Prediction of non-surgical spinal decompression efficacy in lumbar disc herniation patients is based on pre-treatment paravertebral muscle MRI radiomics and clinical factors in a two-center study with external validation.

허리 통증은 보편적인 인간의 경험이자, 수백만 명의 경제 활동 인구에게 지속적인 동반자로서 단순한 움직임조차 일상의 고통으로 바꿀 수 있는 문제입니다. 하부 척추 뼈 사이의 완충 역할을 하는 디스크가 제자리에서 벗어나면 신경을 압박하여 다리로 뻗치는 날카로운 통증을 유발하고 사람의 기능 수행 능력을 제한할 수 있습니다. 심각한 경우에는 수술이 하나의 옵션이 될 수 있지만, 대부분의 환자들은 먼저 신체를 절개하지 않고 압력을 완화하도록 설계된 보존적 치료를 권유받습니다. 그러한 방법 중 하나는 특수 기계를 사용하여 척추를 부드럽게 늘려줌으로써 신경을 위한 공간을 만들고 신체가 스스로 치유되도록 유도하는 것입니다. 그러나 이 치료법이 모든 사람에게 효과가 있는 것은 아닙. 어떤 환자들은 즉각적인 완화를 느끼는 반면, 어떤 이들은 아무런 변화를 느끼지 못하기도 합니다. 수십 년 동안 의사들은 명확하고 객적인 예측 방법 없이 경험과 일반적인 증상에 의존하여 어떤 환자가 효과를 볼지를 추측해야만 했습니다.

이제 한 연구팀이 그 질문에 답하는 데 도움이 될 새로운 도구를 개발했습니다. 표준 의료 영상과 고급 컴퓨터 분석을 결합하여, 그들은 치료 시작 전 환자의 척추를 살펴보고 얼마나 개선될 가능성이 높은지 추정할 수 있는 시스템을 만들었습니다. 이 연구는 표준 스캔에서는 종종 간과되는 척추를 따라 흐르는 근육에 초점을 맞췄습니다. 연구진은 '라디오믹스(radiomics)'라고 불리는 기술을 사용하여, 인간의 눈으로는 볼 수 없는 근육의 질감과 구성의 미세하고 보이지 않는 패턴을 감지하도록 컴퓨터를 학습시켰습니다. 그들은 이러한 근육 패턴을 환자의 연령 및 건강 이력과 같은 간단한 사실들과 함께 살펴봄으로써, 누가 견인 치료에 잘 반응할지, 그리고 누가 그렇지 않을지를 정확하게 예측할 수 있다는 것을 발견했습니다.

연구진은 비수술적 척추 감압 치료를 받은 두 곳의 서로 다른 병원에서 온 766명의 환자 데이터를 수집했습니다. 치료 시작 전, 모든 환자는 허리 MRI 스캔을 촬영했습니다. 연구팀은 세 가지 특정 근육 그룹에 주목했습니다: 복부 깊숙이 위치한 대요근(psoas major), 척추를 지지하는 척추기립근(erector spinae), 그리고 각 척추 마디를 안정시키는 작지만 결정적인 역할을 하는 다열근(multifidus)입니다. 특수 소프트웨어를 사용하여 연구진은 MRI 영상에서 이 근육들을 매핑하고 수백 개의 정량적 특징들을 추출했습니다. 이 특징들은 조직의 밀도, 지방의 존재, 근섬유의 미세한 질감과 같은 요소들을 측정했습니다.

이 방대한 양의 데이터를 이해하기 위해 연구팀은 사례 연구를 통해 패턴을 인식하는 법을 배우는 컴퓨터 프로그램의 일종인 머신러닝을 사용했습니다. 그들은 환자들을 그룹으로 나누어, 한 그룹은 컴퓨터를 학습시키는 데 사용하고 별도의 그룹은 그 예측을 테스트하는 데 사용했습니다. 컴퓨터는 치료 후 유의미하게 호전된 환자와 그렇지 않은 환자를 구별하는 법을 배웠습니다. 결과는 컴퓨터 모델이 매우 정확하다는 것을 보여주었습니다. 모델이 근육 데이터와 환자의 연령, 당뇨병이나 고혈압 여부, 직업과 같은 기본적인 임상 정보를 결합했을 때, 이는 단일 정보원만 사용할 때보다 더 우수한 성능을 보였습니다.

