Development and Transportability Assessment of a Parsimonious Machine Learning Model for Predicting In-Hospital Mortality in ICU Patients with Cirrhosis and Sepsis: A MIMIC-IV and Chinese Cohort Study

기술 요약: 간경변증 및 패혈증 환자의 중환자실 내 입원 사망 예측을 위한 간결한 머신러닝 모델의 개발 및 전이 가능성 평가

문제 제기
패혈증이 발생한 간경변증 환자는 매우 높은 사망 위험에 직면하며, 사망률은 간경변증이 없는 패혈증 환자보다 약 4배 높습니다. SOFA(Sequential Organ Failure Assessment) 및 APACHE II(Acute Physiology and Chronic Health Evaluation)와 같은 기존 예후 점수는 일반적인 중환자실 코호트를 기반으로 도출되었으며, 이 "이중 손상(dual-insest)" 인구 특유의 복잡한 혈역학적, 염증적, 대사적 이상을 포착하는 데 한계가 있는 경우가 많습니다. 또한, 이 인구 집단을 대상으로 한 기존의 머신러닝(ML) 모델들은 주로 고립된 코호트에서 개발 및 테스트되었으며, 지리적 및 임상적으로 구별되는 인구 집단 간의 특징 전이 가능성(transportability)에 대한 견고한 평가가 부족합니다. 따라서 입원 후 첫 24시간 이내에 일상적으로 수집되는 변수들을 활용하여 조기 위험 계층화를 가능하게 하는 해석 가능한 데이터 기반 도구가 절실히 필요합니다.

방법론
본 회고적 코호트 연구는 미국 기반의 MIMIC-IV 데이터베이스를 이용한 유도 코호트(derivation cohort)와 중국 푸양 제2인민병원의 독립적인 외부 검증 코호트를 활용하는 2단계 접근 방식을 사용하였습니다.

1. 데이터 소스 및 대상군:

   • 유도 코호트: MIMIC-IV(v3.1)로부터 추출된 2,519명의 간경변증 및 패혈증 환자를 훈련 세트(n=1,763)와 내부 검증 세트(n=756)로 분할하였습니다.
   • 외부 코호트: 중국의 3차 병원 환자 264명입니다.
   • 선정 기준: 중환자실 체류 기간 24시간 이상, 간경변증 및 패혈증 확진(ICD-9/10 코드 기준), 필수 변수의 완전한 데이터 보유 환자입니다.
   • 결과 변수: 입원 내 모든 원인에 의한 사망(in-hospital all-cause mortality).
   • 예측 인자: 인구통계학적 특성, 동반 질환, 중재 사항(CRRT, 기계 환기), 중증도 점수(SOFA, APACHE II), 활력 징후 및 초기 실험실 파라미터를 포함하여 입원 후 첫 24시간 이내에 가용한 데이터로 제한하였습니다.

2. 특징 선택 및 전처리:

   • 결측치가 20%를 초과하는 변수는 제외하였습니다.
   • 훈련 세트의 결측치(≤20%)는 다중 대치법(mice 패키지, m=5)을 통해 처리하였습니다.
   • 이상치의 영향을 완화하기 위해 연속형 변수는 1번째 및 99번째 백분위수에서 윈저라이징(Winsorized) 처리를 하였습니다.
   • LASSO 회귀: 36개의 후보 변수에 적용하여 가장 견고한 예측 인자를 선택하였으며, 비제로(non-zero) 계수를 가진 13개의 특징(연령, CRRT, SOFA 점수, APACHE II 점수, 심박수, 백혈구 수, INR, ALT, 총 빌리루빈, pO₂, 젖산, 포도당, 혈액 요소 질소)을 유지하였습니다.

3. 모델 개발:

   • 13개의 선택된 특징을 사용하여 7가지 ML 알고리즘(XGBoost, LightGBM, Random Forest(RF), Logistic Regression(LR), Support Vector Machine(SVM), K-Nearest Neighbors(KNN), Decision Tree(DT))을 학습시켰습니다.
   • 하이퍼파라미터는 5-겹 교차 검증(five-fold cross-validation) 및 그리드 탐색(grid search)을 통해 최적화되었습니다.
   • 해석 가능성: 최적의 모델(XGBoost)은 전역적 특징 중요도를 결정하고 용량-반응 관계를 시각화하기 위해 SHAP(SHapley Additive exPlanations) 값을 사용하여 해독되었습니다.

