An explainable machine learning model integrating multidimensional clinical information for early identification and probability stratification of Non-ST-Segment Elevation Myocardial Infarction

매년 수백만 명의 사람들이 심장마비의 신호일 수 있는 증상인 흉통을 안고 응급실로 달려옵니다. 의사들은 어려운 퍼즐에 직면합니다. 바로 심장 근육이 실제로 죽어가고 있는 심근경색과, 심장이 산소 부족 상태이지만 아직 근육에 영구적인 손상이 발생하지 않은 상태인 불안정 협심증을 구분하는 일입니다. 이 업무를 위한 표준 도구는 고감도 심장 트로포닌 I(high-sensitivity cardiac troponin I)라고 불리는 단백질을 측정하는 혈액 검사입니다. 심장 세포가 손상되면 이 단백질이 혈류로 누출됩니다. 이 검사는 심각한 손상을 포착하는 데는 탁격하지만, 수치가 약간만 높아진 경우 의사들을 모호한 영역에 남겨두곤 합니다. 이러한 불확실한 순간에, 단백질 수치만으로는 환자가 본격적인 심근경색을 겪고 있는지 아니면 단순히 심한 흉통을 겪고 있는지를 항상 구별할 수 없기에, 누가 즉각적이고 공격적인 치료를 받아야 하고 누가 더 면밀히 관찰될 수 있는지를 결정하기 어렵게 만듭니다.

베이징 지수이탄 병원(Beijing Jishituan Hospital)의 연구팀은 이 불확실성을 헤쳐 나갈 새로운 방법을 개발했습니다. 그들은 단일 단백질 검사뿐만 아니라 광범위한 일반 혈액 검사와 환자의 병력을 동시에 살펴보는 고도로 숙련된 조수와 같은 역할을 하는 컴퓨터 모델을 만들었습니다. 컴퓨터에 단백질 검사와 함께 염증, 혈액 응고, 신장 기능, 증상 발생 시점 등에 관한 정보를 입력함으로써, 모델은 인간의 눈이 놓칠 수 있는 미세한 패턴을 포착하는 법을 배웁니다. 목표는 의사를 대체하는 것이 아니라, 더 명확하고 개인화된 심근경색 확률을 제공하여 막연한 추측을 생명을 구하는 결정의 근거가 될 수 있는 계산된 위험으로 바꾸는 것이었습니다.

연구진은 2021년에서 2025년 사이에 심장 문제로 해당 병원에 입원한 약 3,700명의 환자로부터 데이터를 수집하며 시작했습니다. 그들은 각 환자의 의료 기록을 면밀히 검토하여, 두 그룹으로 나누었습니다. 하나는 그들이 식별하고자 했던 특정 유형의 심근경색인 비-ST분절 상승 심근경색(non-ST-segment elevation myocardial infarction)으로 최종 진단받은 환자들이고, 다른 하나는 불안정 협심증 환자들이었습니다. 환자 기록에서 발견된 124가지의 가능한 단서 목록 중에서, 연구팀은 가장 유용한 16가지 정보를 찾아내기 위해 정교한 선택 과정을 거쳤습니다. 여기에는 표준 단백질 검사뿐만 아니라 염증, 혈당, 신장 건강, 그리고 환자가 병원에 도착하기 전 통증을 느낀 기간 등이 포함되었습니다.

그 후 그들은 그래디언트 부스팅 결정 트리(gradient boosting decision tree)라고 알려진 머신러닝 시스템의 일종인 컴퓨터 알고리즘을 훈련시켜 두 그룹 간의 차이를 학습하게 했습니다. 이 시스템은 단순한 결정 규칙들을 구축하고, 이 규칙들이 결합되어 강력한 예측치를 만들어내는 방식으로 작동합니다. 컴퓨터는 실제 상황에서도 잘 작동할 수 있는지 확인하기 위해 한 번도 본 적 없는 환자 그룹을 대상으로 테스트되었습니다. 결과는 놀라울 정도로 정확했으며, 대다수의 심근경색 사례를 정확히 식별해 냈습니다. 더 중요한 것은, 연구진이 단일 단백질 검사만을 사용하는 기존 방식과 새로운 모델을 비교했을 때, 새로운 접근 방식이 각 환자의 실제 위험도를 추정하는 데 훨씬 더 뛰어나다는 것을 발견했다는 점입니다. 이 모델은 예측 오류를 줄였으며, 환자들을 올바른 위험 그룹으로 재분류하는 데 훨씬 더 효과적이어서 심근경색 환자를 놓치는 경우가 훨씬 적었습니다.

