Evaluating Patient Representation Strategies for Early Prediction of Alzheimer’s Disease and Related Dementias from Longitudinal EHRs

알츠하이머병과 관련 치매는 경고 없이 갑작스럽게 들이닥치는 사건이 아닙니다. 이는 사람이 이름을 잊어버리거나 익숙한 곳에서 길을 잃기 훨씬 전부터 뇌를 변화시키기 시작하는, 느리고 은밀하게 진행되는 과정입니다. 이러한 변화는 매우 초기에 발생하기 때문에, 의사와 연구자들은 증상이 나타나기 훨씬 전부터 위험을 포착하여 조기 치료와 더 나은 계획 수립을 가능하게 하는 방법을 오랫동안 희망해 왔습니다. 문제는 인간의 뇌가 복잡하며, 문제의 징후들이 환자의 병력 전반에 걸쳐 매우 미묘하고 흩어져 있는 경우가 많다는 점입니다. 이를 해결하기 위해 과학자들은 환자가 받은 모든 의사의 진료, 처방, 검사 기록이 담긴 방대한 디지털 아카이브인 전자 건강 기록(EHR)에 주목했습니다. 이 기록들은 평생의 단서들을 담고 있지만, 무질서하고 불규칙하며 읽기 어렵습니다. 연구자들의 핵심 질문은 어떻게 이 혼란스러운 데이터의 흐름을 위험 인물에 대한 명확한 그림으로 바꿀 것인가, 그리고 그 방법이 얼마나 먼 미래를 예측하려 하는지에 따라 달라지는가 하는 것입니다.

한 연구팀은 컴퓨터가 이러한 의료 기록을 읽어 치매 발병을 예측하도록 가르치는 서로 다른 방법들을 테스트하기 위해 모였습니다. 그들은 환자의 삶을 컴퓨터에 표현하는 두 가지 매우 다른 접근 방식을 비교했습니다. 첫 번째 접근 방식은 직관적이고 투명했습니다. 이는 단순히 환자가 의사를 방문한 횟수, 복용한 서로 다른 약물의 종류, 특정 진단을 받은 빈도 등을 계산하여 시간 창(time windows)별로 정리하는 방식이었습니다. 두 번째 접근 방식은 훨씬 더 복잡했습니다. 수백만 개의 의료 기록을 통해 사전 학습된 고급 인공지능 모델을 사용하여, 환자의 전체 건강 여정을 하나의 숨겨진 수학적 '요약'으로 만드는 방식이었습니다. 연구진은 어떤 방법이 더 효과적인지, 예측 시점이 미래로 멀어짐에 따라 성능이 어떻게 변하는지, 그리고 이 방법들을 완전히 다른 병원 시스템의 환자 집단에 적용했을 때도 작동할지를 확인하고자 했습니다.

연구팀은 방대한 국가 건강 기록 데이터베이스를 사용하여, 환자가 실제로 치매 진단을 받기 6개월, 12개월, 24개월, 36개월 전에 치매를 예측하도록 모델을 훈련했습니다. 그 결과, 단순한 횟수 기반(count-based) 접근 방식이 일반적으로 가장 신뢰할 만하다는 것을 발견했습니다. 이 방식은 질병이 발생할 환자와 그렇지 않을 환자를 구별하는 데 더 뛰어났으며, 확률 측면에서도 예측이 더 정확했습니다. 이러한 우위는 가까운 미래를 예측할 때 가장 두드러졌습니다. 진단 6개월 전의 예측에서, 단순 횟수 방식은 복잡한 인공지능 모델보다 성능이 현저히 높았습니다. 그러나 연구진이 예측 시점을 더 과거로 돌려 3년 전의 치환을 시도하자, 두 방법 사이의 격차는 좁혀졌습니다. 36개월 시점에 도달했을 때, 복잡한 모델들은 단순 횟수 방식만큼 성능이 올라왔으나, 여전히 이를 능가하지는 못했습니다.

또한 이 연구는 컴퓨터 모델이 시간을 거슬러 올라가며 어떻게 '생각'하는지를 보여주었습니다. 단기적인 예측을 할 때, 모델들은 기억력 상실이나 경도 인지 장애와 같은 구체적인 인지 증상에 크게 의존했습니다. 하지만 예측 기간이 더 먼 과거로 확장됨에 따라, 이러한 구체적인 증상들이 기록에 아직 나타나지 않는 경우가 많았습니다. 이 경우, 모델들은 주의를 더 넓은 범위의 의료 이용 패턴으로 돌렸습니다. 모델들은 병원 방문 빈도, 처방된 약물의 종류, 그리고 일반적인 의료 상호작용의 양과 같은 요소들에 무게를 두기 시작했습니다. 뇌가 치매의 명확한 징후를 보이기 훨씬 전부터, 신체가 의료 서비스를 찾는 전반적인 패턴이 변화한다는 사실을 모델이 학습한 것입니다. 즉, 모델은 이러한 일반적인 신호들을 조기 경보로 활용하는 법을 배웠습니다.

연구진은 또한 모델을 재학습시키지 않고 다른 병원 시스템으로 전이시키는 '제로샷 전이(zero-shot transfer)' 시나리오를 테스트했습니다. 그들은 국가 데이터베이스로 훈련된 모델을 별도의 독립적인 대학 병원 데이터셋에 적용했습니다. 결과는 극명했습니다. 두 방법 모두 성능이 크게 떨어졌습니다. 모델들은 환자 인구 구성이 더 고령이고 인종적 특성이 다르며, 의사가 정보를 기록하는 방식 또한 다른 새로운 환경에 적응하는 데 어려움을 겪었습니다. 복잡한 인공지능 모델이 단순 횟수 방식보다는 조금 더 잘 버텼지만, 두 방식 모두 조정 없이 다른 의료 시스템에서 완벽하게 작동할 만큼 견고하지는 않았습니다. 이는 기술이 강력할지라도, 세심한 현지 최적화 없이는 어디에나 적용할 수 있는 보편적인 도구가 아님을 시사합니다.

결론적으로, 이 연구는 환자의 의료 기록을 치매 예측을 위해 표현하는 데 있어 단 하나의 '최선의' 방법은 없다는 것을 보여줍니다. 선택은 예측의 시점과 구체적인 환경에 달려 있습니다. 가까운 미래의 질병을 포착하기 위해서는 해석 가능한 단순한 의료 사건의 횟수가 여전히 표준(gold standard)입니다. 더 먼 미래를 내다보는 경우에는 복잡한 인공지능 모델이 더 경쟁력을 갖추며 다른 균형의 정확도를 제공합니다. 이 연구 결과는 조기 발견의 길이 단 하나의 완벽한 알고리즘을 찾는 데 있는 것이 아니라, 서로 다른 도구들이 서로 다른 시점에 어떻게 서로 다른 신호를 포착하는지 이해하고, 질병이 먼 미래의 위험에서 임박한 현실로 이동함에 따라 신호 자체가 변화한다는 점을 인식하는 데 있음을 시사합니다.