📄 medicine

Beyond BMI: Chinese Visceral Adiposity Index (CVAI) improves machine learning prediction of 9-year cardiometabolic multimorbidity in the CHARLS cohort

CHARLS 코호트의 데이터를 활용한 본 연구는 중국 내장지방지수(CVAI)와 우울 증상을 포함하는 머신러닝 모델이 9년 치 심혈관 대사 다질환 위험을 효과적으로 예측하며, BMI 기반 접근법보다 뛰어난 성능을 보인다는 점을 입증함으로써 복합 질환 예측에 있어 내장 지방과 정신 건강의 결정적인 역할을 강조한다.

원저자: Qiqi Yang, Zhihui Lyu, Min Liu, Fanya Gao, yuan meng, yangfan gong, Xiaole He, Wei Ge

게시일 2026-08-30

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Qiqi Yang, Zhihui Lyu, Min Liu, Fanya Gao, yuan meng, yangfan gong, Xiaole He, Wei Ge

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

중국의 고령화 인구에서 두 가지 침묵의 질환이 종종 함께 따라다닙니다. 바로 신체가 당을 조절하는 데 어려움을 겪는 질환인 당뇨병과, 심장 문제와 뇌졸중을 포괄하는 심혈관 질환입니다. 이 두 가지 질환이 한 사람에게 동시에 나타나면 '심장 대사 다중 질환(cardiometabolic multimorbidity)'이라 불리는 질병 군을 형성합니다. 이 조합은 특히 위험하며, 중장년층 및 노년층의 장애와 사망을 유발합니다. 수십 년 동안 의사들은 체질량 지수(BMI, 키와 몸무게를 바탕으로 한 계산법)와 같은 단순한 측정값에 의존하여 누가 이러한 질병에 걸릴지 추측해 왔습니다. 그러나 이 단일 수치는 체내 지방이 어디에 저장되어 있는지, 그리고 그것이 혈압, 기분, 대사와 같은 다른 요인들과 어떻게 상호작용하는지에 대한 더 깊은 진실을 놓치는 경우가 많습니다. 인구가 고령화됨에 따라, 단순한 추측을 넘어 조기 개입을 안내할 수 있는 더 정밀한 도구로 나아가야 할 예측의 필요성이 시급해졌습니다.

시안(Xi'an)의 서경 병원(Xijing Hospital) 연구진은 9년 동안의 위험을 예측할 수 있는 더 나은 방법을 구축하기 위해 노력했습니다. 그들은 2011년부터 2020년까지 약 10,000명의 건강 상태를 추적한 중국의 국가 대표 조사인 '중국 건강 및 은퇴 종단 연구(China Health and Retirement Longitudinal Study)'를 활용했습니다. 이 데이터베이스는 인구 통계학적으로 매우 상세한 정보를 제공했습니다. 연구진은 단순히 누가 병에 걸리는지만 본 것이 아니라, 머신러닝이라 불리는 고급 컴퓨터 알고리즘을 사용하여 각 개인의 수천 가지 데이터 포인트를 분석했습니다. 이 데이터 포인트에는 혈당 수치와 콜레스테롤부터 허리둘레, 악력, 심지어 우울증 증상을 측정하는 점수에 이르기까지 모든 것이 포함되었습니다. 목표는 컴퓨터가 인간 의사가 놓칠 수 있는 패턴을 인식하도록 학습시켜, 향후 9년 내에 당뇨병, 심장 질환, 또는 두 가지 모두를 겪게 될 사람을 예측하는 것이었습니다.

결과는 이러한 질환들을 예측하는 것이 얼마나 쉽거나 어려운지에 대한 명확한 위계를 보여주었습니다. 컴퓨터 모델은 당뇨병을 예측하는 데 가장 성공적이었으며, 0.71의 AUC(곡선 아래 면적)를 달ach했습니다. 이 높은 성능은 당뇨병의 징후가 진단되기 훨씬 전부터 일상적인 혈액 검사와 신체 측정값에 명확하게 기록되어 있음을 시사합니다. 반면, 심장 질환을 예측하는 것은 훨씬 더 어려운 것으로 나타났는데, 모델의 AUC는 0.63에 불과했습니다. 연구진은 심장 질환이 갑작스러운 사건과 일반적인 정기 검진에서 항상 포착되지 않는 요인들에 의해 영향을 받는, 훨씬 더 복잡한 퍼즐이라는 것을 발견했습니다. 두 가지 질환이 모두 발생하는 결합 질환에 대한 예측은 그 중간 정도인 약 0.63의 AUC를 기록했습니다.

