Clinical characteristics and machine learning-based prediction of postoperative enterocolitis in intestinal neuronal dysplasia: A 20-year retrospective study

당신의 몸이 북적이는 도시이고, 장(gut)이 그 도시의 주요 교통 허브라고 상상해 보세요. 보통은 기차(음식)가 정교한 교통 신호 체계인 장 신경계(enteric nervous system)의 안내를 받아 터널을 통해 매끄럽게 이동합니다. 하지만 때때로 장 신경절 이형성증(Intestinal Neuronal Dysplasia, IND)이라는 질환이 발생하면 이 신호들이 뒤섞이게 됩니다. 원활한 흐름 대신 교통 체증이 발생하여 기차가 멈춰 서게 되는 것이죠. 이것은 선로가 고장 난 것이 아니라, 제어 센터의 오류입니다. 즉, 장벽에 있는 신경 세포가 너무 많이 자라나고, 거대하고 혼란스러운 군집을 형성하며, 근육에 수축하고 물건을 이동시키라는 명령을 제대로 내리지 못하는 것입니다. 그 결과는 무엇일까요? 도시는 교통 마비 상태에 빠지며, 이는 심한 변비, 복부 팽만감, 때로는 위험한 폐쇄로 이어집니다.

의사들은 이를 해결하기 위해 흔히 '풀스루(pull-through)' 수술을 시행하는데, 이는 기본적으로 정체된 구간을 우회하도록 교통 경로를 재설정하는 것입니다. 하지만 수술 후에도 도시는 항상 안전한 것은 아닙니다. '수술 후 장병증(Postoperative Enterocolitis, POEC)'이라는 흔하고 고약한 합병증이 닥칠 수 있는데, 이는 장에 염증과 감염이 생겨 성공적인 수리가 새로운 위기로 변하게 만드는 현상입니다. 수년 동안 의사들은 어떤 환자가 이 합병증을 겪을 가능성이 높은지 알아내기 위해 노력해 왔습니다. 그들은 연령, 성별, 그리고 특정 유형의 신경 결함을 살펴보았지만, 답은 늘 모호했습니다. 바로 여기서 이 연구의 이야기가 시작됩니다. 연구진은 '머신러닝(Machine Learning)'이라는 현대적인 도구—사람의 눈으로는 놓칠 수 있는 방대한 데이터 속의 숨겨진 패턴을 찾아내는 똑똑한 탐정이라고 생각하시면 됩니다—를 사용하여, 어떤 환자가 이 문제에 직면할지 예측할 수 있는지, 그리고 그 이유가 무엇인지 알아보기로 했습니다.

탐정 이야기: 20년의 회상

중국 통지 병원(Tongji Hospital)의 연구진은 탐정 역할을 자처하며, IND 수술을 받은 84명의 어린이를 대상으로 20년(2005년부터 2025년까지)이라는 방대한 기간을 되돌아보기로 했습니다. 그들은 이 아이들이 누구인지, 현미경으로 보았을 때 장의 상태가 어떠했는지, 그리고 수술 후에 어떤 일이 일어났는지 명확한 그림을 그려보고자 했습니다.

먼저, 그들은 '용의자'들의 인구 조사를 실시했습니다. 조사 결과, 그룹은 주로 남아(약 57%)였으며, 이는 일반적인 영유아 인구 평균보다 약간 높았습니다. 즉시 큰 적신호가 포착되었습니다. 이 아이들 중 거의 절반(44%)이 저체중이었다는 점입니다. 장이 제대로 움직이지 않는 상태로 살아가는 것은 몸에 매우 소모적인 일임이 드러났습니다. 마치 무거운 배낭을 멘 채 마라톤을 하는 것과 같습니다. 아이들은 단순히 변비에 걸린 것이 아니라, 교통 체증 상태에 갇혀 있어 영양을 충분히 섭취하는 데 어려움을 겪는 경우가 많았습니다.

병리 전문의(현미경 탐정)들이 조직 샘부를 관찰했을 때, '순수' IND(신경 문제가 단독으로 존재하는 경우)는 실제로는 소수였습니다. 순수 IND를 가진 아이는 약 36%에 불과했습니다. 나머지(64%)는 '혼합형' IND를 가지고 있었는데, 이는 신경 결함이 미성숙한 신경 세포나 신경 세포 부족과 같은 추가적인 문제와 함께 나타남을 의미합니다. 이는 IND가 단독 범행이 아니라, 대개 다른 장 문제들을 동반한다는 사실을 확인시켜 주었습니다.

