Uncertainty-Aware Multi-Outcome Screening for Undiagnosed Cardiometabolic Disease in the United States Population Using NHANES

미국의 수백만 명의 성인들이 자신이 앓고 있다는 사실조차 모르는 심각한 건강 상태를 안고 살아갑니다. 당뇨병, 고혈압, 고콜레스테롤혈증과 같은 질환은 종종 소리 없이 진행되며, 사람이 병을 느끼거나 증상을 인지하기 훨씬 전부터 신체의 화학적 변화를 일으킵니다. 이러한 문제들이 발견될 때쯤에는 이미 심장, 신장 또는 혈관에 손상을 입혔을 수도 있습니다. 공중보건 전문가들은 이러한 숨겨진 질환을 조기에 발견하는 것이 매우 중요하다는 것을 오래전부터 알고 있었지만, 전체 인구를 대상으로 스크리닝을 하는 것은 거대한 물류적 과제입니다. 의사들이 매 방문 시마다 모든 질병에 대해 모든 검사를 수행할 수는 없으며, 단순한 설문지는 정확도가 떨어지는 경우가 많습니다. 핵심적인 어려움은 정확성과 신뢰 사이의 균ền형을 맞추는 데 있습니다. 컴퓨터 프로그램이 위험군을 예측할 수는 있지만, 만약 그 프로그램이 자신의 답변에 확신이 없다면, 의사는 불필요한 공포를 유발하거나 진단을 놓칠 위험 없이 그 결과를 바탕으로 행동할 수 없습니다.

연구팀은 단순히 누가 아픈지를 추측하는 것이 아니라, 자신이 언제 추측하고 있는지도 아는 새로운 형태의 스크리닝 시스템을 구축함으로써 이 문제를 해결하고자 했습니다. 대규모 국가 건강 조사 데이터를 사용하여, 연구진은 다섯 가지 서로 다른 미진단 질환의 징후를 찾도록 컴퓨터 모델을 학습시켰습니다. 이들의 접근 방식이 독특했던 점은 예측에 '불확실성'이라는 층을 추가했다는 것입니다. 모든 사람에 대해 예/아니오라는 답을 강요하는 대신, 이 시스템은 스스로 충분히 확신할 수 없을 때는 결정을 내리지 못한다고 인정하도록 설계되었습니다. 이를 통해 연구진은 안전하게 제외할 수 있는 사람과 추가 검사가 필요한 사람을 구분할 수 있었으며, 이는 일반적인 컴퓨터 모델이 갖지 못한 안전망을 만들어냈습니다.

연구진은 미국의 건강 상태를 추적하기 위해 수천 명의 미국인을 인터뷰하고 검사하는 장기 연구인 '국가 건강 및 영양 조사(NHANES)'를 활용했습니다. 그들은 2011년부터 2014년 사이에 수집된 데이터에 집중하여 20,000명 이상의 성인 집단을 구성했습니다. 그들의 목표는 질병의 의학적 기준에는 부합하지만 의사로부터 해당 질환을 진단받은 적이 없는 사람들을 찾는 것이었습니다. 그들은 다섯 가지 특정 대상을 정의했습니다: 미진단 당뇨병, 미진단 고혈압, 미진단 고콜레스테롤혈증, 신장 질환 위험, 그리고 이 중 적어도 하나 이상의 숨겨진 문제를 가진 사람들을 포함하는 통합 범주입니다. 컴퓨터 모델이 단순히 질병을 진단하는 기준이 되는 검사 결과 자체를 단서로 사용하지 않도록 하기 위해, 연구진은 모델이 질병을 예측할 때 해당 질병을 정의하는 특정 혈액 검사 수치를 사용하는 것을 엄격히 금지했습니다. 예를 들어, 미진단 당뇨병을 예측하기 위해 모델은 개인의 연령과 체중은 볼 수 있었지만, 질병을 진단하는 데 쓰이는 바로 그 요소인 혈당 수치는 볼 수 없었습니다.

모델이 실제 환경에서 어떻게 작동할지 테스트하기 위해, 연구팀은 의사가 이 모델을 사용할 수 있는 세 가지 서로 다른 상황을 시뮬레이션했습니다. 첫 번째 설정은 연령, 소득, 병력과 같은 기초 정보만 사용할 수 있는 지역사회 조사 환경입니다. 두 번째 설정은 혈압과 허리둘레 같은 일상적인 신체 검사 데이터를 추가한 환경입니다. 세 번째 설정은 일반적인 콜레스테롤 수치와 같은 흔한 실험실 검사 결과를 포함하는 전체 임상 진료 환경입니다. 연구진은 단순한 통계 공식부터 데이터에서 패턴을 찾아내는 복잡한 인공지능 네트워크에 이르기까지 여섯 가지 유형의 컴퓨터 알고리즘을 테스트했습니다. 결과는 더 상세한 정보가 가용해질수록 모델이 숨겨진 질병을 찾아내는 능력이 현저히 향로된다는 것을 보여주었습니다. 모델이 전체 실험실 결과에 접근할 수 있게 되었을 때, 가장 발전된 트리 기반 알고리즘은 미진단 고콜레스테롤혈증과 고혈압 사례의 거의 대부분을 정확하게 식별해 냈으며, AUC 점수는 각각 0.984와 0.977에 달했습니다.

