Development and Validation of a Predictive Model for the Risk of Bleeding Associated with Rivaroxaban

혈액 희석제는 심장, 폐 또는 뇌로 가는 혈류를 차단할 수 있는 위험한 혈전으로부터 방패 역할을 하며 현대 의학에서 가장 필수적인 도구 중 하나입니다. 수십 년 동안 의사들은 와파린과 같은 약물에 의존하여 이러한 혈전을 막아왔지만, 이러한 오래된 약물들은 안전을 유지하기 위해 빈번한 혈액 검사와 세심한 식단 관리를 필요로 합니다. 최근 몇 년 사이, 직접 경구 항응고제(DOAC)로 알려진 새로운 세대의 약물들이 이 지형을 바꾸어 놓았습니다. 가장 널리 처방되는 것 중 하나는 리바록사반입니다. 이 약물은 혈전 형성에 필수적인 특정 단백질을 직접 차단함으로써, 지속적인 모니터링 없이도 환자들에게 더 단순한 치료 계획을 제공합니다. 그러나 이 약물을 효과적으로 만드는 바로 그 기전은 중요한 위험성 또한 수반합니다. 바로 환자가 너무 쉽게 출혈을 일으킬 수 있다는 점입니다. 뇌졸력을 예방하는 것은 생명을 구하는 목표이지만, 예상치 못한 출혈은 그만큼이나 위험할 수 있습니다. 임상의들의 과제는 항상 적절한 균형을 찾는 것이었습니다. 즉, 어떤 환자가 치료하기에 안전한지, 그리고 어떤 환자가 가벼운 부상이 큰 위기로 변할 수 있는 외줄 타기를 하고 있는지 식별하는 것입니다.

중국의 스헤즈 대학교 연구팀은 실제 병원 환경에서 리바록사반을 복용하는 환자들을 면밀히 관찰함으로써 이 문제를 해결하고자 했습니다. 기존의 다른 약물들을 위해 설계된 정적이고 오래된 점수 체계에 의존하는 대신, 그들은 고급 컴퓨터 학습을 사용하여 새로운 동적 도구를 구축했습니다. 연구진은 폐 혈전이나 부정맥 등의 질환으로 입원한 360명의 환자를 추적 조사했습니다. 이 환자들은 결과에 혼선을 줄 수 있는 다른 혈액 희석제 없이 리바록사반만을 투여받았습니다. 연구진은 3개월 동안 이들을 밀착 관찰하며, 가벼운 코피부터 심각한 내부 출혈에 이르기까지 모든 출혈 사례를 기록했습니다. 연구 결과, 환자 5명 중 거의 1명이 어떤 형태의 출혈을 경험했으며, 놀랍게도 이러한 사건의 거의 90%가 치료 첫 3주 이내, 특히 초기 고용량 단계 중에 발생했습니다. 이러한 시점은 신체가 가장 취약해지는 결정적인 시기임을 시사합니다.

이 데이터를 해석하기 위해 연구진은 인간의 눈이 놓칠 수 있는 대규모 정보 세트에서 복잡한 패턴을 찾아낼 수 있는 인공지능의 한 종류인 머신러닝을 활용했습니다. 그들은 나이, 병력, 다양한 혈액 검사 결과를 포함한 수십 가지의 환자 세부 정보를 컴퓨터에 입력했습니다. 컴퓨터는 어려운 상황으로부터 학습해야 했습니다. 즉, 출혈 사건은 비출혈 사건에 비해 드물게 발생하는데, 이는 종종 컴퓨터 모델을 혼란스럽게 만드는 문제입니다. 이를 해결하기 위해 연구팀은 데이터를 균형 있게 맞추는 특수 기법을 사용하였고, 이를 통해 컴퓨터가 압도적으로 많은 비출별 사례들에 의해 혼동되지 않고도 드문 출혈 사례들로부터 학습할 수 있도록 했습니다. 9가지 서로 다른 유형의 컴퓨터 모델을 테스트한 결과, '랜덤 포레스트(Random Forest)'라고 불리는 특정 접근 방식이 가장 우수한 성능을 보였습니다. 이 모델은 각기 다른 각도에서 데이터를 바라보고 합의에 도달하는 위원회처럼 작동하여 누가 위험군인지 판단합니다.

