Machine Learning-Based Prediction of 30-Day Unplanned Readmission After Surgery for Spinal Metastasis: Development and Internal Validation of an Interpretable Nomogram

기술 요약: 척추 전이 환자의 수술 후 30일 이내 계획되지 않은 재입원 예측을 위한 머신러닝 기반 연구

문제 정의
척추 전이로 인해 수술을 받는 환자들은 수술 후 합병증 및 30일 이내 계획되지 않은 재입원의 상당한 위험에 직면해 있다. 이러한 재입원은 회복을 방해하고 항암 화학요법, 방사선 치료 또는 표적 치료와 같은 전신 종양학적 치료의 개시 또는 재개를 지연시키는데, 이는 전이성 질환 관리의 시급한 특성을 고려할 때 매우 중요하다. 기존의 예측 모델은 종종 행정 청구 데이터(예: 병원 취약성 위험 점수와 같은 청구 코드)나 제한된 변수 세트를 사용하는 수동 로지스틱 회귀에 의존하여, 완만한 식별력(AUC ~0.60)과 임상 현장에서 사용하기 위한 해석 가능한 도구의 부재라는 한계를 보인다. 또한, 이전 연구들은 조기 수술 후 사망이라는 경쟁 위험(competing risk)을 다루지 못하는 경우가 많은데, 30일 이내에 사망한 환자는 재입원할 수 없으므로 이는 사건 발생률과 모델 성능을 왜곡할 가능성이 있다. 본 연구는 직접 측정된 임상, 실험실 및 수술 변수를 사용하여 30일 이내 재입원을 정확하게 예측하는 머신러닝 기반 예측 모델을 개발하고 내부 검증하는 것을 목표로 하며, 30일 이내에 사망한 환자를 명시적으로 제외한다.

방법론
본 연구는 2016년 8월부터 2026년 8월 사이에 병리학적으로 확인된 척추 전이로 인해 개방형 수술을 받은 986명의 환자를 대상으로 한 단일 센터 후향적 코호트를 활용하였다. 30일 이내에 사망한 환자는 재입원 분석에서 제외하여 사망과 재입원 위험이 혼재되는 것을 방지하였다.

• 데이터 수집: 초기 후보 세트는 인구통계학, 임상/종양학적 특성, 수술 전 실험실 수치, 수술 변수 및 수술 후 결과의 5개 영역에 걸친 48개 변수를 포함하였다.
• 변수 선택: 2단계 파이프라인이 적용되었다:
  1. Boruta 알고리러즘: 비선형 관계를 포착하기 위해 섀도우(permuted) 변수의 중요성을 유의미하게 초과하는 변수를 식별하는 랜덤 포레스트 기반의 래퍼(wrapper) 방식이다.
  2. 상관관계 필터링: Boruta가 유지한 변수들에 대해 쌍별 상관관계 분석을 수행하였으며, $|r| \geq 0.7$인 모든 쌍에서 하나의 변수를 제거하여 다중공선성을 줄였다.
     이 과정을 통해 처음에 8개의 후보가 도출되었으며, 모델 성능과 임상적 해석 가능성에 따라 최종 6개의 예측 변수로 정제되었다.
• 모델 개발: 70/30 층화 훈련-테스트 분할을 통한 10-겹 교차 검증을 사용하여 6가지 머신러닝 알고리즘을 개발하고 비교하였다:
  • L2 규제가 적용된 로지스틱 회귀 (Logistic Regression, LR)
  • 랜덤 포레스트 (Random Forest, RF)
  • 그래디언트 부스팅 머신 (Gradient Boosting Machine, GBM)
  • LightGBM
  • RBF 커널을 사용한 서포트 벡터 머신 (Support Vector Machine, SVM)
  • k-최근접 이웃 (k-Nearest Neighbors, KNN)
• 평가 지표: 성능은 AUC, 정확도, 민감도, 특이도, 양성/음성 예측도, F1 점수 및 Brier 점수를 사용하여 평가되었다. 임상적 순이익을 평가하기 위해 결정 곡선 분석(Decision Curve Analysis, DCA)이 사용되었다.
• 해석 가능성: 변수의 기여도를 정량화하기 위해 SHAP(SHapley Additive exPlanations) 값을 계산하였다. 최종 모델(로지스틱 회귀)은 침상 옆 위험 추정을 위한 노모그램으로 변환되었다.

