Development and internal validation of a machine learning-based risk stratification tool for sarcopenia in Chinese older adults: findings from the CHARLS study

기술 요약: 중국 노인을 대상으로 한 머신러닝 기반 근감소증 위험 계층화 도구의 개발 및 내부 검증

문제 제illez (Problem Statement)
골격근량, 근력 및 신체 기능의 점진적인 감소를 특징으로 하는 근감소증은 낙상, 허약 및 사망과 관련된 중요한 노인 증후군이다. C-반응성 단백질(CRP) 및 헤모글로빈(Hb)과 같은 개별 생체 지표는 근감소증과의 연관성을 보여주었으나, 이들의 예측 성능은 제한적이다. 기존의 머신러닝(ML) 모델은 종종 작은 표본 크기, 단일 센터 설계 또는 외부 검증의 부재로 인해 어려움을 겪는다. 다차원적 위험 요인을 통합하여 지역사회 환경에서 사례 발굴을 개선할 수 있도록, 중국 노인들을 대상으로 한 대규모 국가 대표 코호트로부터 개발된 간결하고 임상적으로 배치 가능한 위험 예측 모델에 대한 구체적인 필요성이 존재한다.

방법론 (Methodology)
본 연구는 2015년 차이나 헬스 앤 리타이어먼트 롱리튜디널 스터디(CHARLS)의 60세 이상 참가자 6,204명의 횡단적 데이터를 활용하였다.

• 결과 정의: 근감소증은 아시아 근감소증 진단 기준(AWGS) 2019에 따라 정의되었으며, 낮은 부수 골격근량(ASM)과 저하된 근력 또는 저하된 신체 기능 중 하나를 충족해야 한다. ASM은 중국 노인에게 특화된 검증된 인체 계측 방정식을 사용하여 추정되었다.
• 예측 변수 선정: 네 가지 영역(인구통계학적, 임상적, 생화학적, 건강 상태)에 걸쳐 31개의 후보 예측 변수를 평가하였다.
• 모델 개발:
  • 변수 선택: 모델의 간결성을 보장하기 위해 lambda.1se 기준을 사용하여 가장 정보가 풍부한 예측 변수를 선택하는 데 10회 교차 검증을 동반한 최소 절대 수축 및 선택 연산자(LASSO) 회귀를 채택하였다.
  • 최종 모델: 선택된 12개의 예측 변수를 다변량 로지스틱 회귀 모델에 입력하였다.
  • 검증: 10회 교차 검증을 사용하여 내부 검증을 수행하였다.
  • 성능 지표: 판별력은 수신자 조작 특성 곡선 하 면적(AUC)을 통해 평가하였다. 교정(Calibration)은 교정 플롯, 호스머-레메쇼(Hosmer-Lemeshow) 검정 및 위험 분위수 분석을 사용하여 평가하였다. 임상적 유용성은 결정 곡선 분석(DCA)을 사용하여 평가하였다.
  • 비교 분석: LASSO-로지스틱 모델을 동일한 예측 변수를 사용한 랜덤 포레스트(RF) 및 XGBoost 알고리즘과 벤치마킹하였다.
  • 비선형성: 연령에 대한 비선형적 연관성을 조사하기 위해 제한적 삼차 스플라인(RCS) 분석을 사용하였다.

주요 결과 (Key Results)

