Predicting malnutrition in colorectal cancer: a systematic review of risk prediction models

대장과 직장에 영향을 미치는 질병인 대장암은 전 세계적으로 가장 흔하고 심각한 건강 과제 중 하나로 남아 있습니다. 이 질환을 겪는 환자들에게는 숨겨진, 그러나 매우 중요한 동반자가 종종 나타나곤 합니다. 바로 영양실조입니다. 이 상태는 단순히 체중이 적게 나가는 것만을 의미하지 않습니다. 이는 신체가 조직을 복구하고, 감염과 싸우며, 치료의 고통을 견뎌내는 데 필요한 필수 영양소를 결핍하게 되는 복잡한 상태를 말합니다. 대장암 환자가 영양실조 상태가 되면 그 결과는 매우 심각합니다. 이들은 수술 후 감염 위험이 높아지고, 입원 기간이 길어지며, 항암 치료를 견디는 능력이 저하됩니다. 이러한 이유로 의료진, 특히 환자의 상태 악화를 가장 먼저 알아차리는 경우가 많은 간호사들은 환자가 위험에 처하기 전에 이를 포착할 수 있는 신뢰할 수 있는 방법이 필요합니다. 목표는 신체의 예비력이 고갈되기 전에 취약한 환자를 조기에 식별하여 도움을 주는 것입니다.

수년 동안 연구자들은 어떤 환자가 이 위험한 상태에 빠질지 예측하기 위한 수학적 도구를 구축하려고 노력해 왔습니다. 예측 모델이라고 불리는 이 도구들은 연령, 종양 크기, 혈액 검사 결과, 신체 능력 등 다양한 요소를 가중치로 두어 위험 점수를 계산하는 체크리스트와 같습니다. 희망적인 것은 간호사가 이러한 도구를 사용하여 즉각적인 영양 지원이 필요한 환자를 즉시 표시할 수 있게 하는 것이었습니다. 하지만 이러한 도구들의 지형은 혼란스러웠습니다. 어떤 모델은 실제 영양실조 상태가 아니라 생존율이나 특정 혈액 지표와 같은 다른 것을 예측했습니다. 또한 어떤 모델은 무엇을 '영양실조'로 간주할지에 대한 정의를 다르게 사용하여 공정하게 비교하는 것을 불가능하게 만들었습니다. 이러한 혼란을 타파하기 위해 중국과 미국의 대학 및 병원 연구진은 이 주제에 관한 모든 가용 연구를 수집하여 비판적인 시각으로 검토하기로 했습니다.

연구진은 2026년 5월 1일까지 발표된 연구들을 조사하기 위해 8개의 주요 과학 데이터베이스를 통해 포괄적인 검색을 수행했습니다. 그들은 대장암 성인 환자의 영양실조 또는 영양 위험을 예측하는 모델을 구축한 모든 연구를 찾는 데 폭넓은 그물을 던졌습니다. 그들은 포함 기준을 엄격히 적용했습니다. 모델은 단순히 단일 혈액 검사 결과나 환자의 예상 생존 기간에 의존하는 것이 아니라, 공인된 의학적 기준에 의해 정의된 영양실조의 임상적 실태에 초점을 맞춰야 했습니다. 수천 개의 기록을 거르고 중복되거나 관련 없는 논문을 제거한 끝에, 그들은 기준을 충족하는 13개의 연구를 찾아냈습니다. 이 연구들은 진단 초기 단계부터 수술 회복기 또는 항암 치료를 받는 환자에 이르기까지 총 수천 명의 환자를 대상으로 했습니다.

연구진이 이 13개의 모델을 분석했을 때, 서류상으로는 꽤 유망해 보였습니다. 모델들은 위험군 환자와 그렇지 않은 환자를 높은 정확도로 구별해 낼 수 있었습니다. 통계학적 용어로 말하자면, 두 집단을 구분하는 능력은 양호한 수준에서 우수한 수준까지 나타났습니다. 연구진은 일부 모델이 AUC 0.88을 기록하며 위험 환자를 정확하게 식별해 냈으며, 초기 테스트에서 훨씬 더 정밀한 모델도 있었다고 언급했습니다. 이 도구들은 단순한 방정식부터 복잡한 컴퓨터 알고리즘에 이르기까지 다양한 방법을 사용하여 예측을 수행했습니다. 이들은 환자의 연령, 체질량 지수, 암의 병기, 헤모글로빈 수치, 일상 활동 수행 능력과 같은 흔한 단서들에 의존했습니다. 일부 모델은 특정 영양 스크리닝 점수나 소득, 단백질 섭취량과 같은 요인들도 살펴보았습니다.

