Comparing Ordered Logistic Regression and Random Forest for Predicting Lacosamide Trough Concentration Tiers in a Real-World Cohort: A Methodological Cautionary Study

의학의 세계에서 어떤 약물은 자물쇠에 딱 들어맞는 정밀한 열쇠처럼 작용하는 반면, 어떤 약물은 사람마다 크기가 변하는 구멍 난 양동이에 들이붓는 물처럼 행동합니다. 라코사미드(Lacosamide)는 환자마다 매우 큰 차이를 보이는 대표적인 약물입니다. 이 약은 발작을 조절하는 데 사용되며, 의사들은 환자의 혈중 약물 농도가 적절한 수준을 유지하도록 하기 위해 '치료적 약물 모니터링(therapeutic drug monitoring)'이라는 과정에 의존합니다. 농도가 너무 낮으면 발작이 재발할 수 있고, 너무 높으면 환자가 부작용을 겪을 수 있습니다. 문제는 동일한 용량이 사람마다 다른 혈중 농도를 만들어낸다는 점입니다. 연령, 체중, 또는 환자가 복용 중인 다른 약물과 같은 요인들이 모두 이 균형을 변화시킬 수 있습니다. 수년간 의사들은 이러한 알려진 사실들을 컴퓨터에 입력함으로써, 환자의 약물 농도가 정확히 어디에 위치할지 예측하여 처음부터 완벽하고 개인화된 용량을 처방할 수 있기를 희망해 왔습니다.

저장 대학교 의과대학의 연구팀은 이 희망을 검증하기 위해 대규모의 실제 임상 실험을 수행하기로 했습니다. 그들은 단일 병원에서 라코사미드 농도를 측정받은 영유아부터 노인에 이르는 약 천 명의 환자 데이터를 수집했습니다. 연구진은 두 가지 서로 다른 수학적 도구를 사용하여 환자들을 세 그룹, 즉 약물 농도가 낮은 그룹, 안전한 치료 범위에 있는 그룹, 그리고 농도가 너무 높은 그룹으로 분류할 수 있는지 확인하고자 했습니다. 한 가지 도구는 연령과 약물 농도 사이의 직선적 관계를 찾는 '순서형 로지스틱 회귀(ordered logistic regression)'라는 전통적인 통계 방법이었습니다. 다른 하나는 단순한 수학이 놓칠 수 있는 숨겨진 패턴과 연결 고리를 찾아내려는 더 복ền 복잡한 시스템인 '랜덤 포레스트(random forest)'라는 머신러닝 기법이었습니다. 목표는 단 한 번의 혈액 검사와 체중 및 기타 약물 복용 여부와 같은 일상적인 세부 정보를 바탕으로 모델이 환자의 약물 농도 단계를 정확하게 추측할 수 있는지 확인하는 것이었습니다.

연구진은 각 환자에 대해 연령, 성별, 체중, 체중 대비 조절된 라코사미드 용량, 약물 대사를 촉진하는 것으로 알려진 다른 항경련제 복용 여부, 그리고 동시에 복용 중인 다른 항경련제의 개수라는 특정 정보 세트를 컴퓨터 시스템에 입력했습니다. '다른 약물'의 정의는 혈액 검사 시점과 시기가 일치하도록 검사 직전 일주일 이내에 조제된 처방만을 포함하여 매우 엄격하게 설정되었습니다. 그런 다음 연구진은 데이터를 나누어 대부분은 모델을 학습시키는 데 사용하고, 나머지는 모델이 한 번도 보지 못한 환자들에게 얼마나 잘 작동하는지 테스트하는 데 사용했습니다. 결과는 명확했으며, 빠른 계산적 해결책을 기대했던 이들에게는 다소 실망스러웠습니다. 전통적인 통계 모델이나 첨단 머신러닝 시스템 모두 유의미한 정확도로 약물 농도를 예측하지 못했습니다. 두 모델 모두 무작위 추측보다 아주 조금 나은 수준에 불과했습니다. 머신러닝 모델이 전통적인 모델보다 근소하게 앞섰지만, 두 모델 모두 임상적 결정을 내리는 데 필요한 신뢰 수준에 도달하는 데 실패했습니다.

