크론병 환자의 영양실조 평가: 동적 최적화 잠재력과 효과성 검증을 가진 새로운 위험 예측 모델

요약

이 연구는 메타분석, 다변수 로지스틱 회귀, 머신러닝을 활용하여 크론병 환자를 위한 새로운 영양실조 위험 예측 모델을 구축하고 검증하였습니다. 이 모델은 개인화된 영양 개입을 안내하는 데 있어 우수한 예측 성능과 임상적 유용성을 입증했습니다.

초록

본 연구는 크론병(CD) 환자를 대상으로 다변수 로지스틱 회귀와 머신러닝을 결합한 영양실조 위험 예측 모델을 구축하고 검증하는 것을 목표로 했으며, 염증 지표와 질병 특성의 통합을 통해 영양실조 위험 식별의 정밀도를 높이는 것을 목표로 했습니다. PubMed, Web of Science, Cochrane Library, Embase, 중국 국가지식 인프라(CNKI)를 체계적으로 검색하여 CD환자에서 영양실조와 관련된 위험 요인을 규명하였습니다. 글로벌 리더십 이니셔티브 on Malnutrition(GLIM) 2019년 기준, 유럽 임상 영양 및 대사 학회(ESPEN) 2015년 기준, 또는 영양실조 보편 선별 도구(MUST) 기준을 사용한 고품질 연구가 메타분석에 포함되었으며, 연구 코호트는 일관된 결과 정의를 보장하기 위해 ESPEN 2015 기준만을 적용하였습니다. 이 예측 모델은 염증성 장질환 코호트 데이터베이스(IBDCD)의 800명의 CD환자 데이터를 사용하여 개발되었으며, 부트스트랩 재샘플링과 동일 데이터베이스에서 독립적이고 중복되지 않는 홀드아웃 하위 집합인 280명의 환자를 사용하여 검증되었습니다. 모델 성능은 수신기 작동 특성 곡선(AUC) 하 면적, Hosmer–Lemeshow 검정, 브라이어 점수를 사용하여 평가되었습니다. 훈련 코호트와 검증 코호트 간에 유의미한 기저선 차이는 관찰되지 않았습니다. 이 모델은 훈련 코호트에서 AUC 0.987, 검증 코호트에서 0.967을 달성하여 우수한 식별 및 보정을 입증했습니다. 의사결정곡선 분석은 관련 임계값 확률 전반에 걸쳐 임상적으로 의미 있는 순이익을 추가로 입증하였습니다. 이 모델은 CD 환자의 영양실조 위험을 효과적으로 식별하며, 개인 맞춤형 영양 개입을 지원하고 임상 의사결정을 최적화하며 환자 결과와 삶의 질 향상에 기여할 수 있습니다. 향후 다센터 연구가 모델의 일반화 가능성을 더욱 검증하고 사회경제적 요인의 통합을 평가하여 최적화가 필요합니다.

서론

크론병(CD)은 다요인 원인을 가진 만성 진행성 염증성 장질환(IBD)으로, 최근 몇 년간 전 세계적으로 큰 부담이 크게 증가했습니다^. 역학 연구에 따르면 CD 병은 서구 국가에서 더 흔하지만, 특히 중국을 비롯한 아시아 인구 내 CD 발생률과 유병률은 지난 30년간 크게 증가했습니다.

영양실조는 CD 환자에서 가장 흔하고 임상적으로 중요한 합병증 중 하나입니다.^2 약 3분의 1에서 절반 정도는 중등도에서 중증 영양실조를 경험합니다². 영양실조는 장기간 입원, 수술 요구 증가, 수술 후 합병증 발생률 증가, 장섬유증 가속화, 글루코코르티코이드 의존 증가, 치료 반응 감소, 건강 관련 삶의 질(HRQoL) 저하와 연관되어 있습니다^3,4. 게다가 영양실조는 면역 기능 장애에 기여하여 장 염증을 악화시키고, 사회경제적·의료 부담을 막막는 악순환을 만듭니다 ^3,4.

