Comparative Validation of ASCVD, Framingham Risk Score, Globorisk, and PREVENT for 10-Year Cardiovascular Risk Prediction in the UK Biobank

기술적 요약: UK Biobank 내 ASCVD, Framingham Risk Score, Globorisk 및 PREVENT의 비교 검증

문제 제정
심혈관 질환(CVD)은 전 세계 사망의 주요 원인으로 남아 있으며, 효과적인 1차 예방을 위해 정확한 위험 예측 모델이 필수적이다. ASCVD(Atherosclerotic Cardiovascular Disease) pooled cohort equations, Framingham Risk Score(FRS), Globorisk, 그리고 최근 도입된 PREVENT 모델을 포함하여 여러 모델이 존재하지만, 이들의 성능은 다양한 인구 집단에 따라 크게 달라진다. 전통적인 모델들은 종종 정적인 기초 변수에 의존하며, 현대의 다양한 코호트에 잘 일반화되지 않을 수 있다. 특히, 인구 통계적 그룹(여성 및 고령층 등) 간의 예측 성능 차이와, 최신 PREVENT 모델을 포함하여 대규모 UK 코호트 내에서 이루어진 체계적인 4방향 비교 연구의 부재는 현재의 증거 공백을 나타낸다. 본 연구는 임상적 의사결정을 돕기 위해 동일한 현대적 UK 인구 집단 내에서 이 네 가지 모델의 변별력, 교정(calibration), 그리고 임상적 유용성을 평가하는 필요성을 다룬다.

연구 방법론
본 연구는 대규모 인구 기반 코호트인 UK Biobank 데이터를 활용하였다. 분석 코호트는 기저 시점에 심혈관 질환이 없는 40~69세 참가자 183,124명으로 구성되었다. 참가자들은 최대 10년 동안 추적 관찰되었으며, ICD-10 코드로 정의된 사건(치명적 및 비치명적 심근경색 및 뇌졸중)을 식별하였다.

네 가지 위험 예측 모델이 다음과 같은 기초 임상 변수를 사용하여 적용되었다:

1. ASCVD (2013 ACC/AHA): 연령, 성별, 수축기 혈압, 총 콜레스테롤 및 HDL 콜레스테롤, 당뇨병, 흡연, 혈압 치료 여부를 포함하는 성별 및 인종 특화 방정식을 사용한다.
2. FRS (2008 General CVD): 인종 조정 없이 ASCVD와 유사한 변수를 사용하는 성별 특화 Weibull 생존 모델을 사용한다.
3. Globorisk: 국가별 질병 발생률을 조정하기 위해 UK 특화 교정 계수를 적용하였다.
4. PREVENT (2023 AHA): 신장 기능(eGFR) 및 스타틴 사용을 포함한 추가적인 대사 파라미터를 통합한다.

모델 성능은 다음을 통해 엄격하게 평가되었다:

• 변별력(Discrimination): ROC 분석 및 95% 신뢰 구간을 포함한 곡선 아래 면적(AUC).
• 교정(Calibration): 위험 분위별 관찰된 사건율과 평균 예측 확률의 비교.
• 분류 지표(Classification Metrics): Youden Index에 의해 결정된 최적 임계값에서의 민감도, 특이도, 양성 예측도(PPV) 및 음성 예측도(NPV).
• 임상적 유용성(Clinical Utility): 결정 곡선 분석(DCA)을 통해 결정 임계값(1%–50%) 전반에 걸친 순 임상 이득(net clinical benefit) 평가.
• 재분류(Reclassification): 7.5% 임계값에서의 순 재분류 개선도(NRI).
• 층화 분석(Stratification): 성별 및 연령대(중년층 ≤59세 vs. 고령층 >59세)로 층화하여 분석.

