연구 배경 관상동맥질환(CAD)의 정확하고 신속한 진단은 사망 위험을 줄이고 CAD 환자의 삶의 질을 향상시키기 위한 질환 관리의 핵심 구성요소이다. 현재 미국심장학회(ACC)/미국심장협회(AHA) 및 유럽심장학회(ESC) 가이드라인은 CAD의 확률에 따라 개인에 맞는 진단 전 검사(pre-diagnosis test)를 선택할 것을 권고한다. 본 연구의 목적은 기계학습(ML)을 이용하여 흉통 환자에서 폐쇄성 CAD(obstructive CAD)를 예측하기 위한 실용적인 사전검사확률(pre-test probability, PTP)을 개발하는 데 있으며, 또한 CAD에 대한 ML-PTP의 성능을 관상동맥조영술(CAG)의 최종 결과와 비교하는 것이다. 연구 방법 2004년부터 실제 임상 상황을 반영하도록 설계된 단일기관 전향적, 전수 등록(all-comer) 레지스트리 데이터베이스를 사용하였다. 모든 대상자는 한국의 본원에서 침습적 CAG를 시행받았다. ML 모델로는 로지스틱 회귀, 랜덤 포레스트(RF), 지지벡터머신, K-최근접 이웃 분류를 사용하였다. ML 모델의 타당성을 검증하기 위해 데이터셋을 등록 기간에 따라 연속된 두 개의 세트로 나누었다. PTP에 대한 ML 훈련 및 내부 검증은 2004년부터 2012년 사이 등록된 첫 번째 데이터셋(8,631명)을 사용하였다. 2013년부터 2014년 사이 등록된 두 번째 데이터셋(1,546명)은 외부 검증에 사용하였다. 주요 평가변수는 폐쇄성 CAD였다. 폐쇄성 CAD는 정량적 CAG에서 주(主) 심외막 관상동맥(main epicardial coronary artery) 직경의 협착이 70%를 초과하는 것으로 정의하였다. 연구 결과 정보 획득 주체에 따라(환자 본인: 데이터셋 1, 지역사회의 첫 의료기관: 데이터셋 2, 의사: 데이터셋 3) 서로 다른 세 가지 모델로 구성된 ML 기반 모델을 도출하였다. 비침습적 검사로서의 ML-PTP 모델 성능 범위는 흉통 환자에서 CAG를 통한 침습적 검사 결과와 비교했을 때 C-statistics 0.795~0.984였다. 실제 CAD 환자를 놓치지 않기 위해 훈련된 ML-PTP 모델은 CAD에 대해 민감도 99%가 되도록 조정하였다. 테스트 데이터셋에서 ML-PTP 모델의 최선 정확도는 데이터셋 1에서 45.7%, 데이터셋 2에서 47.2%, 데이터셋 3에서는 RF 알고리즘과 함께 92.8%였다. CAD 예측 민감도는 각각 99.0%, 99.0%, 98.0%였다. 결론 본 연구는 흉통에서 비침습적 검사의 필요성을 줄일 것으로 기대되는 높은 성능의 CAD용 ML-PTP 모델을 성공적으로 개발하였다. 다만, 이 PTP 모델이 단일 의료기관 데이터로부터 도출되었으므로, 주요 미국 학회 및 ESC에서 PTP로 권고하기 위해서는 다기관 검증이 필요하다.