췌장암의 조기 발견은 완치 목적의 치료에 대한 접근성을 넓히고 암 사망률을 줄이는 데 핵심적이지만, 현재로서는 선별 검사(screening)가 실행 가능한 상태가 아닙니다. 병리학적 잠재 지표는 개인의 질병 및 혈액 검사 궤적(trajectories)에서 명확히 나타나며, 췌장암의 발생을 예측할 수 있습니다. 환자들이 임상 상호작용을 통해 축적한 코드화된 진단명과 혈액 검사 값의 종단적 시퀀스(longitudinal sequences)를 사용하여, 다중 헤드 어텐션 메커니즘(multi-head attention mechanism)을 갖춘 맞춤형 Transformer 기반 신경망(neural network)을 학습시켰습니다. 이를 통해 수년 전의 선행 시간(lead time)을 두고 췌장암 위험을 예측하고, 표적 선별 검사를 위해 인구를 위험도별로 계층화(risk-stratify)했습니다. 코호트(cohort)는 췌장암 환자 6,017명과 대조군 177,081명(전체 중앙 연령 75세, 여성 45%)으로 구성되었으며, 췌장암 진단 전 의료 기록의 중앙값은 12년(사분위 범위 6.9-16.2년)이었습니다. 진단 1년, 2년, 3년 전의 췌장암을 예측하는 leave-one-site-out 방식의 외부 검증 및 표본 외 테스트(out-of-sample testing) 결과, 수신자 조작 특성 곡선 아래 면적(area under the receiver operating characteristic, AUROC)의 평균값은 각각 0.837(95% 신뢰 구간 0.827-0.848), 0.797(95% 신뢰 구간 0.782-0.813), 0.760(95% 신뢰 구간 0.745-0.776)로 나타났습니다. 추정된 췌장암 위험도는 잘 보정되었습니다(보정 도표 기울기 1.08, 절편 -0.077; Brier score 0.025). 또한 베이지안(Bayesian) 방식의 인구 췌장암 유병률 업데이트를 통해 추정된 암 위험 출력값이 다양한 환경에서 전이 가능하도록(transportable) 했습니다. 테스트 시, 1년 내 췌장암 위험도가 3.3%를 초과하는 선별 임계값(screening threshold)은 18.2의 진단 오즈비(diagnostic odds ratio)를 제공했습니다. 따라서 본 연구는 췌장암의 완치 목적 관리에 대한 접근성을 확대하기 위한 최초의 인구 수준 디지털 강화 도구의 토대를 마련합니다.