Platelet-to-Lymphocyte Ratio-Driven Machine Learning Model for Predicting In-Hospital Major Adverse Cardiovascular Events After Percutaneous Coronary Intervention in Acute Myocardial Infarction: A Retrospective Cohort Study

기술 요약: PCI 후 AMI 환자의 원내 MACE 예측을 위한 혈소판-림프구 비율 기반 머신러닝 모델

문제 제식 (Problem Statement)
급성 심근경색(AMI) 환자의 경피적 관상동맥 중재술(PCI) 후 원내 주요 심혈관 사건(MACE)에 대한 정확한 위험 평가는 임상적 의사결정을 최적화하는 데 매우 중요하다. 허혈-재관류 손상의 중심에는 염증 기전이 존재하지만, 기존 연구들은 주로 단일 염증 지표에 의존하거나 통일된 프레임워크 내에서 다차원적 염증 지표를 체계적으로 비교하는 데 한계가 있었다. 또한, 머신러닝(ML) 예측 모델 내에서 어떤 특정 염증 지표가 최적의 "구동 효능(driving efficacy)"을 갖는지, 그리고 주요 임상 지표와 MACE 위험 사이의 비선형 관계나 임계값 효과가 존재하는지는 여전히 불분명하다. 전통적인 로지스틱 회귀 분석은 대개 선형 관계를 가정하므로, 임상 데이터에 내재된 복잡한 상호작용과 임계값 효과를 놓칠 가능성이 있다.

연구 방법론 (Methodology)
본 후향적 코호트 연구는 2020년부터 2025년 사이에 심양 의과대학 제2 부속 병원에서 PCI를 받은 연속적인 AMI 환자 1,163명을 대상으로 하였다. 데이터셋은 7:3 비율로 무작위로 훈련 세트(n=814)와 독립 테스트 세트(n=349)로 분할되었으며, 결과 분포의 균형을 보장하기 위해 층화 과정을 거쳤다.

• 변수 선택: 다섯 가지 다차원적 염증 지표인 혈소판-림프구 비율(PLR), 단핵구-림프구 비율(MLR), 단핵구-HDL 비율(MHR), 전신 면역-염증 지수(SII), 전신 염증 반응 지수(SIRI)를 산출하였다. 단변량 분석을 통해 유의미한 변수를 식별하였으며, 이후 LASSO 회귀(10-겹 교차 검증 사용)를 적용하여 후보 예측 변수를 선택하고 과적합을 완화하였다.
• 모델 구축:
  • 로지스틱 회귀: 다변량 로지스틱 회귀 모델을 구축하여 독립적인 위험 요인을 식별하고 기준점(baseline)을 설정하였다. 제한적 삼차 스플라인(Restricted Cubic Spline, RCS) 분석을 사용하여 연속 변수(연령, LVEF, PLR, Gensini 점수)와 MACE 사이의 비선형 관계 및 임계값 효과를 탐색하였다.
  • 머신러닝: 클래스 불균형 문제를 해결하기 위해 합성 소수 층 샘플링 기법(SMOTE)을 훈련 세트에만 적용하였다. 9가지 머신러닝 알고리즘을 구축하였으며, 10-겹 교차 검증을 통해 튜닝하였다: XGBoost, Random Forest, LightGBM, 다층 퍼셉트론(MLP), 서포트 벡터 머신(SVM), AdaBoost, 결정 트리(Decision Tree), 가우시안 나이브 베이즈(Gaussian Naive Bayes), 로지스틱 회귀.
• 평가: 독립 테스트 세트에서 AUC, F1 점수, Brier Score, 결정 곡선 분석(DCA)을 사용하여 모델 성능을 평가하였다. AUC 비교에는 DeLong test를 사용하였다. 모델 해석력은 SHAP(SHapley Additive exPlanations)을 사용하여 달성하였다.
• 민감도: 하드 엔드포인트(all-cause death 또는 심인성 쇼크) 민감도 분석과 하위 그룹 분석을 통해 견고성을 검증하였다.

