An algorithmic process to develop clinical practice guideline recommendations based on meta-analyses of the relevant evidence

당신이 미스터리를 풀려는 탐정이라고 상상해 보세요. "이 특정 치료법이 실제로 환자의 회복을 돕는가?"라는 미스터리 말입니다. 물리치료의 세계에서 이것은 단순히 추측하는 문제가 아닙니다. 이것은 **임상 진료 지침(CPGs)**을 구축하는 일입니다. 이 지침들을 사람들이 회복하는 데 가장 좋은 방법을 결정하기 위해 물리치료사들이 사용하는 궁극적인 규칙이나 지도라고 생각하십시오. 좋은 지도를 만들기 위해서는 모든 단서(과학적 연구)를 살펴보고 그것들이 함께 무엇을 의미하는지 파악해야 합니다.

보통 과학자들은 이 단서들을 결합하기 위해 **메타 분석(meta-analysis)**이라는 방법을 사용합니다. 백 명의 서로 다른 사람들이 특정 여정에 얼마나 시간이 걸렸는지 말하고 있다고 상상해 보세요. 어떤 사람은 10분, 어떤 사람은 12분, 어떤 사람은 8분이라고 말합니다. 메타 분석은 단순히 "10분"이라고 말한 사람이 몇 명인지 세는 것(이는 오해의 소지가 있습니다)이 아니라, 각 보고가 해당 그룹에 속한 인원수와 그 이야기가 얼마나 신뢰할 수 있는지에 따라 가중치를 두어 하나의 정밀한 평균 답을 찾아내는 똑똑한 계산기입니다. 큰 문제는 이 "슈퍼 계산기"가 진실을 찾는 황금 표준임에도 불구하고, 대부분의 물리치료 규칙들은 이를 무시해 왔다는 점입니다. 대신 그들은 "예"라고 말한 연구가 "아니오"라고 말한 연구보다 많은지를 따지는 "투표 집계(vote-counting)" 방식에 의존해 왔습니다. 이는 마치 "예"라고 말한 사람들이 어둠 속에 서 있었더라도, 더 많은 사람이 "맑음"이라고 말했기 때문에 날씨가 맑다고 결정하는 것과 같습니다. 이 논문은 이러한 규칙을 만드는 과정에서의 지저고 주관적인 부분을 다루며, 인간의 추측을 명확하고 단계적인 알고리즘으로 대체하고자 합니다.

---

알고리즘: 단서를 규칙집으로 바꾸는 법

이 논문은 추측을 멈추고 계산을 시작하기로 결심한 물리치료 전문가 팀을 위한 "방법론" 설명서입니다. 그들은 뇌졸중 후 다시 걷는 것을 돕기 위한 새로운, 매우 신뢰할 수 있는 규칙을 만드는 방법을 원했습니다. 전문가 그룹이 모여 앉아 무엇이 "좋은 것 같이 느껴지는지"에 대해 논쟁하게 두는 대신, 그들은 원시 숫자(raw numbers)를 "슈퍼 계산기"(메타 분석)로부터 가져와 명확한 권고안을 내놓는 의사결정 기계(알고리즘)를 구축했습니다.

그들의 새로운 시스템이 작동하는 단계별 과정은 다음과 같습니다.

1. 증거 수집 및 가짜 판별
먼저, 그들은 뇌졸중 회복에 관한 296개의 연구를 찾아냈습니다. 하지만 모든 단서가 신뢰할 수 있는 것은 아닙니다. 그들은 "편향(bias)"을 확인하기 위해 특별한 체크리스트(RoB-2라고 불림)를 사용했는데, 이는 목격자가 거짓말을 할 이유가 있는지 확인하는 것과 같습니다. 만약 연구가 너무 엉망이거나 너무 많은 위험 신호가 있다면, 그들은 그 연구를 버렸습니다. 그들은 오직 고품질의 증거만을 남겼습니다.

2. 사과와 사과를 분류하기 (동일 유형끼리 묶기)
"트레드밀 위에서 달리기"에 대한 연구와 "수영"에 대한 연구를 비교하면서 공정한 결과를 기대할 수는 없습니다. 팀은 정확히 똑같은 일을 하고 있는 연구들을 신중하게 그룹화했습니다. 그들은 "보행 속도"나 "6분 동안 얼마나 멀리 걸을 수 있는지"와 같은 구체적인 요소들을 살펴보았습니다. 심지어 서로 다른 보행 테스트(예: 2분 걷기)를 표준적인 "6분 걷기" 거리로 변환하기 위해 수학적 마법을 부려야 했으며, 이를 통해 모든 것을 공정하게 비교할 수 있도록 했습니다.

3. "슈퍼 계산기" (메타 분석)
그룹이 분류된 후, 그들은 메타 분석을 실행했습니다. 이것은 단순히 투표수를 세는 것이 아니라, 실제 숫자를 결합하여 진정한 평균 효과를 찾는 과정이었습니다. 그들은 두 가지 큰 질문을 던졌습니다.

