혈액 바이오마커를 위한 정상 표현 학습

혈액 기반 바이오마커 (Blood-based biomarkers)는 임상 진단 및 관리의 근간이 되지만, 그 해석은 환자 개인의 안정적인 변동성을 무시하는 고정된 인구 집단 참조 구간 (population reference intervals)에 크게 의존하고 있습니다. 따라서 인구 집단 기반의 해석은 개인의 기저치 (baseline)로부터의 의미 있는 편차를 가릴 수 있으며, 이는 질병 감지의 지연을 초래할 위험이 있습니다. 이를 해결하기 위해 개인의 검사 이력을 사용하여 혈액 바이오마커 해석을 개인화하려는 노력이 증가하고 있습니다. 그러나 이러한 방법들은 희소한 데이터 (sparse data)에 과적합 (overfit)되어 위양성률 (false-positive rates)과 불필요한 추적 관찰을 높일 수 있으며, 인지되지 않았거나 잠재적인 질병을 의도치 않게 포함할 수도 있습니다. 본 연구에서는 북미, 중동, 동아시아 전역의 160만 명 이상의 개인으로부터 얻은 약 20억 개의 종단적 실험실 측정값 (longitudinal laboratory measurements)을 활용하여, 실험실 수치가 매우 개인적임에도 불구하고 순수하게 개인화된 구간은 일상적으로 과적합되어, 불리한 임상 결과와의 상응하는 연관성 없이 측정값의 최대 68%를 비정상으로 분류한다는 것을 보여줍니다. 이에 우리는 환자의 이력과 '정상' 변동에 대한 인구 집단 수준의 데이터를 모두 조건화하여 참조 구간을 생성하는 조건부 트랜스포머 기반 프레임워크 (conditional transformer-based framework)인 NORMA를 소개합니다. NORMA를 통해 도출된 구간은 사망률, 급성 신손상 (acute kidney injury), 만성 질환을 포함한 결과 예측에서 더 높은 정밀도 (precision)를 달성합니다. 이러한 발견은 실험실 의학에서의 과도한 개인화에 대해 경고하며, 개인의 궤적 (trajectories)을 인구 집단 수준의 사전 확률 (population-level priors)에 고정하는 것이 어느 한 가지 접근 방식만을 사용하는 것보다 성능이 뛰어남을 입증합니다. 투명성을 높이기 위해, 우리는 접근 가능하고 개인화된 실험실 해석을 위한 모델, 코드 및 대화형 사용자 인터페이스 (interactive user interface)를 공개적으로 배포합니다.