Development and Validation of a Machine Learning-Based Prediction Model for Atrial Fibrillation in Hospitalized Patients with Coronary Heart Disease and Diabetes Mellitus: A Retrospective Study

인체에서 심장은 끊임없이 작동하는 펌프이지만, 다른 시스템이 스트레스를 받을 때와 마찬가지로 복잡한 기계처럼 마모와 손상에 취약합니다. 이러한 시스템에 부담을 주는 가장 흔한 두 가지 질환은 심장 근육에 영양을 공급하는 동맥이 좁아지는 관상동맥 질환과, 신체의 당 처리 과정을 방해하는 대사 장애인 당뇨병입니다. 이 두 가지 질환이 함께 발생하면 위험한 시너지 효과를 일으켜, 종종 소리 없이 다가오는 세 번째 위협인 심방세동의 위험을 크게 높입니다. 심방세동은 심장의 상부 방이 일정하게 뛰는 대신 가늘게 떨리는 혼란스러운 리듬이며, 이는 뇌졸중이나 심부전으로 이어질 수 있는 상태입니다. 의사들에게 있어 오랫동안 과제였던 것은, 관상동맥 질환과 당뇨병을 모두 가진 환자 중 어떤 환자가 이 불규칙한 리듬을 겪기 전 미리 징후를 보일지 식별하여, 응급 대응이 아닌 조기 개입을 가능하게 하는 것이었습니다.

충칭 응급 의료 센터의 연구팀은 2,000명 이상의 환자들에 대한 의료 기록을 역추적함으로써 이 수수께これを 풀기 위해 나섰습니다. 연구진은 2017년에서 2025년 사이에 병원에 입원했던 환자들 중 이미 관상동맥 질환과 당뇨병을 모두 앓고 있는 개인들의 데이터를 수집했습니다. 연구진은 이 환자들을 입원 기간 중 심방세동이 발생한 그룹과 발생하지 않은 그룹의 두 그룹으로 나누었습니다. 두 그룹을 비교함으로써, 연구진은 경고 신호 역할을 할 수 있는 혈액 검사, 심장 측정치, 그리고 환자의 병력에서의 미묘한 차이를 찾아냈습니다. 단일 검사에 의존하는 대신, 그들은 머신러 러닝이라고 알려진 정교한 컴퓨터 기법을 사용했습니다. 이 접근 방식은 컴퓨터가 방대한 양의 정보를 걸러내어 인간의 눈이 놓칠 수 있는 복잡한 패턴을 찾을 수 있게 해주는데, 이는 마치 숙련된 정비사가 자동차가 고장 나기 훨씬 전부터 엔진에서 나는 특정한 달그락거리는 소리를 듣고 문제를 알아차리는 것과 같습니다.

이 연구는 심장 방의 크기부터 혈액 내 특정 단백질 및 미네별 수준에 이르기까지 광범위한 데이터 포인트를 분석했습니다. 여러 가지 서로 다른 컴퓨터 알고리즘을 테스트한 결과, 연구진은 '랜덤 포레스트(random forest)' 모델이라 불리는 방법이 불규칙한 리듬의 발생을 예측하는 데 훨씬 더 우수하다는 것을 발견했습니다. 이 모델은 높은 수준의 정확도를 달起来하여, 대다수의 경우에서 위험을 정확하게 식별해 냈습니다. 컴퓨터는 가장 중요한 경고 신호가 단순히 심장 질환이나 당뇨병의 존재 자체가 아니라, 특정 요인들의 조합이라는 점을 학습했습니다. 여기에는 환자의 연령, 심장 상부 방의 물리적 치수, 그리고 염증, 영양 및 전해질 균형과 관련된 혈액 지표들의 혼합이 포함되었습니다.

구체적으로, 이 모델은 이 요소들을 함께 보았을 때 명확한 위험 그림을 그려내는 8가지 핵심 지표를 식별했습니다. 고령과 심장의 좌우 상부 방의 확장된 치수는 이러한 조건들이 장기의 구조에 가하는 물리적 부담을 반영하는 강력한 예측 인자였습니다. 영양 상태를 나타내는 단백질인 프리알부민(prealbumin)의 혈중 수치 또한 중요했는데, 낮은 수치는 신체가 스트레스 상태에 있음을 시사했습니다. 마찬가지로, 백혈구와 알부민의 비율(신체의 예비 능력 대비 염증 정도를 측정하는 지표)은 강력한 신호임이 증명되었습니다. 다른 요인들로는 심장의 전기 신호에 필수적인 혈중 칼슘과 나트륨 수치, 그리고 심장 근육의 스트레스를 나타낼 수 있는 HBDH라는 특정 효소가 포함되었습니다.

연구진은 이 컴퓨터 모델이 단순히 추측만 하는 '블랙박스'가 아니라는 것을 보장하기 위해, 모델이 어떻게 결론에 도달했는지 설명하는 기법을 사용했습니다. 그들은 모델이 각 환자에 대해 이 8가지 요인을 다르게 가중치를 두어 개인화된 위험 프로필을 생성한다는 것을 발견했습니다. 어떤 사람에게는 심장 방의 크기가 주요 위험 요인일 수 있는 반면, 다른 사람에게는 낮은 영양 상태와 높은 염증의 조합이 될 수도 있습니다. 이러한 예측을 이해 가능한 부분으로 분해할 수 있는 능력 덕분에, 의사들은 특정 환자를 보고 어떤 요인이 그들을 위험으로 몰아넣고 있는지 정확히 파악할 수 있습니다. 연구는 임상의들이 이 도구를 사용함으로써 고위험 환자를 더 효과적으로 선별하고, 더 면밀히 모니터링하며, 잠재적으로 심방세동 발생을 예방하기 위해 더 일찍 치료를 시작할 수 있다고 제안합니다.

연구진은 자신들의 결과가 단일 병원에서 나온 것이며, 모델의 신뢰성을 확인하기 위해 다른 지역의 환자들을 대상으로 테스트가 필요하다는 점을 주의 깊게 언급했습니다. 그러나 결과는 흔하고 위험한 의학적 문제에 대한 새로운 시각을 제시합니다. 일상적인 혈액 검사와 표준 심장 스캔을 고급 컴퓨터 분석과 결합함으로써, 이 연구는 심장 질환과 당뇨병을 가진 환자들에게서 심방세포가 생명을 위협하기 훨씬 전부터 경고 신호를 포착하는 것이 가능하다는 것을 보여줍니다. 이 접근 방식은 의학을 '모두에게 동일한' 방식에서 심장이 리듬에 맞춰 뛰도록 유지하기 위한 더욱 정밀하고 개인화된 전략으로 이동시킵니다.