Predicting tuberculosis treatment relapse among geriatric patient using machine learning algorithms in a high Tuberculosis-burden Ghanaian setting.

기술 요약: 머신러닝을 이용한 가나 노인 환자의 결핵 치료 재발 예측

문제 정의
결핵은 전 세계적으로 주요 사망 원인으로 남아 있으며, 특히 저소득 및 중저소득 국가(LMIC)에서 불균형적으로 높은 부담을 주고 있습니다. 고령자(노인 환자)는 면역 노화, 높은 동반 질환율(예: 당뇨병, HIV), 비정형적 질병 양상 등으로 인해 특히 취약하며, 이는 종종 진단 지연과 불량한 치료 결과로 이어집니다. 치료 후 완치 판정 후 질병이 다시 발생하는 치료 재발은 이환율과 약제 내성을 높이는 중요한 부작용이지만, 신뢰할 수 있는 개인별 예측은 여전히 어려운 과제입니다. 기존의 예측 모델들은 주로 일반 성인 인구를 대상으로 하거나, 아프리카 코호트의 데이터가 부족하거나, 일상적인 임상 환경에서 사용하기 어려운 전문적인 유전체 또는 영상 데이터를 활용하는 경우가 많습니다. 본 연구는 일상적으로 수집되는 데이터만을 사용하여, 고부담 지역인 가나의 노인 환자들을 위해 배포 가능한 정확한 재발 예측 모델을 개발함으로써 이러한 격차를 해소하고자 합니다.

연구 방법론
본 연구는 가나 아샨티 지역의 세인트 마이클 가톨릭 병원(St. Michael Catholic Hospital)에서 단일 센터 후향적 관찰 코호트 설계를 사용하여 수행되었습니다.

• 데이터셋: 분석 코호트는 2020년 1월부터 2025년 1월 사이에 결핵 진단을 받고 치료를 받은 2,983명의 노인 환자(60세 이상)로 구성되었습니다. 데이터셋에는 261건의 재발 사례(8.7%)와 2,722건의 비재발 사례가 포함되었습니다.
• 특성(Features): 예측 변수는 인구통계학적 특성(연령, 성별), 임상 상태(세균학적 확진 여부, 결핵 유형, 당뇨병·고혈압·HIV와 같은 동반 질환), 생활 방식(음주, 흡연) 등 일상적으로 수집되는 변수로 제한되었습니다.
• 전처리: 데이터는 Python(pandas)을 사용하여 처리되었습니다. 결측치는 열 최빈값(column mode)으로 대체되었습니다. 범주형 변수는 원-핫 인코딩(one-hot encoding)되었으며, 다중 값 필드는 이진 지표로 변환되었습니다.
• 불균형 처리: 클래스 불균형(8.7%의 재발률)을 해결하기 위해, 80/20 층화 분할(stratified split)을 거친 후 학습 세트에만 SMOTE(Synthetic Minority Over-sampling Technique)를 적용했습니다. 테스트 세트는 편향되지 않은 평가를 위해 자연스러운 분포를 유지했습니다.
• 모델: 네 가지 지도 학습 알고리즘을 학습시키고 비교하였습니다:
  1. 로지스틱 회귀(Logistic Regression, LR): 균형 잡힌 클래스 가중치를 적용한 L2 정규화 모델.
  2. 랜덤 포레스트(Random Forest, RF): 지니 불순도(Gini impurity)와 균형 잡힌 가중치를 사용한 100개의 결정 트리 앙상블.
  3. 서포트 벡터 머신(Support Vector Machine, SVM): 균형 잡힌 가중치를 적용한 RBF(Radial Basis Function) 커널.
  4. 심층 신경망(Deep Neural Network, DNN): 두 개의 은닉층(64개 및 32개 유닛), ReLU 활성화 함수, 드롭아웃 및 Adam 최적화를 적용한 피드포워드 네트워크.
• 평가: 모델은 홀드아웃(held-out) 테스트 세트를 사용하여 정확도(accuracy), 정밀도(precision), 재현율(recall, 민감도), F1-스코어, AUC를 통해 평가되었습니다. 가장 우수한 성능을 보인 랜덤 포레스트 모델은 안정성을 평가하기 위해 층화 5-겹 교차 검증(stratified five-fold cross-validation)을 거쳤습니다.

주요 결과
네 가지 모델 모두 높은 판별 능력을 보여주었으나, 랜덤 포레스트 알고리즘이 가장 우수한 종합 프로필을 달 achieved 했습니다:

• 성능 지표 (테스트 세트):
  • 정확도: 99.2%
  • 정밀도: 98.0%
  • 재현율: 92.3%
  • F1-스코어: 95.1%
  • AUC: 0.966
• 오류 분석: 랜덤 포레스트는 테스트 세트에서 단 1건의 위양성(false positive)과 4건의 위음성(false negative)만을 생성했습니다. 반면, 다른 모델들(SVM, DNN, LR)은 유사한 재현율에도 불구하고 10~13건의 더 높은 위양성 발생률을 보였습니다.
• 안정성: 5-겹 교차 검증을 통해 랜덤 포레스트의 안정성을 확인하였으며, 평균 정확도는 0.984(표준편차 0.005), 평균 재현율은 0.904(표준편차 0.026)였습니다.
• 특성 중요도: 랜덤 포레스트는 세균학적 상태(확진 vs 임상적 진단)를 가장 영향력 있는 예측 변수로 식별하였으며, 그 뒤를 결핵 유형(폐결핵 vs 폐외결핵), 연령, 생활 방식(음주 및 흡연)이 이었습니다.

의의 및 주장
본 논문은 지도 학습, 특히 랜덤 포레스트가 임상 워크플로우에서 일상적으로 사용 가능한 데이터만을 사용하여 고부담 지역인 가나의 노인 환자 사이에서 결핵 치료 재발을 정확하고 안정적으로 예측할 수 있다고 주장합니다.

• 임상적 유용성: 높은 정밀도는 위양성을 최소화하여 한정된 의료 자원의 과부하를 방지하는 한편, 높은 재현율은 위험도가 높은 환자를 식별하여 집중적인 추적 관찰을 보장합니다.
• 실행 가능성: 값비싼 유전체 또는 영상 바이오마커 대신 표준적인 인구통계학적, 임상적, 생활 방식 변수에 의존함으로써, 본 접근법은 자원이 제한된 저·중저소득국(LMIC) 보건 체계 내에서 확장 및 배포가 가능하다는 점을 제시합니다.
• 맞춤형 케어: 연구 결과는 차별화된 케어(예: 고위험 노인 환자를 위한 지역사회 복약 순응 지원 또는 더 빈번한 모니터링 우선순위 지정)를 안내하기 위한 데이터 기반 위험 계층화의 타당성을 뒷받침합니다.

한계점 및 향-후 방향
저자들은 본 연구가 단일 센터 설계이며 외부 검증이 부족하다는 점을 명시적으로 언급하였으며, 이는 다른 시설로의 일반화 가능성이 미지수임을 의미합니다. 보고된 높은 지표들은 잠재적인 잔여 낙관주의(residual optimism)에 대해 주의를 요합니다. 또한, 분자 생물학적 유전자형 분석의 부재로 인해 실제 재발과 외부 재감염을 구분하지 못합니다. 저자들은 임상 현장 도입 전 외부 다기관 검증 및 전향적 연구가 필수적인 다음 단계라고 결론지었습니다.