• 결과가 실재하는가? (통계적 유의성)
• 결과가 의미 있을 만큼 큰가? (임상적 중요성)

두 번째 질문에 답하기 위해, 그들은 "의미 있는 차이(Meaningful Difference)"라는 임계값을 사용했습니다. 이것은 과속 방지턱과 같습니다. 만약 치료법이 환자를 0.01 m/s 더 빠르게 걷게 만든다면, 그것은 실제 숫자이긴 하지만 현실 세계에서는 너무 작아서 의미가 없습니다. 하지만 만약 치료법이 환자를 0.16 m/s 더 빠르게 걷게 만든다면(이 숫자는 이전 연구를 바탕으로 선정되었습니다), 그것은 판도를 바꾸는 변화입니다. 알고리즘은 치료법이 이 과속 방지턱을 넘는지 확인합니다.

4. 의사결정 기계
이 부분이 가장 멋진 부분입니다. 그들은 수학적 결과와 "신뢰도" 점수(GRADE라고 불림)를 입력받아 자동으로 권고안을 할당하는 순서도(알고리즘)를 만들었습니다. 다섯 가지 가능한 결과가 있습니다:

• 강한 권고 (Strong Recommendation): 수학적으로 "효과가 있다"고 나오고, 확실성이 높으며, 개선 정도가 의미 있는 수준일 때입니다. 규칙집의 내용은: "임상의는 이것을 사용해야 한다"입니다.
• 조건부 권고 (Conditional Recommendation): 아마도 효과가 있겠지만, 모든 사람에게 적용되지 않을 수도 있거나 확실성이 100%는 아닐 때입니다. 규칙집의 내용은: "임상의는 이것의 사용을 고려해야 한다"입니다.
• 찬성 혹은 반대 의견 없음 (No Recommendation For or Against): 이것은 그들이 새로 만든 카테고리입니다. 때때로 수학적 결과가 일반적인 케어(usual care)와 비교했을 때 의미 있는 차이를 보이지 않을 때가 있습니다. 일반적인 케어는 환자들이 이미 받고 있는 것이므로, "하지 마라"고 말할 수는 없습니다. 단지 "추가적인 가치가 없으므로, 다른 대안이 있다면 그것을 우선시하라"고 말할 뿐입니다.
• 반대 (Against): 치료법이 실제로 해롭거나 아무것도 하지 않는 것보다 나쁠 때입니다. 규칙집의 내용은: "이것을 사용하지 마라"입니다.
• 증거 불충분 (Insufficient Evidence): 데이터가 너무 엉망이거나 누락되었을 때입니다. 규칙집의 내용은: "더 많은 연구가 필요하다"입니다.

5. 충돌 처리
만약 치료법의 한 부분은 아주 잘 작동하지만, 다른 부분은 그렇지 않다면 어떻게 될까요? 알고리즘에는 이를 위한 규칙도 있습니다. 만약 "강한" 권고 기준을 충족하더라도, 특정 측정 항목 하나가 이득을 보여주지 못한다면, 알고리즘은 자동으로 권고 수준을 "조건부"로 낮춥니다. 이는 팀이 절반만 효과가 있는 치료법에 대해 지나치게 낙관하지 않도록 하는 안전장치와 같습니다.

이것이 왜 중요한가

저자들은 이 엄격하고 수학에 기반한 알고리즘을 사용함으로써, 과정에서 많은 "인간의 의견"을 제거할 수 있었다는 것을 발견했습니다. 과거에는 서로 다른 전문가 그룹이 동일한 데이터를 보고도, 무엇이 "충분히 좋은지"에 대한 의견이 다르기 때문에 서로 다른 규칙을 만들어낼 수 있었습니다. 이 새로운 방법은 과정을 재현 가능하게(reproducible) 만듭니다. 만약 다른 팀에게 동일한 데이터를 주고 이 알고리즘을 사용하게 한다면, 그들도 동일한 답을 얻을 것입니다.

그들은 또한 이 작업이 매우 힘든 과정임을 강조했습니다. 그들은 186개의 연구에서 데이터를 추출하고 309개의 서로 다른 메타 분석을 수행해야 했습니다! 여기에는 많은 수학과 컴퓨터 코딩이 필요했습니다. 하지만 그들은 다른 팀들도 사용할 수 있도록 모든 도구와 스프레드시트를 온라인에 공유했습니다. 이 논문은 모든 문제를 해결했다고 주장하는 것이 아닙니다. 완벽한 "의미 있는 차이" 수치(과속 방지턱)를 찾는 것이 여전히 까다롭고, 과정이 시간이 많이 걸린다는 점을 인정합니다. 하지만 그들은 수학이 단순히 방에 앉아 있는 사람들의 의견이 아니라, 결정을 이끌어내는 규칙을 만드는 것이 가능하다는 것을 성공적으로 보여주었습니다. 이렇게 함으로써, 그들은 물리치료가 모두에게 더 일관되고, 공정하며, 효과적이기를 바라고 있습니다.