4. 전이 가능성 평가 전략:

   • 미국과 중국 코호트 간의 상당한 기초 이질성(예: 연령, 동반 질환 부담, 중증도 점수)을 인식하여, 저자들은 고정된 13개 변수 모델을 단순히 적용하지 않았습니다.
   • 대신, 전역 SHAP 중요도 순위에 따라 상위 5개 특징인 총 빌리루빈, INR, APACHE II 점수, 젖산, pO₂를 식별하였습니다.
   • 핵심적인 예후 신호의 전이 가능성을 평가하기 위해, 이 5개 변수로 구성된 간결한 5-변수 XGBoost 모델을 재구성하여 외부 중국 코호트에 대해 별도로 학습시켰습니다.

주요 결과

• 모델 성능 (내부 검증):

  • XGBoost 모델은 다른 알고리즘보다 우수한 변별력을 보였으며, 내부 검증 세트에서 0.840(95% CI 0.811–0.868)의 AUROC를 달성하였습니다.
  • 이는 RF(0.829), LightGBM(0.827), LR(0.797)보다 뛰어난 성능입니다.
  • 교정 곡선(Calibration curves)은 예측된 사망률과 관찰된 사망률 사이의 탁월한 일치를 보여주었으며, 결정 곡선 분석(DCA)은 넓은 임계 확률 범위(0.1–0.6)에서 더 높은 순 임상적 이득(net clinical benefit)을 확인하였습니다.

• 특징 중요도 (SHAP 분석):

  • 사망 위험을 유발하는 상위 10개 예측 인자는 총 빌리루빈, INR, APACHE II 점수, 젖산, pO₂, 연령, SOFA 점수, ALT, BUN, 심박수였습니다.
  • SHAP 의존성 플롯은 직관적인 용량-반응 관계를 보여주었습니다: 상승된 빌리루빈, INR, 젖산 및 APACHE II 점수는 사망률 증가와 양의 상관관계가 있었고, 높은 pO₂ 수준은 보호 효과를 나타냈습니다.

• 전이 가능성 (외부 검증):

  • 외부 중국 코호트는 연령이 더 낮고, 동반 질환(고혈p혈압, 관상동맥질환, COPD)의 유병률이 낮으며, 기초 중증도 점수가 낮은 등 MIMIC-IV 코호트와 유의미한 차이를 보였습니다.
  • 간결한 5-변수 모델(총 빌리루빈, INR, APACHE II, 젖산, pO₂)은 외부 코호트에서 0.857(95% CI 0.796–0.918)의 AUROC를 달성하였습니다.
  • 이 성능은 내부 검증 결과와 유사했으며, 단독 SOFA 및 APACHE II 점수를 유의미하게 능가하였습니다.
  • 교정(Calibration)은 고위험군(확률 >0.6)에서 우수했으나, 저위험 및 중위험 범위에서는 약간의 과소 추정이 관찰되었습니다.

의의 및 주장
본 논문은 매우 집중된 생리학적 신호 세트가 간경변증 및 패혈증 환자의 조기 사망 예측에 충분하다는 점을 주장합니다. 주요 기여는 다음과 같습니다:

1. 해석 가능한 모델 개발: 본 연구는 입원 후 첫 24시간 이내에 가용한 변수만을 사용하여 높은 변별력(AUROC ~0.84–0.86)을 달리는 XGBoost 모델을 제공합니다.
2. 교차 인구 간 전이 가능성 입증: 상위 5개 SHAP 순위 특징을 사용하여 재구성된 간결한 모델을 통해, 핵심 예후 신호(간 기능 지표, 응고 상태, 대사 위기 및 산소화)가 서로 다른 인종 및 임상 인구(미국 vs 중국) 간에도 견고한 예측 인자로 유지됨을 입증하였습니다.
3. 기존 점수 대비 우월성: 5-변수 ML 모델은 내부 및 외부 설정 모두에서 전통적인 중증도 점수(SOFA, APACHE II)보다 일관되게 우수한 성능을 보였습니다.
4. 임상적 유용성: 이 모델은 고위험군 환자에 대한 시간 민감적인 치료적 개입을 알리는 데 도움을 줄 수 있는, 조기 위험 계층화를 위한 실용적이고 임상 현장에 즉시 적용 가능한 도구를 제공합니다.

저자들은 회고적 연구라는 점, 외부 검증을 위해 고정된 알고리즘이 아닌 재구성된 모델을 사용했다는 점, 그리고 외부 코호트가 단일 센터 기반이라는 점을 한계점으로 언급하였습니다. 결-론적으로, 이 도구는 유망하지만 그 효용성을 확증하기 위해서는 향-후 다기관 전향적 연구와 실시간 전자 의무 기록(EHR) 워크플로우로의 통합이 필요하다고 밝히고 있습니다.