An Interpretable Machine Learning Framework for Predicting Disease Progression in Early-Stage Cardiovascular-Kidney-Metabolic(CKM) Syndrome: A Prospective Cohort Study

기술 요약: 초기 단계 CKM 증후드의 질병 진행 예측을 위한 해석 가능한 머신러닝 프레임워크

문제 제식 (Problem Statement)
심혈관-신장-대사(CKM) 증후드는 대사 위험, 만성 신장 질환(CKD), 심혈관 질환(CVD)을 연결하는 통합적인 전신 질환을 나타냅니다. 미국 심장협회(AHA)는 5단계 프레임워크(Stage 0–4)를 정의하고 있으며, 이 중 초기 단계(0–2)는 가역적 개입이 가능한 "황금기(golden window)"를 제공하지만, 이러한 초기 및 수정 가능한 단계에서 진행 위험을 계층화하기 위한 실질적인 도구는 부족한 실정입니다. 기존의 위험도 도구들은 후기 단계에서의 10년 CVD 위험에 초점을 맞추고 있어, 초기 CKM 단계의 다차원적 위험 요인들 간의 복잡하고 비선형적인 상호작용을 포착하지 못합니다. 또한, 현재의 머신러닝(ML) 예측 연구들은 종종 교정 안정성(calibration stability)보다 변별력(AUC)을 우선시하여, 임상적 의사결정을 오도할 수 있는 모델을 생성하는 경향이 있습니다. 특히, 초기 CKM의 역동적 불안정성을 이해하기 위한 구체적인 필요성이 존재하며, 예비 데이터에 따르면 중국의 중장년층에서 서구 코호트보다 높은 진행률이 관찰되고 있습니다.

방법론 (Methodology)
본 전향적 코호트 연구는 중국 건강 및 노화 종단 연구(CHARLS) 데이터를 활용하여, 기저치(2011년) 기준 CKM 단계가 0–2단계인 45세 이상의 참가자 3,773명을 분석하였습니다. 추적 관찰 기간은 2015년까지 총 4년이며, 진행(progression)은 4년 동안 CKM 단계가 최소 1단계 이상 상승하는 것으로 정의되었습니다.

본 연구는 엄격한 3단계 계층적 모델 선택 프레임워크를 채택하였습니다:

1. 특성 선택 (Feature Selection): 37개의 후보 예측 변수로부터 LASSO 회귀(1-SE 규칙 사용)를 통해 8개의 간결한 특성(연령, BMI, 수축기 혈압(SBP), HbA1c, eGFR, 기저 CKM 단계, 성별, 교육 수준)을 선택하였습니다. 다중공선성은 분산 팽창 계수(VIF)를 통해 평가되었으며, 선택된 모든 특성은 VIF < 5를 나타냈습니다.
2. 모델 개발 (Model Development): 6가지 ML 알고리즘(로지스틱 회귀(LR), 랜덤 포레스트(RF), 서포트 벡터 머신(SVM), XGBoost, CatBoost, 다층 퍼셉트론(MLP))을 10-겹 교차 검증을 통해 학습 및 튜닝하였습니다.
3. 계층적 평가 (Hierarchical Evaluation): 독립적인 테스트 세트(n=1,132)에서 우선순위에 따른 순서로 모델을 평가하였습니다:
   • 변별력 (Discrimination): AUC, 민감도, 특이도 및 Brier 점수를 통해 평가하였습니다.
   • 교정 안정성 (Calibration Stability): 미미한 AUC 상승보다 이를 우선시하였습니다. 지표로는 교정 기울기(calibration slope), 절편, 그리고 미교정의 평균 크기를 정량화하는 통합 교정 지수(ICI)를 포함하였습니다. Hosmer-Lemeshow 검정은 표본 크기에 대한 민감성 때문에 보고는 하되 주요 기준에서는 제외하였습니다.
   • 임상적 유용성 (Clinical Utility): 결정 곡선 분석(DCA)을 사용하여 임계 확률(0.20–0.40) 전반에 걸친 순 이득(net benefit)을 평가하였습니다.
4. 해석 가능성 (Interpretability): 선택된 모델에 SHAP(SHapley Additive exPlanations)을 적용하여 전역적 특성 중요도, 효과 방향 및 비선형 용량-반응 관계를 결정하였습니다. 기저 CKM 단계(0, 1, 2)에 따른 하위 그룹 분석을 수행하였습니다.

