배경: 이전 연구들은 말기 간질환(End-stage liver disease, MELD) 점수가 간이식 후 환자 생존을 예측하는 데 실패할 수 있음을 시사하였다. 유사하게, 이식 결과를 예측하기 위해 개발된 다른 점수들(공여자 MELD 점수, 위험의 균형(balance of risk) 점수) 역시 널리 사용되지 못하고 있다. 이러한 점수들은 대개 선형 통계 모형을 사용하여 산출된다. 본 연구의 목적은 간이식 후 생존을 예측하기 위한 전통적 통계 모형의 성능과 기계학습 접근법을 비교하는 데 있었다. 재료 및 방법: 자료는 한국 장기이식 레지스트리(Korean Organ Transplant Registry, 2014-2019)에 등록된 사망자 공여자 간이식 수혜자 785명으로부터 수집하였다. 생존 예측을 위해 5가지 기계학습 방법(랜덤 포레스트, 인공신경망, 의사결정나무, naïve Bayes, 서포트 벡터 머신)과 4가지 전통적 통계 모형(콕스 회귀, MELD 점수, 공여자 MELD 점수, 위험의 균형 점수)을 비교하였다. 결과: 기계학습 방법 중 랜덤 포레스트는 생존 예측을 위한 수신자 조작 특성 곡선(AUC-ROC) 아래 면적 값이 가장 높았으며, 1개월 = 0.80, 3개월 = 0.85, 12개월 = 0.81이었다. 콕스 회귀분석의 AUC-ROC 값은 1개월, 3개월, 12개월의 이식 후 생존 각각에 대해 0.75, 0.86, 0.77이었다. 그러나 MELD, 공여자 MELD, 위험의 균형 점수의 AUC-ROC 값은 모두 0.70 미만이었다. 본 연구의 랜덤 포레스트 분석 변수 중요도(variable importance)에 따르면, 생존과 관련된 주요 예측인자는 냉허혈 시간(cold ischemia time), 공여자 중환자실(ICU) 체류, 수혜자 체중, 수혜자 BMI, 수혜자 나이, 수혜자 INR, 수혜자 알부민 수준이었다. 콕스 회귀분석과 마찬가지로, 공여자 ICU 체류, 공여자 빌리루빈 수치, BAR 점수(balance of risk score), 수혜자 알부민 수준도 RF 모형에서 이식 후 생존과 관련된 중요한 요인으로 나타났다. 또한 이러한 변수들의 계수는 콕스 모형에서도 통계적으로 유의하였다(p < 0.05). 12개월 생존에 대한 선택된 예측인자의 SHAP 범위는 수혜자 알부민이 (-0.02, 0.10), 공여자 빌리루빈이 (-0.05, 0.07), 수혜자 키가 (-0.02, 0.25)였다. 흥미롭게도, 콕스 모형에서는 통계적으로 유의하지 않았음에도 불구하고, 수혜자 체중, 수혜자 BMI, 수혜자 나이 또는 수혜자 INR은 이식 후 생존을 예측하기 위한 본 랜덤 포레스트 모형에서 중요한 요인이었다. 결론: 랜덤 포레스트와 같은 기계학습 알고리즘은 간이식 후 1개월, 3개월, 12개월 생존을 예측함에 있어 기존의 콕스 회귀 및 이전에 보고된 생존 점수들보다 우수하였다. 따라서 인공지능은 공여자-수혜자 매칭을 포함하여 간이식 기간 동안 임상적 의사결정에 도움을 줄 수 있는 상당한 잠재력을 가질 수 있다.
*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.