Sexual Dysfunction Risk Assessment in Peritoneal Dialysis: A Machine Learning Study

기술 요약: 머신러닝을 이용한 복막투석 환자의 성기능 장애 위험 평가

문제 정의
성기능 장애(SD)는 복막투석(PD)을 받는 환자들에게 흔하지만 과소 인식되는 합병증으로, 삶의 질에 상당한 영향을 미친다. 기존의 통계적 방법들은 다양한 위험 요인을 식별해 왔으나, 고차원 임상 데이터 내의 복잡하고 비선형적인 상호작용을 포착하는 데 어려움을 겪는 경우가 많다. 또한, 성기능 장애는 환자의 수치심과 의료진의 불편함으로 인해 과소 진단되는 경아가 있으므로, 보다 강력하고 해석 가능한 위험 계층화 도구가 필요하다. 본 연구는 머신러닝(ML)과 설명 가능한 인공지능(XAI)을 결합하여 집단 수준의 평균을 넘어 개별화된 위험 평가로 나아감으로써, 복막투석 환자의 성기능 장애 위험을 예측하는 격차를 해소하고자 한다.

연구 방법론
본 연구는 신교 병원(Xinqiao Hospital)의 단일 센터 코호트(2023년 1월~2025년 4월)에 참여한 209명의 복막투석 환자(남성 100명, 여성 109명)를 대상으로 하는 후향적 단면 설계 연구를 수행하였다.

• 데이터 수 collection 및 결과 변수: 연구진은 인구통계학적, 임상적, 생화학적, 심리사회적 변수를 수집하였다. 성기능은 남성의 경우 국제 발기 기능 지수-5(IIEF-5), 여성의 경우 여성 성기능 지수(FSFI)를 사용하여 정량화하였다. 세 가지 이진 결과 변수를 정의하였다: 남성 발기 부전(ED), 여성 성기능 장애(FSD), 그리고 전체 성기능 장애(Overall SD).
• 통계 분석: 독립적인 예측 요인을 식별하기 위해 단변량 분석, Spearman 상관관계, 다변량 선형/로지스틱 회귀 분석을 수행하였다. 다중공선성을 평가하기 위해 분산 팽창 계수(VIF)를 계산하였다.
• 머신러닝 파이프라인: 8가지 머신러닝 알고리즘(CatBoost, Random Forest, XGBoost, LightGBM, SVM, Logistic Regression 포함)을 비교하였다. 데이터셋은 층화 무작위 추출을 사용하여 훈련 세트(80%)와 테스트 세트(20%)로 분할되었다. 모델 성능은 AUC-ROC, 정확도(accuracy), 민감도(sensitivity), 특이도(specificity), F1-score, 그리고 Youden 지수를 사용하여 평가되었으며, 일반화 능력을 평가하기 위해 5-겹 층화 교차 검증(five-fold stratified cross-validation)을 실시하였다.
• 설명 가능성: 최적의 성능을 보인 모델에 SHapley Additive exPlanations(SHAP)를 적용하여 특징(feature)의 기여도를 정량화하고 예측 변수와 결과 간의 관계를 시각화하였다.