단서를 찾는 머신러닝의 추적

진정한 마법은 팀이 다음과 같은 질문을 던졌을 때 일어났습니다. "누가 그 지독한 수술 후 감염(POEC)을 겪을지 예측할 수 있을까?" 84명의 아이들 중 10명이 이 합병증이 발생했습니다. 연구진은 먼저 고전적인 수학적 방법을 사용하여 성별, 혈액형, 또는 수술 대기 시간 등이 차이를 만드는지 확인하며 범인을 찾으려 했습니다. 하지만 수학은 침묵했습니다. 단 하나의 명확한 결정적 증거(smoking gun)도 찾아내지 못했습니다.

그래서 그들은 강력한 투입을 결정했습니다. 머신러닝 알고리즘을 도입한 것입니다. 그들은 'XGBoost'(강력한 패턴 탐색기)와 'Random Survival Forest'(환자가 사건 없이 생존하는 시간을 관찰하는 방법)를 포함한 다섯 가지 유형의 탐정 도구를 컴퓨터에 학습시켰습니다. 그들은 어떤 도구가 미래를 가장 잘 예측할 수 있는지 확인하기 위해 101가지의 서로 다른 조합을 테스트했습니다.

결과는 매우 흥-미로웠습니다. 성별이나 수술 유형처럼 확정적인 예측 변수로 나타난 단일 요인은 없었지만, 거의 모든 모델에서 반복적으로 가장 중요한 단서로 떠오른 것이 있었습니다. 그것은 바로 영양 상태, 구체적으로는 **BMI Z-score (BMIZ)**라고 불리는 지표였습니다.

BMIZ를 아이의 연령과 성별에 맞춰 조정된 '성장 성적표'라고 생각하십시오. 컴퓨터 모델들은 일관되게 BMIZ 점수가 낮은(즉, 저체중이거나 영양실조인) 아이들이 POEC 발생 위험이 더 높다는 사실을 속삭였습니다. 이는 단순한 우연이 아니었습니다. 모델들은 영양을 핵심 변수로 계속해서 지목했습니다. 흥미롭게도, 모델들은 또한 여아와 '혼합형' IND(추가적인 신경 문제를 가진 경우)를 가진 아이들이 더 낮은 BMIZ 점수를 보이는 경м 경향이 있음을 시사했는데, 이는 그들의 신체가 더 많은 스트레스를 받고 있음을 암시합니다.

모델이 찾아내지 못한 것들

이 연구가 찾아내지 못한 점을 언급하는 것도 중요합니다. 첨단 기술을 활용한 탐정 작업에도 불구하고, 연구진은 수술을 오래 기다렸거나, 특정 혈액형을 가졌거나, 혹은 특정 신경 결합을 가진 것이 반드시 나쁜 결과를 보장한다는 것을 입증하지 못했습니다. 머신러닝 모델은 영양과의 연결 고리를 찾아내는 데는 뛰어났지만, 완벽한 수정구슬은 아니었습니다. 그들이 만든 최적의 모델은 예측의 약 63.5%만을 정확히 맞혔습니다 (AUC 0.635). 의료 예측의 세계에서 이는 추측보다는 낫지만, 아직 '해결된' 사례는 아닙니다. 저자들은 이 결과가 '탐색적' 발견임을 주의 깊게 밝히고 있습니다. 즉, 이는 강력한 힌트이지 최종적인 자연 법칙은 아니라는 뜻입니다.

시사점: 미래를 먹이다

그렇다면 이것이 현실 세계에서 무엇을 의미할까요? 이 연구는 IND를 가진 아이들에게 있어 이야기가 수술로 끝나지 않는다는 점을 시사합니다. 장의 '교통 체증'이 아이들을 배고프고 저체중 상태로 만들었을 수 있으며, 그 영양적 공백이 수술 후 감염을 허용하는 약점이 될 수 있습니다.

연구진은 "저체중이라면 반드시 병에 걸릴 것이다"라고 말하는 것이 아닙니다. 대신, 의사들이 이 아이들의 성장 차트에 각별한 주의를 기울여야 한다고 제안합니다. 만약 아이가 체중을 늘리는 데 어려움을 겪거나 BMIZ가 낮다면, 이는 수술 전후에 합병증 위험을 낮추기 위해 영양 보충이 필요하다는 신호일 수 있습니다. 이는 배관을 고치는 것(수술)이 전투의 절반일 뿐이며, 집이 충분한 연료(영양)를 갖추도록 하는 것이 도시를 원활하게 운영하는 데 똑같이 중요할 수 있다는 점을 상기시켜 줍니다.

결국, 이 20년의 회상은 마법의 탄환을 찾아내지는 못했지만, 매우 강력한 단서 하나를 찾아냈습니다. 그것은 바로 영양은 중요하다는 것입니다. 데이터를 걸러내기 위해 스마트한 컴퓨터 도구를 사용함으로써, 연구팀은 이 아이들을 잘 먹이는 것이 큰 수술 후 건강을 유지하는 데 있어 단순하면서도 강력한 방법이 될 수 있음을 강조했습니다.