Bidirectional Prediction of Diabetes-Hypertension Comorbidity Transitions from Multimodal Outpatient EMRs: A Reference-Deviation-Aware Multimodal Stacking Framework (RD-MMS)

기술 요약: RD-MMS를 통한 당뇨병-고혈압 공존 질환 전이의 양방향 예측

문제 정의
당뇨병(DM) 및 고혈압(HTN)과 같은 만성 질환 관리는 매우 전문화되어 있어, 교차 질환 위험 식별에 있어 체계적인 사각지대를 생성합니다. 내분비 전문의는 대개 당뇨병을 관리하고 순환기 내과 의사는 고혈압을 관리하며, 이 과정에서 두 질환 간의 양방향 전이 위험을 스크리닝하는 데 실패하는 경우가 많습니다. 기존 예측 모델들은 실제 임상 환경에 적용될 때 세 가지 주요 한계점을 보입니다:

1. 데이터 소스 불일치: 대부분의 모델은 입원 데이터를 또는 인구 조사 데이터를 기반으로 하며, 이는 정보 밀도와 품질 측면에서 외래 환자 데이터와 크게 다릅니다.
2. 단방향 모델링: 현재의 접근 방식은 대개 질환 진행을 한 방향(예: 당뇨병에서 고혈압으로)으로만 모델링하며, 양방향 공존 질환 전이에 내재된 과업 비대칭성을 포착하지 못합니다.
3. 외래 데이터의 기술적 과제: 실제 환경의 외래 전자 의무 기록(EMR)은 검사 기기 간 이질성, 높은 희소성(낮은 실험실 검사 커버리지), 그리고 내부 검증 성능을 부풀리는 숨겨진 정보 누출 위험 등의 문제를 안고 있습니다.

방법론: RD-MMS 프레임워크
이러한 과제를 해결하기 위해 저자들은 RD-MMS(Reference-Deviation-Aware Multimodal Stacking) 프레임워크를 제안합니다. 이 아키텍처는 베이징 핑구 병원의 대규모 실세계 외래 멀티모달 데이터셋(2023–2024)을 사용하여 당뇨병-고혈압 및 고혈압-당뇨병 전이의 양방향 예측을 수행하도록 설계되었습니다.

프레임워크는 네 가지 핵심 구성 요소로 이루어집니다:

1. 참조-편차(RD) 인코딩:

   • 평균 결측치 보간을 요구하고 전역 통계에 의존하는 전통적인 Z-score 또는 min-max 정규화 대신, RD 인코딩은 실험실 정보 시스템(LIS)에서 유지되는 환자별 참조 구간을 활용합니다.
   • 실험실 수치는 상대적 편차로 인코딩됩니다: 정상 범위 내의 값은 0으로 설정되며, 비정상 값은 방향성을 가진 연속적 편차로 인코딩됩니다. 결측치(NaN)는 형태를 유지한 채 보존됩니다.
   • 이 접근 방식은 기기 간 이질성을 해결하며, 트리 기반 모델이 '검사되지 않음'을 노이즈가 아닌 약한 부정적 신호로 활용할 수 있게 합니다.

2. 멀티모달 특징 융합:

   • 시스템은 다섯 가지 이질적인 특징 유형을 통합합니다:
     • RD 인코딩된 수치형 특징: 107개의 핵심 실험실 지표로부터 도출되었습니다.
     • 텍스트 임베딩: 임상 서사에서 추출된 BERT 의미론적 임베딩(768차원) 및 문자 단위 TF-IDF(500차원).
     • 내원 행태 통계: 내원 밀도, 간격, 횟수 등의 지표.
     • 가이드라인 기반 임상 임계값: ESC/ESH, ADA, CKD-EPI 가이드라인에 근거하여 비정상 상태(예: 혈압 등급, eGFR 단계)를 인코딩한 20개의 특징.
   • 이러한 특징들은 하나의 고차원 입력 벡터(~2,357차원)로 결합됩니다.

3. 4차원 누출 제어:

   • 데이터 누출을 방ක지하고 모델이 인덱스 방문 이전의 정보만을 사용하도록 보장하기 위해, 파이프라인은 다음을 강제합니다:
     • 환자 수준 분할: Fold 간 환자 중복이 없는 GroupKFold 교차 검증을 수행합니다.
     • 시간적 차단: 특징들은 기준점(baseline) 이전의 기록으로 제한됩니다.
     • 의미론적 마스킹: 텍스트 내 질병명과 대상 약물은 [UNK] 토큰으로 대체되며, LIS 연도 필드는 마스킹 처리됩니다.
     • 폴드 내 전처리: 스케일링 및 특징 선택은 오직 훈련 폴드 내에서만 피팅됩니다.

4. 스태킹 앙상블:

   • 6개의 베이스 모델(MLP, RF, LR, XGBoost, LightGBom, CatBoost)이 병렬로 학습됩니다.
   • L2 정규화된 로지스틱 회귀 메타 학습자가 상위 성능 베이스 모델들의 Out-of-Fold(OOF) 예측값을 통합하여 최종 위험 점수를 생성함으로써 과적합을 줄입니다.

