Methodological approaches to developing clinical prediction models to predict multiple long-term conditions, a systematic review
2023년 이후 발표된 3편의 연구를 대상으로 한 본 체계적 문헌고찰은, 다수의 장기 질환을 예측하기 위해 다양한 복합적 방법론들이 적용되어 왔음에도 불구하고, 해당 분야가 여전히 초기 단계에 머물러 있으며 높은 편향 위험, 최적화되지 않은 검증 관행, 그리고 외부 타당성의 결여로 인해 제한적이라는 점을 드러내며, 향후 더욱 엄격한 조사와 방법론적 비교가 시급히 필요함을 강조한다.
원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기
당신의 건강을 하나의 정원이라고 상상해 보세요. 오랫동안 의사들과 연구자들은 단일한 잡초(당뇨병이나 심장 질환 같은 것)가 언제 나타날지를 예측하는 데 매우 능숙했습니다. 그들은 이러한 개별적인 문제들을 위한 "일기 예보"를 만들어 왔습니다.
하지만 당신의 정원에 여러 종류의 잡초가 한꺼번에 뒤엉켜 자라기 시작하면 어떻게 될까요? 이것을 다중 만성 질환(MLTC), 또는 '다병태(multimorbidity)'라고 부릅니다. 이것은 마치 장미, 엉겅퀴, 담쟁이덩굴이 같은 구역에서 서로 공간을 차지하기 위해 싸우는 것과 같습니다. 문제는 이 식물들이 독립적으로 자라는 것이 아니라 서로에게 영향을 미친다는 점입니다. 만약 담쟁이덩굴이 점령한다면, 장미는 고전할 수 있습니다. 이 복잡한 뒤엉킴을 예측하는 것은 단일한 잡초를 예측하는 것보다 훨씬 더 어렵습니다.
이 논문은 **체계적 문헌 고찰(systematic review)**로, 이는 본질적으로 과학자들이 만든 기존의 모든 도구에 대한 "탐정 보고서"와 같습니다. 저자들인 영국 대학 팀은 이 '정원의 뒤엉킴'을 예측하기 위해 과학자들이 만든 모든 도구를 찾아 나섰습니다. 그들은 어떤 사람이 두 가지 이상의 만성 질환을 앓게 될지를 예측하는 "수정구슬"을 만들려고 시도한 모든 연구를 찾아 헤맸습니다.
탐색: 건초더미에서 바늘 찾기
연구팀은 네 개의 거대한 디지털 라이브러리를 검색하며 2015년부터 2025년 8월 사이에 발표된 논문들을 살펴보았습니다. 그들은 수십 개의 예측 모델을 찾기 위해 넓은 그물을 던졌습니다.
결과는 어땠을까요? 그들은 단 3편의 논문(8개의 서로 다른 모델 포함)만을 발견했습니다. 이는 전 세계에서 특정 희귀한 새의 목격 사례를 찾으려는데 겨우 세 번의 목격담만 발견한 것과 같습니다. 이는 여러 질환을 동시에 예측하는 것이 여전히 매우 새롭고 미발달된 분야임을 말해줍니다.
도구: 맞지 않는 도구 상자
그들이 발견한 세 편의 논문은 미래를 예측하기 위해 8가지의 서로 다른 수학적 "도구"를 사용했습니다. 저자들은 이 도구들을 날씨를 추측하는 다양한 방식에 비유하여 비교했습니다.
- 단순한 예보관: 일부는 **로지스틱 회귀(Logistic Regression)**나 콕스 모델(Cox models) 같은 기본적인 방법을 사용했습니다. 이것은 구름 하나를 보고 비가 올지 추측하는 것과 같습니다. 단순하지만 바람, 온도, 습도가 어떻게 상호작용하는지는 놓칠 수 있습니다.
- 복잡한 시뮬레이터: 다른 이들은 코풀라(Copulas), 취약성 모델(Frailty Models), 다상 모델(Multi-state models) 같은 고급 방법들을 사용했습니다. 이것은 바람, 비, 온도가 어떻게 함께 춤을 추는지 시뮬레이션하려는 슈퍼컴퓨터와 같습니다. 이 방법들은 한 가지 질환(예: 고혈압)이 다른 질환(예: 심장병)을 일으킬 가능성을 높인다는 점을 이해하는 데 더 적합합니다.
