A Calibrated Glycaemic-Blind Machine-Learning Model for Opportunistic Prediabetes Screening in UK Biobank

수백만 명의 사람들에게 제2형 당뇨병으로 가는 길은 갑작스러운 위기가 아니라, '전당뇨(prediabetes)'라고 불리는 조용하고 중간적인 단계에서 시작됩니다. 이 상태는 혈당 수치가 정상보다 높지만, 아직 본격적인 당뇨병으로 진단될 만큼 높지는 않은 상태를 의미합니다. 이는 매우 중요한 기회의 창입니다. 조기에 발견하면 습관을 변화시켜 질병이 자리 잡는 것을 예 prevent할 수 있기 때문입니다. 하지만 이러한 숨겨진 사례를 찾아내는 것은 어렵습니다. 전당뇨를 선별하는 표준적인 방법은 혈액을 채취하여 HbA1c와 같은 특정 당 관련 지표를 측정하는 것입니다. 이 검사는 정확하지만 비용이 많이 들고, 병원을 방문해야 하며, 의료 시스템에 과부하를 주지 않고 모든 사람을 동시에 검사할 수는 없습니다. 더욱이, 검사 결과들이 서로 일치하지 않는 경우도 있어 의사들이 누가 정말로 추적 관찰이 필요한지 확신하지 못하게 만들기도 합니다. 이는 하나의 딜레마를 낳습니다. 즉, 모든 사람을 테스트하지 않고도 도움이 필요한 사람들을 어떻게 효율적으로 찾아낼 것인가 하는 문제입니다.

한 연구팀은 혈액을 채취하기 전의 필터 역할을 하도록 설계된 새로운 종류의 디지털 도구를 구축함으로써 이 문제를 해결했습니다. 이 도구는 당 수치를 직접 살펴보는 대신(선별 검사 맥락에서는 이것이 유효하지 않으므로), 사람들이 이미 보유하고 있는 다양한 다른 건강 데이터에서 패턴을 포착하도록 컴퓨터 프로그램을 훈련시켰습니다. 이 데이터에는 연령, 신체 치수, 혈압, 흡연 및 음주와 같은 생활 습관, 심지어 유전적 표식까지 포함됩니다. 연구진은 50만 명 이상의 자원봉사자의 건강 기록이 담긴 방대한 데이터베이스인 영국 바이오뱅크(UK Biobank)의 정보를 사용했습니다. 그들은 연구 시작 시점에 당뇨병이 없었던 약 12만 명의 성인 그룹에 집중했습니다. 목표는 머신러러닝 모델이 당과 관련 없는 단서들만을 바탕으로 누가 전당뇨를 앓고 있을 가능성이 높은지 식별해 낼 수 있는지, 즉 환자를 분류(triage)하여 가장 위험도가 높은 사람만이 확진을 위한 혈액 검사를 받게 할 수 있는지 확인하는 것이었습니다.

연구진은 컴퓨터가 단순히 정답을 암기하지 않도록 보장해야 하는 중요한 과제에 직면했습니다. 만약 모델이 자신이 예측해야 할 혈당 수치를 볼 수 있게 된다면, 모델은 거의 완벽한 점수를 얻겠지만, 그 수치가 바로 결여되어 있는 실제 상황에서는 무용지물이 될 것이기 때문입니다. 이를 방지하기 위해 연구진은 모든 직접적인 당 관련 측정치와 이를 간접적으로 드러낼 수 있는 모든 특징을 엄격히 제거했습니다. 그런 다음 2006년에서 2008년 사이에 모집된 자원봉사자들의 데이터로 모델을 훈련시켰고, 2009년 데이터로 그 논리를 테스트했으며, 마지막으로 2010년 데이터를 완전히 보지 못한 테스트용 데이터로 남겨두어 실제 환경에서 모델이 얼마나 잘 작동하는지 확인했습니다. 그들은 이 새로운 시스템을 체중과 가족력에 의존하는 기존의 더 단순한 위험 점수 방식 및 당 수치를 사용할 수 있는 이론적인 '완벽한' 모델과 비교했습니다.

