기술 요약: 패혈증 환자의 약제 내성 병원균 감염 식별을 위한 머신러닝 기반 연구

문제 정의

중환자실(ICU)에서 임상의들은 입원 시점에 미생물 배양 및 감수성 결과가 나오기 전, 경험적 항균 요법을 시작해야 하는 결정적인 의사결정의 순간에 직면한다. 이는 특히 다제내성균(MDRO)—구체적으로 메티실린 내성 황색포도상구균(MRSA), 반코마이신 내성 엔테로코커스(VRE), 카바페넴 내성 녹농균(CRPA)—이 의심될 때 매우 까다로운 과제이다. 부정확한 조기 위험 평가는 치료 지연이나 불필요한 광범위 항생제 노출을 초래하여 추가적인 내성을 유발할 수 있다. 전자 건강 기록(EHR) 데이터는 조기 위험 계층화를 위한 잠재적 자원이 될 수 있지만, 기존의 머신러닝(ML) 모델들은 불분명한 결과 시점, 포스트 인덱스 변수(예: 입원 기간)로부터의 데이터 누수(data leakage), 불완전한 미생물학적 정의, 해석 가능성 또는 임상적 유용성 평가의 부재와 같은 방법론적 결함을 갖는 경우가 많다.

연구 방법론

저자들은 **eICU 협력 연구 데이터베이스(v2.0)**와 **MIMIC-IV (v3.1)**라는 두 개의 대규모 공개 ICU 데이터베이스를 활용하여 후향적 다기관 코호트 연구를 수행하였다.

데이터 코호트 및 정의

• 대상: 성인 ICU 입원 환자(연령 ≥18세) 중 ICU 체류 기간이 24시간 이상인 환자.
• 제외 기준: ICU 입원 전 이미 알려진 MDRO 감염이 있거나 MDRO 양성 배양 결과가 있었던 환자는 제외하였다. 이는 모델이 입원 기간 중 발생하는 새로운 감염을 예측하도록 하기 위함이다.
• 결과 윈도우(Outcome Window): 주요 결과는 MRSA, VRE, CRPA에 대한 배양 양성 감염 여부를 나타내는 이진 지표이다. 결과는 ICU 입원부터 ICU 7일째까지 실시된 임상적 목적의 배양 검사로 제한하였다. 감염이 아닌 집락 형성(colonization)을 오분류하는 것을 최소화하기 위해 감시 또는 스크리닝 목적의 배양은 제외하였다.
• 예측 변수: ICU 입원 후 첫 24시간 동안의 데이터를 통해 총 168개의 후보 예측 변수를 추출하였다. 여기에는 인구통계학적 특성, 동반 질환(Elixhauser), 초기 장기 지원 치료, 활력 징후, 실험실 검사 및 중증도 점수(예: SOFA)가 포함된다. 데이터 누수를 방지하고 입원 시점에서 임상적 실행 가능성을 보장하기 위해, 포스트 인데스 변수(예: ICU 또는 병원 체류 기간)는 엄격히 제외하였다.

모델 개발 및 검증

• 데이터 분할: 병합된 코호트(N=45,141)를 개발 세트(70%, n=31,599)와 독립 검증 세트(30%, n=13,542)로 무작위 분할하였다.
• 특성 선택: Boruta 알고리즘을 적용하여 섀도우 특성(shadow features)과 비교함으로써 견고한 특성을 식별하였으며, 이를 통해 예측 신호가 있는 변수만을 유지하였다.
• 알고리즘: 각 병원균에 대해 다섯 가지 분류기를 학습시켰다: Penalized Logistic Regression (LASSO), AdaBoost, LightGBM, XGBoost, CatBoost. 하이퍼파라미터는 학습 세트 내의 리샘플링을 통해 튜닝되었다.
• 불균형 처리: 내성 감염의 낮은 유병률(MRSA 1.5%, VRE 0.7%, CRPA 0.2%)을 고려하여, 클래스 가중치 부여 및 임계값 최적화 전략을 사용하였다. 결측치는 엄격하게 학습 세트에서 도출된 중앙값(연속형) 또는 최빈값(범주형)을 사용하여 대체하였다.
• 해석 가능성: 개별 예측에 대한 특성의 기여도를 정량화하고 전역적 중요도를 요약하기 위해 **SHAP(SHapley Additive exPlanations)**을 사용하였다.
• 평가 지표: 성능은 AUROC(Area Under the Receiver Operating Characteristic Curve), 민감도, 특이도, PPV(Positive Predictive Value)를 통해 평가하였다. 모델 가이드 전략을 "모두 치료" 및 "모두 미치료" 접근법과 비교하여 임상적 유용성을 평가하기 위해 **의사결정 곡선 분석(DCA)**을 사용하였다.