무엇이 이러한 예측을 가능하게 했으며, 무엇을 밝혀냈을까요? 당뇨병의 경우, 컴퓨터는 높은 혈당과 비만이 주요 동력임을 정확히 식별했습니다. 그러나 결합된 형태인 심장 대사 다가 질환의 경우, 다른 일련의 요인들이 상위권에 올랐습니다. 가장 강력한 예측 인자는 단순한 체중 측정이 아니라, 연령, 허리둘레, 혈중 지질 수치를 결합하여 복부 내부 장물 주변에 지방이 얼마나 저장되어 있는지를 계산하는 '중국 내장 지방 지수(Chinese Visceral Adiposity Index)'라는 특화된 지표였습니다. 연구는 이 깊은 뱃속 지방이 일반적인 체중보다 결합 질환에 대해 훨씬 더 나은 경고 신호임을 보여주었습니다.

더욱 놀라운 점은 정신 건강의 역할이었습니다. 컴퓨터 분석 결과, 우울증 증상은 내장 지방 지수 바로 뒤를 이어 결합 질환의 두 번째로 중요한 예측 인자로 나타났습니다. 데이터는 강력한 연결 고리를 시사했습니다. 즉, 과도한 내장 지방을 지니고 있으면서 동시에 우울 증상으로 고통받는 경우, 당뇨병과 심장 질환이 모두 발생할 위험이 현저히 높아진다는 것입니다. 이 두 요인은 서로를 증폭시키는 듯 보였으며, 이는 각각의 합보다 더 큰 위험 프로필을 만들어냈습니다. 이 발견은 정신적 고통의 스트레스와 내장 지방의 물리적 부담이 함께 작용하여 신체의 대사를 손상시키는 '심리-대사(psycho-metabolic)' 연결성을 가리킵니다.

이러한 발견을 일상적인 의사들이 사용할 수 있도록 만들기 위해, 연구진은 복잡한 컴퓨터 모델을 사용하기 쉬운 점수표(scorecards)로 단순화하려고 시도했습니다. 당뇨병과 결합 질환의 경우, 이는 효과적이었습니다. 혈당, 허리둘레, 우울증 점수와 같은 주요 위험 요인을 기반으로 한 간단한 체크리스트를 만들었으며, 이는 전체 컴퓨터 모델의 예측력을 거의 그대로 유지했습니다. 의사는 임상에서 환자를 빠르게 선별하기 위해 이 점수표를 사용할 수 있습니다. 그러나 심장 질환에 대해 유사한 간단한 점수표를 만들려는 시도는 실패했습니다. 단순화된 도구는 성능이 저조하여, 병에 걸릴 사람과 그렇지 않을 사람을 구분해내지 못했습니다. 이 실패는 심장 질환이 단순한 선형 체크리스트로 축소될 수 없을 만큼 복잡하다는 것을 강조하며, 이를 정확하게 예측하기 위해서는 더 정교한 도구나 새로운 유형의 의료 데이터가 필요함을 시사합니다.

본 연구는 당뇨병과 당뇨병-심혈관 결합 위험은 일상적인 데이터를 통해 상당히 정확하게 예측할 수 있는 반면, 심장 질환 단독 예측은 여전히 큰 도전 과제로 남아 있다는 결론을 내립니다. 이 연구는 전체적인 관점에서 사람을 바라보는 것이 필수적임을 강조합니다. 체중이나 혈압을 독립적으로 측정하는 것만으로는 충분하지 않습니다. 중장년층 및 노년층의 위험을 진정으로 이해하기 위해서는 지방이 체내 어디에 저장되는지를 살펴보고, 정신적 안녕이 신체적 웰빙에 미치는 심대한 영향을 인정해야 합니다. 이러한 통찰력을 통합함으로써, 의료 제공자들은 대사 및 심혈관 질환의 이중 부담을 예방하기 위한 보다 총체적인 접근 방식으로 나아갈 수 있습니다.