현재 임상 실무에서 사용되는 여러 영양 평가 도구가 있습니다; 그러나 CD 환자에 대한 적용^{은 제한적입니다}. 환자 생성 주관적 전반평가(PG-SGA)는 만성 질환 환자의 영양 선별에 권장되지만, 주관적 임상 판단에 크게 의존하며 CD 집단에 적용할 때 임상의들 사이에서 일관성이 제한^{적입니다.} 또한 PG-SGA는 장 내 흡수 부진에 대한 특이성이 부족합니다. 2002년 영양 위험 선별검사(NRS 2002)는 체질량지수(BMI) 기반 임계값을 포함하며, 아시아 인구에서 상대적으로 낮은 민감도를 보이며 과소진단에 기여할 수 있습니다^. 마찬가지로, 원래 노인 인구를 위해 개발된 미니 영양 평가-단기(MNA-SF)는 젊은 성인의 위양성률이 비교적 높다는 것을 보여줍니다.

중요한 점은, 현재 이용 가능한 대부분의 영양 평가 도구는 정적인 점수 체계에 기반하고 있으며, CD⁸의 질병 활동과 관련된 영양 상태의 동적 변동을 충분히 포착하지 못한다는 것입니다. CD는 관해와 재발이 번갈아 나타나는 특징이므로, 염증 활동과 병행하여 영양 상태가 시간이 지남에 따라 악화되거나 개선될 수 있습니다^. 기존의 평가 방법은 동적 위험 계층화를 수행할 능력이 부족하여 영양 상태의 초기 아임상 악화를 식별하지 못할 수 있습니다. 더불어, 기존 많은 도구들은 C-반응성 단백질(CRP), 혈청 알부민, 대변 칼프로텍틴과 같은 질병 특이적 바이오마커나 염증 지표를 포함하지 않아 복잡한 임상 환경에서 예측 정확도가 제한됩니다¹⁰.

인공지능과 머신러닝(ML)의 최근 발전은 만성 염증성 질환에서 영양 위험 평가를 개선할 새로운 기회를 열어주었습니다¹¹. 기존의 회귀 기반 접근법과 비교할 때, ML 알고리즘은 변수 간의 비선형 연관성과 복잡한 상호작용을 식별할 수 있어 다차원 예측 변수가 있는 이질적인 임상 데이터셋에 특히 적합합니다. 새로운 증거는 ML 기반 영양 위험 예측 모델이^{IBD 환자의} 영양 악화 예측에서 기존 통계적 접근법보다 우수한 성능을 낼 수 있음을 시사합니다. 예측 성능 향상 외에도, ML 접근법은 정규화 기법을 통해 다중 공선성을 줄이고 예측 변수 선택을 최적화하여 모델 해석 가능성과 일반화 가능성을 향상시킬 수 있습니다 ^13,14.

대규모 공개 데이터베이스의 증가는 CD에서의 영양 관련 연구를 더욱 강화했습니다. IBD 바이오뱅크, 국가 건강 및 영양 검사 조사(NHANES), 영국 바이오뱅크를 포함한 국제 데이터베이스는 영양 지수, 염증 바이오마커, 유전체 정보, 생활 습관 특성^{15, 16, 17}을 포함한 광범위한 종단 임상 데이터를 포함하고 있습니다. 이러한 다차원 데이터셋의 통합은 집단 간 검증을 가능하게 하고 예측 모델의 외부 적용성을 향상시킵니다. 메타분석 결과 다중심 통합 데이터셋을 사용한 예측 모델이 단일 중심 코호트에서 파생된 모델보다 더 높은 안정성과 재현성을 보인다는 것이 입증되었습니다.

이 연구는 염증 표지자, 질병 특성, 인구통계학적 및 사회경제적 요인 등 다차원 예측 변수를 통합하고, 다변수 로지스틱 회귀 및 머신러닝 알고리즘을 결합하면 CD 환자에서 영양실조 위험 예측의 정확성과 효율성을 높일 수 있다고 가정했습니다. 결과적으로 나온 예측 모델은 개인 맞춤형 영양 개입을 촉진하고, 임상 의사결정을 최적화하며, 환자 결과와 삶의 질을 향상시킬 수 있습니다.

프로토콜

염증성 장질환 코호트 데이터베이스(IBDCD)에 데이터가 입력된 모든 환자는 데이터베이스 등록 시 연구 목적으로 식별 해제된 임상 데이터를 사용할 수 있도록 서면 동의서를 제공하였습니다. 동일한 윤리적 승인 및 동의 프레임워크가 데이터베이스에서 추출된 모든 데이터, 즉 개발 및 검증 코호트에 적용되었습니다. 본 연구에서는 식별 가능한 환자 정보가 사용되지 않았으며, 모든 데이터는 식별 해제 및 암호화되어 저장되었습니다. 이 연구는 기존 데이터베이스에서 비식별화된 데이터를 회고적으로 분석하는 것이었기 때문에, 윤리위원회는 이 특정 분석에 대해 추가 환자 동의 요건을 면제했습니다. 프로토콜에서 사용된 연구 도구들은 재료표에 나열되어 있습니다.