주요 결과

유병률 및 기초 특성

사전 지정된 조기 ICU 윈도우 내 배양 양성 감염 유병률은 다음과 같았다:

• MRSA: 1.5% (n=683)
• VRE: 0.7% (n=296)
• CRPA: 0.2% (n=90)

조정되지 않은 비교 결과, 감염 환자와 비감염 환자 간에 인구통계학적 수치, 실험실 수치 및 생리학적 상태에서 유의미한 차이가 나타났으며, 이는 예측 모델링의 근거가 되었다.

모델 성능

모든 모델 군은 독립 검증 세트에서 임상적으로 의미 있는 변별력을 보여주었다:

• MRSA: LASSO 모델이 0.83 (95% CI 0.77–0.87)의 가장 높은 AUROC를 달 기록하였으며, 민감도와 특이도는 모두 0.75였다. 그래디언트 부스팅 방식(LightGBM, XGBoost, CatBoost)도 유사한 성능(AUROC 0.81–0.82)을 보였다.
• VRE: AdaBoost와 CatBoost가 0.85 (95% CI 0.82–0.89)의 가장 높은 AUROC를 달성하였다. CatBoost는 0.84의 특이도와 0.74의 민감도를 보였다.
• CRPA: LightGBM이 0.82 (95% CI 0.77–0.86)의 AUROC로 가장 우수한 변별력을 제공하였으며, XGBoost(0.81)가 그 뒤를 이었다.

해석 가능성 (SHAP)

SHAP 분석은 병원균 특이적인 예측 신호를 식별하였으며, 서로 다른 생물학적 기전이 각 미생물의 위험도를 구동한다는 점을 강조하였다:

• MRSA: 주요 기여 요인은 호산구 수, PaO2, 혈소판 수, 백혈구 수, 헤모글로빈 및 포도당이었다.
• VRE: 주요 동력은 피브리노겐, 림프구 수, PaCO2, 백혈구 수 및 혈소판 수였다.
• CRPA: 주요 특징은 칼륨, LDL 콜레스테롤, 림프구 수, ALT, 산소화 구배 및 pH였다.

임상적 유용성

의사결정 곡선 분석 결과, 모든 세 가지 모델은 "모두 치료" 또는 "모두 미치료" 전략과 비교하여 임상적으로 유의미한 임계 확률(0–50%) 구간에서 **양(+)의 순 이익(net benefit)**을 나타냈다.

• MRSA의 경우, LASSO가 10–35% 임계 범위에서 가장 큰 순 이익을 보였다.
• VRE의 경우, CatBoost가 대부분의 임계값에서 일관된 순 이익을 보였다.
• CRPA의 경우, LightGBM이 중간에서 높은 임계값(~20–50%)에서 우위를 점했다.

의의 및 주장

본 논문은 일상적으로 사용 가능한 조기 ICU 변수에 기반한 설명 가능한 머신러닝 모델이 패혈증 환자의 기록된 조기 MRSA, VRE, CRPA 감염 위험을 효과적으로 계층화할 수 있다고 주장한다.

저자들은 다음과 같은 방식으로 기존 문헌의 한계를 해결했음을 강조한다:

1. 결과 윈도우를 엄격히 정의(ICU 0–7일)하여 임상적 의사결정 시점과 일치시켰다.
2. 포스트 인데스 변수(입원 기간 등)를 제외하여 데이터 누수를 방지하고 입원 시점에서 실행 가능하도록 하였다.
3. 투명성 제공: SHAP 값을 통해 블랙박스 형태의 예측이 아닌 환자 수준의 설명을 제공한다.
4. 임상적 유용성 평가: 단순한 변별 지표를 넘어 의사결정 곡선 분석을 통해 잠재적 순 이익을 평가하였다.

저자들은 이 모델들이 표적 진단, 감염 관리 예방 조치 및 경험적 치료 결정을 지원하는 데 유망하지만, 임상 적용 전 외부 및 전향적 검증이 필요하다고 결론지었다. 저자들은 이 모델들이 임상의의 판단과 미생물 검사를 대체하는 것이 아니라 보조하기 위한 용도임을 명시하였다.