A spatiotemporally validated machine-learning score for venous thromboembolism risk after neurosurgery

기술 요약: 신경외과 수술 후 VTE 위험 예측을 위한 시공간적 검증을 거친 머신러닝 점수

문제 제기
정맥 혈전색전증(VTE)은 신경외과 수술 후 발생하는 생명을 위협하는 합병증이지만, 현재의 위험 계층화 도구들은 상당한 한계에 직면해 있다. 널리 사용되는 Caprini 위험 평가 모델은 신경외과 환자군에서 보편적으로 나타나는 일반적인 수술 요인(예: 수술 시간 연장, 활동 제한)에 점수를 부여하기 때문에 이들 인구 집단에서 위험도를 과대평가하는 경-향이 있으며, 이는 대부분의 환자가 고위험군으로 분류되는 '천장 효과(ceiling effect)'를 초래한다. 이는 특이도를 저하시키고 개별화된 혈전 예방 조치를 방해한다. 더욱이, 기존의 머신러닝(ML) 기반 VTE 예측 모델들은 해석 가능성이 부족하거나, 임상적 부담을 가중시키는 과도한 변수를 요구하거나, 엄격한 시간적 및 외부 검증을 거치지 않아 서로 다른 기관 및 임상 환경에서의 일반화 능력이 떨어진다는 한계가 있다.

방법론
본 연구는 TRIPOD 및 STROBE 가이드라인을 준수하여 회고적 예측 모델 개발 및 검증 설계를 채택하였다.

• 데이터 소스: 내부 데이터셋은 푸단 대학교 화산 병원(2018년 8월~2021년 12월)의 성인 신경외과 환자 3,644명으로 구성되었다. 계산 효율성을 최적화하면서 모든 결과 이벤트를 유지하기 위해 1:4 케이스-컨트롤 샘플링 전략을 사용하여 VTE 발생률을 모델 학습을 위해 약 20%로 인위적으로 높였다(VTE 사례 731건, 대조군 2,913건). 이 코호트는 연대순에 따라 훈련 세트(n=2,627)와 시간적 테스트 세트(n=1,017)로 분할되었다. 독립적인 외부 검증은 MIMIC-IV 데이터베이스(n=10,268, VTE 발생률 4.34%)를 사용하여 수행되었다.
• 특징 선택: 후보 예측 변수는 Caprini 점수의 편향 삽입을 피하기 위해 이를 명시적으로 제외하고, 일상적으로 사용 가능한 주술기 변수로 제한하였다. 초기 특징 감소 과정을 통해 25개의 후보를 15개의 핵심 특징으로 압축하였다.
• 모델 개발: 중첩 5-겹 교차 검증(nested five-fold cross-validation)을 사용하여 네 가지 모델 아키텍처(Random Forest, Extreme Gradient Boosting(XGBoost), LASSO 규제 로지스틱 회귀, 전통적 로지스틱 회귀)를 평가하였다. XGBoost가 내부 테스트 세트에서 가장 높은 변별력(AUC=0.790)을 보였다.
• 해석 가능성 및 단순화: 최적의 XGBoost 모델에 SHAP(SHapley Additive exPlanations) 및 순열 중요도(permutation importance)를 적용하여 가장 영향력 있는 예측 변수를 식별하였다. 이 과정을 통해 네 가지 핵심 변수인 **최고치 D-dimer, 연령, 수혈, 체질량 지수(BMI)**를 분리해 냈다.
• 점수 도출: 네 가지 범주화된 예측 변수의 상대적 평균 SHAP 값에 비례하여 점수를 할당함으로써 단순화된 임상 점수(0–18점)를 도출하였다. 위험 범주는 저위험(0–3점), 중등도(4–7점), 고위험(≥8점)으로 정의하였다.
• 검증: 모델은 내부 시간적 테스트 코호트와 외부 MIMIC-IV 코호트 모두에서 변별력(AUC), 보정(calibration), 임상적 유용성(의사 결정 곡선 분석, DCA), 위험 재분류를 평가하는 시공간적 검증을 거쳤다.