개별 농도를 예측하는 데는 실패했지만, 이 연구는 매우 구체적이고 신뢰할 수 있는 신호 하나를 발견했습니다. 연구진은 환자가 약물 대사를 촉진하는 특정 항경련제를 복용할 때 라코사미드 농도가 유의미하게 낮아진다는 것을 발견했습니다. 이 효과는 모델이 다른 모든 것을 파악하는 데 어려움을 겪을 때조차 감지될 만큼 강력했습니다. 데이터에 따르면, 이러한 상호작용 약물을 복용하는 환자는 그렇지 않은 환자에 비해 높은 약물 농도를 가질 확률이 약 절반 수준이었습니다. 이는 알려진 생물학적 사실을 확인해 주었습니다. 즉, 이 특정 약물들이 화학적 가속기 역할을 하여 체내에서 라코사미를 더 빠르게 제거한다는 것입니다. 그러나 이 단일 요인만으로는 전체적인 예측을 성공시키기에 충분하지 않았습니다. 모델은 사람들 사이에 존재하는 방대한 변동성을 설명할 수 없었습니다.

이 연구는 문제가 수학적 도구의 종류가 아니라 데이터 자체의 성격에 있음을 시사합니다. 단 한 번의 혈액 검사는 아무리 많은 세부 정보가 붙더라도 환자의 약물 농도가 어디에 안착할지를 예측하기에는 정보가 부족합니다. 연구진은 환자가 실제로 약을 처방대로 복용했는지 여부나 간에서 약물을 처리하는 유전적 차이와 같이 측정할 수 없는 요인들이 매우 중요한 역할을 할 것이라고 언급했습니다. 머신러닝 모델은 단순한 모델이 놓친 비밀스러운 패턴을 찾아내지 못했습니다. 두 모델 모두 연령과 체중 대비 용량이 가장 중요한 요소라는 점에는 동의했지만, 이들조차 불충분했습니다. 또한 연구는 연령과 약물 농도 사이의 관계가 모두에게 동일하지 않음을 확인했는데, 아동은 투여된 용량과 달성된 농도 사이의 연결이 더 긴밀한 반면, 성인은 훨씬 더 예측 불가능한 결과를 보였습니다.

결국 이 연구는 개인 맞춤형 의료 분야에 경종을 울리는 사례가 됩니다. 이는 우리가 강력한 데이터 분석 도구를 보유하고 있다 하가, 단 한 번의 스냅샷만으로는 복잡한 생물학적 결과를 예측할 수 없음을 보여줍니다. 일상적인 혈액 검사와 몇 가지 기초적인 사실을 바탕으로 컴퓨터 알고리즘이 의사에게 완벽한 용량을 즉각적으로 알려줄 수 있다는 생각은 이 증거에 의해 뒷받침되지 않습니다. 대신, 이 연구 결과는 의사가 반복적인 검사를 통해 환자의 수치가 어떻게 변하는지 관찰하며 시간의 흐름에 따른 세심한 관찰에 의존해야 함을 강조합니다. 명확하게 드러난 유일한 규칙은, 만약 환자가 특정 상호작용 약물을 복용 중이라면 농도가 낮아질 가능성이 높으므로 이를 수동으로 고려해야 한다는 것입니다. 그 외의 경우, 진정으로 개별화된 용량 처방을 향한 길은 더 나은 소프트웨어만을 요구하는 것이 아니라, 단 한 순간이 아닌 장기간에 걸쳐 수집된 환자의 병력, 유전 정보, 그리고 실제 복약 준수 여부에 대한 더 깊은 통찰을 필요로 합니다.