Development and Validation of a Machine Learning Model Integrating SPECT MPI Multiparametric Features for Risk Prediction in Coronary Artery Disease with Preserved Ejection Fraction

당신의 심장을 북적이는 도시라고 상상해 보세요. 오랫동안 의사들은 도시의 주요 전력망(동맥)과 중앙 엔진의 강도(심장이 얼마나 세게 펌프질하는지)를 점검하는 데 전문가였습니다. 하지만 엔진이 서류상으로는 강력해 보이는데도 도시의 동네들이 여전히 고통받고 있다면 어떤 일이 벌어질까요? 이것이 바로 '보존된' 펌프 능력을 가진 관상동맥질량(CAD) 환자들의 수수께집니다. 그들의 심장은 여전히 잘 짜지고 있지만, 미세 혈관(미세혈관)이 막혀 있거나, 벽이 딱딱해졌거나, 리듬이 약간 어긋나 있어 갑작스러운 문제의 위험이 높습니다. 이는 마치 엔진은 완벽하게 회전하지만, 보이지 않는 타이어에 펑크가 난 자동차와 같습니다.

이를 해결하기 위해 과학자들은 SPECT MPI라는 특별한 카메라를 사용합니다. 이것을 일반적인 사진이 아니라, 심장이 연료(혈액)를 충분히 공급받고 있는지, 그리고 벽이 얼마나 부드럽게 움직이는지를 보여주는 열지도(heat map)라고 생각하십시오. 과거에 의사들은 이 지도들을 하나씩 개별적으로 확인하며 단 하나의 단서를 찾는 것처럼 조사했습니다. 하지만 인간의 뇌는 수십 개의 단서를 동시에 다루는 데 서툽니다. 여기에 머신러닝이 등장합니다. 머신러닝은 수천 개의 단서를 동시에 살펴보고 인간이 놓치는 숨겨진 패턴을 찾아내는 초스마트 디지털 탐정입니다. 이 연구는 다음과 같은 매우 중요하고 단순한 질문을 던집니다. "우리는 이 디지털 탐정에게 심장의 연료 지도, 모양, 그리고 리듬을 한꺼번에 살펴보고, 엔진이 멀쩡해 보일 때조차 누가 위험에 처해 있는지 예측하도록 가르칠 수 있을까?"

---

디지털 탐정과 심장의 비밀 지도

산시 의과대학교 제1병원에서 진행된 연구에서, 연구진은 심장 박동이 여전히 강한 심장병 환자들을 위한 초강력 예측 도구를 구축하기로 했습니다. 그들은 휴식기 SPECT MPI라는 특정 유형의 심장 스캔을 받은 1,675명의 환자 데이터를 수집했습니다. 이 환자들은 관상동맥질환이 의심되었으나, 심박출률(ejection fraction)이 50% 이상으로 여전히 펌프질이 잘 되는 상태였습니다.

연구진은 단순히 나이나 혈압 같은 명백한 정보만을 보지 않았습니다. 그들은 컴퓨터에 방대한 양의 정보를 제공했습니다:

• 환자의 병력: 과거에 뇌졸중이나 심근경색을 앓았는가? 흡연을 하는가? 콜레스테롤 수치는 얼마인가?
• 심장의 모양과 움직임: 심장이 얼마나 둥근가? 혈액이 얼마나 빨리 채워지는가? 심장 박동의 리듬이 동기화되어 있는가, 아니면 혼란스러운가?
• 연료 지도: 심장 근육 중 혈류를 공급받지 못하는 부분은 얼마나 되는가?

그 후 팀은 10가지의 서로 다른 머신러닝 알고리즘(서로 다른 사고방식을 가진 열 명의 서로 다른 탐정이라고 생각하십시오)을 훈련시켜 누가 주요 심혈관 사건(MACE)을 겪을지 예측하도록 했습니다. MACE는 사망, 새로운 심근경색, 뇌졸중 또는 응급 수술이 필요한 상황과 같은 나쁜 결과를 뜻하는 무서운 용어입니다.

승자: CatBoost

수치를 실행한 결과, 연구진은 한 명의 탐정이 군계일학처럼 두드러진다는 것을 발견했습니다. 바로 CatBoost라는 모델입니다.

다른 모델들이 혼란을 겪거나 훈련 데이터를 과도하게 암기하려 했던 것(오버피팅/과적합이라는 문제)과 달리, CatBoost는 안정적인 모습을 유지했습니다. 502명의 환자로 구성된 테스트 그룹에서 CatBoost는 63.2%의 정확도로 결과를 올바르게 예측했습니다. 이 모델은 너무 자주 가짜 경보를 울리지 않으면서도 위험을 포착하는 능력을 균형 있게 유지했습니다. 모델의 성능 점수(AUC)는 테스트 그룹에서 0.629였으며, 저자들은 이를 환자가 약을 얼마나 잘 복용하는지와 같은 많은 요인이 결과에 영향을 미칠 수 있는 복잡한 실제 상황에서 현실적인 결과라고 언급했습니다.