주요 결과
프레임워크는 개발 코호트(2023–2024)와 독립적인 2025년 홀드아웃 코호트를 통해 평가되었습니다.

• 예측 성능:

  • 당뇨병-고혈압: AUROC 0.767(내부) 및 0.748(외부).
  • 고혈압-당뇨병: AUROC 0.735(내부) 및 0.715(외부).
  • 모델은 실험실 검사 커버리지가 13–18%에 불과한 외래 환경임에도 불구하고, 모든 베이스라인 방법(단일 모델 XGBoost 및 로지스틱 회귀 포함)과 기존 벤치마크를 능가했습니다.
  • 외부 코호트에서의 시간적 드리프트(Temporal drift)는 <1.5%로 미미했던 반면, OOF 메커니즘이 없는 표준 Random Forest 모델은 성능이 크게 저하되었습니다(AUROC 0.122 하락).

• 절제 및 섭동 연구(Ablation and Perturbation Studies):

  • RD 인코딩: 의미론적 섭동(참조 구간을 무작위로 불일치시킴)은 AUROC를 0.028–0.030 하락시켰으며, 이는 모델이 단순 수치 스케일링이 아닌 임상적 의미론에 의존함을 확인시켜 줍니다.
  • 희소성 강건성: 실험실 결측치가 90%로 증가함에 따라, 전체 멀티모달 모델의 성능은 0.059만 감소한 반면, 수치 전용 모델은 0.149 감소했습니다. 텍스트 특징은 고희소 시나리오에서 최대 +0.110의 AUROC 보상 이득을 제공했습니다.
  • 누출 제어: LIS 연도 필드 마스킹은 AUROC를 약 0.030 향상시켜, 암묵적 시간 누출의 영향을 입증했습니다.
  • SMOTE 민감도: 트리 기반 모델에 SMOTE를 적용하면 '검사되지 않음' 신호가 방해받아 성능이 0.041 하락했습니다. SMOTE를 비-트리 모델에만 제한했을 때 성능이 복구되었습니다.

• 임상적 유용성:

  • 위험 계층화: 상위 10% 고위험군은 베이스라인 대비 2.9배 높은 이벤트 발생률 농축도를 보였습니다.
  • 결정 곡선 분석(DCA): 모델은 2%–50%의 임계 확률 범위에서 '전원 치료' 및 '전원 미치료' 전략보다 우수한 순 이익(Net Benefit)을 보여주었습니다.
  • 특징 중요도: SHAP 분석은 과업 비대칭성을 드러냈습니다. 당뇨병-고혈압은 혈관 노화와 혈압에 의해 주도된 반면, 고혈압-당뇨병은 내원 밀도와 텍스트에서 추출된 당 수치 이상에 크게 영향을 받았습니다. 이는 멀티모달 데이터의 가치를 강조합니다.

의의 및 주장
본 논문은 RD-MMS가 신뢰할 수 있는 실세계 외래 EMR 기반 만성 공존 질환 예측 모델을 구축하기 위한 완전한 방법론적 패러다임을 제공한다고 주장합니다. 주요 기여는 다음과 같습니다:

1. 외래 특수성 해결: 실험실 커버리지가 낮고 기기 간 이질성이 존재하는 외환 환경의 특정 기술적 과제에 대한 체계적인 솔루션을 제공하며, 낮은 데이터 품질에도 불구하고 입원 기반 연구에 필적하는 성능을 달 수 있었습니다.
2. 양방향 비대칭성: 양방향 모델링이 과업 수준의 정보 비대칭성(예: 당뇨병-고혈압 vs 고혈병-당뇨병 간 텍스트 특징의 예측 가치 차이)을 드러내는 데 필수적임을 입증하였으며, 단방향 모델은 이를 은폐한다는 점을 보여주었습니다.
3. 누출 제어를 통한 강건성: 엄격한 4차원 누출 제어와 OOF 스태킹이 시간적 일반화에 결정적이며, 종단적 EMR 연구에서 흔히 발생하는 부풀려진 내부 검증 지표를 방지함을 확립했습니다.
4. 임상 배치 가능성: 프레임워크는 일차 의료에서 보편적으로 사용 가능한 데이터 소스(EMR, LIS, 내원 로그)에만 의존하며 전문가의 해석을 요구하지 않으므로, 병원 정보 시스템에 내장된 형태로 배포하여 전문 분야 간 진단 사각지대를 해소하는 것이 가능합니다.
5. 일반화 가능성: 모듈식이고 설정 중심적인 설계 덕분에 프레임워크를 특정 질환 유형에서 분리할 수 있으며, 최소한의 재설정만으로 다른 만성 공존 질환 쌍(예: CKD-DM)으로 확장할 수 있습니다.

저자들은 이 프레임워크가 전문화된 질환 관리와 선제적인 교차 질환 예방 사이의 간극을 성공적으로 메우며, 정밀 만성 질환 관리를 위한 배포 가능한 기술적 경로를 제공한다고 결론짓습니다.