가장 중요한 발견은 컴퓨터가 성공을 예측하는 근육 내의 특정 징후를 식별할 수 있다는 점이었습니다. 분석 결과, 다열근의 상태가 특히 결정적인 것으로 나타났습니다. 다열근이 건강한 질감을 보이고 지방 침윤이 적은 환자들은 치료에 잘 반응할 가능성이 훨씬 높았습니다. 반대로, 근육이 퇴행되었거나 지방 침윤이 심하게 나타난 환자들은 혜택을 볼 가능성이 낮았습니다. 또한 컴퓨터는 의사들이 오랫동안 의심해 온 사실, 즉 연령이 주요 요인이라는 점을 확인해주었습니다. 척추 디스크와 근육이 일반적으로 더 유연하고 수분 함량이 높은 젊은 환자들이, 조직이 더 딱딱하고 마모된 노인 환자들보다 훨씬 더 잘 반응했습니다.

이 연구는 단순히 숫자 목록을 만들어낸 것이 아니라, 의사 결정을 안내할 수 있는 실용적인 모델을 구축했습니다. 연구진은 이 모델이 실제 환경에서도 작동하는지 확인하기 위해 다른 병원의 완전히 새로운 환자 그룹을 대상으로 모델을 테스트했으며, 모델은 그 효과를 입증했습니다. 모델은 개선될 환자의 대다수를 정확히 식야별해냈으며, 동시에 결과가 나타나지 않을 환자들도 짚어냈습니다. 이는 매우 중요한데, 의사들이 효과가 없을 가능성이 높은 치료에 환자를 노출시키는 것을 피함으로써 시간과 자원을 절약할 수 있기 때문입니다. 대신, 해당 환자들에게는 수술이나 다른 치료법과 같은 다른 옵션을 더 빨리 제시할 수 있습니다.

이 접근 방식이 독특한 이유는 전체적인 그림을 본다는 점에 있습니다. 이전 연구들은 주로 디스크 자체에만 집중하거나 의사의 주관적인 평가에만 의존했습니다. 이 새로운 방법은 척추를 주변 근육의 건강 상태가 디스크의 상태만큼이나 중요한 하나의 '시스템'으로 취급합니다. 컴퓨터 분석은 마치 고성능 현미경처럼 작동하여, 감압 기계의 부드러운 견인력을 척추가 효과적으로 받아들일 수 있는지 결정하는 근육 조직의 미묘한 차이를 밝혀냅니다. 만약 근육이 너무 약하거나 뻣뻣하면, 근육은 디스크에 필요한 힘을 전달할 수 없으며, 결국 치료는 실패하게 됩니다.

연구진은 자신들의 작업이 과거의 데이터를 살펴보는 것에 기반하고 있으므로, 환자들을 추적 관찰하는 미래 연구를 통해 확인될 필요가 있다는 점을 주의 깊게 언급했습니다. 또한 MRI 스캔에서 근육을 매핑하는 과정이 수작업으로 이루어져 시간이 많이 소요된다는 점을 인정했으며, 향다 버전의 도구는 속도를 높이기 위해 자동화된 시스템을 사용할 수 있다고 밝혔습니다. 이러한 한계에도 불구하고, 이 연구는 허리 통증 치료에 대한 새로운 사고방식의 강력한 토대를 제공합니다. 이는 척추 치료를 '모두에게 적용되는 방식'에서 벗어나, 환자 자신의 몸에서 나온 데이터에 기반한 '개인 맞춤형 전략'으로 이동시킵니다.

결국, 이 연구는 정밀하고 객관적인 증거에 의해 의료 결정이 내려지는 미래를 엿보게 해줍니다. 근육 조직의 숨겨진 언어를 이해함으로써, 의사들은 환자에게 적합한 치료법을 더 잘 매칭할 수 있습니다. 디스크 탈출으로 고통받는 수백만 명의 사람들에게 이는 보존적 치료가 도움이 될지, 아니면 다른 옵션을 고려해야 할 시기인지에 대한 불확실성을 줄여주는 더 명확한 길을 제시합니다. 이 연구가 모든 사람을 위한 완치를 약속하는 것은 아니지만, 각 개인에게 맞는 올바른 경로를 선택하는 더 스마트한 방법을 약속합니다.