Unsupervised Clustering Reveals Clinically Distinct Sepsis Phenotypes and Racial Disparities in ICU Outcome Classification: A Retrospective Cohort Study Using MIMIC-IV and eICU

기술 요약: 비지도 클러스터링을 통한 임상적으로 구별되는 패혈증 표현형 발견 및 중환자실 결과 분류에서의 인종적 불평ies

문제 제기
패혈증은 연간 약 1,100만 명의 사망을 초러는 이질적인 증후군이지만, 종종 단일한 임상 실체로 관리됩니다. 정밀 의료를 가능하게 하기 위해 전자 건강 기록(EHR)으로부터 구별되는 패혈증 표현형을 식별하려는 비지도 학습 기법이 제안되어 왔으나, 기존 연구들은 클러스터링에 사용된 임상 변수들이 체계적인 인구통계학적 편향을 유발하는지 여부를 간과해 왔습니다. 구체적으로, 본 연구는 SOFA와 같은 중증도 점수에 포함되는 표준 신장 기능 지표인 혈청 크레아티닌이 흑인 환자의 표현형 할당에 불균형적인 영향을 미치는지 조사합니다. 이는 혈청 크레아티닌 수치가 신장 기능 자체보다는 평균 근육량의 차이로 인해 인종 그룹 간에 체계적으로 다를 수 있다는 점 때문에 매우 중요하며, 이러한 요인은 추정 사구체 여과율(eGFR) 계산에서 인종을 제거하게 된 배경이 되기도 했습니다. 저자들은 크레아티닌에 의존하는 비지도 클러스터링 모델이 흑인 환자를 더 심각한 표현형으로 오분류하여, 임상 의사 결정 지원의 원천으로서 인종적 측정 편향을 생성할 수 있다고 가설을 세웠습니다.

연구 방법론
본 연구는 두 개의 대규모 익명화된 중환자실 데이터베이스를 사용하여 회고적 코호트 설계를 채택했습니다:

1. 발견 코호트(Discovery Cohort): Beth Israel Deaconess Medical Center(2008–2022)의 데이터를 포함하는 MIMIC-IV (버전 3.1).
2. 외부 검증 코호트(External Validation Cohort): 미국 내 208개 병원을 포괄하는 eICU 협력 연구 데이터베이스(2014–2015).

데이터 처리 및 특징 추출:

• 대상: 성인 환자(18세 이상) 중 패혈증(ICD-10 코드 A41%, R65%) 진단을 받고 ICU 체류 기간이 24시간 이상인 환자.
• 특징(Features): 생체 징후(심박수, MAP, SpO2, 체온, 호흡수)와 실험실 수치(크레아티닌, 젖산, WBC, 빌리루빈, 혈소판)를 포함하여 ICU 입원 후 첫 24시간 동안 추출된 24개의 임상 변수.
• 전처리: 결측치는 중앙값 대체법(median imputation)을 사용하여 보정하였으며, 연속형 변수는 평균이 0이고 분산이 1이 되도록 표준화하였습니다.

클러스터링 및 모델링:

• 표현형 발견: MIMIC-IV 코호트에 K-Means 클러스터링을 적용했습니다. 최적의 클러스터 수($k$)는 실루엣 계수(silhouette coefficient)를 사용하여 결정되었으며, $k=4$를 선택했습니다. 알고리즘의 안정성을 보장하기 위해 서로 다른 시드로 20회 초기화되었습니다.
• 분류: MIMIC-IV 표현형 레이블에 대해 Random Forest 분류기를 학습시켰으며(60% 훈련, 20% 검증, 20% 테스트), 일반화 능력을 평가하기 위해 재학습 없이 eICU 코호트에 직접 적용했습니다.
• 편향 분석:
  • 크레아티닌 민감도: 모든 크레아티닌 관련 변수를 제거한 후 클러스터링 절차를 반복했습니다. 표현형 할당이 변경된 환자의 비율을 Adjusted Rand Index(ARI)를 사용하여 흑인과 백인 환자 간에 비교했습니다.
  • 건강 형평성: 인종별 층화 분석을 통해 표현형 분포와 사망 결과를 평가했습니다. 다변량 로지스틱 회귀 분석을 사용하여 인종이 크레아티닌 및 기타 중증도 지표를 조정한 후에도 고사망률 표현형 할당의 독립적인 예측 변수로 남는지 확인했습니다.
  • 해석 가능성: 특징 중요도를 식별하기 위해 SHAP(SHapley Additive exPlanations) 값을 계산했습니다.