- "임시방편" 방법: **곱셈법(Product Method)**과 같은 일부 방법은 빠르고 사용하기 쉽다고 설명되었지만, 저자들은 이러한 방법이 이토록 복잡한 문제에는 너무 단순할 수 있다고 지적했습니다.
공통된 특징: 그들이 발견한 거의 모든 모델은 심혈관계 및 대사 질환(심장 및 당 관련 문제)에 집중되어 있었습니다. 마치 모든 정원사가 장미와 엉겅퀴에 대해서만 걱정하고, 담쟁이덩굴이나 민들레는 무시하고 있는 것과 같습니다.
문제점: 왜 예보는 신뢰할 수 없는가
이 과학자들이 이러한 예측 도구를 만들려고 노력했음에도 불구하고, 검토 결과 현재 이 도구들은 상당히 불안정한 상태임이 드러났습니다. 주요 문제는 다음과 같이 간단히 설명할 수 있습니다.
- 진공 상태에서의 테스트 (내부 타당도 검증): 대부분의 모델은 구축할 때 사용했던 데이터로만 테스트되었습니다. 이것은 학생이 공부했던 문제와 똑같은 문제로 연습 시험을 치르는 것과 같습니다. 그들은 완벽한 점수를 받을 수도 있지만, 그것이 새로운 문제가 나왔을 때 실제 시험을 통과할 수 있다는 것을 의미하지는 않습니다. 새로운 집단(외부 집단)을 대상으로 테스트한 모델은 매우 드물었습니다 (외부 타당도 검증).
- "과적합(Overfitting)"의 함정: 일부 모델은 너무 복잡해서 데이터를 학습하는 대신 암기해 버렸습니다. 이것은 지난 100일간의 날씨를 완벽하게 외웠지만, 실제 패턴을 이해하지 못해 내일의 날씨는 예측하지 못하는 기상 예보관과 같습니다.
- 누락된 조각들: 많은 연구가 누락된 정보(예: 환자가 양식을 작성하는 것을 잊어버린 경우)를 어떻게 처리했는지 설명하지 않았습니다. 그들은 종종 이러한 불완전한 기록을 그냥 버렸는데, 이는 비가 온 날들을 모두 무시하고 날씨를 예측하려는 것과 마찬가지로 결과를 왜곡할 수 있습니다.
- 명확한 규칙의 부재: 어떤 도구가 "최선"인지에 대한 합의가 없습니다. 이는 망치, 드라이버, 렌치가 들어있는 도구 상자를 가지고 있으면서, 어떤 작업에 어떤 도구를 써야 하는지 적힌 매뉴얼이 없는 것과 같습니다.
결론: 유아기에 머물러 있는 분야
저자들은 여러 만성 질환을 예측하는 것이 신생 분야라고 결론지었습니다. 이는 유망한 연구 분야이지만, 현재는 아기가 첫걸음을 떼며 비틀거리는 단계와 같습니다.
- 효과적인 것: 우리는 연령, 성별, 흡연이 중요한 요소(정원의 '큰 돌들')라는 것을 알고 있습니다.
- 부족한 것: 우리는 아직 이러한 질환들이 어떻게 섞이고 함께 자라나는지를 예측하기 위한 최선의 수학적 방법이 무엇인지 알지 못합니다. 현재의 방법들은 너무 단순하거나, 너무 복잡하거나, 혹은 제대로 검증되지 않았습니다.
핵심 요약:
이 논문은 우리가 노력을 멈춰야 한다고 말하는 것이 아닙니다. 대신, 더 나은 도구를 만들고, 이를 더 엄격하게 테스트하며(자동차를 차고 안에서가 아니라 실제 도로 위에서 테스트하는 것처럼), 이를 수행하는 표준화된 방식을 합의해야 한다고 말합니다. 그때까지 우리는 복잡하게 뒤엉킨 다중 만성 질환을 예측할 수 있는 신뢰할 만한 "수정구슬"을 가질 수 없습니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.