위험 계산기는 수백만 환자의 질병 위험을 평가하는 데 사용되며, 그 정확성이 매우 중요함. 하지만 국가 모델이 지역 인구에 맞게 조정될 때, 종종 정확성과 해석 가능성을 잃음. 브리검 여성병원(BWH)의 연구자들은 고급 기계 학습을 사용하여 국가 심혈관 위험 계산기의 정확성을 높이면서 원래의 위험 연관성을 유지함. 그들의 결과는 매사추세츠 일반 브리검의 전자 건강 기록 집단에서 전반적으로 더 높은 정확성을 보여주었고, 약 10%의 환자를 다른 위험 범주로 재분류하여 보다 정밀한 치료 결정을 용이하게 함. 결과는 JAMA Cardiology에 발표됨.
“위험 계산기는 위험 예방에 대한 제공자와 환자 간의 대화에서 필수적인 부분이기 때문에 매우 중요함”이라고 브리검 여성병원의 내과 레지던트 의사인 아니켓 진주와디아(Aniket Zinzuwadia, MD)가 말함. “하지만 때때로 이러한 글로벌 계산기를 지역 인구에 적용할 때, 지역의 특성에 따라 변동성이 존재함—인구 통계적 특성, 의사 진료 패턴, 위험 요소 등이 다르기 때문에, 우리는 이미 진행되고 있는 것을 기반으로 하여 지역 인구에 맞게 심혈관 질환 위험 모델을 안전하게 조정할 방법을 찾고자 했음.”
미국 심장 협회는 2023년에 30-79세 성인을 위한 심혈관 질환 사건 예측(PREVENT) 계산기를 발표함. 이 새로운 개선된 도구는 개인이 10년 및 30년 내에 심장마비, 뇌졸중 또는 심부전이 발생할 가능성을 예측하는 데 도움을 줌. PREVENT 방정식은 국가 수준에서 위험을 평가하는 데 잘 작동했지만, 연구자들은 그들의 기술이 더 지역 인구에 대한 위험 평가를 더 잘 조정할 수 있는지 테스트하고자 했음.
연구진은 2007년에 55세 이상이었고, 1997-2006년 사이에 최소한 하나의 지질 또는 혈압 측정을 받았으며, 2007-2016년 사이에 병원 시스템과 최소한 하나의 접촉이 있었던 95,326명의 매사추세츠 일반 브리검 환자의 전자 건강 기록 데이터를 사용함. 팀은 XGBoost라는 오픈 소스 기계 학습 라이브러리를 사용하여 PREVENT의 방정식을 재조정하면서도 원래 모델에서 관찰된 결과와 알려진 위험 요소 간의 연관성을 유지함. 결과는 더 높은 정확성과 이 인구에서 10%의 환자가 재분류됨을 보여줌.
이것은 이론적으로 원래 모델의 적용에서 스타틴 요법을 처방받지 않았을 수도 있는 환자 그룹을 나타낼 수 있으며, 이들은 실제로 혜택을 받을 수 있었음.
브리검 여성병원의 내과 레지던트 의사인 아니켓 진주와디아(Aniket Zinzuwadia, MD)는 “이 기술이 환자 치료에 적용되기 위해서는 더 많은 단계가 필요하지만, 우리는 다른 의료 시스템의 지역 인구에서 어떻게 작동하는지 보고 싶음”이라고 말함. “AI를 의료 연구에 적용하는 주요 도전 과제는 기계 학습 모델이 유연할 뿐만 아니라 투명하고 신뢰할 수 있으며 도메인 지식에 기반해야 한다는 것임”이라고 브리검 여성병원의 예방 의학 부서의 부수석 저자 올가 뎀러(Olga Demler, PhD)가 말함. “우리의 접근법은 AI 응용 프로그램의 '블랙 박스' 특성을 피할 수 있음을 보여주며, 정교한 알고리즘이 유연성을 유지하면서 성능 보장을 제공할 수 있는 경로를 제시할 수 있음.”
저자: 추가 저자에는 올가 미니바(Olga Mineeva), 춘잉 리(Chunying Li), 자린 파루키(Zareen Farukhi), 프란코 줄리아니(Franco Giulianini), 브라이언 케이드(Brian Cade), 린 첸(Lin Chen), 엘리자베스 칼슨(Elizabeth Karlson), 니나 페인터(Nina Paynter), 사미아 모라(Samia Mora)가 포함됨.
공시: 사미아 모라는 현재 연구와 관련 없는 작업을 위해 화이자(Pfizer)의 컨설턴트로 활동한 바 있음. 올가 뎀러와 니나 페인터는 현재 연구와 관련 없는 작업을 위해 코와 연구소(Kowa Research Institute)로부터 자금을 받았음. 아니켓 진주와디아는 현재 연구와 관련 없는 작업을 위해 하트비트 헬스(Heartbeat Health)의 직원으로 활동한 바 있음.
