Random Survival Forest quantifies intra-stage heterogeneity of recurrence-free survival after curative gastrectomy: a single-center cohort study

외과의사가 위 종양을 제거할 때, 병리 의사의 보고서는 미래를 보여주는 첫 번째 지도 역할을 한다. 이 보고서는 암의 단계를 할당하는데, 이는 종양이 얼마나 깊게 자랐는지와 인근 림프절에 도달했는지에 근거한 라벨이다. 수십 년 동안 이 체계는 의사들이 환자의 암 재발 가능성을 추측하는 표준적인 방법이었다. 이는 모든 환자가 동일한 라벨을 가졌다면 동일한 위험에 직면할 것이라고 가정하며 환자들을 하나의 집단으로 묶는다. 하지만 생물학은 좀처럼 그렇게 깔끔하지 않다. 두 사람이 정확히 같은 단계 라벨을 지니고 있더라도, 표준 라벨이 볼 수 없는 그들 각자의 질병이 가진 보이지 않는 세부 사항이 다르기 때문에 매우 다른 결과를 맞이할 수 있다. 현대 의학의 과제는 광범위한 범주를 넘어 개별 환자의 고유한 위험을 바라봄으로써, 집단이 아닌 개인에게 맞춤화된 치료를 허용할 수 있느냐 하는 것이다.

한 의료 센터의 연구팀은 위암 제거 수술을 성공적으로 마친 환자들을 대상으로 이 질문에 답하기 위해 나섰다. 그들은 종양이 인근 림프절로 전이되었으나 원격 장기까지는 도달하지 않은 특정 환자군, 즉 IIA에서 IIIC 단계로 알려진 중증도 범위에 집중했다. 기존 체계는 이 단계에 속한 모든 사람을 유사한 위험 프로필을 가진 것으로 취급하지만, 연구진은 이 그룹 내부에 유의미한 숨겨진 차이가 있을 것이라고 의심했다. 이를 찾아내기 위해 그들은 '랜덤 서바이벌 포레스트(Random Survival Forest)'라는 컴퓨터 기법을 활용했다. 이것은 실제 나무의 숲이 아니라, 복잡한 데이터에서 패턴을 찾기 위해 수많은 서로 다른 결정 경로를 구축하는 디지털 도구로, 마치 백 명의 서로 다른 전문가에게 단일 사례에 대한 의견을 묻고 그 답변들의 평균을 내는 것과 유사하다.

연구진은 2008년부터 2020년 사이에 암 제거 수술을 받은 486명의 환자 기록을 수집했다. 그들은 모델이 3년 및 5년 동안 암으로부터 자유로울 수 있을지를 예측할 수 있는지 확인하기 위해, 종양 및 환자의 건강 상태를 포함한 열 가지의 서로 다른 정보를 컴퓨터에 입력했다. 그들은 먼저 초기 연도의 데이터를 사용하여 모델을 학습시킨 다음, 모델이 새로운 사례를 처리할 수 있는지 확인하기 위해 후기 연도의 환자들을 대상으로 테스트했다. 결과에 따르면, 컴퓨터 모델은 표준 단계 라벨만 사용하는 것보다 미래를 더 잘 예측했다. 기존 체계가 대략적인 추정치를 제공했다면, 새로운 모델은 동일한 공식 단계를 공유하더라도 암이 없는 상태를 유지할 가능성이 매우 높은 환자와 질병의 재발을 경험할 가능성이 높은 환자를 구분해 낼 수 있었다.

가장 놀라운 발견은 질병의 중간 단계 내에서 위험도가 어떻게 변하는지에 관한 것이었다. II 단계부터 IIIB 단계 사이의 환자들을 대상으로 모델은 결과의 큰 격차를 드러냈다. 이 그룹의 일부 환자들은 재발 가능성이 매우 낮았던 반면, 다른 환자들은 훨씬 높은 재발 가능성을 보였으며, 가장 낮은 위험 그룹과 가장 높은 위험 그룹 사이에는 10~15%포인트의 차이가 있었다. 이는 두 사람이 같은 단계 라벨을 가지고 있더라도 매우 다른 미래를 가질 수 있다는 것을 의미하며, 기존 체계에서는 전혀 놓쳤던 사실이다. 그러나 모델은 가장 심각한 단계인 IIIC 단계의 경우, 위험도가 일률적으로 높다는 것을 발견했다. 이 그룹의 모든 환자는 재발이라는 무거운 짐에 직면해 있었으며, 컴퓨터 모델은 표준 단계 라벨이 이미 이들을 고위험군으로 식별하는 데 적절한 역할을 하고 있음을 확인해주었다. 이 범주 안에는 숨겨진 저위험 그룹이 존재하지 않았다.

이 연구는 위암의 중간 단계에 있어 현재의 체계가 너무 투박하다는 점을 시사한다. 이 체계는 다양한 환자들을 모두 동일한 것으로 취급하여, 잠재적으로 불필요한 걱정을 불러일으키거나 충분한 모니터링을 방해할 수 있다. 새로운 접근 방식은 이 환자들을 더 세밀하게 분류하여, 누가 더 면밀한 관찰이 필요한지, 그리고 누가 표준 치료만으로도 안전할지를 식별할 수 있는 방법을 제시한다. 연구진은 이 결과가 단일 센터를 기반으로 하고 있으므로, 결과가 어디서나 유효한지 확인하기 위해 다른 병원들의 검증이 필요하다고 언급했다. 그럼에도 불구하고, 이 연구는 기술이 어떻게 언젠가 의사들이 광범위한 라벨을 넘어 각 환자의 질병이 가진 구체적인 현실을 이해하도록 도울 수 있는지에 대한 명확한 기준점을 제공한다.