그러나 이야기는 연구진이 모델이 어떻게 구축되고 테스트되었는지 더 깊이 들여다보았을 때 반전되었습니다. 표면적인 수치는 인상적이었음에도 불구하고, 연구진은 13개 모델 모두 설계와 보고 방식에서 심각한 결함을 발견했습니다. 주요 문제는 모델들이 새롭고 다른 집단의 사람들을 대상으로 테스트되지 않았다는 점이었습니다. 대부분은 동일한 환자 집단에서 구축되고 테스트되었는데, 이는 마치 학생이 연습 시험을 치른 직후에 바로 똑같은 시험을 보는 것과 같습니다. 이러한 접근 방식은 도구가 얼마나 잘 작동하는지에 대해 지나치게 낙관적인 전망을 낳는 경우가 많습니다. 연구진은 연구들이 누락된 데이터를 어떻게 처리했는지, 어떤 요인을 포함할지 어떻게 결정했는지, 혹은 모델이 '오버피팅(overfitting, 과적합)'—즉, 일반적인 규칙을 배우는 대신 훈련 데이터의 특정 세부 사항을 암기하는 현상—에 취약한지 여부를 설명하지 못했다는 점을 발견했습니다. 이러한 문제들 때문에 연구진은 이 모델들이 실제 병원에서 환자 진료 결정을 내리는 데 사용될 준비가 아직 되지 않았다고 결론지었습니다.

또한 이번 검토는 연구의 다양성 부족을 강조했습니다. 거의 모든 연구가 중국에서 수행되었으며, 미국에서의 연구는 단 하나뿐이었습니다. 이는 도구들이 특정 식이 습관, 의료 체계, 유전적 배경을 가진 특정 인구 집단의 데이터를 기반으로 구축되었음을 의미합니다. 한 지역에서 잘 작동하는 모델이 다른 지역에서는 전혀 작동하지 않을 수도 있습니다. 더욱이, 영양실조의 정의가 연구마다 약간씩 달랐는데, 어떤 연구는 한 세트의 기준을 사용하고 다른 연구는 다른 세트를 사용했습니다. 연구진이 임상적으로 정의된 영양실조로 초점을 좁히기는 했지만, 이러한 차이는 결과를 하나의 통합된 그림으로 결합하는 것을 여전히 어렵게 만들었습니다. 연구진은 최신 모델들에서 머신러닝과 인공지능이 사용되고 있음에도 불구하고, 이러한 고급 기술들이 부실한 연구 설계나 외부 테스트 부족이라는 근본적인 문제를 해결하지 못했다고 지적했습니다.

이 검토의 최종 메시지는 신중한 낙관론과 엄격함에 대한 촉구입니다. 기존 모델들은 대장암 환자의 영양 위험을 예측하는 것이 가능하다는 것을 보여주며, 초기 결과는 고무적입니다. 그러나 환자의 침상 곁에서 간호사가 확신을 가지고 사용할 수 있는 도구로 가는 길은 아직 완성되지 않았습니다. 연구진은 이 모델들을 완성된 제품이라기보다 예비적인 아이디어로 간로 보아야 한다고 강조합니다. 이 모델들이 임상적 결정을 안내할 만큼 신뢰받기 위해서는, 다양한 병원과 국가의 크고 다양한 환자 집단을 대상으로 테스트되어야 합니다. 향-후 연구들은 모델이 실제 세상에서 작동함을 증명하기 위해 새로운 사람들을 대상으로 테스트하도록 더욱 세심하게 설계되어야 합니다. 그전까지 최선의 접근 방식은 의료진이 전문적인 판단과 확립된 스크리닝 방법을 사용하는 것이며, 이 새로운 도구들을 즉각적인 해결책이라기보다는 미래의 잠재적 보조 도구로서 염두에 두는 것입니다. 과정은 아직 끝나지 않았지만, 이 체계적 문헌 고찰은 이 분야가 현재 어디에 와 있는지, 그리고 이러한 유망한 계산들을 생명을 구하는 케어로 바꾸기 위해 다음 단계로 무엇을 해야 하는지에 대한 명확한 지도를 제공했습니다.