Endothelial Activation and Stress Index as a Prognostic Marker and Machine Learning Predictor of Mortality in Mechanically Ventilated ICU Patients: A Multicenter Retrospective Cohort Study

기술 요약: 기계 환기 중인 중환자에서의 내피세포 활성화 및 스트레스 지수의 예후 마커 및 머신러닝 예측 인자로서의 가치

문제 제기
기계 환기(Mechanical Ventilation, MV)는 급성 호흡 부전에 대한 핵심적인 중재술이지만, 기계 환기를 받는 중환자실(ICU) 환자의 사망률은 여전히 상당한 수준(25~45%)을 유지하고 있다. 내피세포 기능 장애는 전신 염증과 다장기 부전을 연결하는 잘 알려진 병태생리학적 기전이지만, 특정 바이오마커(예: angiopoietin-2)의 비용 문제와 가용성 제한으로 인해 일상적인 임상 현장에서 내피세포 상태를 평가하는 데는 한계가 있다. 루틴하게 측정되는 검사 수치(젖산 탈수소효소(LDH), 혈청 크레아티닌, 혈소판 수)로부터 계산되는 내피세포 활성화 및 스트레스 지수(EASIX)는 혈액학 및 심장 질환군에서 예후적 가치를 보여주었으나, 기계 환기 환자군에 대한 체계적인 평가는 부족한 실정이다. 또한, 기존의 예후 연구들은 복잡한 비선형적 상호작용을 포착하지 못하는 전통적인 회귀 모델에 의존하는 경우가 많으며, 많은 머신러닝(ML) 연구들이 외부 검증과 모델의 투명성 결여라는 문제를 안고 있다.

연구 방법론
본 연구는 두 개의 공개 데이터베이스를 활용하여 다기관 후향적 코호트 설계를 채택하였다:

1. 주요 코호트: 2008년부터 2019년 사이에 ICU에 처음 입원한 성인 기계 환기 환자 5,300명의 데이터를 포함하는 MIMIC-IV (버전 3.1).
2. 외부 검증 코호트: 200한 개 이상의 미국 병원에서 수집된 243명의 환자 데이터를 포함하는 eICU 협력 연구 데이터베이스 (버전 2.0, 2014–2015).

선정/제외 기준: 만 18세 이상이며, 24시간 이상 침습적 기계 환기를 받고, ICU 체류 기간이 2일 이상이며, LDH, 혈소판, 크레아티닌에 대한 완전한 데이터를 보유한 환자를 포함하였다.

변수 구성:

• 노출 변수: EASIX는 $[LDH \times Creatinine] / Platelets$로 계산되었다. 우편향(right-skewness) 특성을 고려하여, 모든 분석에는 로그2 변환값(Log2EASIX)이 사용되었다.
• 결과 변м: 주요 결과는 28일 전체 사망률이며, 이차 결과는 90일 전체 사망률이다.
• 공변량: 인구통계학적 특성, 활력 징후, 실험실 파라미터, 질병 중증도 점수(SOFA, SAPS II, APS III) 및 동반 질환을 포함한 포괄적인 세트를 구성하였다.

통계 및 머신러닝 접근법:

• 회귀 분석: Cox 비례 위험 회귀 모델과 제한적 삼차 스플라인(Restricted Cubic Splines, RCS)을 사용하여 Log2EASIX와 사망 위험 사이의 용량-반응 관계를 네 단계의 순차적 조정 모델을 통해 평가하였다.
• 특성 선택(Feature Selection): 훈련 세트(MIMIC-IV의 70%)에 대해 Boruta(앙상블 래퍼)와 LASSO 회귀(Cox 손실 함수)를 사용하여 합의된 특성 세트를 도출하였다.
• 모델 훈련: 합의된 특성 세트(19개 변수)를 바탕으로 15개의 머신러닝 분류기를 훈련시켰다. 모델 선택은 과적합을 방지하기 위해 교차 검증된 AUC-ROC를 기준으로 수행되었다.
• 해석 가능성 및 유용성: 최적의 모델은 특성 중요도와 방향성 효과를 파악하기 위해 SHAP(SHapley Additive exPlanations)을 사용하여 해석되었으며, 결정 곡선 분석(DCA)을 통해 "전원 치료(treat-all)" 및 "무치료(treat-none)" 전략 대비 순 임상 이득을 평가하였다.

