Machine learning-based identification of key risk factors for deep vein thrombosis within one week after total joint arthroplasty in elderly patients

매년 수백만 명의 노인들이 마모된 고관절이나 무릎 관절을 교체하는 주요 수술을 받으며, 이 절차는 운동 능력을 회복시키고 통증을 완화해 줍니다. 그러나 회복 과정에는 숨겨진 위험이 있습니다. 바로 다리의 깊은 정맥에 혈전이 형성되는 것인데, 이를 심부정맥 혈전증이라고 합니다. 고령 환자들에게 이 합병증은 특히 심각합니다. 이는 입원 기간을 연장하고 의료 비용을 증가시키며, 심한 경우 혈전이 폐로 이동하여 생명을 위협하는 사건으로 이어질 수 있습니다. 의사들은 오랫동안 누가 가장 위험한지를 추정하기 위해 표준 체크리스트에 의존해 왔지만, 이러한 도구들은 종 often 모든 관절 치환술 환자를 동일하게 취급하여, 누가 진정으로 위험한지를 구분하지 못한 채 모두를 고위험군으로 분류하곤 합니다. 이러한 정밀함의 부족은 각 개인에게 적절한 수준의 보호를 제공하는 것을 어렵게 만듭니다.

이를 해결하기 위해 연구자들은 머신러닝이라 불리는 컴퓨터 과학의 한 분야로 눈을 돌렸습니다. 고정된 규칙을 따르는 대신, 이 컴퓨터 프로그램들은 방대한 양의 과거 환자 데이터를 학습하여 인간 관찰자가 놓칠 수 있는 복잡한 패턴을 찾아냅니다. 목표는 환자의 병력, 혈액 검사 결과, 그리고 수술 세부 정보를 살펴보고 수술 후 첫 일주일 이내에 혈전이 발생할지 여부를 높은 정확도로 예측할 수 있는 디지털 도구를 구축하는 것입니다. 가장 중요한 요인들을 식별함으로써, 그러한 도구는 의사들이 예방 전략을 맞춤화하여, 추가적인 관개가 필요한 사람에게는 그에 맞는 조치를 제공하고, 그렇지 않은 사람에게는 불필요한 치료를 피하도록 도울 수 있습니다.

중국과학기술대학교의 연구팀은 이러한 도구를 구축하고 테스트하기 위해 나섰습니다. 그들은 2024년 한 병원에서 총 인공 관절 치환술을 받은 60세 이상의 노인 환자 3,050명의 정보를 수집했습니다. 연구팀은 연령, 성별, 체질량 지수(BMI), 당뇨나 암과 같은 병력 등 각 개인에 대한 광범위한 데이터 포인트를 수집했습니다. 또한 염증 수치나 혈액 응고 인자와 같은 수술 전 혈액 검사의 특정 수치들을 추출했으며, 수술 시간, 골 시멘트 사용 여부, 혈류 차단을 위한 지혈대 적용 여부와 같은 수술실의 세부 사항들도 기록했습니다. 그들이 예측하고자 했던 결과는 단순하지만 결정적이었습니다. 즉, 초음파 검사를 통해 확인했을 때 환자가 수술 후 7일 이내에 다리에 혈전이 발생했는지 여부였습니다.

컴퓨터 모델을 훈련시키기 위해 연구진은 의료 데이터에서 흔히 발생하는 문제, 즉 대부분의 환자는 혈전을 발생시키지 않는 반면 소수의 환자만이 혈전을 발생시킨다는 점을 해결해야 했습니다. 이러한 불균형은 학습 알고리즘을 혼란스럽게 할 수 있습니다. 이를 해결하기 위해 그들은 드문 사례 그룹의 합성 예시를 만들어내는 기술을 사용하여, 컴퓨터가 양쪽 모두로부터 균등하게 학습할 수 있도록 데이터셋의 균형을 맞췄습니다. 그런 다음 데이터를 분할하여, 데이터의 대부분을 사용하여 네 가지 다른 유형의 머신러닝 알고리즘이 예측하는 법을 가르쳤고, 나머지 데이터는 새로운 미지의 환자들에 대해 그 예측이 얼마나 잘 작동하는지 테스트하는 데 사용했습니다. 그들이 테스트한 네 가지 알고리즘에는 로지스틱 회귀라고 알려진 전통적인 통계 방법, 일련의 예/아니오 질문을 던지는 결정 트리, 여러 개의 결정 트리를 결합한 랜덤 포레스트, 그리고 자신의 실수를 통해 학습하며 매우 정확한 모델을 구축하는 강력한 방법인 XGBoost가 포함되었습니다.

