통해 분석될 때 장애에 대한 예측 가치를 지님을 입증하였다.
2. 정신 건강의 우선순위 설정: 우울 증상이 이 인구 집단에서 신체 기능 지표(악력, 보행 속도)보다 더 결정적인 장애 위험 예측 인자임을 확립하였다.
3. 위험 계층화의 정교화: CMM-장애 관계에서의 정체 효과를 식별함으로써, 임상적 위험 계층화가 세 가지 이상의 질환을 넘어 선형적으로 구분할 필요가 없을 수도 있음을 시사하였다.
4. 임상적 유용성: 개인 맞춤형 위험 계층화를 위해 접근 가능한 온라인 도구를 제공하여, 정신 건강 평가 및 일상적인 대사 스크리닝에 집중하는 조기 개입을 유도할 수 있다.

본 논문은 뇌졸중이 여전히 주요한 전통적 예측 인자이지만, 머신러닝은 신장 질환과 대사 불균형의 결정적 역할을 밝혀낸다고 결론짓는다. 저자들은 데이터의 회고적 성격, 혈액 지표에 대한 선택 편향 가능성, 다양한 인구 집단에 대한 외부 검증의 필요성 등 한계를 인정하면서도, 개발된 노모그램이 조기 위험 식별 및 개인 맞춤형 관리 전략을 향한 가치 있는 단계라고 주장한다.