Machine Learning to Optimize Busulfan Exposure and Predict Survival in HSCT: Toward Personalized Dosing Strategies

기술 요약: 부술판(Busulfan) 노출 최의화 및 생존율 예측을 위한 머신러닝 활용

문제 제기
부술판은 동종 조혈모세포 이식(HCT)에서 매우 중요한 조절제이지만, 치료 가능한 농도 범위(therapeutic window)가 매우 좁습니다. 약물 치료 모니터링(TDM)과 모델 기반 정밀 투여(MIPD)가 표적 도달률을 개선해 왔으나, 여전히 상당한 격차가 존재합니다. 현재의 관행은 종종 고정된 mg/kg 시작 용량에 의존하며, 이는 초기 치료를 완전히 개인화하는 데 한계가 있습니다. 또한, 클리어런스(clearance) 포화로 인한 환자 내 변동성이 복잡성을 더하며, 단일 누적 노출 목표(AUC)가 모든 성인에게 적절한지, 혹은 허용 가능한 노출량이 기저 장기 기능에 따라 달라지는지도 불분명합니다. 아울러, 누적 AUC 단독으로는 생존율을 예측하는 능력이 약한 것으로 드러났으며, 이는 $C_{max}$(최고 혈중 농도)와 같은 다른 지표 및 환자 특이적 요인들이 중요할 수 있음을 시사합니다.

연구 방법론
본 탐색적 단일 센터 후향적 연구는 2015년부터 2022년 사이에 고용량 정맥 부술판 조절제를 투여받은 71명의 성인 환자 데이터를 분석했습니다. 연구진은 세 가지 특정 목적을 달est하기 위해 H2O 프레임워크를 사용하는 다단계 머신러닝(ML) 접근법을 채택했습니다.

1. 생존 예측: 저자들은 1년 생존율을 예측하는 모델을 개발했습니다. 이들은 단변량 로지스틱 회귀, 다변량 로지스틱 회귀(단계적 선택, LASSO 및 Ridge 포함), 그리고 트리 기반 알고리즘(Random Forest 및 Gradient Boosting Machines)을 비교했습니다. 성능은 AUC-ROC, AUC-PR, 민감도, 특이도 및 해석력을 위한 SHAP(SHapley Additive exPlanations) 값을 사용하여 평가되었습니다.
2. 노출 예측: 첫 번째 투여 전 부술판 약동학(PK)을 예측하기 위해 두 가지 모델을 구축했습니다.
   • 클리어런스 예측 모델: 기저 변수(연령, 체중, BSA, 페리틴, 이전 노출 경험)를 사용함.
   • 직접 AUC 예측 모델: 기저 변수와 투여된 용량을 사용함.
     두 모델은 표준 mg/kg 용량 투여 및 베이지안 적응(Bayesian adaptation) 방식과 비교되었습니다.
3. 개인 맞춤형 투여: 관찰된 AUC 및 투여된 용량을 바탕으로 특정 목표 AUC를 달성하는 데 필요한 최적의 시작 용량(mg/kg)을 예측하는 최종 모델을 개발했습니다.

주요 입력 변수에는 기저 알부민, 사구체 여과율(GFR), 빌리루빈, $\gamma$-GT, 페리틴, 체표면적(BSA) 및 체중이 포함되었습니다.

주요 결과

• 생존 예측:

