Dynamic LAR trajectories provide interpretable short-term risk stratification for ICU patients with delirium

기술 요약: 중환자실 섬망 위험 계층화를 위한 동적 LAR 궤적

문제 제기
섬망은 중환자실(ICU) 환자에게 발생하는 흔하고 심각한 신경정신과적 합병증으로, 이는 기계 환기 기간 연장, 입원 기간 연장, 그리고 단기 및 장기 사망률 증가와 관련이 있다. 젖산(Lactate)과 알부민(Albumin)을 결합하여 대사적 스트레스(젖산)와 생리적 예비력/염증(알부민)을 통합함으로써 유망한 예후 마커로 부상한 젖산-알부민 비율(Lactate-to-Albumin Ratio, LAR)은, 그 구체적인 유용성이 고위험 표현형인 ICU 섬망 환자군에서 아직 충분히 탐구되지 않았다. 기존 문헌은 주로 단일 기저치(baseline) 측정에 의존하고 있어, 중증 질환 진행의 동적인 이질성을 포착하지 못한다는 한계가 있다. 또한, 특히 신장-대사 기능 장애와 관련하여 LAR이 섬망 환자의 사망률에 영향을 미치는 기전적 경로 역시 완전히 확립되지 않았다. 본 연구는 이 특정 인구 집단에서 단기 사망률을 조기에 식별하고 위험을 계층화하기 위해 단순하고 접근 가능한 바이오마커의 필요성을 다룬다.

연구 방법론
본 연구는 MIMIC-IV v3.1 데이터베이스를 활용한 후향적 관찰 코호트 연구로, 첫 ICU 입원 중 신규 발생 섬망을 보인 성인 환자 1,982명을 분석하였다. 섬망은 ICU용 혼돈 평가 도구(CAM-ICU)를 사용하여 식별되었다.

• 노출 변수: 주요 노출 변수는 입원 후 첫 가용 쌍(paired) 측정값으로부터 계산된 젖산-알부민 비율(LAR)이다. 우편향된 분포를 고려하여, LAR은 자연로그 변환되었으며 연속 변수 및 범주형 삼분위수(tertiles)로 모두 분석되었다.
• 결과 변수: 주요 결과 변수는 28일 전인 사망률(28-day all-cause mortality)이다.
• 통계 분석:
  • 연관성 모델링: 인구통계학적 특성, 동반 질환, 실험실 지표, 활력 징후, 중증도 점수(SOFA, SAPS II) 및 치료 변수를 보정한 6단계의 점진적 모델을 통해 Cox 비례 위험 회귀 분석을 수행하였다.
  • 비선형성 및 판별력: 제한적 삼차 스플라인(Restricted Cubic Splines, RCS)을 통해 용량-반응 관계를 평가하였고, ROC 분석을 통해 LAR의 젖산 또는 알부민 단독 측정 대비 판별 능력을 비교하였다.
  • 동적 궤적 분석: 입원 후 첫 7일간의 일일 LAR 측정값에 잠재 성장 혼합 모델(Latent Growth Mixture Modeling, LGMM)을 적용하여 서로 다른 종단적 궤적 패턴을 식별하였다.
  • 매개 및 해석 가능성: 급성 신손상(AKI)과 혈액 요소 질소(BUN)의 역할을 평가하기 위해 인과 매개 분석을 실시하였다. SHAP(SHapley Additive exPlanations) 분석은 완전 조정된 Cox 회귀 모델 내에서 LAR의 기여도를 해석하는 데 사용되었다.
  • 특징 선택: 중요한 임상 변수의 우선순위를 정하기 위해 Boruta 및 XGBoost 알고리즘을 사용하였다.