1. 메타분석에서 영향을 미치는 요인의 선별

1. 문헌 검색 전략
   PubMed, Web of Science, Cochrane Library, Embase, 중국 국가지식인프라(CNKI) 전반에 걸쳐 체계적인 검색 전략이 수행되었습니다. 영어 탐색 전략은 다음과 같이 정의되었습니다:
   
   ("크론병"[메쉬] 또는 "CD"[티아브] 또는 "크론*"[티아브]) AND ("영양실조"[메쉬] 또는 "영양 상태"[메쉬] 또는 "영양 위험"[tiab]) AND ("위험 요인"[메쉬] 또는 "예측*"[tiab])
   
   검색 기간은 데이터베이스 개설부터 2025년 3월 31일까지를 포함했습니다. 또한, 포함된 연구의 참고문헌 목록을 수동 선별하여 누락 가능성이 있는 논문을 식별하였습니다. 이 전략은 명확한 데이터베이스, 검색어, 시간대, 보조 수동 검색 절차를 포함하여 크론병(CD) 환자의 영양실조 관련 위험과 예측 요인에 대한 포괄적인 문헌 고찰을 가능하게 하여 문헌 수집의 완전성을 보장하였습니다.
2. 포함 및 제외 기준
   포함 기준은 2018년 염증성 장질환 진단 및 치료 합의에 따라 크론병 진단을 받은 성인 환자(≥18세)로 연구 집단을 포함해야 한다고 요구했습니다. CD에서 영양실조의 임상적 중요성을 고려하여, 유럽 임상영양 및 대사 학회(ESPEN) 2015년 기준, 글로벌 영양실조 이니셔티브(GLIM) 2019년 기준, 또는 영양실조 보편적 선별 도구(MUST) 점수 ≥2를 사용하여 영양실조를 정의하는 연구에 중점을 두었습니다. 연구 코호트 내에서 문헌에서 정의된 진단 기준과 ESPEN 2015 기준의 독점 적용 사이에 명확한 구분이 유지되었습니다.
   
   적격 연구 설계에는 코호트, 증례 대조군, 횡단면, 혼합 방법 연구가 포함되어 영양실조 위험 요인을 다각도에서 포괄적으로 평가하였습니다. 제외 기준에는 동물 연구, 리뷰 논문, 학회 초록이 포함되었으며, 이는 데이터 지원 부족이나 동료 평가 부족으로 인해 이루어졌습니다. 오즈비(OR)와 대응하는 95% 신뢰구간(CI) 등 필수 통계 정보가 부족한 연구도 제외하였습니다.

2. 문헌 선별 및 데이터 추출

문헌 선별 및 데이터 추출은 두 명의 연구자가 독립적으로 수행하여 완전성과 정확성을 보장하였습니다. 초기 단계는 명백히 포함 기준을 충족하지 못하는 연구를 제외하기 위해 제목과 초록을 선별하는 것이었고, 이를 통해 데이터셋을 잠재적으로 관련성 있고 고품질 연구로 좁혔습니다.

이후 잠재적으로 적격하다고 판단된 연구에 대해 전체 텍스트 선별이 실시되었습니다. 이 단계에서는 연구 설계, 방법론, 결과, 사전 정해진 포함 기준 준수 여부를 상세히 평가하여 모든 요건을 충족하는 연구만 최종 분석에 포함되도록 했습니다.

표준 양식을 사용하여 저자명, 출판 연도, 국가, 표본 크기, 몬트리올 분류 하위 유형 분포, 평균 질병 기간, 영양실조 정의, 평가 도구, 영양실조 위험과 관련된 영향 요인에 대해 95% 신뢰구간을 가진 추출된 수술실 등 주요 정보를 체계적으로 기록하였습니다.

선별 및 데이터 추출 과정에서 발생한 불일치나 불확실성은 내부 논의를 통해 해결되었습니다. 합의에 이르지 못했을 때는 제3자 전문가와 협의하여 중재를 진행하여 주관적 편향을 최소화하고 객관적인 의사결정을 보장했습니다. 이 엄격한 과정은 방법론적 투명성을 높이고 CD에서 영양실조 위험과 관련된 주요 요인을 규명하는 견고한 토대를 제공했습니다.

