SHAP-interpretable machine learning model for early prediction of periventricular leukomalacia in preterm infants younger than 32 weeks: a multicenter validation study

기술 요약: 조기 PVL 예측을 위한 SHAP 기반 해석 가능한 머신러닝

문제 정의
뇌실주위 백질연화증(PVL)은 임신 주수(GA) 32주 미만의 미숙아에게 발생하는 심각한 형태의 백질 손상입니다. 이는 흔히 강직성 뇌성마비 및 인지/운동 발달 지연을 포함한 영구적인 신경학적 후유증을 초축합니다. 현재의 임상적 과제로는 PVL에 대한 특이적인 초기 임상 징후의 부재, 발생 후 효과적인 치료법의 결여, 그리고 조기 식별 도구의 부족 등이 있습니다. 기존의 예측 연구들은 종종 제한된 효율성을 가진 전통적인 통계 방법론에 의존하며, 작은 표본 크기, 단일 센터 설계로 인한 외부 일반화 능력 부족, 그리고 예측 논리에 대한 명확한 설명을 제공하지 못해 임상적 신뢰와 적용을 저해한다는 문제점이 있습니다.

연구 방법론
본 다기관 코호트 연구는 2018년부터 2025년 사이 Sino-northern Neonatal Network(SNN)를 통해 중국 전역 47개 신생아 집중치료실(NICU)에 입원한 10,114명의 미숙아(GA 24 ≤ GA < 32주) 데이터를 활용하였습니다.

• 데이터 수집: 본 연구는 신생아 기초 특성, 모체의 인구통계학적/주변기 위험 요인, 출생 후 소생술 및 초기 임상 상태(생후 첫 3일 이내), 진단 전 신경학적 합병증, 그리고 보조 검사 결과를 포함한 다차원적 데이터를 집계하였습니다. PVL은 퇴원 전 표준화된 뇌 초음파 또는 MRI를 통해 진단되었습니다.
• 특성 선택(Feature Selection): 예측 변수를 최적화하기 위해 네 가지의 서로 다른 방법을 사용하는 합의 기반 전략이 사용되었습니다:
  1. LASSO 회귀 (10-겹 교차 검증 포함).
  2. 단계적 회귀 (AIC 기반).
  3. Random Forest 중요도 점수를 이용한 재귀적 특성 제거(RFE).
  4. Boruta 알고리즘.
     네 가지 방법 중 2개 이상의 방법에서 선택된 변수들을 식별하는 투표 메커니즘을 통해 태반 조기 박리, 젖산 수치, 5분 아프가 점수, 중증 뇌실 내 출혈(IVH)을 포함한 19개의 핵심 예측 인자를 도출하였습니다.
• 모델 개발: 6가지 머신러닝 알고리즘을 구축하고 비교하였습니다: 로지스틱 회귀(LogReg), Random Forest(RF), XGBoost, LightGBM, K-최근접 이웃(KNN), 서포트 벡터 머신(SVM). 데이터셋은 훈련 세트(n=5,373), 내부 검증 세트(n=2,302), 독립적 외부 검증 세트(n=2,439)로 분할되었습니다. 클래스 불균형 문제는 특정 가중치 파라미터(예: 트리 기반 모델의 scale_pos_weight)를 사용하여 해결하였습니다.
• 해석 가능성: 최적의 모델은 SHapley Additive exPlanations(SHAP)를 사용하여 특성 중요도, 방향성 영향력, 개별 샘플 예측을 시각화함으로써 해석되었습니다.

주요 결과

• 모델 성능: Random Forest(RF) 모델이 다른 5가지 알고리즘에 비해 우수하고 일반화 가능한 성능을 입증하였습니다. 외부 검증 세트에서 RF 모델은 다음을 달s성했습니다:
  • AUC: 0.930 (95% CI: 0.899–0.961)
  • 정확도(Accuracy): 0.838
  • 특이도(Specificity): 0.838
  • 음성 예측도(NPV): 0.997
    RF 모델은 XGBoost(AUC 0.881), LightGBM(AUC 0.871), LogReg(AUC 0.854)보다 높은 성능을 보였습니다.
• 특성 중요도: SHAP 분석 결과 태반 조기 박리가 가장 영향력 있는 예측 인자로 나타났으며, 중증 IVH, 젖산 수치(Lac), 최저 동맥 pH(PHnadir)가 그 뒤를 이었습니다.
• 해석 가능성: SHAP 요약 플롯은 태반 조기 박리, IVH, 젖산의 수치 상승과 낮은 pH 값(대사성 산증을 시사)이 PVL 위험 증가와 상관관계가 있음을 확인하였습니다. 개별 사례 분석(waterfall plot)은 특정 주변기 및 신생아 상황에 따라 위험 수준을 구분하는 모델의 능력을 보여주었습니다.

의의 및 주장
저자들은 이 연구가 32주 미만 미숙아를 대상으로 고성능, 일반화 가능성 및 임상적 해석이 가능한 도구를 개발함으로써 PVL 예측의 핵심적 공백을 해결한다고 주장합니다.

• 임상적 유용성: 모델은 특수 영상 장비나 시간이 많이 소요되는 라디오믹스 특성 추출 없이, 생후 첫 3일 이내에 수집되는 일상적인 임상 및 실험실 데이터만을 활용합니다. 이러한 설계는 자원 역량이 다양한 NICU 전반의 일상적인 임상 워크플로에 직접 통합될 수 있도록 합니다.
• 조기 계층화: 전형적인 PVL 영상 소견이 나타나기 전에 고위험아를 식별함으로써, 이 도구는 조기 위험 계층화 및 표적 예방 중재 시행을 가능하게 하는 것을 목표로 합니다.
• 투명성: SHAP의 사용은 모델의 의사 결정 과정에 대한 투명한 통찰력을 제공하며, 예측 논리를 확립된 병태생리학적 기전(예: 저산소-허혈 사건 및 대사성 산증)과 일치시켜 임상적 신뢰를 높입니다.
• 공중 보건 영향: 이 위험 평가 도구의 적용은 취약한 인구 집단의 장기적인 신경학적 예후를 개선하고 가족 및 의료 시스템의 부담을 줄일 잠재력을 가지고 있습니다.

저자가 언급한 한계점
본 연구는 새로운 바이오마커나 정량적 신경 영상 지표를 제외하고 일상적인 임상 변수만을 사용하여 모델을 개발했음을 인정합니다. 또한, 장기적인 신경 발달 추적 관찰이 수행되지 않았으므로, 본 코호트에서 모델이 특정 기능적 결과(예: 뇌성마비)를 예측하는 능력이 직접적으로 검증되지는 않았습니다. 저자들은 향후 연구가 멀티 오믹스 데이터를 통합하고 종단적 추적 프로토콜을 확립하는 데 집중해야 한다고 제언합니다.