Stable redundancy and variable ranking of metabolic surrogate indicators for incident ischemic heart disease

당신의 몸을 에너지는(당)과 연료(지방)가 끊임없이 배달되고, 사용되고, 저장되는 북적이는 도시라고 상상해 보세요. 때때로 교통 체증이 발생하거나 배달 트럭이 갇혀서 파이프에 "찌꺼기"가 쌓이기도 합니다. 의학계에서 의사들은 이러한 교통 체증을 확인하기 위해 정기적인 혈액 검사를 사용합니다. 그들은 혈액 속에 당이 얼마나 있는지, 지방(중성지방)이 얼마나 떠다니는지, 그리고 "좋은" 지방(HDL)이 얼마나 있는지 등을 살펴봅니다. 이 숫자들을 이해하기 위해 과학자들은 "대리 지표(surrogate indicators)"를 발명했습니다. 이는 이 숫자들을 조합하여 하나의 점수로 만드는 영리한 수학 공식입니다. 이 공식들은 마치 당신의 휴대폰에 있는 서로 다른 날씨 예측 앱들과 같습니다. 어떤 앱은 풍속을 사용하고, 어떤 앱은 습도와 기압을 사용합니다. 비록 그들이 사용하는 기본 데이터의 조합은 다르지만, 종종 매우 유사한 예보를 제공합니다.

큰 질문은 이것입니다: 어떤 앱이 가장 좋은가? 만약 한 앱은 "맑음"이라고 하고 다른 앱은 "폭풍우"라고 한다면, 당신은 누구를 믿어야 할까요? 그리고 더 중요한 것은, 만약 어떤 앱이 당신의 동네에서는 완벽하게 작동한다면, 당신이 다른 도시로 이사를 가더라도 여전히 잘 작동할까요? 이것이 바로 연구자들이 새로운 연구에서 다룬 퍼즐입니다. 그들은 이 대사적 "날씨 앱"들이 정말로 심장 질and를 예측하는 데 우수한 도구인지, 아니면 그저 똑같은 말을 화려하게 반복하고 있는 것뿐인지 알고 싶어 했습니다. 또한, 단순하고 간결한 공식이 그 공식을 만드는 데 사용된 "원재료(개별 혈액 수치)"를 단순히 살펴보는 것보다 실제로 더 나은 역할을 할 수 있는지도 확인하고 싶었습니다.

---

위대한 대사 점수 대결

이 연구에서 연구진은 가수들을 평가하는 오디션 프로그램의 심사위원단처럼 행동했습니다. 하지만 가수 대신 그들은 열 가지의 서로 다른 "대사 공식"을 평가했습니다. 이 공식들은 허혈성 심장 질환(심장에 혈액이 충분히 공급되지 않아 흔히 심근경색이나 협심증으로 이어지는 상태)의 발생 위험을 예측하도록 설계되었습니다. 연구진은 단 한 그룹의 사람들만 본 것이 아니라, 영국(ELSA)과 미국(HRS)에서 진행된 두 개의 거대하고 장기적인 연구 데이터를 사용했습니다. 그들은 영국 데이터를 모델을 구축하기 위한 "훈련 캠프"로 사용한 다음, 동일한 모델을 미국으로 보내 완전히 다른 집단에서도 잘 작동하는지 확인했습니다. 이것은 새로운 비디오 게임 전략을 연습용 서버에서 테스트한 다음, 다른 나라의 실제 상대들과 플레이할 때도 여전히 통하는지 확인하는 것과 같습니다.

연구진은 중성지방과 포도당을 혼합한 TyG 지수와 중성지방과 HDL을 혼합한 AIP(혈장 아테로제닉 지수)와 같은 인기 있는 공식들을 포함하여 열 가지의 서로 다른 공식을 비교했습니다. 그들은 이 공식들을 연령, 성별, 흡연 상태, 혈압과 같은 기본적인 사실들을 이미 사용하는 표준 "임상 모델"과 맞붙였습니다.

결과: 공동 1위?

반전이 있습니다: 단 하나의 공식도 전체 토너먼트에서 승리하지 못했습니다.

