Construction and Multi-Model Performance Evaluation of an Intelligent Screening Model for Meige Syndrome Based on Machine Learning

수십 년 동안 의사들은 환자들이 불수의적인 눈꺼풀 떨림이나 입 주변의 찡그림을 보이며 내원할 때 당혹스러운 난제에 직면해 왔습니다. 메이주 증후군(Meige syndrome)이라고 알려진 이 질환을 정의하는 이러한 증상들은 안구 건조증이나 눈꺼풀 염증과 같은 흔한 안과적 자극 증상과 매우 흡사해 보입니다. 외형적인 징후가 매우 비슷하기 때문에, 환자들은 종종 잘못된 질환에 대한 치료를 받게 되어 실제 신경학적 질환을 수년간 방치하게 됩니다. 핵심적인 어려움은 뇌에서 기원하는 특정 유형의 근육 경련과 단순한 안구 문제를 구별하는 데 있으며, 현재 이 작업은 명확하고 객관적인 검사보다는 주로 전문의의 경험에 의존하고 있습니다. 이러한 상태들을 빠르게 구분할 수 있는 신뢰할 만한 방법이 없기 때문에, 환자들은 경련이 지속적인 손상을 일으키기 전에 멈출 수 있는 표적 주사와 같은 조기 개입의 기회를 놓치고 있습니다.

정저우 대학교와 허난성 제3 인민 병원의 연구팀은 새로운 종류의 선별 도구를 구축함으로써 이러한 진단적 과제를 해결했습니다. 시간이 오래 걸리는 실험실 작업이 필요한 혈액 내 복잡한 화학적 표지자를 찾는 대신, 그들은 의사가 단순히 환자에게 질문을 던짐으로써 얻을 수 있는 정보에 주목했습니다. 연구진은 약 4,000명의 의료 기록을 분석하여 컴퓨터 시스템이 인간이 놓칠 수 있는 일상적인 임상 이력의 미묘한 패턴을 인식하도록 훈련시켰습니다. 그들은 네 가지 서로 다른 수학적 접근 방식을 테스트하여 어떤 것이 환자를 세 가지 뚜렷한 그룹, 즉 메이주 증후군 환자, 다른 안과 질환 환자, 그리고 완전히 건강한 사람으로 가장 잘 분류할 수 있는지 확인했습니다. 목표는 일반의가 환자에게 전문의의 진료가 필요한지 결정할 수 있는 빠르고 쉬운 방법을 만드는 것이었습니다.

연구는 3,996명의 데이터를 수집하는 것으로 시작되었으며, 공정한 비교를 위해 세 그룹으로 정밀하게 나누었습니다. 한 그룹은 메이주 증후군이 확진된 환자로 구성되었고, 다른 그룹은 안구 건조증이나 안검염과 같은 흔한 안과 질환을 가진 사람들로 구성되었으며, 세 번째 그룹은 신경계나 안구에 문제가 없는 건강한 개인들로 구성되었습니다. 연구진은 연령, 성별부터 흡연 및 음주와 같은 생활 습리, 그리고 갑상선 질환, 수면의 질, 얼굴이나 머리에 영향을 미치는 기타 질환에 관한 병력에 이르기까지 각 개인의 파일에서 12가지 정보를 추출했습니다. 그런 다음 이 데이터를 분할하여, 대부분은 컴퓨터 모델이 차이점을 인식하도록 학습시키는 데 사용하고, 나머지 적은 부분은 모델이 새로운 사례에 대해 얼마나 잘 수행되는지 테스트하는 데 사용했습니다.

