와파린 로딩 용량 반응 예측 인공신경망 모델

초록

본 연구는 다층 퍼셉트론(MLP)과 10‑fold 층화 교차 검증을 이용해 환자의 인구통계학적·유전적 특성 및 초기 로딩 용량을 입력 변수로 삼아, 와파린 로딩 후 INR이 치료 목표 범위에 도달할지 여부를 80 % 이상의 정확도로 분류하는 모델을 개발하였다.

상세 분석

이 논문은 와파린 치료 초기 단계에서 발생하는 심각한 용량 변동성을 최소화하고자, 머신러닝 기반 분류 모델을 구축한 점이 가장 큰 특징이다. 데이터는 영국 여러 병원에서 수집된 1,200명 이상의 환자를 대상으로, 로딩 용량(1일차·2일차 10 mg, 3일차 5 mg 혹은 변형), 연령, 성별, 체중, 신장, 간 기능, 동시 복용 약물, 그리고 CYP2C9·VKORC1 유전자 다형성 등 25여 개 변수를 포함한다. 결측값은 평균·중위수 대체와 다중 대체법을 병행했으며, 연속형 변수는 Z‑스코어 정규화, 범주형 변수는 원-핫 인코딩을 적용하였다.

모델 설계는 입력층(25노드) → 은닉층 2개(각 64, 32노드, ReLU 활성화) → 출력층(3노드, Softmax) 구조이며, 손실 함수는 범주형 교차 엔트로피, 최적화는 Adam(learning_rate = 0.001)으로 설정했다. 과적합 방지를 위해 20 % 검증 데이터를 별도 확보하고, 조기 종료(Early Stopping)와 L2 정규화를 병행하였다. 10‑fold 층화 교차 검증을 통해 각 폴드에서 클래스 비율을 유지함으로써 불균형 데이터에 대한 편향을 최소화했다.

평가 지표는 정확도(Accuracy), 정밀도(Precision), 재현율(Recall), F1‑Score, 그리고 ROC‑AUC를 사용했으며, 전체 평균 정확도는 0.82, 평균 ROC‑AUC는 0.87을 기록했다. 특히, ‘목표 INR 초과’와 ‘목표 INR 미달’ 두 부정확 클래스에 대한 재현율이 각각 0.78, 0.74로, 임상적으로 중요한 과다·과소 항응고 위험을 효과적으로 포착한다는 점이 주목할 만하다.

특징 중요도 분석(Shapley 값) 결과, VKORC1 유전자형, CYP2C9 변이, 연령, 그리고 첫 2일간의 로딩 용량이 모델 예측에 가장 큰 영향을 미쳤으며, 체중·신장·동시 복용 약물도 보조적인 역할을 수행한다는 것이 확인되었다. 이는 기존의 경험적 용량 조절 원칙과 일치하면서도, 정량적인 가중치를 제공한다는 점에서 임상 적용 가능성을 높인다.

한계점으로는 데이터가 영국 인구에 국한돼 있어 인종·문화적 차이가 큰 지역에서는 일반화가 어려울 수 있으며, 로딩 용량이 3일 고정 스케줄이 아닌 경우(예: 연속 5 mg 투여) 모델의 적용성이 검증되지 않았다. 또한, INR 측정 시점이 48 시간 이후로 제한돼 있어 급성 변동을 반영하지 못한다는 점도 언급된다. 향후 연구에서는 다국적 코호트를 확보하고, 시계열 모델(LSTM 등)과 결합해 동적 용량 조절을 시도할 필요가 있다.

결론적으로, 본 연구는 와파린 로딩 단계에서 환자 맞춤형 용량 결정을 지원하는 실용적인 도구를 제시했으며, 인공신경망 기반 예측이 기존 경험적 방법보다 높은 정확도와 재현율을 제공함을 입증했다. 이는 부작용 감소와 치료 효율성 향상에 직접적인 기여를 기대할 수 있다.