주요 기여

1. 고성능 예측: 본 연구는 테스트 세트 AUC 0.905(95% CI: 0.862–0.947)를 가진 모델을 개발하였으며, 이는 이 특정 코호트에서 기존의 행정 데이터 기반 모델(AUC ~0.60) 및 다른 머신러닝 접근 방식보다 크게 우수한 성능을 보였다.
2. 엄격한 변수 선택: Boruta 알고리즘과 상관관계 필터링의 적용은 선형성 가정을 강요하지 않으면서도 견고하고 중복되지 않는 예측 변수를 선택하도록 보장하였다.
3. 경쟁 위험 처리: 30일 이내에 사망한 환자를 재입원 분석에서 명시적으로 제외함으로써, 사망과 재입원을 혼동하는 방법론적 오류를 피하고 생존자에 대한 재입원 확률을 더 정확하게 추정하였다.
4. 임상적 해석 가능성: "블랙박스" 형태의 딥러닝 모델과 달리, 최종 로지스틱 회귀 모델은 노모그램으로 변환되었다. 이 도구는 두 단계의 위험 평가를 허용한다: 4가지 변수(연령, 동반 질환, 알부민, 병리)를 이용한 초기 수술 전 스크리닝과 수술 시간 및 출혈량을 포함한 정밀한 수술 후 추정 단계이다.
5. 포괄적 비교: 본 연구는 6가지 서로 다른 알고리즘을 체계적으로 비교하여, 정규화된 로지스틱 회귀 모델이 이 특정 데이터셋에서 더 복잡한 앙상블 방법보다 우수한 식별력과 교정력을 달성했음을 입증하였다.

결과

• 코호트 특성: 최종 코호트는 986명의 환자로 구성되었으며, 전체 30일 이내 계획되지 않은 재입원율은 8.32%(82명)였다. 재입원의 주요 원인은 수술 부위 감염(26.8%)이었으며, 신경학적 악화/혈종(18.3%)과 불충분한 통증 조절(14.6%)이 그 뒤를 이었다.
• 예측 변수: 최종 간결한 모델에는 6가지 변수가 유지되었다:
  1. 연령: 고령일수록 위험도가 증가했다 (연령 1년당 OR 1.020).
  2. 동반 질환 수: 질환 부담이 높을수록 위험도가 증가했다 (질환 1개당 OR 1.350).
  3. 수술 전 알부민: 수치가 높을수록 보호 효과가 있었다 (1 g/L당 OR 0.951).
  4. 수술 시간: 시간이 길수록 위험도가 증가했다 (1분당 OR 1.003).
  5. 수술 중 출혈량: 출혈량이 많을수록 위험도가 증가했다 (1 mL당 OR 1.0003).
  6. 일차 종양 병리: 폐암을 참조군으로 했을 때, 갑상선(OR 0.549) 및 전립선(OR 0.670) 병리는 재입원 위험이 낮았으며, 신장암은 유의미한 차이를 보이지 않았다.
• 모델 성능: 로지스틱 회귀 모델은 가장 높은 테스트 세트 AUC (0.905), 민감도 (0.980), 특이도 (0.765)를 달성하였으며, Brier 점수는 0.062였다. 결정 곡선 분석은 임상적으로 유의미한 임계값 범위인 5%에서 40% 사이에서 양의 순이익을 나타냈다.
• SHAP 분석: 생리적 예비력(연령, 알부민, 동반 질환)과 수술적 스트레스(출혈량, 수술 시간)가 재입원 위험의 주요 동인임을 확인하였다.

의의 및 주장
저자들은 이 내부 검증된 노모그램이 행정 데이터에 의존하는 기존 모델보다 척추 전이 수술의 30일 이내 계획되지 않은 재입원을 예측하는 데 강력한 식별력을 제공한다고 주장한다. 6가지 예측 변수는 수술 전 생리적 예비력에서 수술 중 수술적 스트레스에 이르기까지 상호 보완적인 차원을 반영한다.

본 연구는 이 도구가 수술 후 회복 증진(ERAS) 원칙에 부합하는 표적 최적화를 지원할 수 있다고 상정한다. 고위험 환자를 식별함으로써 임상의는 영양 검토, 동반 질환의 의학적 최적화, 감염 예방 프로토콜과 같은 특정 중재를 시행할 수 있다. 저자들은 피할 수 있는 재입원을 줄이는 것이 전이성 질환 환자에게 중요한 전신 종양학적 치료로의 조기 복귀를 촉진할 수 있다고 제안한다.

그러나 본 논문은 임상 적용에 대해 신중한 입장을 유지한다. 저자들은 이 모델이 광범위한 임상 사용 전 다기관 환경에서의 외부 검증이 필요함을 명시적으로 밝히고 있다. 또한 단일 센터 후향적 설계, 사회경제적 요인의 누락, 그리고 재입원이 실제로 전신 치료를 지연시켰는지 또는 생존율에 영향을 미쳤는지에 대한 데이터 부족을 한계점으로 인정한다. 본 연구는 이 모델이 위험 계층화를 위한 유망한 도구이지만, 모델 기반 케어가 임상적으로 유의미한 결과를 개선하는지 확인하기 위해서는 전향적 연구가 필요하다고 결론짓는다.