중증 대동맥 협착증 치료 선택, 해석 가능한 AI가 답하다

초록

이 연구는 중증 대동맥 협착증의 저위험~중간위험 환자에게 수술적(SAVR) 또는 경피적(TAVR) 대동맥판막치환술 중 어떤 치료가 더 나은지 개인 맞춤형으로 추천하는 해석 가능한 AI 프레임워크를 제시합니다. 예후 매칭, 반사실적 결과 모델링, 최적 정책 트리를 결합해 5년 사망률을 최소화하는 치료를 권고하며, 내부 및 외부 검증에서 실제 치료 대비 사망률을 각각 20.3%, 13.8% 줄일 수 있을 것으로 예측했습니다. 학습된 결정 규칙은 임상적 통찰과도 부합해, 정밀의학 기반 치료 결정 지원 도구로서의 가능성을 보여줍니다.

상세 분석

본 연구의 기술적 핵심은 관찰 데이터의 근본적 한계인 ‘치료 선택 편향’을 해결하고, 그로부터 개인화된 최적 치료 정책을 해석 가능한 형태로 도출하는 방법론에 있습니다. 주요 기여점은 세 가지로 분석됩니다.

첫째, **예후 매칭(Prognostic Matching)**을 통한 편향 감소입니다. 기존의 공변량 매칭을 넘어, 환자의 예측 예후(여기서는 STS 위험 점수 기반 층화)까지 고려한 매칭을 수행함으로써 무작위 임상시험에 가까운 비교 가능한 코호트를 구축했습니다. 이는 관찰 연구에서 인과적 추론을 위한 필수 전처리 단계를 견고하게 설계한 것입니다.

둘째, **반사실적 예측 모델링(Counterfactual Estimation)**입니다. SAVR군과 TAVR군에 대해 별도의 생존 랜덤 포레스트 모델을 훈련시켜, 각 환자가 두 치료를 모두 받았을 경우의 5년 사망 위험을 추정합니다. 단일 모델에 치료 지시변수를 추가하는 방식보다 더 뚜렷한 치료 효과 이질성을 포착할 수 있다는 점이 강점입니다. 또한 우측 중도절단(right-censoring)을 적절히 처리한 생존 분석을 적용해 불완전한 추적 관찰 데이터를 효과적으로 활용했습니다.

셋째, **최적 정책 트리(Optimal Policy Tree, OPT)**를 활용한 해석 가능한 규칙 생성입니다. 복잡한 블랙박스 모델이 아닌, 의사결정나무 구조를 통해 “LVEF가 55% 미만이고 Valsalva 동 직경이 34mm 이상인 경우 TAVR 권고"와 같이 임상의가 직접 이해하고 적용할 수 있는 명확한 규칙을 생성합니다. 목적함수는 각 환자의 추정 반사실적 위험을 기반으로 전체 코호트의 예상 사망률을 최소화하는 것입니다. 여기에 추가된 표본 가중치(Sample Weighting) 기법은 잔류 혼란변수로 인한 편향을 보정하여, 모델이 지나치게 한 치료에 낙관적이 되는 것을 방지합니다.

결과적으로, 모델은 TAVR이 연약하거나 좌심실 구혈률이 낮으며 Valsalva 동이 큰 환자에게 유리하고, SAVR은 덜 연약하며 구혈률이 보존되거나 대동맥판막륜이 작은 환자에게 유리하다는, 기존 임상 지식과 부합하는 결정 경계를 학습했습니다. 이는 모델의 임상적 타당성을 강력히 지지합니다. 다만, CT 영상 데이터가 있는 환자로만 분석이 제한되었고, 외부 검증이 동일 지역의 한 병원에 국한되었다는 점은 일반화 능력을 완전히 입증하기에는 한계로 남아 있습니다. 또한, 사망률 외에 페이스메이커 삽입률, 뇌졸중, 출혈 등 다른 중요한 임상 결과를 종합적으로 고려하지 못한 점은 향후 연구과제입니다.