주요 결과

• 전반적 성능: 10년 추적 관찰 기간 동안 10,560건의 발생 사건(발생률 5.8%)이 기록되었다. ASCVD가 가장 우수한 전반적 변별력(AUC = 0.717)을 보였으며, FRS(AUC = 0.715)가 그 뒤를 바짝 쫓았다. PREVENT는 중간 정도의 성능(AUC = 0.668)을 보였고, Globorisk는 가장 낮은 변별력(AUC = 0.605)을 나타냈다.
• 교정(Calibration): ASCVD가 위험 층위 전반에서 가장 우수한 교정 성능을 보였다. FRS는 특히 중등도 및 고위험 수준에서 위험을 체계적으로 과소평가했다. PREVENT는 중간 단계에서 위험을 과대평가했으며, Globorisk는 높은 위험 임계값에서 점진적으로 괴리가 발생했다.
• 성별 층화 결과: 여성의 경우, ASCVD(AUC = 0.709)와 PREVENT(AUC = 0.701)가 유사한 성능을 보였으나, PREVENT가 더 높은 민감도(ASCVD의 38.2% 대비 66.5%)를 나타냈다. 남성의 경우, 모든 모델의 AUC가 더 낮았으며(0.647–0.677), FRS가 가장 높은 민감도를 보였으나 가장 낮은 특이도(32.4%)를 나타냈다.
• 연령 층화 결과: 모든 모델에서 고령층(>59세)의 변별력 성능이 유의하게 저하되었다. ASCVD와 FRS는 AUC 약 0.65로 떨어졌으며, Globorisk는 무작위 예측에 가까운 수준(AUC = 0.527)에 도달했다.
• 임상적 유용성 (DCA): ASCVD는 임상적으로 유의한 넓은 범위의 임계값(약 5–20%)에서 가장 높은 순 임상 이득을 제공했다. FRS는 중간 임계값(8–25%)에서 음(-)의 순 이득을 보였으며, 이는 해당 범위에서 적용 시 잠재적 위해가 있을 수 있음을 시사한다.
• 재분류 (NRI): 7.5% 임계값에서 단일 모델이 다른 모델들에 대해 일관된 양(+)의 전체 NRI를 입증하지는 못했다. 그러나 PREVENT는 FRS 대비 양(+)의 Nonevent NRI를 보여, 저위험군을 하향 재분류하는 데 더 나은 성능을 보였다.

주요 기여
본 연구는 동일한 대규모 현대적 UK 코호트 내에서 주요 CVD 위험 모델에 대한 체계적인 4방향 비교 검증을 제공한다. 주요 기여는 다음과 같다:

1. 직접 비교: 동일한 데이터와 결과 정의를 사용하여 ASCVD, FRS, Globorisk 및 새로 도입된 PREVENT 모델을 동시에 비교한 첫 번째 연구이다.
2. 포괄적 평가: 본 분석은 표준적인 변별력 지표(AUC)를 넘어 결정 곡선 분석과 순 재분류 개선도를 포함함으로써 임상적 유용성과 재분류 능력에 대한 더 미묘한 관점을 제공한다.
3. 하위 그룹 통찰: 본 연구는 모델의 정확도가 고령층에서 감소한다는 점과 성별에 따른 성능 프로파일의 차이를 강조함으로써, 이러한 모델들의 "일률적(one-size-fits-all)" 적용에 의문을 제기한다.
4. 모델 선택을 위한 근거: 본 연구의 결과는 UK 인구 집단에서 10년 CVD 위험 층화를 위해 ASCVD와 FRS를 지속적으로 사용하는 것에 대한 경험적 근거를 제공하는 동시에, Globorisk의 한계와 PREVENT의 중간 정도의 성능을 확인한다.

의의 및 주장
저자들은 ASCVD와 FRS가 현대적 UK 코호트에서 10년 CVD 위험 예측을 위한 가장 신뢰할 수 있는 도구로 남아 있다고 주장하며, 특히 ASCVD가 우수한 교정 및 순 임상 이득을 보인다고 주장한다. 본 연구는 PREVENT가 고위험 여성 식별 및 저위험군 재분류 측면에서 유망함을 보여주지만, 이 인구 집단 내 전체적인 변별력 측면에서 아직 기존 모델들을 능가하지는 못한다는 점을 강조한다.

결정적으로, 본 논문은 59세 이상의 성인에게서 나타나는 상당한 모델 성능 저하가 고령 인구에서 정적인 기초 변수 모델의 한계를 드러낸다는 점을 강조한다. 저자들은 미래의 위험 프레임워크가 정확도를 높이기 위해 역동적인 위험 요인, 종단적 데이터, 그리고 인구 특화된 교정을 통합해야 한다고 결론짓는다. 또한, 본 연구는 실제 임상적 유용성을 더 잘 평가하기 위해 결정 곡선 분석을 임상 예측 모델 보고의 표준 구성 요소로 포함할 것을 권고한다.