• 유병률: 연구 코호트의 근감소증 유병률은 13.5%(839/6,204)였다.
• 선택된 예측 변수: LASSO 회귀를 통해 연령, 농촌 거주, 고혈압, 만성 폐질환, 소화기 질환, 헤모글로빈, 헤마토크릿, 요산, HDL-C, LDL-C, 중성지방, 그리고 CRP-to-Hb 비율의 12개 예측 변수가 유지되었다.
• 모델 성능:
  • 최종 로지스틱 회귀 모델은 훈련 세트에서 0.836 (95% CI: 0.822–0.851)의 AUC를, 교차 검증된 AUC 0.833 (95% CI: 0.819–0.848)을 달-성하였다.
  • 최적 절단점(확률 임계값 = 0.138)에서 모델은 0.757의 민감도와 0.762의 특이도를 나타냈다.
  • 결정적으로, 음성 예측도(NPV)는 0.952로 매우 높아, 근감소증을 배제(rule out)하는 데 높은 유용성을 보였다.
  • 교정 결과는 우수하였으며, 교정 기울기는 0.975였고 호스머-레메쇼 검정은 유의하지 않았다 (P = 0.327).
• 위험 계층화: 모델은 위험을 4단계로 성공적으로 계층화하였으며, 관찰된 근감소증 유병률은 최저 위험 그룹의 1.3%에서 최고 위험 그룹의 62.3%까지 나타났다.
• 알고리즘 비교: LASSO-로지스록 모델(AUC 0.833)은 랜덤 포레스트(0.817) 및 XGBoost(0.832)와 유사한 성능을 보였으나, 해석 가능성과 노모그램 생성 능력 때문에 기본 모델로 채택되었다.

주요 기여 및 의의 (Key Contributions and Significance)
저자들은 본 연구가 AWGS 2019 기준을 사용하여 중국 노인에게 특화된 12개 예측 변수의 간결한 머신러닝 모델을 제공한다고 주장한다. 본 연구의 의의는 다음과 같다.

1. 다차원적 통합: 본 모델은 염증, 영양 및 임상 요인을 통합함으로써 단일 생체 지표(예: 헤모글로빈 단독, AUC 0.644)보다 뛰어난 성능을 보인다. CRP-to-Hb 비율의 포함은 근손실을 예측하는 데 있어 염증 축과 조혈 축을 결합하는 시너지 효과를 강조한다.
2. 임상적 배치 가능성: 일차 의료 현장에서 일상적으로 사용되지 않는 전문적인 평가(예: 악력 또는 보행 속도)를 요구하는 기존 모델과 달리, 본 모델은 일상적으로 사용 가능한 임상 및 생화학적 변수에 의존한다. 개발된 노모그램은 전자 기기 없이도 수동 계산을 가능하게 하여, 자원이 제한된 중국의 지역사회 환경에 적합하다.
3. 배제 유용성(Rule-Out Utility): 0.952의 높은 음성 예측도는 이 도구가 근감소증을 "배제"하는 효과적인 선별 메커즘으로서, 불필요한 확진용 이중 에너지 X선 흡수 계측법(DXA) 검사 의뢰를 줄일 수 있는 위치에 있음을 보여준다.
4. 인구통계학적 통찰: 연구는 농촌 거주를 가장 강력한 인구통계학적 위험 요인(OR = 2.29)으로 식별하였으며, 이는 심각한 건강 격차를 강조하고 선별 프로그램이 농촌 지역 보건소를 우선시해야 함을 시사한다.
5. 표현형 특이성: 유지된 생화학적 프로필(낮은 요산, 낮은 지질, 높은 HDL-C)은 이 중국 코호트의 근감소증이 영양 부족 및 단백질-에너지 영양 불량에 의해 유발됨을 시사하며, 이는 서구 인구에서 흔히 보이는 대사 증후군 중심의 근감소성 비만과 대조된다. 이는 지역 특화된 위험 계층화 도구의 필요성을 뒷받침한다.

한계점 및 향후 방향 (Limitations and Future Directions)
저자들은 횡단적 설계가 인과적 추론을 배제한다는 점을 인정한다. ASM 추정을 위해 DXA 대신 인체 계측 방정식을 사용한 것은 잠재적 편향을 초래할 수 있으나, 민감도 분석이 수행되었다. 또한, 2015년 CHARLS 웨이브에서 식이 섭취, 신체 활동 및 악력 데이터가 제외되었음을 언급하였다. 저자들은 임상 배포 전, 지리적으로 다른 인구 집단에서의 외부 검증과 발생하는 근감소증을 평가하기 위한 종단적 연구가 필요하다고 결론지었다.