• "올라운더(All-Rounder)": AIP 공식이 전체 순위에서 1위를 차지했습니다. 이 공식은 심장 질환을 예측하는 능력과 표준 임상 모델에 새로운 정보를 추가하는 능력 사이에서 최고의 균형을 보여주었습니다. 만약 당신이 전체 점수를 기준으로 단 하나의 "챔피언"을 뽑아야 한다면, 그것은 AIP였습니다. 이 공식이 어떤 상황에서도 절대적으로 최고일 확률은 **39.4%**였습니다.
• "여행가(Traveler)": 하지만 TyG 지수는 가장 신뢰할 수 있는 여행자였습니다. 전체 타이틀을 차지하지는 못했지만, 연구진이 영국의 데이터를 미국의 데이터로 옮겼을 때 가장 일관되게 성능을 보였습니다. 이 지수는 위치 변화에 혼란을 느끼지 않았습니다.
• "원재료" 테스트: 연구진은 또한 결정적인 질문을 던졌습니다: 이 숫자들을 화려한 공식으로 섞는 것이 실제로 도움이 되는가, 아니면 원재료(중성지방, 포도당, HDL)를 따로 보는 것과 마찬가지인가? 그들은 오직 원재료만을 사용한 "상한선 모델(upper-bound models)"을 구축했습니다. 결과는 어땠을까요? 어떤 화려한 공식도 원재료를 일관되게 능가하지 못했습니다. 사실, 공식들은 단순히 개별 부분을 살펴보는 것과 비슷하게 우수했을 뿐, 결코 유의미하게 더 낫지는 않았습니다.

"날씨 앱" 비유

이 공식들을 폭풍을 묘사하는 서로 다른 방법이라고 생각해보세요.

• AIP는 "습도가 높고 바람이 불고 있기 때문에 비가 올 것이다"라고 말하는 날씨 앱과 같습니다.
• TyG는 또 다른 앱으로, "기온이 떨어지고 기압이 낮아지기 때문에 비가 올 것이다"라고 말합니다.
• 원재료는 그냥 가공되지 않은 데이터입니다: "습도 90%, 풍속 20mph, 기온 50°F".

연구진은 이 모든 앱이 사실 동일한 날씨 데이터를 사용하고 있기 때문에 똑같은 말을 하고 있다는 것을 발견했습니다. 이 공식들은 서로 높은 상관관관계를 가지고 있습니다. 즉, 새 떼처럼 함께 움직입니다. 하지만 여기에는 함정이 있습니다. 함께 움직인다고 해서 미래를 예측하는 능력이 모두 동일하게 뛰어난 것은 아닙니다. 한 도시(영국)에서는 AIP가 최고의 예측 도구일 수 있습니다. 다른 도시(미국)에서는 TyG가 더 잘 버틸 수 있습니다. 하지만 둘 다 마법의 수정구슬은 아닙니다.

얼마나 더 나은가?

연구진은 이 공식들이 표준 임상 모델과 비교하여 심장 질환 예측력을 얼마나 향상시켰는지 측정했습니다. 그 이득은 이미 양념이 잘 된 요리에 아주 약간의 향신료를 더하는 것처럼 놀라울 정도로 미미했습니다.

• 영국 검증 과정에서, 최고의 공식들을 추가했을 때 예측 정확도는 1퍼센트 포인트 미만으로 향상되었습니다 (상위 세 가지 공식의 경우 각각 +0.87, +0.6 de, +0.44 퍼센트 포인트).
• 미국 검증 과정에서도 향상 폭은 +0.64에서 +1.44 퍼센트 포인트 사이로 작았습니다.

또한, 연구진이 영국 모델을 사용하여 미국의 결과를 예측하려고 했을 때, "보정(calibration, 예측된 위험이 실제 위험과 얼마나 잘 일치하는지)"이 완벽하지 않았습니다. 미국의 예측값은 다소 극단적이었습니다. 이는 이 공식들이 방향은 제대로 가리키고 있을지 몰라도, 주의 깊은 조정 없이는 생사가 걸린 의료 결정을 내리기 위한 독립적인 도구로 사용될 준비가 되지 않았음을 시사합니다.

결론

이 연구는 이러한 대사 공식들이 **안정적인 중복성(stable redundancies)**을 가지고 있다고 결 결론짓습니다. 이는 구조적으로 매우 유사하다는 것(모두 동일한 재료를 사용함)을 의미하지만, 누가 "최고"인지에 대한 순위는 어디서, 언제 테스트하느냐에 따라 달라진다는 것을 뜻합니다.

• AIP는 이 특정 설정에서 심장 질환을 예측하는 데 가장 강력한 후보입니다.
• TyG는 서로 다른 인구 집단 사이를 이동할 때 가장 일관성이 있습니다.
• 어떤 공식도 그것을 구성하는 원시 혈액 검사보다 본질적으로 더 나은 "슈퍼 바이오마커"는 아닙니다.

연구진은 우리가 이 공식들을 서로 대체 가능한 마법 같은 바이오마커로 취급하는 것을 멈춰야 한다고 제안합니다. 대신, 우리는 이를 압축된 요약본—즉, 당신의 지질과 당에 대한 기존 정보를 하나의 숫자로 패키징하는 편리한 방법으로 보아야 합니다. 이들은 공유된 대사 정보를 요약하는 데는 유용하지만, 개별 혈액 검사가 이미 알려준 것 이상의 새로운 비밀을 밝혀내지는 못합니다. 경주에서 "승자"가 누구인지는 전적으로 그들이 달리는 트랙에 달려 있으며, 현재로서는 원재료가 화려한 레시피만큼이나 강력합니다.