Oropouche, Dengue, and Chikungunya differential diagnosis using Brazilian surveillance data: development and validation of predictive models

기술 요약: 브라질 감시 데이터를 이용한 오로푸케(Oropouche), 뎅기(Dengue), 치쿤구니야(Chikungunya)의 감별 진단

문제 제기
2024년부터 브라질은 전통적인 아마존 지역을 넘어 에스피리투 산투(Espírito Santo)와 같은 남동부 주까지 확산된 오로푸케열(Oropouche Fever, OF)의 심각한 발생을 경험하고 있습니다. 뎅기와 치쿤구니야를 위한 예측 모델은 존재하지만, 임상 및 감시 맥락 내에서 뎅기, 치쿤구니야, 그리고 새롭게 부상하는 OF를 구별할 수 있는 도구에는 결정적인 공백이 존재합니다. 이러한 아르보바이러스(arboviruses)들은 이질적이고 중첩되는 임상 양상(예: 발열, 근육통, 관절통)을 공유하고 있어 감별 진단을 어렵게 만듭 bật니다. 더욱이, 전 세계적으로 약 2.1%의 사례에서 공동 감염이 발생하며, 기존 문헌은 OF를 뎅기와 구별하는 것에 대한 데이터가 제한적이며 이전의 시도들은 낮은 성능을 보였습니다. 본 연구는 진단 절차와 역학적 모니터링을 돕기 위해 검증된 임상 예측 모델의 필요성을 다룹니다.

연구 방법론
본 연구는 2023년 3월부터 2025년 7월까지의 브라질 에스피리투 산투 주 보건 시스템의 감시 데이터를 활용하였습니다.

• 데이터 소스: 데이터셋은 전자 신고 양식에서 추출된 465,280개의 관측치로 구성되었습니다. 사례는 뎅기, 치쿤구니야, 오로푸케열(OF), 그리고 "폐기(discarded)"(확진되지 않은 사례)의 네 가지 결과로 분류되었습니다. 지카(Zika) 사례는 초기 데이터에는 포함되었으나, 수용 불가능한 모델 성능으로 인해 최종 모델링에서는 제외되었습니다.
• 사례 정의: 결과는 임상-역학적 확진(역학적 연관성 + 부합하는 증상) 또는 실험실 확진(RT-qPCR 또는 특정 IgM)을 통해 결정되었습니다.
• 예측 변수: 모델은 인구통계학적 데이터(연령, 성별, 인종, 교육 수준, 주소), 임상 징후(발열, 두통, 구토, 관절통, 발진 등), 그리고 동반 질환(당뇨, 고혈압 등)을 포함하여 신고 양서에서 추출된 28개의 잠재적 예측 변수를 포함했습니다.
• 모델링 접근 방식: 연구진은 공동 감염의 복잡성을 고려하여 단일 다중 클래스 모델 대신 각 결과(뎅기, 치쿤구니야, OF)에 대해 별도의 랜덤 포레스트(Random Forest) 회귀 모델을 개발했습니다.
  • 데이터 분할: 데이터는 무작위로 훈련 세트(3분의 2)와 검증 세트(3분의 1)로 나누어졌습니다.
  • 특성 선택: 예측 변수는 "섀도우 속성(shadow attribute)" 방법을 사용하여 선택되었습니다. 이는 변수의 중요도를 무작위로 섞은 "섀도우" 속성과 비교하여 무작위 노이즈보다 성능이 우수한 변수만을 유지하는 방식입니다.
  • 불균형 처리: 클래스 불균형은 결과 밀도에 반비례하여 관측치에 가중치를 부여함으로써 관리되었습니다.
  • 교정(Calibration): 확률 추정치를 개선하기 위해 플랫 스케일링(Platt scaling) 방법을 사용하여 예측치를 교정했습니다.
• 평가: 성능은 ROC AUC, R², 교정 지표(절편, 기울기, 오차 지표), 그리고 민감도-특이도 트레이드오프를 사용하여 평가되었습니다.