이 연구의 매우 가치 있는 측点 중 하나는 모델의 설명 가능성입니다. 왜 그런 답이 나왔는지 말해주지 않고 답만 내놓는 많은 컴퓨터 시스템과 같은 '블랙박스'와 달리, 이 모델은 어떤 요인이 예측을 어느 방향으로 밀어붙였는지 정확히 보여줄 수 있습니다. 연구진은 컴퓨터가 각 정보를 어떻게 가중치 있게 다루는지 시각화하는 방법을 사용했습니다. 그들은 단백질 검사가 여전히 가장 중요한 단서이지만, 다른 요인들이 답변을 정교화하는 데 결정적인 역할을 한다는 것을 발견했습니다. 예를 들어, 환자의 단백질 수치가 약간 높을 경우, 컴퓨터는 그 미세한 상승이 심각한 심근경색의 징후인지 아니면 사소한 문제인지를 결정하기 위해 환자의 염증 수치와 신장 기능을 살펴봅니다. 모델은 단백질 수치가 높을 때 따라오는 추가적인 단서들의 중요성이 변한다는 것을 학습했습니다. 단백질 수치가 약간 높을 때, 올바른 판단을 내리기 위해서는 다른 혈액 검사 수치들이 훨씬 더 중요해졌습니다.

의사들이 이 도구를 유용하게 사용할 수 있도록, 연구팀은 간단한 온라인 계산기를 구축했습니다. 의사가 환자의 혈액 검사 결과와 병력에서 얻은 16가지의 일반적인 수치를 입력하면, 시스템은 즉시 확률 점수를 생성합니다. 그런 다음 이 점수를 저위험, 중위험, 고위험의 세 가지 명확한 범주로 분류합니다. 저위험 그룹에 속한 환자들에게는 심근경색 가능성이 매우 낮다고 제안하여, 더 빠른 퇴원이나 덜 집중적인 모니터링을 가능하게 할 수 있습니다. 고위험 그룹의 경우, 확률이 매우 높으므로 즉각적이고 공격적인 치료를 뒷받침합니다. 상당수의 환자가 속하는 중간 그룹은 아직 답이 명확하지 않음을 인정하며, 더 면밀한 관찰과 추가 검사가 필요함을 알립니다. 이러한 접근 방식은 의사들이 단순한 예/아니오 식의 진단을 넘어, 인체의 복잡성에 부합하는 미묘한 위험도를 파악할 수 있도록 돕습니다.

이 연구는 표준 단백질 검사를 환자의 전반적인 건강에 대한 폭넓은 시각과 결래함으로써, 의사들이 응급실에서 더 조기에 더 정밀한 결정을 내릴 수 있음을 시사합니다. 이 모델은 완벽한 수정구슬이 되겠다는 주장을 하는 것이 아닙니다. 이는 임상적 판단을 대체하는 것이 아니라 지원하기 위해 설계된 도구입니다. 연구진은 자신들의 작업이 단일 병원의 데이터를 기반으로 하고 있으며, 모델의 신뢰성을 다양한 인구 집단에 걸쳐 확인하기 위해서는 다른 환경에서의 테스트가 필요하다고 강조합니다. 그럼에도 불구하고, 이 연구 결과는 많은 작고 일상적인 정보들을 하나의 명확한 환자 위험 그림으로 합성하는 능력이 심근경색 진단의 미래에 있을 수 있음을 보여주는 유망한 경로를 제시합니다.