Dynamic Trajectories of Sepsis-Induced Coagulopathy and Machine Learning-Based Early Prediction of High-Risk Phenotypes: A Multicenter Cohort Study

기술 요약: 패혈증 유발 응고 장애의 역동적 궤적 및 머신러닝 기반 조기 예측

문제 정의

패혈증 유발 응고 장애(Sepsis-induced coagulopathy, SIC)는 염증, 내피 세포 손상 및 섬유소 용해 저해를 포함하는 역동적인 과정이지만, 현재는 정적인 단일 시점 측정치(SIC 점수)를 사용하여 평가된다. 이러한 접근 방식은 중증 질환 기간 동안 발생하는 응고 기능 및 장기 기능 부전의 급격한 진화를 포착하지 못한다. 기저 SIC 점수가 유사한 환자라 하더라도 임상 경과는 급격한 호전, 지속적인 이상, 또는 점진적 회복 등 서로 다른 방향으로 전개될 수 있으며, 횡단적 데이터만으로는 이를 구별할 수 없다. 본 연구는 재현 가능한 종단적 SIC 점수 궤적을 식별하고, 다양한 중증 환자군에 걸친 이들의 예후적 관련성을 결정할 필요성을 다룬다.

연구 방법론

본 다기관 후향적 코호트 연구는 네 가지 별도의 중환자실 데이터베이스를 활용하였다:

• 개발 코호트: MIMIC-IV (6,416명)
• 검증 코호트: MIMIC-III CareVue (1,157명), eICU-CRD (2,077명), NWICU (641명)

데이터 처리 및 모델링:

1. 코호트 선정: Sepsis-3 기준을 충족하고 SIC(패혈증 진단 후 24시간 이내 SIC 점수 ≥4)로 진단받은 성인(≥18세) 중, ICU 입원 후 첫 7일 이내에 계산 가능한 SIC 점수가 최소 3개 이상 존재하는 환자를 포함하였다.
2. 궤적 모델링: 첫 7일 동안(6시간 간격으로 계산됨)의 연속적인 SIC 점수에 그룹 기반 궤적 모델링(GBTM)을 적용하였다. 베이지안 정보 기준(BIC), 엔트로피, 평균 사후 확률(AvePP), 정답 분류 확률(OCC)을 사용하여 1~6개의 잠재 클래스를 가진 이차 모델(Quadratic models)을 평가하였다.
3. 통계 분석:
   • 생존 분석: 다변량 Cox 비례 위험 모델(인구통계학적 특성, 동반 질환, 활력 징후 및 검사 수치 보정)을 사용하여 28일 전체 사망률과의 연관성을 평가하였다.
   • 편향 완화: 결측치 처리를 위한 다중 대체법, 공변량 균형을 위한 보정된 역확률 가중치(IPTW), 그리고 불멸 시간 편향(immortal-time bias)을 해결하기 위해 7일째 생존 환자로 제한하는 7일 랜드마크 분석을 포함하였다.
   • 하위 그룹 분석: FDR(허위 발견율) 보정을 적용하여 층화 변수(예: 연령, SOFA 점수, 동반 질환) 간의 상호작용 항을 테스트하였다.
4. 머신러닝(ML) 예측: 입원 후 첫 24시간 이내에 사용 가능한 기저 변수를 사용하여 "지속적으로 높은(Persistently High)" 궤적 표현형을 예측하는 중첩 머신러닝 파이프라인을 개발하였다.
   • 특성 선택: 10-겹 중첩 교차 검증 프레임워크 내에서 Boruta 및 LASSO 방법을 사용하였다.
   • 알고리즘: Elastic net, random forest, XGBoost, SVM, k-nearest neighbors를 비교하였다.
   • 검증: 최종 모델(XGBoost)은 시계열 검증(MIMIC-IV 2020–2022) 및 외부 검증(MIMIC-III, eICU, NWICU)을 거쳤다. 성능은 AUROC, AUPRC, 교정 곡선, 결정 곡선 분석 및 SHAP(Shapley Additive Explanations)을 통해 평가되었다.