주요 결과

• 기저치 연관성: 총 1,982명의 환자가 포함되었다. 높은 기저 LAR 수치는 28일 사망률 증가와 독립적으로 연관되어 있었다. 완전 조정된 모델 5에서, 가장 높은 LAR 삼분위수(> -0.11) 그룹은 가장 낮은 그룹에 비해 위험비(Hazard Ratio, HR) 1.365 (95% CI: 1.055–1.765)를 나타냈다.
• 용량-반응 관계: RCS 분석 결과, 유의한 비선형성 없이 LAR과 사망 위험 사이의 양의 선형 연관성이 드러났다.
• 예측 성능: LAR은 28일 사망률에 대해 젖산(AUC = 0.755)이나 알부민(AUC = 0.757) 단독 측정보다 우수한 판별 능력(AUC = 0.770)을 보였다.
• 동적 궤적: LGMM을 통해 첫 7일간의 세 가지 뚜렷한 LAR 궤적 클래스를 식별하였다:
  1. 저/중저 수준 (Class 2): 환자의 42.1%, 사망 위험이 가장 낮음.
  2. 중간 수준 (Class 1): 환자의 48.1%.
  3. 지속적 고수준 (Class 3): 환자의 9.8%.
     지속적으로 높은 궤적 그룹(Class 3)은 저위험 참조 그룹에 비해 가장 높은 사망 위험(HR = 3.85, 95% CI: 2.26–6.58)을 보였다.
• 매개 효과: 매개 분석 결과, AKI와 BUN이 LAR과 생존 시간 사이의 관계를 부분적으로 매개하는 것으로 나타났다. AKI는 매개 효과의 24.3%를, BUN은 7.6%를 설명하였다.
• 모델 해석력: SHAP 분석은 LAR이 연령 및 헤모글로빈 다음으로 평균 절대 SHAP 값에서 세 번째를 차지하며, 예측 모델에서 높은 기여도를 가진 특징임을 확인하였다.

주요 기여

1. 특정 표현형에서의 검증: 본 연구는 일반적인 중증 환자 바이오마커 연구에서 제외되곤 하는 ICU 섬망 환자라는 특정 집단에서 LAR의 독립적인 예후 가치를 입증하였다.
2. 동적 위험 계층화: LGMM을 활용함으로써, 본 연구는 정적인 기저치 평가를 넘어 지속적으로 높은 LAR 궤적이 단일 시점 측정보다 불량한 결과와 더 강력하게 연관되어 있음을 보여줌으로써 정적인 평가를 넘어섰다.
3. 기전적 통찰: AKI와 BUN이 유의한 매개 변수로 확인된 것은 신장-대사 축이 높은 LAR과 사망률 사이의 경로에서 핵심적인 역할을 한다는 것을 시사한다.
4. 임상적 유용성: 일상적인 실험실 검사를 통해 도출되는 LAR이 개별 구성 요소보다 더 나은 예후 판별력을 제공함을 확인하여, 실용적이고 저비용인 병상 도구로서의 사용을 뒷받침한다.

의의 및 주장
저자들은 LAR이 ICU 섬망 환자에서 28일 사망률의 독립적인 예측 인자라고 결론짓는다. 본 연구는 LAR이 단순한 정적 위험 마커가 아니라, 대사적 스트레스와 생리적 예비력의 지속적인 진화를 반영하는 동적 지표 역할을 한다고 상정한다. 특히 "지속적 고수준" 그룹을 포함한 뚜렷한 궤적 패턴의 식별은 더욱 정교한 위험 계층화 방법을 제공하며, 이는 단기 예후가 좋지 않은 환자를 조기에 식별하는 데 도움을 줄 수 있다.

저자들은 본 연구의 결과가 MIMIC-IV 코호트 내에서는 견고하지만, 후향적 단일 센터 설계 및 잠재적 잔여 교란 요인의 한계가 있음을 강조한다. 또한 LAR을 단독 진단 도구가 아닌 통합적 위험 특성화의 구성 요소로 간주해야 한다고 주장하며, 외부 일반화 가능성 및 임상 적용 범위를 검증하기 위한 다기관 전향적 연구를 촉구한다. 본 연구는 새로운 치료적 개입을 제안하는 것이 아니라, 지속적인 LAR 모니터링이 장기 지원 전략 및 예후 평가에 정보를 제공할 수 있음을 시사한다.