주요 결과 (Key Results)

• 진행률: 4년간의 추적 관찰 결과, 1,560명(41.3%)의 참가자가 CKM 진행을 경험하였습니다. 이 비율은 서구 코호트에서 기록된 15–34%의 전환 빈도를 크게 상회하며, 중국 인구에서의 뚜렷한 역동적 불안정성을 강조합니다.
• 모델 선택: CatBoost가 가장 높은 변별력(Test AUC = 0.772)을 달성했으나, 낮은 교정 성능(slope = 1.305; ICI = 0.060)을 보여 과적합(overfitting)을 나타냈습니다. **랜덤 포레스트(RF)**는 미미하게 낮은 AUC(0.로 0.761)에도 불구하고, 우수한 교정 안정성(slope = 1.056; ICI = 0.026)과 DCA에서의 가장 높은 순 이득을 바탕으로 최적의 모델로 선정되었습니다.
• 예측 변수: 전역 SHAP 분석 결과, 기저 CKM 단계, HbA1c, SBP가 주요 예측 변수로 식별되었습니다. 이 분석은 진행자들이 초기에는 혈압과 혈당이 더 낮은 것처럼 보였던 미조정 역학적 역설을 해결하였으며, 조정 후에는 높은 SBP와 HbA1c가 위험 동인임을 확인하였습니다.
• 비단조적 효과 (Non-Monotonic Effects): SHAP는 비단조적인 "역단계 효과(inverse stage effect)"를 드러냈는데, 이는 Stage 0가 Stage 2보다 높은 예측 위험과 연관되어 있음을 보여줍니다. 이는 Stage 2 참가자들이 Stage 0/1 참가자들에 비해 진행 임계값을 넘기 위해 이동할 수 있는 단계가 적기 때문에 발생하는 "천장 효과(ceiling effect)"에 기인합니다.
• 하위 그룹 성능: 기저 단계별로 계층화된 하위 그룹 분석에서 모델은 예측 천장 효과를 보였습니다. 진행률이 70%를 초과하는 Stage 0와 1의 경우, AUC는 낮았습니다(~0.60). 그러나 교정은 모든 단계에서 수용 가능한 수준을 유지하였는데, 이는 모델이 고위험군 내의 소수 비진행자를 구별하기는 어려울지라도, 추정된 확률 자체는 신뢰할 수 있음을 시사합니다.

의의 및 주장 (Significance and Claims)
본 논문은 초기 단계 CKM 증후드의 위험 계층화를 위한 잘 교정되고 해석 가능한 랜덤 포레스트 프레임워크를 제시한다고 주장합니다. 주요 기여는 다음과 같습니다:

1. 방법론적 전환: 본 연구는 예측 분석에서 미미한 변별력 이득보다 교정 안정성과 임상적 유용성(순 이득)이 우선되어야 한다고 주장하며, 기존의 "AUC 추구(AUC-chasing)" 패러다임에 도전합니다. 이는 안전한 임상적 의사결정을 보장하기 위함입니다.
2. 임상적 통찰: 초기 단계(0–1)에서의 "예측 천장 효과" 식별은, 이 단계의 개인들이 전통적인 특성에 기반한 추가적인 위험 계층화보다는 즉각적인 예방적 케어(예: 생활 습관 교정)로부터 더 많은 혜택을 받을 수 있음을 시사합니다. 이는 진행 위험이 이미 높고 차별화하기 어렵기 때문입니다.
3. 인구 특이성: 본 연구는 중국 중장년층 및 노년층에서 초기 CKM의 역동적 불안정성을 강조하며, 서구 코호트보다 현저히 높은 진행률을 언급함으로써 지역 특화된 위험 도구의 필요성을 역설합니다.

저자들은 모델이 이질적인 Stage 2 인구에게는 신뢰할 수 있는 도구가 될 수 있지만, Stage 0–1에서의 유용성은 높은 기저 위험으로 인해 제한적이라고 결론지었습니다. 이는 높은 위험군에 대한 조기 발견과 보편적 예방 개입을 강조하는 AHA의 방침을 뒷받침합니다.