3. 품질 평가

포함된 연구들의 과학적 타당성과 신뢰성을 보장하기 위해 엄격한 품질 평가 기준이 적용되었습니다. 코호트 및 사례-대조 연구는 선택, 비교 가능성, 노출의 세 가지 영역에서 연구의 질을 평가하는 뉴캐슬-오타와 척도(NOS)를 사용하여 평가되었습니다. NOS 점수 ≥7을 가진 연구만이 고품질로 분류되어 분석에 포함되었습니다.

횡단면 연구는 참가자 선정, 표본 크기 적정성, 데이터 수집 방법의 타당성, 통계 분석의 적절성을 평가하는 미국 보건의료 연구 및 품질청(AHRQ) 평가 도구를 사용하여 평가되었습니다. AHRQ 점수 ≥8을 가진 연구는 포함 자격이 있다고 판단되었습니다.

이러한 엄격한 품질 평가 기준의 적용은 연구의 질 변동성과 관련된 잠재적 편향을 최소화하고 예측 모델이 신뢰할 수 있는 근거로 뒷받침되도록 보장했습니다.

4. 예측 모델 구축

1. 데이터 출처
   염증성 장질환 코호트 데이터베이스(IBDCD)는 2018년 1월부터 2025년 3월까지 수집된 크론병 환자들의 임상 데이터를 포함하는 다기관 전향적 코호트 데이터베이스로, 인구통계학적 정보, 임상 특성, 실험실 지표, 치료 요법, 영양 상태 평가 등을 포함하고 있습니다. 모델 개발 데이터셋에는 IBDCD 데이터베이스에서 파생된 800명의 크론병 환자가 포함되었으며, 훈련 코호트 520명과 검증 코호트 280명으로 구성되었습니다.
   
   포함 기준은 최소 6개월 이상 크론병 진단이 확정되어야 하고, 메타분석에서 유도된 영향 요인 및 영양 평가 데이터를 포함한 완전한 임상 데이터가 필요했습니다. 악성 종양이나 만성 신장 질환 등 영양 상태에 영향을 줄 수 있는 동반 질환을 가진 환자들은 데이터 정확성과 모델 타당성을 보장하기 위해 제외하였습니다.
2. 변수 정의 및 할당
   영양실조는 ESPEN 2015 기준에 엄격히 따라 진단되었으며, 이 기준에는 세 가지 핵심 진단 요소가 포함됩니다: 의도치 않은 체중 감소(3개월 내 ≥5% 또는 6개월 내 ≥10%), 음식 섭취 또는 흡수 감소(≥≥14일간 25% 감소), 그리고 신체 검사 및 인체측정을 통해 평가한 근육량 감소(팔 중간 근육 둘레 포함). 낮은 체질량지수(BMI < 18.5 kg/m²)는 확정적인 진단 지표라기보다는 지지적 지표로 간주되었습니다. 영양실조는 최소 한 가지 핵심 기준이 충족될 때만 확인되었으며, 낮은 BMI는 보조 지표로 사용되었습니다. 핵심 기준 증거가 없는 낮은 BMI로 내원한 환자는 영양실조로 분류되지 않았습니다. 이 정의는 예측 변수인 저BMI와 결과 중 하나인 영양실조 사이의 순환성을 피했습니다.
   
   영양실조 유병률은 훈련 코호트에서 42.5%(n = 520명), 검증 코호트(n = 280명)에서 40.4%였습니다. 메타분석 결과를 바탕으로, C-반응성 단백질(CRP >10 mg/L; 예 = 1, 아니오 = 0), 몬트리올 분류에 따라 정의되는 소장 침범(LL1/LL3 대 LL2 대장 침범; 예 = 1, 아니오 = 0), 생물학적 사용 (예 = 1, 아니오 = 0), 장 절제 병력(예 = 1, 아니오 = 0), 저 BMI(<18.5 kg/m²; 예 = 1, 아니오 = 0). 연령과 성별은 기초 인구통계학적 특성으로 수집되었으나, 예비 분석 시 통계적으로 유의미하지 않아 최종 모델에는 예측 변수로 포함되지 않았습니다.
   