결과는 새로운 접근 방식이 효과가 있다는 것을 보여주었지만, 만능 해결책은 아닙니다. 보지 못한 2010년 그룹을 대상으로 테스트했을 때, 이 모델은 기존의 단순한 설문지보다 전당뇨 환자와 비환자를 더 잘 구별해 냈습니다. 모델은 1.0이 완벽하고 0.5가 추측과 다름없는 수준인 척도에서 0.702의 점수를 기록했습니다. 이는 중간 정도의 정확도이지만, 당 수치를 단 한 번도 보지 않고 달성했다는 점에서 매우 유의미합니다. 모델은 유전적 위험, 약물 복용 이력, 연령, 체질량 지수(BMI), 그리고 특정 간 및 신장 지표가 가장 강력한 단서라는 것을 밝혀냈습니다. 실제로 모델은 당뇨병에 대한 개인의 유전적 위험이 가장 영향력 있는 단일 요인이었으며, 약물 복용 이력과 연령이 그 뒤를 바짝 쫓고 있다는 것을 찾아냈습니다.

의사들에게 유용한 도구가 되도록 하기 위해, 연구진은 모델이 어떻게 행동해야 하는지에 대한 특정 규칙을 설정했습니다. 그들은 시스템이 매우 민감하게 반응하도록, 즉 몇몇 건강한 사람들을 잘못 분류하더라도 가능한 한 많은 실제 사례를 잡아내도록 결정했습니다. 이 높은 민감도 설정에서 모델은 0.922의 AUC를 달성했습니다. 그러나 이러한 높은 포착율에는 대가가 따랐습니다. 모델은 모든 건강한 사람의 76%를 추가 검사 대상으로 분류했습니다. 실질적으로, 모델이 전당뇨 사례 하나를 성공적으로 찾아낼 때마다 약 6명의 건강한 사람을 확진을 위한 혈액 검사로 보냈습니다. 이러한 트레이드오프는 의도된 것입니다. 선별 프로그램에서는 누군가를 놓치는 것보다 몇 명의 건강한 사람을 더 검사하는 것이 더 낫기 때문입니다. 또한 연구진은 모델이 서로 다른 집단의 사람들을 공정하게 다루는지 확인했습니다. 그들은 모델이 남성과 여성에 대해서는 유사하게 작동했지만, 연령과 인종적 배경이 다른 사람들에 대해서는 다르게 작동한다는 것을 발견했습니다. 예를 들어, 모델은 젊은 층에서 정확도가 떨어졌고, 백인 참가자에 비해 아시아계 및 흑인 유전 배경을 가진 사람들에게서 더 많은 오보(false alarm)를 생성했는데, 이는 단 하나의 규칙이 모든 집단에 완벽하게 들어맞지는 않는다는 점을 강조합니다.

본 연구는 이처럼 보정된 '당을 보지 않는(sugar-blind)' 모델이 2단계 선별 과정의 실행 가능한 첫 단계임을 결론짓습니다. 이 모델은 일상적인 혈액 검사나 생활 습관 설문지와 같이 전자 건강 기록에 이미 존재하는 데이터를 사용하여 대규모 인구를 효과적으로 스캔하고, 더 비싸고 특정한 당 검사가 필요한 사람들의 우선순위를 정할 수 있습니다. 연구진은 이 도구가 진단 도구가 아니라 '트리아지(triage, 환자 분류)' 시스템임을 강조합니다. 이는 혈액 검사를 대체하는 것이 아니라, 가장 도움이 될 가능성이 높은 사람들에게 검사를 집중함으로써 그 검사들이 더 가치 있게 만들어 주는 역할을 합니다. 또한 연구진은 모델이 아직 일반적인 진료 현장에서 일상적이지 않은 유전 데이터에 크게 의존하고 있다는 점을 한계점으로 지적했습니다. 향후 버전은 다양한 인구 집단에서도 테스트되어야 하며, 진정으로 일상적인 임상 현장에서 사용되기 위해서는 유전 정보 없이도 작동하도록 조정될 필요가 있습니다. 현재로서는, 이 연구는 세심한 설계가 뒷받 ve면 컴퓨터가 우리 삶의 일상적인 세부 사항들을 통해 대사 문제가 발생할 초기 징후를 포착할 수 있음을 보여주며, 조용한 질병이 되기 전의 상태를 잡아낼 수 있는 새로운 방법을 제시하고 있습니다.