Interpretable Machine Learning for Subtype-Specific Prognosis in Sudden Hearing Loss

기술 요약: 돌발성 난청의 아형별 예후를 위한 해석 가능한 머신러닝

문제 정의

돌발성 난청(SSNHL)은 예측 불가능한 회복률을 특징으로 하는 이질적인 임상 질환이다. 기존의 모델들은 특정 청력도 아형을 고려하지 못하거나 임상적 개입을 위한 실행 가능한 해석 가능한 임계값을 제공하지 못하는 '블랙박스' 형태로 기능하기 때문에, 현재의 관리 방식은 정밀한 예후 평가 측면에서 한계를 보인다. 연령, 현기증, 난청 중증도와 같은 요인들이 결과에 영향을 미친다는 점은 알려져 있으나, 구체적인 병태생리학적 기전과 예후 궤적은 서로 다른 청력도 구성(예: 상승형, 하강형, 평탄형, 심도형 및 비정형)에 따라 유의미하게 달라진다. 따라서 환자를 아형별로 계층화하고 주요 예측 인자의 비선형적 영향을 정량화하여 적시의 근거 기반 개입을 유도할 수 있는 고정밀, 해석 가능한 머신러닝(ML) 프레 framework가 절실히 필요하다.

방법론

본 연구는 2010년부터 2017년까지 푸단 대학교 안이과 병원에서 진단받은 3,957명의 환자를 포함하는, 현재까지 보고된 가장 큰 규모의 돌발성 난청 임상 데이터셋을 활용하여 후향적 코호트 설계를 채택하였다.

데이터 처리 및 아형 분류:
환자들은 다음과 같은 운영적 정의를 기준으로 다섯 가지의 뚜와 구별되는 코호트로 계층화되었다:

1. 상승형(Ascending): 저주파 손실 (250/500 Hz가 4000/8000 Hz보다 ≥20 dB HL 높음).
2. 하강형(Descending): 고주파 손실 (4000/8000 Hz가 250/500 Hz보다 ≥20 dB HL 높음).
3. 평탄형(Flat): 250–8000 Hz 전 영역에 걸친 균일한 장애 및 순음 평균(PTA) ≤90 dB HL.
4. 심도형(Profound): 모든 주파수에서 심도 난청 발생 및 PTA >90 dB HL.
5. 비정형(Atypical): 위 기준을 충족하지 않는 구성.

모델 개발:

• 특징 선택(Feature Selection): Random Forest의 내재적 중요도, Lasso 회귀, 그리고 재귀적 특징 제거(RFE)를 결합한 복합적 접근 방식을 사용하여 상위 10개의 예측 특징을 식별하였다. 핵심 5가지 요인인 질병 기간, 발병 시 PTA, 연령, WHO 청력 분류, 그리고 전신 글루코코르티코이드 요법이 모든 아형에서 일관되게 가장 높은 순위를 차지했다.
• 알고리즘 학습: 8개의 ML 알고리즘이 각 아형에 대해 학습 및 검증되었다. 데이터는 80%의 훈련 세트와 20%의 홀드아웃 테스트 세트로 분할되었다. 클래스 불균형 문제는 SMOTE(Synthetic Minority Over-sampling Technique)를 사용하여 해결하였다. 하이퍼파라미터 튜닝 및 내부 검증은 훈련 세트 내에서 5-겹 교차 검증(5-fold cross-validation)을 통해 수행되었다.
• 해석 가능성: ML의 '블랙박스' 특성을 극복하기 위해, 특징 기여도 분석을 위한 SHAP(SHapley Additive exPlanations), 비선형 관계 시각화를 위한 부분 의존도 플롯(PDP), 그리고 이질성 평가를 위한 개별 조건부 기대치(ICE) 플롯을 사용하였다. 식별된 임계값의 통계적 유의성과 안정성을 결정하기 위해 부트스트랩 리샘플링이 사용되었다.

평가 지표:
모델 성능은 정확도, AUC(Area Under the Receiver Operating Characteristic Curve), Brier score, 민감도 및 특이도를 사용하여 평가되었다. 치료 결과는 Siegel 기준에 따라 '회복'(완전 또는 부분 회복)과 '비회복'(경미한 개선 또는 개선 없음)으로 이분화되었다.

주요 결과

모델 성능:
본 연구는 견고한 성능을 가진 아형별 모델 개발에 성공하였다.

