일상적인 종단적 실험실 데이터를 이용한 임신 관련 혈전성 미세혈관병증의 출산 전 예측을 위한 해석 가능한 머신러닝 (Machine

배경 (Background): 임신 관련 혈전성 미세혈관병증 (Pregnancy-associated thrombotic microangiopathy, P-TMA)은 드물지만 생명을 위협하는 질환입니다. 명백한 임상 증상이 나타나기 전 조기 위험 예측은 여전히 어려운 과제로 남아 있는데, 이는 관련 실험실 이상 징후가 미묘하고 다차원적이며, 임신성 혈소판 감소증 (gestational thrombocytopenia) 및 임신 관련 단백뇨 (pregnancy-related proteinuria)와 같은 일반적인 생리적 변화에 의해 가려지는 경우가 많아 양성 산과 및 신장 질환과 심하게 중첩되기 때문입니다. 이러한 복잡성은 단변량 (univariate) 또는 규칙 기반 (rule-based) 접근 방식으로는 제대로 포착하기 어렵지만, 종단적 (longitudinal) 임상 검사로부터 잠재적이고 시간 의존적인 위험 시그니처를 추출할 수 있는 머신러닝 (machine learning)을 통해 해결할 수 있습니다.

방법 (Methods): 본 후향적 연구 (retrospective study)에는 142건의 P-TMA 사례와 158건의 대조군을 포함한 300건의 임신 사례가 포함되었습니다. 식별자 및 정보가 없는 변수를 제외한 후, 146개의 종단적 실험실 예측 변수가 유지되었습니다. 참가자들은 층화 추출법 (stratified sampling)을 사용하여 훈련 코호트 (training cohort, 80%)와 홀드아웃 테스트 코호트 (held-out test cohort, 20%)로 나누어졌습니다. 다섯 가지 알고리즘이 평가되었습니다: 로지스틱 회귀 (logistic regression), 방사 기저 함수 커널 (radial basis function kernel)을 사용한 서포트 벡터 머신 (support vector machine), 랜덤 포레스트 (random forest), 엑스트라 트리 (extra trees), 그리고 그래디언트 부스팅 (gradient boosting). 최종 모델은 평균 교차 검증 (cross-validated) AUROC에 의해 선택되었으며, 전체 훈련 코호트에 대해 재적합 (refitted)된 후 홀드아웃 테스트 코호트에서 한 번 평가되었습니다. 해석 가능성 (Interpretability) 분석을 통해 전역적 특징 중요도 (global feature importance)와 주요 예측 변수의 분포 패턴을 조사했습니다.

결과 (Results): 그래디언트 부스팅 (Gradient boosting)은 훈련 코호트에서의 교차 검증을 통해 사전 지정되었습니다. 이 모델은 홀드아웃 테스트 코호트에서 AUROC 0.872 (95% CI: 0.769-0.952)와 AUPRC 0.883 (95% CI: 0.780-0.959)를 달성하였으며, 민감도 (sensitivity)는 0.750, 특이도 (specificity)는 0.812였습니다.

결론 (Conclusions): 일상적인 진료 중에 얻은 종단적 임상 실험실 검사는 P-TMA 위험에 대한 유익하고 임상적으로 타당한 신호를 포함하고 있었습니다. 특히, 6주 차의 시스타틴 C (cystatin C)는 조기 모니터링 지표로서 유망한 가능성을 보여주었습니다.