Interpretable Machine Learning Enables Preoperative Physiologic Risk Stratification for Dysphagia After Anti-Reflux Surgery

당신의 식도를 입에서 위로 음식을 전달하는 바쁜 일방통행 고속도로라고 상상해 보세요. 역류성 식도염을 치료하기 위해 수술(예를 들어 고속도로 끝에 새로운 문을 설치하는 것)을 받은 후에는, 때때로 도로가 너무 울퉁불퉁해지거나 문이 끼어버려 삼키는 것이 어려워질 수 있습니다. 이것을 '연하곤란(dysphagia)'이라고 부릅니다. 오랫동안 의사들은 누가 이 새로운 도로에서 막힐지 예측하기 위해 단서들을 추측해야만 했습니다. 그들은 근육이 얼마나 강한지 또는 산이 얼마나 많은지와 같은 단일한 단서들을 살펴보았지만, 이러한 단서들은 전체 이야기를 들려주지 못하는 경우가 많았습니다.

이 연구에서 와일 코넬 의과대학(Weill Cornell Medicine)의 연구진은 단순히 추측하는 것을 멈추고 대신 아주 똑똑한 탐정 시스템을 구축하기로 했습니다. 그들은 이미 이 수술을 받은 428명의 환자 데이터를 수집했습니다. 이 환자들을 새로운 AI 탐정을 가르치기 위한 훈련 과정의 학생들이라고 생각해보세요. 연구진은 이 학급을 나누었습니다. 362명의 학생은 탐정을 가르치는 데 도움을 주었고, 66명의 학생은 도움 없이 탐정이 스스로 미스터리를 해결할 수 있는지 테스트하기 위해 별도의 방에 격리되었습니다.

이 탐정은 단 한 가지만을 보지 않았습니다. 대신, 그것은 '다중 모드(multimodal)' 접근 방식을 사용했는데, 이는 마치 탐정이 돋보기, 지문 키트, 그리고 거짓말 탐지기를 동시에 사용하는 것과 같습니다. 탐정은 다음을 결합했습니다:

• 고해상도 내압 검사(High-resolution manometry): 식도가 얼마나 강하게 수축하는지를 측정하는 검사입니다 (자동차의 엔진 출력을 점검하는 것과 같습니다).
• EndoFLIP: 식도와 위 사이의 접합부가 얼마나 잘 늘어나는지를 측정하는 검사입니다 (고무줄이 너무 팽팽한지 확인하는 것과 같습니다).
• Bravo pH 모니터링: 산이 식도에 얼마나 오래 머무르는지를 추적하는 검사입니다 (새는 수도꼭지에서 물이 얼마나 오랫동안 뚝뚝 떨어지는지 시간을 재는 것과 같습니다).
• 증상 점수(Symptom scores): 환자가 스스로 느끼는 삶의 질에 관한 것입니다.

위대한 발견은 무엇이었을까요? 단서들을 하나씩 따로 보는 것만으로는 충분하지 않았다는 점입니다. 진짜 마법은 AI가 그 단서들이 서로 어떻게 '대화'하는지를 보았을 때 일어났습니다. 이것은 자동차가 시동이 걸리지 않는 이유가 단순히 배터리가 약해서가 아니라, 약한 배터리에 추운 날씨, 그리고 오래된 엔진 오일이 더해져 완벽한 폭풍을 만들어냈기 때문이라는 것을 깨닫는 것과 같습니다. AI는 역류 부담, 체질량 지수(BMI), 그리고 근력이 어떻게 복잡한 패턴을 만드는지를 찾아냈습니다.

이 탐정 작업(detective work)을 사용하여, 팀은 '위험 점수(risk score)'를 구축했습니다. 다양한 요인들에 점수를 부여하는 간단한 게임을 상상해 보세요. 만약 당신에게 높은 역류 수치, 높은 BMI, 그리고 약한 근력이 있다면, 당신은 높은 점수를 받게 되며, 이는 삼키는 데 문제가 생길 '고위험' 구역에 있다는 것을 의미합니다. 만약 점수가 낮다면, 당신은 '저위험' 구역에 있는 것입니다.

그들이 이 점수를 별도의 방에 있던 66명의 학생들에게 테스트했을 때, 완벽하지는 않았지만 꽤 잘 작동했습니다. 첫 번째 그룹인 362명 중에서 AI는 슈퍼스타였으며, 80.9%의 확률로 정답을 맞혔고, 실제로 삼킴 문제를 겪는 사람들의 86.2%를 잡아냈습니다. 두 번째 그룹인 66명에서는 성능이 다소 떨어졌지만(새로운 사람들을 대상으로 테스트할 때 흔히 발생하는 현상입니다), 여전히 균형 잡힌 정확도 68.7%로 사람들을 고위험군과 저위험군으로 분류해 냈습니다.

이 논문은 이 점수가 방대한 양의 복잡한 데이터를 의사가 즉시 사용할 수 있는 간단한 숫자로 바꾸어 주기 때문에 강력한 도구라고 제안합니다. 하지만 저자들은 이것이 시작일 뿐이라는 점을 주의 깊게 언급합니다. 그들은 이것이 단일 센터 연구(한 병원)이므로, 이 점수가 모든 사람에게 적용되는지 확인하기 위해 더 많은 곳에서 테스트되어야 한다고 언급했습니다. 그들은 아직 이 점수가 환자의 결과를 변화시킨다는 것을 증명한 것이 아니라, 단지 수학적으로 작동하며 점수가 고위험 환자와 저위험 환자를 구분할 수 있다는 것을 보여주었을 뿐입니다.

모두가 이해하기 쉽게 만들기 위해, 연구진은 단순히 컴퓨터 실험실에만 머물지 않았습니다. 그들은 자신들의 발견을 무료 오픈 소스 웹 계산기로 만들었습니다. 의사들은 환자의 수치를 입력할 수 있고, 계산기는 개인별 위험 추정치를 제공합니다. 이것은 마법이 아니라 실제 데이터와 스마트한 수학을 기반으로 구축된, 수술 전에 외과의와 환자가 더 나은 대화를 나눌 수 있도록 돕는 '수정구슬'과 같습니다.

이 연구는 단 하나의 검사(예를 들어 근력이나 산 수치 중 하나)만 보는 것이 미래를 예측하기에 충분하다는 기존의 사고방식에 명시적으로 반대합니다. 데이터는 이러한 요인들이 복잡한 방식으로 상호작용한다는 것을 보여주며, 이러한 상호작용을 무시하면 예측을 놓치게 된다는 것을 보여줍니다.

따라서, 이것이 만능 해결책이나 모든 위험을 없애주는 마법 지팡이는 아닐지라도, 매우 중요한 진전입니다. 이는 환자의 식도에 관한 전체 이야기를 듣는 것이 단 하나의 장(chapter)만을 보는 것보다 누가 수술 후 어려움을 겪을지 더 잘 예측할 수 있음을 시사합니다. 저자들은 이 도구가 더 개인화된 케어로 이어지기를 희 바라지만, 그 효능을 전반적으로 확인하기 위해서는 더 많은 테스트가 필요하다는 점을 강조하고 있습니다.