주요 결과

• 예측 성능: 단순화된 4변수 점수는 모든 검증 설정에서 Caprini 모델보다 유의하게 우수한 성능을 보였다.
  • 내부 테스트 코호트: 새로운 점수의 AUC는 0.745 (95% CI, 0.707–0.782)였으며, Caprini 모델은 0.662였다 (P < 0.0001).
  • 외부 검증 (MIMIC-IV): 새로운 점수의 AUC는 0.726 (95% CI, 0.703–0.749)였으며, Caprini 모델은 0.642였다 (P < 0.0001).
  • 단순화된 점수는 전체 연속형 로지스틱 회귀 모델과 통계적으로 비열등함을 보여, 모델을 4개 변수로 축소해도 예측 무결성이 유지됨을 확인하였다.
• 임상적 유용성: 의사 결정 곡선 분석(DCA) 결과, 새로운 점수는 모든 관련 임계 확률에서 Caprini 도구보다 일관되게 더 높은 순 임상 이득(net clinical benefit)을 제공하였다.
• 위험 재분류: Sankey 다이어그램 분석 결과, 새로운 점수는 Caprini 모델이 고위험군으로 부적절하게 과대평가했던 상당수의 환자를 중등도 또는 저위험 범주로 안전하게 재배정하였다. 이는 새로운 모델이 체계적인 과잉 경보를 완화할 수 있음을 시사한다.
• 특징 중요도: 최고치 D-dimer가 지배적인 예측 변수로 나타났으며, 연령, 수혈, BMI가 그 뒤를 이었다. 주목할 점은 혈액형이 이 코호트에서 유의한 연관성을 보이지 않았다는 것이며, 이는 일부 일반 문헌과는 대조적이다.

핵심 기여

1. 간결한 점수의 개발: 본 연구는 복잡한 머신러닝 결과를 임상 현장에서 적용 가능한 간결하고 해석 가능한 4변수 점수(최고치 D-dimer, 연령, 수혈, BMI)로 성공적으로 변환하였다.
2. 엄격한 시공간적 검증: 많은 선행 연구와 달리, 본 모델은 시간적(훈련 데이터와 구별되는 별도의 기간 사용)뿐만 아니라 지리적 및 기관적(독립적인 MIMIC-IV 데이터베이스 사용)으로도 검증되어 견고한 전이 가능성을 입증하였다.
3. 과대평가 문제 해결: 본 연구는 Caprini 모델이 신경외과 환자의 VTE 위험을 과대평가한다는 실증적 근거를 제시하며, 민감도를 희생하지 않으면서도 특이도를 개선하는 검증된 대안을 제공한다.
4. 임상 구현 도구: 저자들은 이 위험 계층화 도구의 도입을 촉진하기 위해 사용자 친화적인 임상 노모그램과 동적 웹 기반 계산기를 개발하였다.

의의 및 주장
본 논문은 시공간적으로 검증된 4변수 점수가 기존의 프레임워크보다 신경외과 분야에서 우수한 VTE 위험 계층화 방법을 제공한다고 주장한다. 일상적으로 사용 가능한 조기 수술 후 파라미터만을 활용함으로써, 이 도구는 임상의의 평가 부담을 줄이는 동시에 더 정밀하고 개별화된 혈전 예방 전략을 가능하게 하는 것을 목표로 한다. 저자들은 저위험 환자에게는 기계적 예방 조치와 조기 거동을 권장하고, 중등도 및 고위험 환자에게는 맞춤형 약물 중재를 제공하는 위험 계층화 임상 경로를 제안한다. 결론적으로, 본 연구는 머신러닝이 일상적인 임상 실무에 필요한 실행 가능성을 유지하면서도 VTE 예측 정확도를 실질적으로 향 향상할 수 있음을 보여주며, 이를 통해 고위험군 환자에 대한 더 안전한 관리를 지원한다.