신장 이식 성공 예측을 위한 의사결정 지원 시스템

초록

본 논문은 뉴욕시 12개 이식센터에서 수집한 584건의 사망자 기증 신장 데이터를 활용해, 기증‑수혜자 매칭 성공 여부를 예측하는 모델을 개발한다. 다양한 임상·생물학적 변수와 머신러닝 알고리즘을 비교·평가한 결과, 가장 높은 정확도와 재현율을 보인 모델을 제시하고, 이를 통해 이식 전 신장 폐기 위험을 사전에 판단함으로써 사망률 감소와 자원 효율성을 높일 수 있음을 주장한다.

상세 분석

이 연구는 신장 이식 성공을 예측하기 위한 의사결정 지원 시스템(DSS)을 구축한다는 목표 아래, 데이터 수집, 전처리, 변수 선정, 모델링, 성능 평가의 전 과정을 체계적으로 진행하였다. 먼저 584건의 기증 신장 데이터는 12개 이식센터와 연계된 장기조달기관(Organ Procurement Organization, OPO)에서 추출되었으며, 기증자 연령, 성별, 혈액형, 사망 원인, 신장 조직학적 점수(KDPI), 냉동 보존 시간, 수혜자 연령·체중·혈액형 등 20여 개 변수로 구성되었다. 데이터는 결측치와 이상치를 사전 처리하고, 범주형 변수는 원-핫 인코딩, 연속형 변수는 정규화를 적용하였다.

모델링 단계에서는 로지스틱 회귀, 서포트 벡터 머신(SVM), 랜덤 포레스트(Random Forest), 그래디언트 부스팅 머신(Gradient Boosting Machine, GBM), 그리고 심층 신경망(Deep Neural Network, DNN) 등 다중 알고리즘을 실험하였다. 각 모델은 5‑fold 교차 검증을 통해 하이퍼파라미터 튜닝을 수행했으며, 평가 지표는 정확도(Accuracy), 정밀도(Precision), 재현율(Recall), F1‑Score, 그리고 ROC‑AUC를 사용하였다. 결과적으로 랜덤 포레스트가 AUC 0.89, 재현율 0.84 등 가장 균형 잡힌 성능을 보였으며, 변수 중요도 분석을 통해 KDPI, 냉동 보존 시간, 기증자 연령, 그리고 수혜자 혈액형 부합 여부가 핵심 예측 요인으로 도출되었다.

통계적 검증 측면에서, 변수 간 다중공선성을 확인하기 위해 VIF(Variance Inflation Factor)를 계산했으며, 5 이하의 VIF 값을 가진 변수만을 최종 모델에 포함시켰다. 또한, 모델의 과적합을 방지하기 위해 랜덤 포레스트의 경우 트리 수와 최대 깊이를 제한하고, GBM은 학습률과 조기 종료(Early Stopping)를 적용하였다.

연구의 한계로는 표본 규모가 584건에 불과해 외부 검증이 제한적이며, 뉴욕시 중심의 데이터이므로 지역적 편향이 존재할 가능성이 있다. 또한, 기증자와 수혜자 간 면역학적 매칭(예: HLA 항원) 정보를 포함하지 않은 점이 모델의 일반화 가능성을 저해할 수 있다. 윤리적 측면에서는 예측 결과가 ‘폐기’ 결정을 내리는 데 직접 활용될 경우, 환자와 가족에게 미치는 심리적 영향을 충분히 고려해야 하며, 투명한 알고리즘 설명과 인간 전문가의 최종 판단이 병행되어야 한다는 점을 강조한다.

향후 연구에서는 다기관·다국가 데이터를 통합해 모델을 재학습하고, 딥러닝 기반 시계열 분석을 도입해 보존 시간과 온도 변화를 동적으로 반영하는 방안을 모색할 필요가 있다. 또한, 설명가능 인공지능(XAI) 기법을 적용해 변수 기여도를 시각화함으로써 임상의가 모델 결과를 신뢰하고 활용할 수 있도록 하는 것이 중요하다.