Non-exercise estimated cardiorespiratory fitness and progressive frailty trajectories: a longitudinal cohort study

기술 요약: 비운동 기반 추정 심폐 체력과 점진적 노쇠 궤적

문제 제기
노쇠(Frailty)는 감소된 생리적 예비력과 스트레스 요인에 대한 취약성을 특징으로 하는 역동적인 노인 증후군으로, 장애, 입원 및 사망과 같은 부정적인 결과로 이어진다. 노쇠 지수(Frailty Index, FI)는 취약성을 평가하는 강력한 도구이지만, 기존 연구들은 주로 노쇠를 건강 결핍의 축적이라는 역동적인 궤적이 아닌 정적인 상태로 취급해 왔다. 또한, 고위험군인 '가속화된' 노쇠 진행을 식별하는 것은 여전히 어려운 과제이다. 심폐 체력(Cardiorespiratory Fitness, CRF)은 사망률과 건강의 강력한 예측 인자이지만, 직접 측정에는 운동 검사가 필요하며 이는 대규모 설문 조사나 일차 의료 환경에서는 실행이 불가능한 경우가 많다. 따라서, 특히 현재 비노쇠 상태인 개인들의 종단적 노쇠 진행을 예측할 수 있는, 확장 가능한 비침습적 지표인 비운동 기반 추정 심폐 체력(Non-exercise Estimated Cardiorespiratory Fitness, NEE-CRF)이 필요하다.

연구 방법론
본 연구는 중국 건강 및 은퇴 종단 연구(CHARLS)의 4개 파동 데이터(2011–2018)를 바탕으로 한 종단적 코호트 설계를 활용하였다.

• 대상자: 분석 샘플은 기저 시점에 비노쇠 상태(FI < 0.25)였으며, NEE-CRF 계산을 위한 데이터와 최소 3회의 조사 파동에서 유효한 FI 측정을 모두 완료한 45세 이상의 성인 4,497명을 포함하였다.
• 노출 변수 (NEE-CRF): 기저 시점의 NEE-CRF는 연령, BMI, 허리둘레, 안정 시 심박수, 신체 활동 수준, 흡연 상태를 포함하는 검증된 성별 특화 회귀 공식을 사용하여 계산되었다. 이는 연속 변수 및 사분위수로 분석되었다.
• 결과 변수 (노쇠 궤적): 노쇠는 32개 항목의 노쇠 지수(FI)를 사용하여 평가되었다. 7년간의 기간 동안 서로 다른 종단적 진행 패턴을 식별하기 위해 집단 기반 궤적 모델링(GBTM)이 사용되었다.
• 통계 분석:
  • 회귀 분석: 다변량 로지스틱 회귀(미보정, 인구통계학적 보정, 생활 방식 및 바이오마커 완전 보정)를 사용하여 NEE-CRF와 궤적 멤버십 간의 연관성을 추정하였다. 제한적 삼차 스플라인(Restricted Cubic Splines, RCS)을 사용하여 용량-반응 관계를 평가하였다.
  • 머신러닝: 궤적 클래스 멤버십을 예측하기 위해 7가지 알고리즘(Decision Tree, KNN, Random Forest, Elastic Net, Ridge Regression, XGBoost, SVM)을 학습시켰다. 특성 선택은 Boruta 알고리즘을 사용하여 수행되었다.
  • 해석 가능성: 가장 성능이 우수한 모델은 SHAP(SHapley Additive exPlanations)을 사용하여 특성의 중요도와 방향성을 정량화하기 위해 해석되었다.
  • 타당성 검토: 포함 기준을 완화하여(2회의 유효한 파동만 요구) 민감도 분석을 수행하였으며, AUC, 교정 곡선(Calibration curves), 결정 곡선 분석(DCA)을 사용하여 모델 성능을 평가하였다.

주요 결과

• 궤적 식별: GBTM은 두 가지 뚜렷한 노쇠 궤적을 식별하였다: 저위험 궤적(참가자의 84.7%)은 안정적이고 낮은 수준의 건강 결핍을 특징으로 하며, 진행형 궤적(15.3%)은 건강 결핍의 급격한 축적을 특징으로 한다.
• NEE-CRF와의 연관성: 높은 기저 NEE-CRF는 진행형 궤적에 속할 확률이 낮아지는 것과 유의하게 관련이 있었다.
  • 완전 보정 모델에서, NEE-CRF가 1단위 증가할 때마다 진행성 노쇠의 오즈(Odds)가 27.6% 감소하였다 (OR = 0.724, 95% CI: 0.680–0.770).
  • 가장 높은 NEE-CRF 사분위수(Q4)에 속한 참가자들은 가장 낮은 사분위수(Q1)에 비해 진행성 노쇠의 오즈가 현저히 낮았다 (OR = 0.243, 95% CI: 0.171–0.345).
  • RCS 분석 결과, 유의한 비선형성 없이 대략적인 선형 역관계가 나타났다.
• 머신러닝 성능: 7가지 모델 중 Ridge regression이 가장 높은 판별 능력(AUC = 0.711)을 달성하였다. SHAP 분석 결과, NEE-CRF가 사회인구학적 변수나 바이오마커를 능가하는 가장 영향력 있는 예측 인자로 확인되었다.
• 강건성: 민감도 분석을 통해 2회의 유 valid 데이터만 포함했을 때도 유사한 효과 크기가 관찰되어 결과의 강건성이 확인되었다.

의의 및 주장
저자들은 본 연구가 초기에는 비노쇠 상태인 중장년층 및 노년층 중국 성인들에게 있어 NEE-CRF가 가속화된 노쇠 진행에 대한 독립적인 보호 요인이라는 결정적인 증거를 제공한다고 주장한다.

• 임상적 유용성: 본 연구는 NEE-CRF가 조기 위험 계층화를 위한 실행 가능하고 자원 소모가 적은 전략을 제공한다고 상정한다. 운동 검사 대신 일상적으로 수집되는 변수(신체 계측, 활력 징후, 자기 보고식 활동량)에 의존하기 때문에, 자원이 제한된 지역사회 보건 서비스 및 일차 의료 환경에 특히 적합하다.
• 예측 가치: 해석 가능한 머신러닝 프레임워크에 NEE-CRF를 통합함으로써, 본 연구는 체력 관련 지표가 알고리즘 기반의 위험 평가에 의미 있게 기여할 수 있음을 보여준다. 이는 노쇠가 임상적으로 뚜렷해지기 전, 고위험군을 대상으로 한 표적 예방 전략(예: 신체 활동 프로그램, 대사 관리)을 가능하게 할 잠재력을 가진다.
• 방법론적 기여: 본 연구는 단면적인 노쇠 분류를 넘어 역동적인 궤적을 특징짓고, 전통적인 역학 방법론과 해석 가능한 머신러닝을 결합하여 체력 지표의 번역적 가치를 높임으로써 해당 분야를 발전시킨다.

저자들은 본 연구의 관찰 연구적 성격을 인정하며, 임상 적용 전 독립적인 코호트에서의 외부 검증이 필요함을 언급하며 인과 관계 추론에 대해 신중한 어조를 유지한다. 그들은 NEE-CRF가 종합적인 노인 평가를 대체하기보다는 보완해야 한다고 강조한다.