연구팀이 결과를 비교했을 때, 한 모델이 명확하게 두드러졌습니다. XGBoost 알고리즘이 가장 효과적인 것으로 증명되었으며, 혈전을 생성할 환자와 생성하지 않을 환자를 대다수 정확하게 식별해 냈습니다. 이 모델은 전통적인 통계적 접근 방식이 다양한 위험 요인들 사이의 복잡한 관계를 포착하는 데 어려움을 겪었던 것을 훨씬 뛰어넘는 정확도를 달성했습니다. 랜덤 포레스트 모델도 좋은 성능을 보였으나 아주 정밀하지는 않았으며, 결정 트리와 전통적인 통계 모델은 현저히 뒤처졌습니다. XGBoost 모델의 우수한 성능은 혈전 발생의 위험이 단일 요인에 의해 발생하는 것이 아니라, 오직 정교한 컴퓨터 프로그램만이 풀어낼 수 있는 복잡한 상호작용의 그물망에 의해 결정된다는 것을 시사합니다.

이 모델이 왜 그렇게 잘 작동했는지 이해하기 위해, 연구진은 알고리즘의 층을 벗겨내어 어떤 특정 정보가 예측을 주도하는지 살펴보는 방법을 사용했습니다. 그들은 가장 영향력 있는 요인이 예상과는 달리 수술 시간이나 골 시멘트 사용이 아니라, 환자의 수술 전 혈액 검사 결과라는 것을 발견했습니다. 구체적으로, 혈액이 응고되는 데 걸리는 시간, 염증을 알리는 단백질인 C-반응성 단백질의 수치, 그리고 D-다이머(D-dimer)의 양이 가장 강력한 예측 인자였습니다. 환자의 성별 또한 중요한 역할을 했는데, 이 집단에서는 여성이 남성보다 높은 위험도를 보였습니다. 이러한 발견은 염증과 혈액 응고가 체내에서 어떻게 상호작용하는지에 대한 기존 지식과 일치하며, 이는 수술 자체의 세부 사항보다 수술 전 환자의 내부 상태가 초기 위험을 나타내는 더 신뢰할 수 있는 지표임을 시사합니다.

본 연구는 이러한 머신러닝 접근 방식이 환자 진료를 개선할 수 있는 유망한 방법임을 결론짓습니다. 복잡한 의료 데이터를 정확하게 분류할 수 있는 모델을 사용함으로써, 의사들은 현재의 방식보다 훨씬 더 정밀하게 혈전 위험이 있는 고령 환자를 식별할 수 있게 될 것입니다. 이를 통해 가장 도움이 필요한 사람들에게 자원을 집중하는 등 더욱 표적화된 예방 전략을 세울 수 있습니다. 연구진은 이 작업이 단일 병원의 데이터를 기반으로 하고 있으며, 신뢰성을 확인하기 위해 더 큰 집단을 대상으로 추가적인 테스트가 필요하다는 점을 언급했지만, 결과는 정형외과 수술에서 개인 맞춤형 위험 평가의 새로운 시대를 열 수 있는 강력한 토대를 제공합니다. 앞으로의 과제는 이 도구가 모두에게 효과적으로 작동하도록 다양한 의료 센터에서 이 결과들을 검증하는 것이지만, 더 나은 예측을 통해 위험한 합병증을 예방할 수 있는 가능성은 이제 손에 닿을 곳에 와 있습니다.