연구진이 네 가지 컴퓨터 모델을 비교했을 때, 인공 신경망(artificial neural network)이라 불리는 접근 방식이 다른 방식들보다 뛰어난 성능을 보인다는 것을 발견했습니다. 이 유형의 모델은 인간의 뇌가 복잡한 정보를 처리하는 방식을 모방하도록 설계되어, 다양한 증상 사이의 복잡한 연결 고리를 찾아낼 수 있습니다. 최종 테스트에서 이 모델은 환자가 속한 그룹을 약 77.7%의 확률로 정확하게 식별했으며, 세 가지 상태를 구별하는 높은 능력을 보여주었습니다. 랜덤 포레스트(random forest)라고 불리는 또 다른 모델은 근소한 차이로 2위를 차지했으나, 가장 가능성 높은 사례를 예측할 때 일관성이 다소 떨어지는 경향을 보였습니다. 전통적인 통계 공식에 의존하는 나머지 두 방법은 이 특정 작업에서 성능이 떨어졌습니다. 이러한 결과는 신경망이 이 특정 작업에 가장 신뢰할 수 있는 도구임을 시사합니다.

연구의 중요한 부분은 이 도구를 일상적인 사용이 가능하도록 단순화하는 것이었습니다. 연구팀은 12개의 전체 질문 목록이 반드시 필요하지 않다는 것을 발견했습니다. 단 5가지의 특정 요인만으로도 정확한 진단을 내리는 데 가장 큰 비중을 차지한다는 것이 밝혀졌습니다. 이 다섯 가지 핵심 지표는 환자의 연령, 수면의 질, 음주 이력, 갑상선 질환 병력, 그리고 얼굴, 눈, 코 또는 뇌에 영향을 미치는 다른 질환의 유무였습니다. 이 다섯 가지 항목에만 집중함으로써, 연구진은 12개의 모든 변수를 사용하는 복잡한 버전과 거의 유사한 성능을 내는 간소화된 버전의 모델을 만들었습니다. 이 간소화된 도구는 혈액 검사가 필요하지 않으며 1분 이내에 완료할 수 있어, 시간과 자원이 제한적인 1차 진료 현장에서 활용하기 용이합니다.

연구 결과는 이 그룹들을 구별하는 구체적인 특성에 대해서도 밝혀냈습니다. 데이터는 메이주 증후군이 55세에서 60세 사이의 여성에게 가장 흔하다는 것을 확인했으며, 이 인구 집단은 건강한 그룹에 비해 해당 질환의 유병률이 훨씬 높았습니다. 수면의 질은 중요한 차별화 요소로 나타났는데, 메이주 증후군 환자들은 안과 질환자나 건강한 사람들에 비해 훨씬 더 자주 수면 부족을 보고했습니다. 흥론적이게도, 연구진은 메이주 증후군 환자들이 건강한 성인에 비해 음주 이력이 적다는 것을 발견했는데, 연구진은 이를 환자 그룹의 고령화와 여성 중심적 특성 때문이라고 설명하면서도, 알코올이 특정 운동 장애에서 증상을 일시적으로 완화할 수 있다는 점을 언급했습니다. 또 다른 강력한 차별점은 다른 안면부 질환의 존재였습니다. 이러한 질환은 건강한 사람들에게는 드물었지만, 다른 안과 질환 그룹에서는 놀라울 정도로 흔하게 나타났으며, 이는 모델이 단순한 안구 문제와 더 복합적인 신경학적 질환을 구별하는 데 도움을 주었습니다.

연구진은 자신들의 연구에 한계가 있음을 주의 깊게 명시했습니다. 데이터가 단일 병원에서 왔고 과거 기록을 검토하는 방식으로 수집되었기 때문에, 연구 결과는 다른 병원의 환자들을 대상으로 실시간 환경에서 모델을 테스트하여 확인될 필요가 있습니다. 또한 스트레스 수준이나 수면의 질과 같은 일부 정보는 환자 자신의 설명에 의존하므로 주관적일 수 있습니다. 이러한 제약에도 불구하고, 본 연구는 단순하고 비침습적인 선별 도구가 가능하다는 것을 입증합니다. 단 다섯 가지의 일상적인 질문으로 훈련된 컴퓨터 모델을 사용함으로써, 의사들은 머지않아 메이주 증후군을 조기에 식별할 수 있는 실질적인 방법을 갖게 될 것이며, 이를 통해 환자들이 오늘날보다 훨씬 더 빨리 정확한 진단과 치료를 받을 수 있게 될 것입니다.