• 최적의 알고리즘: 상승형, 하강형, 비정형 아형에는 SVM(Support Vector Machine)이 최적의 분류기로 나타났으며, 평탄형 및 심도형 아형에는 로지스틱 회귀(Logistic Regression)가 최적이었다.
• 정확도: 테스트 정확도는 0.706(심도형)에서 0.774(하강형) 사이였다.
• 최고 성능: 하강형 아형에 대한 SVM 모델이 가장 높은 테스트 정확도(0.774), 가장 낮은 Brier score(0.146), 그리고 0.828의 테스트 AUC를 달s성하였다. 평탄형 아형에 대한 로지스틱 회귀 모델은 0.732의 테스트 정확도와 0.782의 AUC를 기록하였다.

예후 인자 및 임계값:

• 핵심 예측 인자: 다섯 가지 요인(질병 기간, 순음 평균(PTA), 연령, WHO 청력 분류, 전신 글루코코르티코이드 요법)이 가장 영향력 있는 것으로 일관되게 식별되었다.
• 비선형 역학: PDP 및 ICE 분석은 질병 기간과 초기 PTA가 증가함에 따라 회복 확률이 유의미하게 비선형적으로 감소함을 보여주었다.
• 실행 가능한 임계값: 본 연구는 회복 확률이 급격히 떨어지는 특정 치료 창(treatment window)을 정량화하였다. 50% 회복 확률을 갖는 임계값은 아형에 따라 7.5에서 13.1일 사이로 다양했다.
  • 예시: 비정형 아형의 경우, 질병 기간이 ≤10.6일인 환자의 회복률은 43.6%였으나, 18.4일을 초과하는 경우 8.5%로 급락하였다.
  • 예외: 심도형 아형은 모든 기간 그룹에서 일관되게 낮은 회복률(≤4.6%)을 보였으며, 이는 질병 기간이 이 특정 그룹에서는 유의미한 예후 인자가 아님을 나타낸다(p=0.639).
• 치료 효과: 전신 글루코코르티코이드 요법은 특히 비정형 및 상승형 아형에서 회복과 명확한 양의 상관관계를 보였다.

배포:
개발된 모델은 Flask를 통해 로컬에 배포된 임상 의사결정 지원 도구("돌발성 난청 아형을 위한 정밀 예후 시스템")에 통합되어, 실시간으로 환자별 맞춤형 예후 확률을 제공한다.

주요 기여

1. 아형별 정밀도: SSNHL을 단일한 질환으로 취급하는 기존 연구와 달리, 본 연구는 서로 다른 병태생리학적 기전을 반영하여 다섯 가지 특정 청력도 아형에 대한 별도의 검증된 ML 모델을 구축하였다.
2. 해석 가능성 및 투명성: SHAP, PDP, ICE 플롯을 활용함으로써 ML의 '블랙박스' 특성을 해체하고, 특정 변수가 결과에 어떻게 영향을 미치는지에 대한 투명한 통찰력을 임상의에게 제공한다.
3. 치료 창의 정량화: 본 연구는 일반적인 연관성을 넘어, 회복 가능성이 유의미하게 감소하는 통계적으로 검증된 비선형 임계점(예: 특정 일수)을 정의함으로써 조기 개입을 위한 구체적인 가이드를 제공한다.
4. 대규모 검증: 본 연구는 가장 큰 규모의 SSNHL 코호트(n=3,957)를 활용하고 엄격한 내부 검증을 거쳤으며, 이를 통해 소규모 샘플 크기와 견고한 검증 부족이라는 기존 예후 모델의 한계를 해결하였다.

의의 및 주장

저자들은 이 프레임워크가 SSNHL의 정밀 관리에 있어 중요한 진전이라고 주장한다. 복잡한 알고리즘 예측을 실행 가능한 아형별 임상 통찰력으로 전환함으로써, 본 연구는 조기 전신 글루코코르티코이드 요법의 필요성을 강화하는 도구를 제공한다. 정량화된 개입 임계값의 식별은 이비인후과 의사들이 확률적 불확실성을 넘어 근거 기반의 적시 의사결정을 내릴 수 있도록 돕는다.

본 연구는 이비인후과 분야의 '정밀 의료'를 향한 단계로 자리매김하며, 환자를 분류하고 치료 접근법을 맞춤화할 수 있는 실시간 의사결정 지원 시스템을 제공한다. 다만, 저자들은 데이터의 단일 센터, 후향적 성격을 인정하며, 식별된 예후 임계값의 일반성을 확인하기 위해 다기관, 전향적 외부 검증이 필요함을 언급하며 신중한 입장을 유지하였다. 그들은 이 도구가 즉각적인 임상적 유용성을 제공하지만, 광범한 도입 전 추가적인 검증이 필요함을 명시하였다.