  • 누적 AUC의 단변량 분석은 낮은 예측력(AUC-ROC: 0.56)을 보였습니다.
  • 다변량 로지스틱 회귀는 성능을 개선하였으며(AUC-ROC: 0.74), 알부민, GFR, 빌리루빈을 유의미한 예측 인자로 식별했습니다.
  • 트리 기반 모델(Random Forest 및 GBM)이 가장 높은 성능(AUC-ROC: 0.80; AUC-PR: 0.75)을 달성했습니다.
  • 핵심 발견: SHAP 분석 결과, 누적 AUC와 생존율 사이의 U자형 관계가 나타났으며, 이는 과소 노출과 과다 노출 모두 사망 위험을 높임을 의미합니다. 결정적으로, 모델은 허용 가능한 노출 임계값이 환자마다 다름을 확인했습니다.
    • 알부민 $\ge$ 40 g/L인 환자는 약 90.5 mg·h/L (~22,000 µM·min)까지의 누적 노출을 견딜 수 있었습니다.
    • 알부민 < 40 g/L인 환자는 약 66 mg·h/L (~16,000 µM·min)을 초과할 때 사망률이 급격히 증가했습니다.
  • $C_{max}$는 누적 AUC를 보완하는 예측 인자로 확인되었으며, 독립적으로 급성 과다 노출 위험을 포착했습니다.

• 노출 및 클리어런스 예측:

  • Random Forest 클리어런스 모델은 2.2 L/h의 평균 제곱근 오차(RMSE)를 달성했습니다.
  • 직접 AUC 예측 모델은 표준 임상 전략(mg/kg + 베이지안 적응)보다 우수한 성능을 보였습니다. ML 모델은 첫 번째 투여에 대해 표준 방식의 RMSE인 1,200 µM·min에 비해 850 µM·min의 RMSE를 기록했습니다 ($p < 0.05$).
  • SHAP 분석은 높은 체중, BSA, 연령이 클리어런스를 증가시키는 반면, 높은 페리틴과 이전 노출 경험은 이를 감소시킨다는 점을 확인했습니다.

• 개인 맞춤형 투사 시뮬레이션:

  • ML 가이드 투여 모델은 후향적 시뮬레이션에서 높은 정확도를 보였으며, 참조 인구 PK 용량 대비 평균 절대 오차는 0.13 mg/kg였습니다.
  • 후향적으로 과다 노출된 환자(목표 대비 >120%)의 경우, 모델은 중앙값 기준으로 15.2% 낮은 용량을 권장했을 것입니다.
  • 과소 노출된 환자(목표 대비 <80%)의 경우, 모델은 10.2% 높은 용량을 권장했을 것입니다.

의의 및 주장
저자들은 머신러닝을 기존 약동학(PK) 접근법과 통합함으로써 고용량 부술판의 초기 투여를 정교화하고 임상 결과 예측을 개선할 수 있다고 주장합니다. 본 연구는 다음을 입증합니다:

1. 개인화된 목표: 단일한 보편적 누적 AUC 목표는 최적이 아닐 가능성이 높습니다. 안전한 노출 수준은 기저 장기 기능(특히 알부민 및 GFR)에 따라 달라집니다.
2. 우수한 초기 투여: 기저 임상 변수를 활용하는 ML 모델은 표준 mg/kg 투여보다 부술판 노출 및 클리어런스를 더 정확하게 예측할 수 있으며, 이는 TDM 데이터를 이용하기 전의 초기 과다 또는 과소 노출 위험을 줄일 수 있습니다.
3. 보완적 역할: 이 모델들은 기존의 MIPD 및 베이지안 적응을 대체하기 위한 것이 아니라, 임상의가 고위험 환자를 식별하고 시작 용량을 정교화하는 것을 지원하는 보완적인 층(layer)으로 제안됩니다.

한계 및 향후 방향
본 논문은 이 연구가 n=71의 후향적, 단일 센터 연구라는 점에서 과적합(overfitting)의 위험이 있으며, 따라서 결과가 가설 생성적(hypothesis-generating) 단계임을 명시적으로 밝히고 있습니다. 독립적인 외부 검증 코호트의 부재와 다양한 조절 프로토콜에 따른 목표 AUC의 이질성은 일반화의 한계를 가집적합니다. 저자들은 이 모델들을 실제 임상 현장에 적용하기 전, 전향적 다기관 검증이 필요하다고 결론지었습니다.