Machine Learning-Based Identification of Key Predictors of Estimated Glomerular Filtration Rate in Older Taiwanese Women

기술 요약: 머신러닝 기반의 고령 대만 여성의 추정 사구체 여과율 핵심 예측 인자 식별

문제 제기
추정 사구체 여과율(eGFR)은 신장 기능을 평가하는 표준 지표이지만, 전통적으로 혈청 크레아티닌으로부터 도출된다. 이러한 의존성은 연령, 성별, 근육량, 영양 상태, 염증 및 체액 상태를 포함한 비신장적 요인에 의해 크레아티닌 수치가 영향을 받기 때문에 상당한 한계를 지닌다. 이러한 요인들은 특히 고령층에서 문제가 되는데, 노화에 따른 근감소증(골격근량 감소)이 고령 여성의 신장 기능 과대평가로 이어질 수 있기 때문이다. 이전 연구들이 eGFR을 다양한 생리학적 및 생활 방식 요인과 연결 지었으나, 기존의 선형 통계 모델은 고차원적 임상 변수들 사이의 복잡한 비선형적 상호작용을 포착하지 못하는 경우가 많다. 따라서 고급 분석 접근법을 사용하여 고령 대만 여성이라는 특정 인구 집단 내에서 eGFR의 핵심 예측 인자를 식별할 필요가 있다.

연구 방법론
본 회고적 연구는 MJ Health Database에서 추출한 65세 이상의 대만 거주 여성 1,344명의 데이터를 활용하였다. 데이터셋은 31개의 변수로 구성되었으며, 이는 1개의 종속 변수(eGFR)와 인구통계학적 특성(예: 연령, 교육 수준, 소득), 생리학적 측정치(예: 혈압, 헤모글로빈, 요산, C-반응성 단백질, 지질 프로필), 그리고 생활 방식 지표(알코올 섭취, 흡연 노출, 신체 활동, 수면 시간)를 아우르는 30개의 독립 변수를 포함한다.

생활 방식 변수는 다음과 같은 합성 지표로 정량화되었다:

• 음주 영역(Drink-area): 주간 음주 일수 × 섭취량 × 알코올 농도.
• 흡연 영역(Smoke-area): 하루 흡연량 × 주당 흡연 일수 × 흡연 연수.
• 운동 영역(Sport-area): 분(minutes) × 주당 운동 일수 × 강도 점수.

데이터 전처리는 연속형 변수에 대한 중앙값 대체(median imputation)와 범주형 변수에 대한 최빈값 대체(mode imputation)를 수행하였으며, 이후 범주형 특성에 대한 원-핫 인코딩(one-hot encoding)과 연속형 예측 변수에 대한 표준화(z-score scaling)를 진행하였다. 데이터셋은 80%의 훈련 세트와 20%의 테스트 세트로 분할되었다.

예측 성능을 비교하기 위해 다섯 가지 머신러닝 모델을 학습시켰다:

1. 선형 회귀(Linear Regression, LR): 베이스라인 역할을 수행한다.
2. 랜덤 포레스트(Random Forest, RF): 결정 트리의 앙상블 모델이다.
3. 다변량 적응형 회귀 스플라인(Multivariate Adaptive Regression Splines, MARS): 비선형성과 상호작용을 포착하면서도 해석 가능성을 유지하는 조각별 선형 기저 함수를 사용하는 비매개변수적 방법이다.
4. XGBoost(eXtreme Gradient Boosting): 고성능 그래디언트 부스팅 결정 트리 알고리즘이다.
5. 서포트 벡터 회귀(Support Vector Regression, SVR): RBF(Radial Basis Function) 커널을 사용하였다.

모델 성능은 평균 제곱근 오차(RMSE)와 결정 계수($R^2$)를 사용하여 평가되었다. 특성 중요도(Feature importance)는 가장 유의미한 예측 인자를 식별하기 위해 주로 랜덤 포레스트 모델로부터 도출되었다.

주요 결과
연구 대상자의 평균 eGFR은 68.9 ± 15.5 mL/min/1.73 m²였으며, 분포는 오른쪽으로 치우친 형태(right-skewed)를 보였고 이상치는 7에서 169 mL/min/1.73 m² 범위에 걸쳐 있었다.

• 모델 성능: XGBoost가 RMSE 9.8, $R^2$ 0.60으로 가장 높은 예측 정확도를 달성하였다. 그 뒤를 MARS(RMSE = 10.1, $R^2$ = 0.58)와 랜덤 포레스트(RMSE = 10.2, $R^2$ = 0.55)가 이었다. 두 트리 기반 앙상블 방법 모두 SVR(RMSE = 11.8, $R^2$ = 0.40)과 선형 회귀(RMSE = 12.5, $R^2$ = 0.35)보다 우수한 성능을 보였다.
• 특성 중요도: 분석 결과 연령(중요도 = 0.25)이 지배적인 예측 인자로 나타났으며, 혈청 요산(0.20), 수축기 혈압(0.15), 이완기 혈압(0.12), C-반응성 단백질(CRP)(0.10), 헤모글로빈(0.08)이 그 뒤를 이었다.
• 낮은 영향력의 변수: 사회경제적 요인(소득, 교육)과 생활 방식 변수(흡연, 음주, 신체 활동)는 예측 모델에 기여하는 바가 미미했다. 저자들은 이를 상당한 데이터 결측치(예: 소득 63.5%, 운동 영역 46.4% 결측)와 클래스 불균형(알코올 및 흡연 지표의 81~85%가 0 값) 때문인 것으로 설명하였다.

의의 및 주장
본 논문은 머신러닝, 특히 XGBoost와 MARS와 같은 트리 기반 앙상블 방법이 전통적인 선형 모델이 놓치는 임상 변수 간의 복잡한 비선형 관계를 효과적으로 포착한다고 주장한다. 본 연구는 고령 대만 여성의 경우, 신장 기능이 해당 데이터셋 내의 사회경제적 또는 생활 방식 요인보다는 연령, 요산 수치, 혈압 및 염증 상태(CRP)에 의해 주로 결정된다는 점을 강조한다.

저자들은 MARS가 '블랙박스' 모델에서 흔히 결여되는 해석 가능성을 유지하면서도, 복잡한 상호작용(예: 연령과 고요산혈증 간의 상호작용)에 대한 임상적으로 의미 있는 통찰을 제공한다는 점을 강조한다. 이러한 결과는 해석 가능한 AI 접근법이 정밀 신장학(precision nephrology) 및 임상 의사결정 지원에서 역할을 할 수 있음을 시사한다.

한계점 및 향후 방향
저자들은 인과 관계 추론을 불가능하게 하는 횡단적 설계(cross-sectional design)와 생활 방식 및 사회경제적 데이터의 상당한 결측 및 불균형을 포함한 몇 가지 한계를 인정하며, 이는 일반화 가능성을 제한할 수 있다. 또한 eGFR의 왜곡된 분포과 이상치의 존재가 회귀 분석에 어려움을 준다는 점을 언급하였다.

저자들이 제안한 향후 연구에는 종단적 데이터의 통합, 생활 방식 데이터의 완전성 개선, 그리고 고위험 하위 그룹의 클래스 불균형을 해결하기 위해 SMOTE와 같은 기법을 활용한 분류 기반 접근법(예: CKD와 비-CKD 구분)의 탐색이 포함된다. 또한 본 연구는 앙상블 머신러닝을 설명 가능한 AI(XAI) 기술과 결합하여 임상적 적용 가능성을 더욱 높일 수 있는 잠재력을 시사한다.