기술 요약: BMI를 넘어: 중국 내장지방 지수(CVAI)가 CHARLS 코호트의 9년 심혈관 대사 다중 질환 예측 성능을 개선함

문제 제기
심혈관 질환(CVD)과 당뇨병(DM)의 공존으로 정의되는 심혈관 대사 다중 질환(CMM)은 중국의 고령화 인구 사이에서 증가하는 공중보건 과제이다. 프래밍햄 위험 점수(Framingam Risk Score)와 같은 전통적인 위험 예측 도구들은 선형 통계적 가설과 제한된 변수에 의존하며, 이로 인해 다차원적 위험 요인 간의 비선형적 상호작용을 포착하지 못하는 경우가 많다. 또한, 기존 연구는 주로 DM 또는 CVD를 개별적인 결과로 다루어 왔으며, 복합적인 CMM 종점(endpoint)을 목표로 하는 체계적인 예측 연구에는 공백이 존재한다. 아울러, 내장 지방 조직(VAT)을 정량화하는 골드 스탠다드인 CT 및 MRI는 대규모 스크리닝에 부적합하다. 따라서 새로운 계산 가능한 지표인 중국 내장지방 지수(CVAI)와 머신러닝(ML) 알고리즘이 중장년층 및 노년층 중국 성인의 DM, CVD, CMM에 대한 위험 계층화 능력을 개선할 수 있는지 평가할 필요가 있다.

연구 방법론

데이터 소스: 본 연구는 2011년부터 2020년까지 5개 웨이브에 걸친 중국 건강 및 은퇴 추적 조사(CHARLS)의 국가 대표성을 갖춘 종단적 데이터셋을 활용하였다.
코호트: 기저 시점 제외 기준(진입 시 질병 미발생)에 따라 세 개의 별도 코호트를 구축하였다:
- DM 코호트: $n=7,903$ (신규 사례 934건).
- CVD 코호트: $n=9,997$ (신규 사례 2,265건).
- CMM 코호트: $n=9,490$ (신규 사례 2,745건; DM 또는 CVD 중 첫 발생으로 정의).
예측 변수: 분석에는 사회인구학적, 생활 방식, 신체 계측/생리학적 측정, 대사/생화학적 지표의 4개 영역에 걸친 23개 기저 변수가 포함되었다. 결정적으로 CVAI, 지질 축적 제품(LAP), 신체 원형 지수(BRI), TyG 기반 지수를 포함한 여러 복합 지수들이 계산되었다.
머신러닝 접근법: 네 가지 지도 학습 머신러닝 알고리즘을 훈련하고 평가하였다: 로지스틱 회귀(LR), 랜덤 포레스트(RF), XGBoost, LightGBM.
- 데이터는 층화 추출을 사용하여 7:3 비율로 훈련 및 테스트 세트로 분할되었다.
- 변수 선택은 랜덤 포레스트 기반의 SelectFromModel 방식을 사용하여 코호트당 16개의 특징을 유지하였다.
- 하이퍼파라미터는 그리드 서치를 동반한 5-겹 층화 교차 검증을 통해 최적화되었다.
평가 지표: 성능은 AUC(곡선 아래 면적), 민감도, 특이도, Brier 점수 및 교정 곡선을 사용하여 평가되었다. 모델 해석력은 트리 기반 모델에 대한 SHAP(SHapley Additive exPlanations) 분석과 로지스틱 회귀에 대한 표준화 회귀 계수를 통해 확보되었다. 주요 특징들을 기반으로 단순화된 위험 점수표(scorecard)를 개발하여 임상적 유용성을 평가하였다.