주요 결과

1. 세 가지 궤적 식별:
GBTM은 네 가지 데이터베이스 모두에서 세 가지의 뚜렷하고 재현 가능한 SIC 점수 궤적을 식별하였다:

• 저위-급격한 감소 (Low-Rapid Decline, 19.25%): 중앙값 SIC 4.0에서 시작하여 급격히 감소한 후 안정화됨.
• 지속적으로 높음 (Persistently High, 32.00%): 중앙값 SIC 6.0에서 시작하여 최소한의 개선 없이 높은 상태를 유지함.
• 중등도-감소 (Moderate-Decline, 48.75%): 중앙값 SIC 5.0에서 시작하여 점진적으로 감소함.
  세 클래스 모델은 높은 분류 품질(Entropy = 0.947; AvePP > 0.97)을 보였다.

2. 예후적 연관성:

• 사망 위험: "지속적으로 높은" 궤적은 모든 코호트에서 일관되적으로 가장 높은 28일 사망 위험과 연관되어 있었다. 완전히 보정된 모델에서 Class 2 대 Class 1의 위험비(HR)는 2.45(eICU)에서 3.93(NWICU) 사이였다.
• 강건성: 이러한 연관성은 IPTW 보정 및 7일 랜드마크 분석 후에도 유의미하게 유지되었다(예: MIMIC-IV에서 Class 2의 HR 3.09).
• 증분 가치: 기저 SOFA 점수에 궤적 클래스를 추가했을 때 28일 사망률에 대한 판별력이 소폭 향상되었으나(예: MIMIC-IV에서 ΔAUC = 0.028), 단일 기저 SIC 점수를 추가했을 때는 개선 효과가 미미했다.

3. 머신러닝 성능:

• 예측 인자: XGBoost 모델은 10개의 기저 변수를 식별하였으며, 기저 SOFA 점수와 SIC 혈소판 구성 요소가 가장 영향력 있는 예측 인자였다.
• 판별력: 모델은 시계열 및 외부 검증 코호트 전반에서 0.830에서 0.862 사이의 AUROC를 달려냈다.
• 교정 및 유용성: 모델은 적절한 교정 성능(Brier score 0.141–0.154)을 보였으며, 임상적으로 유의미한 임계값 전반에서 결정 곡선 분석을 통해 양의 순이익(positive net benefit)을 나타냈다. SHAP 분석은 코호트 간에 일관된 특성 중요도 순위를 확인하였다.

의의 및 주장

본 논문은 ICU 입원 첫 주 동안의 종단적 SIC 측정이 정적 평가가 놓치는 재현 가능한 예후적 하위 표현형을 밝혀낸다고 주장한다. 구체적으로:

• 예후적 하위 표현형: "지속적으로 높은" 궤적은 지속적인 초과 사망 위험을 가진 별도의 환자군을 식별하는 반면, "저위-급격한 감소"는 양호한 경과를 나타낸다.
• 시간적 차원: 궤적 정보는 표준 중증도 평가(SOFA)에 소폭이지만 의미 있는 시간적 차원을 더하며, 응고 기능 장애가 해소되는 환자와 지속적인 이상을 보이는 환자를 구분해 준다.
• 조기 예측: 본 연구는 머신러닝을 통해 일상적으로 사용 가능한 임상 데이터를 활용하여 "지속적으로 높은" 표현형을 24시간 이내에 높은 일반화 가능성을 가지고 조기에 예측할 수 있음을 입증하였다.

한계 및 주의사항:
저자들은 이러한 결과가 관찰 연구에 기반한 것이며, 인과관계를 확립하거나 특정 치료 프로토콜을 정의하는 것이 아님을 명시하였다. 본 연구는 궤적 기반 중재가 결과를 개선한다는 점을 주장하지 않으며, 오히려 이러한 궤적을 향후 전향적 검증을 위한 목표로 제안한다. 저자들은 후향적 설계로 인해 잔여 혼란 변수(residual confounding)의 가능성이 있으며, 여러 개의 SIC 점치를 요구하는 선정 기준이 환자의 긴 ICU 체류 기간으로 인한 선택 편향을 유발할 수 있다고 경고한다. 따라서 임상 적용 전에는 전향적 검증이 필요하다.