가장 중요한 9가지 단서

이 연구의 가장 흥미로운 부분은 연구진이 단순히 "블랙박스" 형태의 답을 얻은 것이 아니라는 점입니다. 그들은 SHAP라는 기술을 사용하여 모델의 뇌 내부를 들여다보고 왜 그런 결정을 내렸는지 확인했습니다. 그 결과, 아홉 가지 특정 단서가 문제를 예측하는 데 가장 중요한 것으로 나타났습니다:

1. 심뇌혈관 질환 병력: 환자가 과거에 심장이나 뇌 문제를 겪었다면 위험도가 높아졌습니다.
2. 연령: 고령의 환자일수록 높은 위험에 직면했습니다.
3. 최대 충만율 (PFR): 이는 심장이 얼마나 빨리 이완되고 혈액을 채우는지를 측정합니다. 충만 속도가 느린 것(낮은 수치)은 경고 신호였습니다.
4. 저밀도 지질단백질 (LDL) 콜레스테롤: "나쁜" 콜레스테롤 수치가 중요했습니다.
5. 총 관류 결핍 (TPD): 이는 연료 지도상의 "어두운 점"의 크기입니다. 연료가 부족한 영역이 클수록 위험이 높았습니다.
6. 편심 지수 (Eccentricity Index, no-gated): 이는 심장의 모양을 설명합니다. 심장이 정상적인 모양 대신 더 구형(공 모양)으로 변하면 좋지 않은 신호입니다.
7. 엔트로피 (Entropy): 이는 심장의 기계적 리듬이 얼마나 혼란스러운지를 측정합니다. 엔트로피가 높을수록(더 혼란스러울수록) 위험이 높았습니다.
8. 50% 이상의 관상동맥 협착: 주요 동맥이 절반 이상 막혀 있는 경우입니다.
9. NYHA 기능 계급: 심장 증상으로 인해 환자의 일상생활이 얼마나 제한되는지를 나타냅니다.

모델이 찾아낸 것 (그리고 찾지 못한 것)

이 연구는 표준 펌프 테스트에서 심장이 강해 보일 때조차, 엉망인 리듬(엔트로피), 뻣뻣한 충만율(PFR), 그리고 큰 연료 결핍(TPD)의 조합이 환자가 위험에 처해 있다는 신호가 될 수 있음을 시사합니다. CatBoost 모델은 이러한 임상적 및 영상적 단서들을 성공적으로 통합하여 위험 점수를 만들어냈습니다.

그러나 저자들은 이것을 마법의 탄환이라고 부르지 않도록 주의를 기울였습니다. 그들은 모델의 정확도가 테스트된 10개 중 가장 좋기는 하지만 완벽하지는 않다고 지적합니다. 현실 세계에서 심장 사건을 예측하는 것은 어렵습니다. 왜냐로 환자의 식단이나 약물 복용을 얼마나 엄격히 지키는지와 같이 스캔이 볼 수 없는 많은 요소에 의존하기 때문입니다. 모델은 XGBoost나 LightGBM 같은 복잡한 알고리즘이 실제로 더 낮은 성능을 보였다는 것을 보여주었는데, 이는 아마도 그들이 훈련 데이터에 너무 집중하여 일반화에 실패했기 때문일 것입니다.

또한 이 연구에는 몇 가지 한계가 있습니다. 이 연구는 "회고적(retrospective)" 연구로, 즉 연구진이 새로운 환자를 추적 관찰하는 대신 과거의 기록을 되돌아본 방식이었습니다. 또한, 심장이 열심히 일할 때의 "스트레스" 스캔이 아닌 "휴식기" 스캔만을 사용했습니다. 그럼에도 불구하고, 휴식기 스캔은 미래의 사건을 예측할 수 있는 심장의 모양과 이완에 관한 가치 있는 단서들을 여전히 담고 있었습니다.

핵심 요약

이 논문은 심장병을 해결했다고 주장하는 것이 아닙니다. 대신, 우리가 이미 가지고 있는 데이터를 바라보는 더 스마트한 방법을 제시합니다. CatBoost라는 머신러닝 모델을 사용함으로써, 의사들은 곧 환자의 심장 스캔을 보고 "당신의 펌프는 강하지만, 심장의 리듬과 연료 지도가 당신이 높은 위험에 처해 있음을 알려줍니다"라고 말할 수 있게 될 것입니다. 이는 의사들이 누가 더 면밀한 모니터링이나 공격적인 치료를 필요로 하는지 결정하는 데 도움을 주어, 복잡하고 다차원적인 퍼즐을 명확하고 실행 가능한 환자 관리 계획으로 바꿔줄 수 있습니다.