그러나 가장 중요한 발견은 모델이 얼마나 정확한가가 아니라, 모델이 자신의 확신을 어떻게 다루느냐였습니다. 연구진은 모든 예측에 확실성의 척도를 부여하기 위해 '컨포멀 예측(conformal prediction)'이라는 방법을 사용했습니다. 이 시스템은 모델이 확신한다고 말할 때, 최소 90%의 확률로 옳다는 것을 보장합니다. 이 방식을 결과에 적용했을 때, 모델들 사이에서 놀라운 차이가 나타났습니다. 가장 정교한 트리 기반 모델들은 거의 모든 사람에 대해 확신 있는 결정을 내릴 수 있었으며, 오직 아주 적은 비율의 사람들만을 '불확도' 상태로 분류했습니다. 반면, 표준 통계에 기반한 더 단순한 모델은 동일한 수준의 안전성을 유지하기 위해 거의 60%의 사람들을 추가 검사 대상으로 분류해야 할 정도로 자신의 답변에 확신이 없었습니다. 이는 두 모델이 순수한 정확도 측면에서는 서류상으로 비슷해 보일지라도, 단순한 모델은 과도한 의뢰로 병원을 마비시키는 반면, 더 똑똑한 모델은 환자를 효율적으로 분류할 수 있음을 의미했습니다.

연구는 또한 미국 내에 숨겨진 질병의 부담이 상당하다는 점을 밝혀냈습니다. 연구진이 자신들의 발견을 국가 인구에 적용했을 때, 미국 성인 4명 중 1명은 적어도 하나의 이러한 심혈관계 대사 질환을 인지하지 못한 채 앓고 있는 것으로 추정되었습니다. 가장 흔한 숨겨진 문제는 고콜레스테롤혈증으로 인구의 약 13.7%에 달했으며, 고혈압이 13.5%로 그 뒤를 바짝 쫓았습니다. 미진단 당뇨병은 상대적으로 덜 흔했지만 3.1%로 여전히 유의미했습니다. 이 수치들은 많은 인구가 조기에 발견되기만 하면 관리할 수 있는 '침묵의 위험 요소'를 품고 살아간다는 사실을 확인시켜 줍니다.

연구진은 또한 컴퓨터 모델이 데이터를 어떻게 '생각'하는지도 탐구했습니다. 그들은 신경망이 생성한 내부 표현을 살펴보았고, 이 모델들이 질병을 별개의 독립된 상자들로 보지 않는다는 것을 발견했습니다. 대신, 모델은 심혈관계 건강이 연속적인 스펙트럼상에 존재한다는 것을 학습했습니다. 어떤 사람은 약간의 고혈압과 약간의 고콜레스테롤혈증을 가질 수 있는데, 모델은 이를 서로 무관한 문제들의 집합이 아니라 하나의 흐르는 듯한 위험 부담으로 이해했습니다. 이러한 통찰은 이 질환들이 서로 깊이 연결되어 있으며, 단순한 체크리스트가 놓칠 수 있는 방식으로 시간이 흐름에 따라 축적된다는 점을 시사합니다.

궁극적으로, 이 연구는 의료 스크리닝의 미래가 단순히 더 똑똑한 알고리즘을 만드는 것이 아니라, 멈춰서 도움을 요청할 줄 아는 시스템을 구축하는 데 있음을 보여줍니다. 높은 정확도와 명확한 불확실성 신호를 결합함으로써, 이러한 도구들은 의사가 누가 빠른 검진을 받아야 하고 누가 정밀 검사를 받아야 하는지 결정하는 데 도움을 줄 수 있습니다. 연구는 단계적인 접근 방식이 가장 효과적임을 시사합니다. 즉, 지역사회에서 간단한 질문으로 주의가 필요한 사람을 먼저 찾아낸 다음, 위험군으로 분류된 사람들에게 신체 검사와 실험실 검사를 진행하는 방식입니다. 이 방법은 자원을 효율적으로 사용하여, 건강한 사람들에 대한 불필요한 검사를 피하면서도 가장 취약한 사람들이 방치되는 것을 방지합니다. 이 연구는 인공지능을 의사의 대체재가 아니라, 자신의 한계를 아는 신뢰할 수 있는 파트너로서 의료 현장에서 어떻게 활용할 것인지에 대한 실질적인 청사진을 제공합니다.