   총 17건의 고품질 연구가 메타분석에 포함되었습니다. 통합 수술실과 해당 95% 신뢰구간은 다음과 같았습니다: CRP 상승(OR = 4.72, 95% 신뢰구간: 3.21–6.95), 소장 침범(OR = 2.89, 95% 신뢰구간: 1.93–4.33), 생물학적 사용 (OR = 0.39, 95% 신뢰구간: 0.15–1.01), 장 절제병력(OR = 6.17, 95% 신뢰구간: 2.35–16.18), 저 BMI(OR = 3.56, 95% 신뢰구간: 2.41–5.27).
3. 모델 제작 방법
   메타분석에서 도출된 통합 OR과 해당 95% CI는 log-OR 값으로 변환되어 다변수 로지스틱 회귀 모델의 회귀 계수(β)를 도출하는 데 사용되었습니다. 메타분석 결과와 모델 계수 간의 일관성은 피어슨 상관관계 분석(r = 0.98, P < 0.001)을 통해 검증되었습니다. 확인된 영향을 바탕으로 다변수 로지스틱 회귀 모델이 다음 식에 따라 구성되었습니다:
   
   "logit"(P) = α + β₁ X₁ + β₂ X₂ + β₃ X₃ + β₄ X₄ + β₅ X₅
   
   여기서 P는 영양실조 발생 확률을, β 값은 메타분석에서 도출된 통합 OR 값들의 자연 로그를 나타냅니다.
   
   R 소프트웨어(버전 4.2.1)와 "rms" 패키지를 사용하여 이 모델은 임상적으로 적용 가능한 노모그램으로 변환되었습니다. 초기 위험 점수(이론적 범위: 0–325.1)는 임상적 가독성을 높이기 위해 0에서 100 범위로 선형적으로 척도화되었습니다. 총 노모그램 점수를 기준으로 환자들은 백분위 교정을 사용하여 코호트 점수 분포에 따라 저위험(≤20점), 중등도(21–40점), 고위험(>40점) 범주로 층화되었습니다.
   
   특징 최적화에는 랜덤 포레스트(RF)와 그라디언트 부스트 의사결정 트리(GBDT)를 포함한 머신러닝 알고리즘이 사용되었습니다. 스택 전략은 RF와 GBDT를 기본 학습자로 사용하고 로지스틱 회귀를 메타분류기로 결합했다. 하이퍼파라미터는 5중 교차 검증을 통해 최적화되었으며, RF는 n_estimators = 200, max_depth = 10, GBDT는 n_estimators = 150, learning_rate = 0.1로 구성되었습니다. 합성 소수자 과잉표본 기법(SMOTE)이 훈련 데이터셋 내 소규모 클래스 불균형을 해결하기 위해 적용되었습니다.

5. 모델 검증

1. 검증 데이터셋
   이중 검증 전략이 사용되었습니다. 내부 검증은 부트스트랩 재샘플링을 사용하여 1,000회 반복 검증을 수행했습니다. 홀드아웃 검증은 훈련 코호트에 포함된 환자를 제외하고 IBDCD 데이터베이스에서 추출한 280명의 독립적이고 중복되지 않는 환자 하위 집합을 사용하여 수행되었습니다. 검증 코호트의 모든 환자는 2018년 염증성 장질환 합의에 따라 크론병 진단을 받았으며, 2018년 1월부터 2025년 3월까지 전향적으로 수집된 데이터가 있습니다.
   
   검증 코호트는 훈련 코호트와 동일한 확인 절차를 따랐습니다. 영양실조는 ESPEN 2015 기준을 사용하여 평가되었으며, CRP, 병변 위치, 생물학적 사용, 장 절제력, BMI 등 모든 예측 변수가 입원 후 72시간 이내에 측정되었습니다. 나이, 성별, 질병 기간(P > 0.05) 등 기초 특성에 대해 훈련 코호트와 검증 코호트 간에 유의미한 차이가 관찰되지 않아 검증 결과의 신뢰성과 임상적 적용성을 뒷받침하였다.
   