주요 결과

• 데이터셋 구성: 최종 분석된 데이터셋에는 261,691건의 뎅기 사례(56.6%), 18,676건의 치쿤구니야 사례(4.0%), 12,174건의 OF 사례(2.6%), 그리고 179,115건의 폐기 사례(38.6%)가 포함되었습니다.
• 예측 변수 선택:
  • 뎅기 모델: 24개의 예측 변수가 유지되었습니다. 가장 차별적인 특징은 백혈구 감소증, 구토, 발열, 두통, 안구 통증, 점상 출혈, 그리고 증상 발현 주였습니다.
  • 치쿤구니야 모델: 25개의 예측 변수가 유지되었습니다. 주요 차별점은 심한 관절통, 관절염, 점상 출혈, 그리고 요통이었습니다.
  • OF 모델: 16개의 예측 변수가 유지되었습니다. 다른 모델들과 달리, 역학적 특징(첫 증상 주, 연령, 교육, 주소, 피부색)이 특정 임상 증상보다 더 중요한 차별화 요소였습니다.
• 모델 성능:
  • 뎅기: 검증 세트에서 ROC AUC 0.726을 기록했습니다. 세 모델 중 교정 지표는 가장 우수했으나 변별력은 가장 낮았습니다.
  • 치쿤구니야: 검증 세트에서 ROC AUC 0.851을 기록하여 좋은 변별력을 보였습니다.
  • 오로푸케(OF): 검증 세트에서 ROC AUC 0.896을 기록하여 가장 높은 변별력을 보였으나, 높은 확률 범위에서 교정이 최적화되지는 않았습니다.
• 의사결정 지원: 연구는 사용자의 의사결정을 돕기 위해 예측을 "불확실(uncertain)", "결론 불충분(inconclusive)", "결론 도출(conclusive)" 범위로 분류하는 특정 확률 임계값을 정의했습니다. 예를 들어, 뎅기 모델은 0.47에서 0.67 사이의 결론 불충분 범위를 제안했습니다.

의의 및 주장
저자들은 본 연구가 뎅기, 치쿤구니야, OF에 대한 가장 차별적인 예측 변수를 성공적으로 식별하였으며, OF 차별화에 관한 문헌의 공백을 메웠다고 주장합니다. 이 연구는 보통에서 매우 우수한 성능을 보이는 세 가지 별도의 예측 모델을 검증하였으며, 이 모델들은 임상적 판단이나 실험실 확진을 대체하기보다는 의사결정 지원 도구로서 기능하도록 설계되었습니다.

본 연구의 의의는 다음과 같습니다:

1. 진단 절차 최적화: 쉽게 구할 수 있는 임상 및 역학적 데이터를 기반으로 확률적 추정치를 제공함으로써, 특히 자원이 제한된 환경에서 환자의 확진 실험실 검사를 우선순위화하는 데 도움을 줄 수 있습니다.
2. 감시 강화: 모델은 특히 OF가 새로운 지리적 영역으로 확장됨에 따라 아르보바이러스 발생을 조기에 탐지하고 모니터링하는 데 기여할 수 있습니다.
3. 신흥 위협 대응: 본 연구는 라틴 아메리카에서 역학적 중요성이 커지고 있는 오로푸케열의 임상 모델링을 시도한 몇 안 되는 연구 중 하나입니다.

저자들은 이 모델들이 브라질 감시 데이터에 특화되어 있으며, OF의 계절성이나 임상 양상이 변할 경우 업데이트가 필요할 수 있음을 강조합니다. 또한, 모델이 실험실 검사를 대체하는 것이 아니라, 여러 아르보바이러스가 공동 순환하는 동안 보완적인 검사의 합리적 사용을 정교화하고 임상적 추론을 지원하는 것을 목표로 한다고 명시적으로 밝히고 있습니다. 이 모델들을 구현한 웹 애플리케이션(Shiny app)은 공공 사용을 위해 공개되어 있습니다.