주요 결과

• 독립적 연관성: 완전히 조정된 모델에서, Log2EASIX가 1단위 증가할 때마다 28일 사망 위험은 25% 증가하였고(HR 1.25, 95% CI 1.19–1.32), 90일 사망 위험은 21% 증가하였다(HR 1.21, 95% CI 1.16–1.27).
• 용량-반응 관계: RCS 분석 결과, Log2EASIX와 사망 위험 사이에는 주로 로그-선형 관계가 나타났으며, 임계값 효과나 고원 현상(plateau)의 증거는 발견되지 않았다.
• 하위 그룹 분석: 이러한 연관성은 대부분의 하위 그룹에서 일관되게 나타났다. 본페로니 교정(Bonferroni correction) 적용 후, GCS 점수, 찰슨 동반 질환 지수(Charlson Comorbidity Index), 악성 종양 상태에 대해서만 90일 사망률에 대한 통계적으로 견고한 효과 수정(effect modification)이 확인되었다.
• 머신러닝 성능:
  • 최적 모델: CatBoost가 교차 검증 AUC 0.758로 가장 높은 판별 성능을 달s성하였다.
  • 외부 검증: 해당 모델은 독립적인 eICU 코호트에서도 성능을 유지하였다(AUC 0.745).
  • 특성 중요도: SHAP 분석 결과, Log2EASIX는 APS III 점수와 연령에 이어 세 번째로 중요한 예측 변수(평균 |SHAP| = 0.0497)로 선정되었다.
  • 임상적 유용성: DCA를 통해 CatBoost 모델이 두 가지 검증 코호트 모두에서 광범위한 임계 확률 범위에 걸쳐 표준 전략보다 높은 순 임상 이득을 제공함을 확인하였다.

핵심 기여

1. 예후적 타당성 검증: 본 연구는 Log2EASIX가 혈액학 및 심장 질환 맥락을 넘어 기계 환기 중인 중환자에서도 단기 및 중기 사망률의 독립적인 예측 인자임을 입증하였다.
2. 연속적 위험 구배: 연구는 EASIX와 사망률 사이의 관계가 로그-선형임을 보여줌으로써, EASIX를 이진 절단값이 아닌 연속적인 위험 구배(continuous risk gradient)로 사용하는 것을 뒷받침한다.
3. 투명성을 갖춘 머신러닝 프레임워크: 본 연구는 SHAP을 통해 모델 해석성을 확보하고 DCA를 통해 임상적 유용성을 검증함으로써, EASIX가 상위 티어 특성으로 작용하는 외부 검증된 머신러닝 모델을 개발하였으며, 이는 기존 중환자 머신러닝 연구의 한계를 해결한다.
4. 실용성: 이 지수는 세 가지의 일상적인 실험실 수치만을 기반으로 하므로, 비용 효율적인 병상 옆 위험 계층화 도구로서 가치가 높다.

의의 및 주장
저자들은 Log2EASIX가 기존의 질병 중증도 점수(SOFA, SAPS II, APS III)에 의해 완전히 흡수되지 않는 유의미한 예후 정보를 제공한다고 주장한다. 머신러닝 프레임워크에 EASIX를 통합함으로써, 본 연구는 고위험 사망군에서 조기 위험 계층화를 위한 실용적인 병상 옆 도구로서의 잠재력을 지지한다. 연구 결과는 EAScia(내피세포 스트레스)를 포착하는 이 단순한 복합 지수가 환자의 예후를 결정하는 중요한 요인임을 시사한다. 결론적으로, 본 연구 결과는 치료 강도 모니터링이나 치료 목표 설정(goals-of-care) 논의와 같은 임상적 의사결정을 안내하는 데 있어 EASIX의 유용성을 확증하기 위한 추가적인 전향적 조사가 필요함을 시사한다.