A Dynamic Bayesian Network Model for Predicting Cardiovascular Disease Incidence in the Tehran Lipid and Glucose Study

심장 질환은 전 세계적으로 매년 수백만 명의 생명을 앗아가는 주요 사망 원인으로 남아 있습니다. 세계 여러 지역에서 심장마비나 뇌졸중은 종종 수십 년 전부터 시작된 일련의 생물학적 변화 과정에서 나타나는 최종적인 사건입니다. 의사와 공중보건 전문가들에게 이 비극에 맞설 가장 강력한 도구는 단순히 환자를 치료하는 것이 아니라, 누가 병에 걸릴 가능성이 높은지를 예측하는 것입니다. 이를 위해서는 한 사람의 이력, 즉 연령, 가족력, 혈압, 그리고 생활 방식과 같은 요소들을 살펴보고, 이러한 개별적인 사실들을 하나의 위험도 그림으로 엮어내는 과정이 필요합니다. 이를 수행하는 전통적인 방식들은 각 정보를 독립적인 것으로 취급하여, 오늘날의 혈당 수치가 5년 전의 혈압과 아무런 관련이 없다고 가정하곤 합니다. 그러나 인간의 건강은 고립된 스냅샷의 연속이 아니라 흐르는 강물과 같습니다. 동적 베이지안 네트워크(Dynamic Bayesian Network)라고 불리는 유형의 컴퓨터 모델을 사용하는 새로운 접근 방식은 이러한 흐름을 포착하여, 건강 요인들이 시간이 지남에 따라 어떻게 변화하고 서로 어떻게 영향을 미치는지 추적함으로써 심장 질환의 미래 발생을 예측하고자 합니다.

이란의 한 연구팀은 이 고급 모델링 기법을 테헤란에 거주하는 사람들을 대상으로 한 대규모 장기 연구에 적용했습니다. 그들은 시간을 이해하는 모델이 표준적인 방법들보다 더 효과적으로 고위험군 개인을 식별할 수 있는지 확인하고자 했습니다. 이 연구는 1999년부터 수천 명의 주민을 추적하며 비전염성 질환의 원인을 파악해 온 저명한 프로젝트인 '테헤란 지질 및 포도당 연구(Tehran Lipid and Glucose Study)'를 바탕으로 합니다. 연구진은 연구 시작 당시 심장 질환이 없었던 성인 7,839명을 선정했습니다. 그들은 참가자들의 연령, 교육 수준, 직업 상태, 심장 질환 가족력, 흡연 습관, 신체 활동 수준뿐만 아니라 콜레스테롤, 혈당, 신장 기능과 같은 다양한 의료 측정치를 포함한 풍부한 정보를 수집했습니다. 결정적으로, 그들은 이러한 요인들을 단 한 번만 관찰한 것이 아니라, 10년 동안 여러 시점에서 데이터를 수집함으로써 한 사람의 건강 프로필이 어떻게 진화하는지 관찰할 수 있었습니다.

연구진은 심장 질환의 위험 요인이 성별에 따라 다를 수 있음을 인식하여 남성을 위한 특정 컴퓨터 모델과 여성을 위한 별도의 모델을 구축했습니다. 동적 베이지안 네트워크로 알려진 이 모델은 다양한 건강 변수들 사이의 관계가 시간이 지남에 따라 어떻게 변하는지를 매핑함으로써 작동합니다. 데이터가 누락되거나 참가자가 연구에서 중도 탈락할 때 어려움을 겪을 수 있는 기존의 통계 도구와 달리, 이 모델은 그러한 공백을 유연하게 처리하도록 설계되었습니다. 이 모델은 연구 기간을 일련의 시간 단계로 취급하며, 심장 질환이 발생한 사람들의 패턴으로부터 학습하고 이를 건강을 유지한 사람들과 비교합니다. 연구팀은 대부분의 데이터를 컴퓨터가 패턴을 학습하도록 사용하고, 나머지 일부는 모델이 이전에 보지 못한 결과를 올바르게 예측할 수 있는지 확인하기 위해 남겨두는 방식으로 모델을 테스트했습니다.

10년간의 추적 관찰 기간 동안, 참가자의 약 8%인 632명이 심장 질환이 발생했습니다. 모델은 참가자들을 저위험군과 고위험군으로 성공적으로 분류했습니다. 남성의 경우, 고위험군은 저위험군보다 심장 질환이 발생할 확률이 3배 이상 높았습니다. 구체적으로, 고위험군 남성의 21.6%가 질환이 발생한 반면, 저위험군 남성은 7.2%만이 발생했습니다. 여성에 대한 결과도 마찬가지로 명확했습니다. 고위험군 여성의 20.0%가 심장 질환을 앓은 반데, 저위험군 여성은 6.6%에 불과했습니다. 두 경우 모두 고위험군은 저위험군보다 3배 이상 높은 위험에 처해 있었습니다. 모델의 그룹 구분 능력은 곡선 아래 면적(AUC)이라는 점수로 측정되었으며, 남성의 경우 0.612, 여성의 경우 0.674로 나타났습니다. 이러한 점수는 모델이 무작위 추측보다 낫다는 것을 보여주지만, 연구진은 많은 세부 의료 측정치를 모델 작동을 위해 광범위한 범주로 변환했기 때문에 수치가 완벽하지는 않다고 언급했습니다.

이 연구는 심장 질환이 발생한 사람들과 그렇지 않은 사람들 사이의 몇 가지 핵심적인 차이점을 강조했습니다. 결국 심장 사건을 겪은 사람들은 대체로 연령이 높고, 심장 질환의 가족력이 있으며, 교육 수준이 낮았습니다. 또한 이들은 비만 또는 복부 비만을 가지고 있거나 실업 상태일 가능성이 높았으며, 고혈압, 당뇨병, 신장 기능 장애와 같은 질환을 앓고 있었습니다. 모델은 이러한 변화하는 요인들을 시간에 따라 통합하여 인간 건강의 복잡한 현실을 반영하는 위험 프로필을 만들어낼 수 있음을 입증했습니다. 연구진은 이 접근 방식이 위험 요인이 독립적으로 작용한다고 가정하고 누락된 데이터나 변화하는 건강 상태라는 복잡한 현실을 고려하지 않는 기존의 생존 모델에 대한 유연한 대안을 제공한다고 강조했습니다.

성공에도 불구하고 저자들은 모델의 한계를 주의 깊게 언급했습니다. 그들은 연속적인 의료 데이터를 단순한 범주로 변환하는 과정에서 세부 정보의 손실이 발생했을 수 있으며, 이것이 예측 점수를 높이는 데 걸림돌이 되었을 것이라고 인정했습니다. 또한, 심전도 신호와 같은 고해외상(high-resolution) 데이터를 아직 포함하지 않았는데, 이를 포함한다면 정확도를 높일 수 있을 것이라고 지적했습니다. 나아가, 이 연구가 이란의 단일 도시 인구에 집중되었기 때문에, 결과가 널리 적용될 수 있는지 확인하기 위해서는 다른 다양한 집단에서도 테스트되어야 합니다. 그럼에도 불구하고, 이 연구는 시간의 흐름을 추적할 수 있는 컴퓨터 모델이 심장 질환 발생 가능성이 3배 높은 개인을 식별할 수 있음을 보여줍니다. 이는 시간의 흐로과 다양한 건강 요인 간의 연결성을 이해하는 방법을 수용함으로써, 의사들이 심장마비나 뇌졸중이 발생하기 전에 고위험군을 조기에 발견하고 개입할 수 있음을 시사합니다.