주요 기여 (Key Contributions)

1. 염증 지표의 체계적 비교: 본 연구는 동일한 인구 집단 내에서 다섯 가지 다차원적 염증 지표를 직접 비교함으로써, 엄격한 LASSO 선택 및 다변량 조정을 거친 후 PLR만이 독립적인 예측 가치를 유지함을 확인하였다.
2. 비선형 임계값 식별: RCS를 활용하여 좌심실 박출률(LVEF)과 MACE 위험 사이의 유의미한 J자형 비선형 관계를 입증하였으며, 약 50%에서 중요한 임계값을 식별하였다.
3. 통합 ML 프레임워크: 전통적인 로지스cy 회귀와 9가지 머신러닝 알고리즘을 비교하는 통합된 프레임워크를 구축하였으며, SHAP 해석력을 통합하여 "블랙박스" 격차를 해소하고 특징 기여도를 시각화하였다.

결과 (Results)

• 예측 변수: LASSO 회귀는 11개의 변수를 선택하였으며, PLR을 유일한 다차원적 염증 지표로 남겼다. 다변량 로지스틱 회귀 분석 결과 연령(OR=1.076), Gensini 점수(OR=1.014), PLR(OR=1.010), AST(OR=1.004)가 독립적인 위험 요인으로 식별되었고, LVEF(OR=0.965)와 스타틴 사용(OR=0.165)은 보호 요인으로 나타났다.
• 비선형 효과: RCS 분석은 LVEF와 MACE 사이의 유의미한 비선형 관계를 확인하였다(P for non-linearity < 0.001). LVEF가 약 50% 미만으로 떨어질 때 위험이 급격히 증가한 반면, LVEF가 50% 이상일 때는 위험 곡선이 완만해졌다.
• 모델 성능: XGBoost 모델이 독립 테스트 세트에서 다른 모든 모델보다 우수한 성능을 보였으며, AUC 0.937(95% CI: 0.914–0.959)을 달성하여 전통적인 로지스틱 회귀(AUC = 0.846, P < 0.001)보다 유의하게 높았다. XGBoost는 하드 엔드포인트 민감도 분석에서도 우수한 성능(AUC = 0.965)을 입증하였다.
• 특징 중요도: SHAP 분석 결과 연령(39.2%), Gensini 점수(21.9%), AST(19.8%)가 상위 3개 예측 변수로 나타났다. PLR은 약 10.3% 기여하였으며, 이는 주요한 염증 구동 요인으로서의 지위를 확인시켜 주었다.
• 견고성: 하위 그룹 분석 결과 연령, MI 유형, 성별, 당뇨병 상태 또는 Killip class에 따른 유의미한 상호작용 효과가 나타나지 않았으며(P > 0.05), 이는 모델의 안정성을 나타낸다.

의의 및 주장 (Significance and Claims)
저자들은 본 연구가 PLR을 머신러닝 맥락에서 SII, SIRI, MLR과 같은 다른 다차원적 지표를 능가하여, PCI 후 AMI 환자의 원내 MACE를 예측하는 핵심 염증 구동 요인으로 확립한다고 주장한다. 또한, SHAP 해석력이 강화된 XGBoost 모델이 정밀하고 견고한 정량적 도구를 제공한다고 기술한다. 특히, 약 50%의 LVEF 임계값 식별은 집중 모니터링 및 중재이 필요한 고위험 환자를 식별하기 위한 임상적으로 실행 가능한 지점을 제공한다.

저자들은 단일 센터의 후향적 설계로 인해 본 연구의 결과가 탐색적임을 인정하며 신중한 어조를 유지한다. 그들은 모델이 높은 내부 타당성과 견고성을 보여주지만, 일반화 가능성과 임상적 유용성을 확인하기 위해서는 다기관 전향적 코호트에서의 외부 검증이 필요함을 강조한다. 본 연구는 새로운 임상 가이드라인을 제안하는 것이 아니라, 개별화된 중재 전략을 돕기 위한 의사 결정 지원 도구로서의 역할을 제안한다.