주요 결과

• 표현형 식별: MIMIC-IV 코호트($N=5,888$)에서 네 가지 뚜렷한 표현형이 식별되었습니다:
  • 표현형 A (3.4%): 간부전 우세형(높은 빌리루빈), 28일 사망률 63%.
  • 표현형 B (46.6%): 혈역학적 안정형, 가장 낮은 사망률(29%).
  • 표현형 C (42.3%): 과동역학/발열형, 중간 사망률(31%).
  • 표현형 D (7.8%): 대사 위기/고젖산혈증형(8.02 mmol/L), 가장 높은 사망률(68%).
• 외부 검증: Random Forest 분류기는 MIMIC-IV에서 89.5%의 테스트 정확도를 달성했으며, 재학습 없이도 eICU 코호트($N=19,609$)에서 생물학적 프로필과 사망률 순위(D > A > C > B)를 성공적으로 재현하여 AUC 0.721을 기록했습니다.
• 인종적 격차 및 크레아티닌 편향:
  • 인종은 표현형 할당을 유의미하게 예측했습니다 ($\chi^2=34.0, p=0.0007$).
  • 흑인 환자는 백인 환자보다 유의미하게 높은 중앙값 혈청 크레아티닌을 보였습니다 (1.50 vs 1.30 mg/dL, $p<0.001$).
  • 민감도 분석: 크레아티닌을 제거했을 때, 흑인 환자의 49.4%가 다른 표현형으로 재할당된 반면 백인 환자는 46.3%였습니다. 주목할 점은 재할당된 흑인 환자의 거의 90%가 원래 표현형 C에 속해 있었다는 것입니다.
  • 사망률 역설: 최고 위험군인 표현형 D 내에서 흑인 환자는 백인 환자(68.8%)에 비해 역설적으로 낮은 사망률(57.4%)을 보였습니다. 이는 흑인 환자들이 크레아티닌 수치로 인해 더 높은 중증도 범주로 잘못 분류되었을 가능성을 시사합니다.
  • 매개 효과: 다변량 로지스틱 회귀 분석 결과, 인종이 초기에는 고사망률 표현형 할당과 연관이 있었으나, 혈청 크레아티닌 및 기타 중증도 지표를 조정한 후에는 이 연관성이 사라졌습니다 (흑인: OR = 0.72, $p=0.110$). 이는 크레아티닌이 이러한 격차를 매개함을 나타냅니다.
• 특징 중요도: SHAP 분석에서 크레아티닌은 전역적 중요도(global importance) 순위에서 15/16위에 머물렀으나, 이를 제거했을 때 흑인 환자의 할당이 불균형적으로 변화했습니다. 이는 전역적 특징 중요도 지표가 인구통계학적 편향을 탐지하는 데 불충분하다는 것을 보여줍니다.

의의 및 주장
본 논문은 비지도 학습 기반의 패쇄증 표현형 모델이 크레아티닌 기반 특징을 통해 인종적 측정 편향을 유발할 수 있다는 최초의 증거를 제공한다고 주장합니다. 저자들의 주장은 다음과 같습니다:

1. 알고리즘 편향이 아닌 측정 편향: 관찰된 격차는 알고리즘 자체가 아니라 측정값(인종에 따른 크레아티닌의 생리학적 변이)에서 기인합니다.
2. 상향 중증도 오분류: 이러한 결과는 흑인 환자가 크레아티닌 수치로 인한 인종적 차이 때문에 실제 생리학적 중증도가 아닌 더 높은 중증도 표현형으로 체계적으로 할당될 수 있음을 시사합니다(따라서 더 공격적인 처치를 받을 수도 있음).
3. 전역 지표의 한계: SHAP와 같은 전통적인 특징 중요도 측정 방식은 특정 하위 집단 내에서 영향력이 큰 특징이 전역적 중요도가 낮을 경우 인구통계학적 편향을 식별하지 못할 수 있습니다.
4. 임상적 시사점: 패쇄증 표현형 시스템을 임상 의사 결정 지원에 배치하기 전, 인종적 측정 편향에 대한 평가가 반드시 선행되어야 합니다. 본 연구는 정밀 의료가 다양한 인구 집단에 걸쳐 형평성 있는 결과를 보장하기 위해서는 공정성 평가가 표현형 시스템 개발 및 검증의 일상적인 구성 요소가 되어야 한다고 결론짓습니다.

저자들은 단일 센터 기반의 발견 코호트, 자기 보고식 인종 데이터, 그리고 크레아티닌을 제거하는 것이 더 "공정한" 해결책이라는 가정(추가 조사가 필요한 부분임) 등의 한계를 인정하며 신중한 어조를 유지합니다. 저자들은 새로운 특정 알고리즘을 제안하기보다는, 기존 및 향후 모델에 대한 엄격한 편향 평가의 필요성을 촉구하고 있습니다.