주요 결과

• 유병률: 전체 성기능 장애 유병률은 77.5%(162/209)였으며, 남성(78.0%)과 여성(77.1%)에서 거의 동일한 비율을 보였다.
• 전통적 회귀 분석: 다변량 분석 결과, 우울증 점수(SDS), 잔여 신기능(RRF), 결혼 여부, $\alpha$-차단제 사용이 남성 발기 기능의 독립적인 예측 요인으로 확인되었다. 로지스틱 회귀 분석에서 결혼 여부는 전체 성기능 장애 및 여성 FSD에 대한 가장 강력한 보호 요인으로 나타났다.
• 머신러닝 성능:
  • CatBoost는 전체 성기능 장애 예측에 대해 가장 높은 테스트 세트 AUC(0.808)를 달성했으나, 낮은 민감도(0.606)와 완벽한 특이도(1.000)를 보여 보수적인 분류 임계값을 가짐을 시사했다.
  • 앙상블 모델(Random Forest + XGBoost)은 균형 잡힌 성능(AUC = 0.801)을 제공했다.
  • Random Forest는 가장 높은 Youden 지수(0.646)를 기록하여 민감도와 특이도 사이의 최적의 절충안을 보여주었다.
  • 참고 (일반화): 테스트 세트의 AUC는 높았으나(0.772–0.808), 5-겹 교차 검증 AUC는 현저히 낮게 나타났다(0.53–0.62). 이는 작은 테스트 세트 크기($n \approx 42$)로 인해 단일 무작위 분할이 낙관적인 결과를 냈을 가능성을 시사한다.
• SHAP 해석력:
  • **우울증(SDS)**이 지배적인 예측 변수(평균 $|SHAP| = 0.0455$)로 확인되었으며, RRF, $\beta_2$-마이크로글로불린, 헤모글로빈이 그 뒤를 이었다.
  • 하위 그룹 간 차이: 젊은 환자($\le 40$세)는 심리사회적 요인(SDS, 소득, 결혼 여부)의 영향을 더 많이 받은 반면, 고령 환자($>40$세)는 생리학적 파라미터(RRF, $\beta_2$-MG)와 더 강한 연관성을 보였다.
  • 우울증의 지배력: 심각한 우울증(SDS $\ge 50$)을 가진 환자들의 경우 생리학적 요인이 통계적 유의성을 잃었으며, 이는 우울증이 이 하위 그룹에서 생물학적 결정 요인을 압도할 수 있음을 시사한다.

주요 기여

1. 높은 유병률 확인: 본 연구는 성기능 장애가 약 4분의 3의 복막투석 환자에게 영향을 미치며 성별에 따른 유의미한 차이가 없음을 확인하였고, 이는 성기능 장애가 주로 남성에게만 국한된 문제라는 통념에 도전한다.
2. 신장학 분야의 머신러닝 통합: 본 연구는 복막투석 환자의 성기능 장애 위험 예측을 위해 여러 머신러닝 알고리즘과 SHAP 기반의 설명 가능성을 결합한 최초의 연구이다.
3. 식별 가능한 수정 가능한 요인: 분석 결과 우울증이 가장 강력한 수정 가능한 위험 요인이며 RRF가 주요 보호 요인임을 밝혀내어, 임상적 개입을 위한 실행 가능한 목표를 제시하였다.
4. 개별화된 위험 해석: SHAP을 활용함으로써, 본 연구는 모델의 예측을 개별 환자 수준으로 분해하는 방법을 보여준다. 이를 통해 유사한 위험 확률을 가진 환자라도 서로 다른 경로(예: 심리적 요인 vs 생리학적 요인)를 통해 해당 위험에 도달할 수 있음을 드러냈다.

의의 및 한계점
저자들은 머신러닝 모델이 순수 예측 지표 측면에서 로지스틱 회귀를 극적으로 능가하지는 못했지만, XAI(SHAP)의 통합이 어떤 변수가 개별 위험 추정치를 유도하는지 명확히 함으로써 임상적 가치를 제공한다고 주장한다. 이러한 접근 방식은 우울증을 치료하는 것이 이 인구 집단의 성기능을 개선하는 데 가장 효율적인 경로라는 가설을 뒷받침한다.

본 논문은 다음과 같은 한계를 명시하며 신중한 태도를 유지한다:

• 표본 크기: 209명의 코호트 규모는 회귀 분석에는 적절하나, 특히 특징 대비 샘플 수가 많은 머신러닝을 수행하기에는 작다.
• 연구 설계: 단면적 연구 설계로 인해 인과 관계를 추론할 수 없다.
• 일반화 가능성: 단일 센터 설정은 모델의 외부 타당성을 제한한다.
• 결측 데이터: 호르몬 파라미터(테스토스테론, 프로락틴 등)를 측정하지 않았으며, 결측 데이터 처리를 위해 임퓨테이션(imputation)이 필요하여 불확실성이 존재한다.
• 검증: 저자들은 테스트 세트와 교차 검증 성능 간의 차이를 언급하며, 모델이 실제 신호(signal)를 포착하는지 아니면 노이즈(noise)를 포착하는지 판단하기 위해 외부 검증이 필수적임을 강조한다.

향후 연구로는 이러한 예측 모델을 검증하고 표적 개입이 성기능 결과에 미치는 영향을 평가하기 위한 다기관 전향적 연구가 제안된다.