가장 놀라운 발견은 컴퓨터가 출혈을 예측하는 데 있어 가장 중요한 세 가지 요인을 식별했을 때 나타났습니다. 첫 번째는 나이로, 이는 잘 알려진 위험 요인이며 일반적으로 고령 환자들이 더 높은 위험에 직도합니다. 두 번째는 혈액이 응고되는 데 걸리는 시간을 측정하는 '활성화 부분 트롬보플라스틴 시간(APTT)'이라는 혈액 검사 수치였습니다. 컴퓨터는 혈액 응고 시간이 약간 길어지는 것, 즉 혈액이 평소보다 더 오래 걸려 응고되는 징후가 강력한 경고 신호라는 것을 학습했습니다. 세 번째 요인은 가장 직관에 반하는 것이었습니다. 연구진은 신장에서 걸러내는 노폐물인 크레아티닌 수치가 높으면 신장 기능이 저하됨을 의미하므로 위험 신호가 될 것이라 예상했습니다. 그러나 모델은 매우 낮은 크레아티닌 수치가 주요 위험 신호라는 것을 찾아냈습니다. 쉽게 말해, 낮은 크레아티닌은 환자의 근육량이 매우 적고 신체적으로 쇠약하거나 영양 상태가 불량할 수 있음을 나타냅니다. 즉, 서류상으로는 신장이 건강해 보일지라도, 이 환자들은 실제로는 약물을 감당할 수 있는 신체 능력이 부족한 것입니다. 컴퓨터는 이러한 '숨겨진 쇠약함'이 심각한 신장 질환을 가진 환자들만큼이나 출혈 가능성을 높인다는 것을 인식했습니다.

연구진은 모델을 구축하는 데 그치지 않고, 새로운 환자들에게도 작동할 것인지 확인하기 위해 엄격하게 테스트했습니다. 그들은 가장 성능이 좋은 모델을 나중에 치료받은 115명의 별도 환자 그룹에 적용했습니다. 모델은 높은 정확도로 출혈이 발생할 환자와 발생하지 않을 환자를 정확히 식별해 냈으며, 이는 그 결과가 첫 번째 그룹의 우연한 현상이 아님을 증명했습니다. 컴퓨터의 사고 과정을 보여주는 투명한 창 역할을 하는 'SHAP' 기법을 사용하여, 연구팀은 각 요인이 최종 예측에 어떻게 기여하는지 정확히 볼 수 있었습니다. 그들은 위험이 나이나 혈액 검사 변화에 따라 서서히 높아지는 것이 아니라, 특정 임계값을 넘어서면 급격히 치솟는다는 것을 확인했습니다. 예를 들어, 환자의 혈액 응고 시간이 특정 지점을 지나면 출혈 위험이 급증했습니다. 마찬가지로, 크레아티닌 수치가 일정 수준 이하로 떨어지면 위험이 빠르게 상승했습니다.

이 연구는 의사와 약사들에게 실질적인 방향을 제시합니다. 누가 출혈을 일으킬지 추측하는 대신, 이제 그들은 환자의 나이, 혈액 응고 시간, 그리고 근육량이 어느 정도인지를 나타내는 단 세 가지 요소만을 살펴보는 간단한 도구를 사용할 수 있습니다. 이 접근 방식은 특히 위험이 가장 높은 치료 첫 3주 동안 매우 유용합니다. 의사들은 약물 투여 전, 근육량이 적거나 혈액 응고 시간이 약간 지연된 환자를 미리 파악함으로써, 이들을 더 면밀히 관찰하거나 치료 계획을 조정하여 작은 출혈이 생명을 위협하는 응급 상황으로 번지는 것을 예방할 수 있습니다. 이 모델은 의사의 판단을 대체하는 것이 아니라, 지형에 대한 명확하고 데이터에 기반한 지도를 제공하여 혈전 예방과 위해 사이의 미세한 경계를 항해하도록 돕습니다. 이는 복잡한 의학적 과제를 관리 가능한 일련의 단서로 바꾸어 놓음으로써, 현대적인 혈액 희석제의 생명을 구하는 혜택을 더욱 안전하게 누릴 수 있도록 보장합니다.