   추가 성능 지표를 계산하여 모델 성능을 추가로 평가하였습니다. 훈련 코호트에서 민감도는 92.3%, 특이도는 94.1%, 양성 예측값(PPV)은 90.5%, 음성 예측값(NPV)은 95.2%였습니다. 검증 코호트에서 민감도는 90.2%, 특이도는 92.8%, PPV는 88.7%, NPV는 93.9%였습니다. 브라이어 점수는 훈련 코호트에서 0.087, 검증 코호트에서 0.102로, 허용 가능한 예측 오차를 나타냈습니다.
2. 검증 지표
   모델 판별은 수신기 작동 특성(ROC) 곡선(AUC) 아래 면적을 사용하여 평가되었습니다. 보정은 Hosmer–Lemeshow 검정을 사용하여 평가되었으며, P > 0.05는 예측 확률과 관찰된 결과 간 유의미한 차이가 없음을, Brier 점수에서는 <0.20이 허용 가능한 예측 오차를 나타냈습니다. 또한 의사결정곡선 분석(DCA)을 통해 임계값 확률 범위에 대한 임상 순이익을 평가하였습니다.
   
   이 검증 프레임워크는 개인 예후 또는 진단(TRIPOD) 진술 지침에 대한 다변수 예측 모델의 투명 보고(투명 보고)를 준수했습니다.

6. 통계 분석

메타분석은 RevMan 버전 5.4를 사용하여 수행되었으며, 해당 95% 신뢰구간을 가진 통합 수술실을 산출하였습니다. 이질성은 I² 통계량을 사용하여 평가되었으며; 50%> 값은 상당한 이질성을 나타냅니다. 유의미한 이질성이 있을 때 무작위 효과 모델이 적용되었으며; 그 외에는 고정 효과 모델이 사용되었습니다. 민감도 분석은 개별 연구를 순차적으로 제외하여 결과의 안정성을 평가하였습니다. 출판 편향은 깔때기 플롯과 에거 검정을 사용하여 평가하였다.

기본 통계 분석은 SPSS 버전 26.0을 사용하여 수행되었습니다. R 소프트웨어(버전 4.2.1)의 "pROC", "rms", "glmnet" 패키지가 모델 생성 및 검증에 사용되었습니다.

결과

연구 집단의 기본 특징
이 메타분석에는 크론병 환자의 영양실조를 평가한 17개의 고품질 연구가 포함되어 있으며, 보충표 1에 요약되어 있습니다. 이 연구들은 2009년부터 2025년 사이에 발표되었으며, 중간 표본 크기는 502명(범위: 175–773명)입니다. 연구 설계는 전향적 코호트, 후향적 코호트, 사례 대조군, 횡단면, 혼합방법 연구로 구성되었으며, 혼합 방법 연구가 포함된 연구의 17.6%(3/17)를 차지하였습니다.

영양실조의 정의는 연구마다 달랐습니다. 체질량지수(BMI) <18.5 kg/^{m 2} )는 35.3%(6월 17일)의 연구에서 사용되었고, 영양실조 보편 선별 도구(MUST) 점수 ≥2는 23.5%(4월 17일), 유럽 임상영양 및 대사 학회(ESPEN) 2015년 기준은 17.6%(3/17), 글로벌 영양실조 리...

토론

크론병(CD)은 만성적이고 재발성 염증성 장 질환으로, 위장관 1,35,36,37의 어느 부위에도 영향을 미칠 수 있습니다. CD의 병인은 아직 명확하지 않으며, 유전적 감수성, 환경 노출, 면역 조절 장애 등 여러 요인이 작용하는 것으로 여겨집니다. 일반적인 임상 증상으로는 복통, 설사, 체중 감소, 누공 형성이 있으며, 그중 영양실조는 CD 38,39,40 환자에서 가장 흔한 합병증 중 하나입니다. 지속적인 장 염증은 종종 장 흡수를 저해^하며...

재료

```html

이 논문에 사용된 재료 목록

이름	회사	카탈로그 번호	댓글
RevMan 소프트웨어	Cochrane Collaboration‌	5.4	Cochrane 컬래버레이션에서 개발한 전문 메타 분석 소프트웨어는 주로 체계적 검토 및 메타 분석의 수립, 데이터 입력 및 결과 시각화에 사용됩니다. ‌
R 소프트웨어	통계 컴퓨팅을 위한 R 프로젝트	4.2.1	R은 1980년대 경에 탄생한 S 언어의 한 분기로 통계 분야에서 널리 사용되었습니다. S 언어의 구현으로 간주될 수 있습니다. AT&T Bell LABS에서 개발한 S 언어는 데이터 탐색, 통계 분석 및 그래핑에 사용되는 해석 언어입니다.

```