주요 결과

발생률: 9년 누적 발생률은 DM 11.8%, CVD 22.7%, CMM 28.9%였다.
모델 성능:
- 당뇨병 (DM): 가장 높은 정확도로 예측되었다. XGBoost가 가장 우수한 AUC(0.715)를 기록했으며, 로지스틱 회귀(0.709)가 그 뒤를 바짝 쫓았다.
- 심혈관 질환 (CVD): 예측이 가장 까다로운 것으로 나타났다. 로지스틱 회귀가 가장 우수한 성능(AUC 0.630)을 보였으며, 트리 기반 모델들은 상대적으로 낮은 성능(AUC 범위 0.604–0.623)을 보였다.
- 심혈관 대사 다중 질환 (CMM): 중간 정도의 성능을 보였다. XGBoost가 가장 높은 AUC(0.629)를 달려냈다.
특징 중요도 (SHAP 분석):
- DM: 상위 예측 변수는 혈당 지표(공복 혈당, HbA1c)와 비만 지수(BMI, TyG-BMI)였다. 주목할 점은 우울 증상(CESD)이 4위를 차지했다는 것이다.
- CVD: 연령과 혈압 파라미터(수축기 혈압, 맥압)가 지배적이었다. CVAI는 BMI를 능가하는 가장 강력한 단일 예측 인자로 부상했다. 악력은 보호 요인으로 확인되었다.
- CMM: 상위 두 가지 예측 변수는 CVAI와 **우울 증상(CESD)**이었다. SHAP 상호작용 플롯은 시너지 효과를 드러냈다: CVAI의 위험 기여도는 CESD 점수가 높은 개인, 특히 중-고위치 CVAI 범위에 있는 개인들에게서 유의미하게 증폭되었다.
단순화된 점수표:
- DM(AUC 0.681) 및 CMM(AUC 0.625)을 위한 점수표는 전체 ML 모델의 예측 성능을 대부분 유지하였으며, 이는 1차 의료 스크리닝으로서의 생존 가능성을 시사한다.
- CVD 점수표는 크게 실패하였다(원래 모델 0.630 대비 AUC 0.436), 이는 심혈관 위험이 가용한 변수들에 기반한 단순 선형 점수표로는 적절히 포착될 수 없음을 나타낸다.

의의 및 주장
본 논문은 일상적인 임상 데이터가 머신러닝을 통해 처리될 때, 중국 중장년층 및 노년층의 9년 당뇨병 및 심혈관 대사 다중 질환 위험을 효과적으로 예측할 수 있다고 주장하나, CVD 예측은 여전히 최적화 수준에 미치지 못함을 밝히고 있다.

저자들이 강조한 핵심 기여는 다음과 같다:

CVAI의 검증: 본 연구는 CVAI가 전통적인 비만 지표(BMI 등)보다 CVD 및 CMM 예측에 우월함을 입증하며, 심혈관 대사 위험에서 내장 지방의 결정적인 역할을 재확인하였다.
"심리-대사" 축 (The "Psycho-Metabolic" Axis): 우울 증상(CESD)이 CMM의 상위 예측 인자라는 점과 내장 지방과의 시너지 상호작용을 확인한 것은, 일상적인 심혈관 대사 위험 계층화에 정신 건강 스크리닝을 통합해야 할 필요성을 강조한다.
차별화된 예측 가능성: 본 연구는 표준 데이터를 통해 DM 및 CMM은 충분히 예측 가능하지만, CVD 예측은 새로운 바이오마커나 영상 데이터가 필요하며 현재의 모델은 완만한 변별력만을 제공한다는 점을 확립하였다.
임상적 유용성: DM 및 CMM을 위한 단순화된 점수표 개발은 1차 의료 스크리닝을 위한 실용적인 도구를 제공하는 반면, CVD 점수표의 실패는 선형적 단순화에 저항하는 심혈관 위험 계층화의 내재적 복잡성을 부각한다.

저자들은 본 모델들이 조기 위험 스크리닝을 위한 과학적 근거를 제공하지만, 특히 심혈관 결과에 대한 일반화 가능성과 예측력을 더욱 높이기 위해서는 외부 검증과 멀티오믹스(multi-omics) 또는 영상 데이터의 통합이 필요하다고 결론지었다.

유사한 논문