신경중재 시술 후 조영제 유발 뇌병증의 머신러닝 예측

요약

수술 전후 데이터를 활용한 탐색적 머신러닝(ML) 프레임워크를 통해 신경중재술 후 조영제 유발 뇌병증(CIE)을 예측하는 평가를 수행하였습니다. Naive Bayes 모델이 가장 균형 잡힌 기술적 성능을 보였으며, 조영제 대비 eGFR 비율(CGR)이 개별화된 위험 평가를 위한 중요한 후보 예측 인자로 확인되었습니다.

초록

CIE는 신경중재시술 후 발생하는 드물지만 심각한 합병증으로, 이를 위한 신뢰할 수 있는 비침습적 예측 도구가 여전히 부족한 실정입니다. 본 연구의 목적은 수술 전후의 임상 및 시술 데이터를 사용하여 CIE를 예측하는 ML 모델을 개발 및 검증하고, CIE에 대한 CGR의 예측 가치를 평가하는 것이었습니다. 본 연구는 2024년 1월부터 2025년 12월까지 Northern Theater General Hospital 신경외과에서 신경중재시술을 받은 161명의 환자를 연속적으로 등록한 단일 센터 후향적 연구입니다. CIE의 잠재적 수술 전후 예측 인자는 단변량 분석과 LASSO 회귀 분석을 결합하여 식별되었습니다. 선택된 변수를 기반으로 Naive Bayes, support vector machine (SVM), k-nearest neighbors (KNN), LightGBM 및 multilayer perceptron (MLP)의 5가지 ML 모델을 훈련하고 최적화했습니다. 모델 성능은 수신자 조작 특성 곡선 아래 면적(AUC)과 결정 곡선 분석(DCA)을 통해 종합적으로 평가되었습니다. 평가된 모델 중 Naive Bayes 모델이 내부 테스트 세트에서 AUC 0.952 (95% CI: 0.843–1.000), 민감도 100%, 특이도 90.3%로 가장 우수한 기술적 성능을 보였습니다. 다만, 데이터셋의 불균형이 현저하고 내부 테스트 코호트의 규모가 작으며 CIE 이벤트 수가 매우 제한적이었기 때문에 이러한 지표들은 주의 깊게 해석되어야 합니다. DCA 결과는 선택된 임계 확률 범위에서 잠재적인 임상적 순이익이 있음을 시사했습니다. 특성 중요도 분석 결과, CGR은 본 데이터셋에서 CIE 위험과 관련된 가장 순위가 높은 잠재적 예측 인자 중 하나였습니다. 본 연구에서 평가된 Naive Bayes 모델은 신경중재시술 후 CIE의 수술 전후 평가를 위한 예비 위험 계층화 프레임워크를 제공할 수 있습니다. CGR은 중요한 예측 특성으로 나타났으며 개별화된 위험 계층화에 도움을 줄 수 있을 것입니다. 임상 적용에 앞서 추가적인 외부 검증이 필요합니다.

서론

지난 20년 동안 최소 침습적 중재 시술법은 뇌혈관 질환의 치료 패러다임을 근본적으로 변화시켰습니다¹. 높은 효능과 최소 침습성이라는 장점을 가진 신경중재술은 특정 뇌혈관 장애에 있어 중요한 치료 선택지가 되었습니다². 하지만 중재 시술의 복잡성이 증가함에 따라 시술 중 사용되는 조영제 용량과 주입 압력, 그리고 조영제 노출 시간 또한 증가하고 있습니다. 결과적으로 조영제 관련 합병증에 대한 세심한 주의와 분석이 점차 증가해 왔습니다^3,4,5,6,7. 요오드성 조영제(ICM)로 인해 유발되는 급성 일시적 신경 기능 장애인 CIE는 특히 복잡한 신경중재술에서 임상적으로 유의미한 합병증으로 점점 더 인식되고 있습니다. CIE의 전형적인 임상 증상은 보통 조영제 노출 후 수분에서 24 h 이내에 나타나며, 의식 변화(졸음, 섬망 또는 혼수 등), 피질맹, 국소 신경학적 결손(편마비 또는 실어증 등) 및 발작을 포함합니다^4,5,6. 대부분의 CIE 사례는 자가 제한적이며 증상이 보통 48에서 72 h 이내에 호전되지만, 일부 환자는 지속적인 신경학적 손상을 경험할 수 있습니다. 중증 사례의 경우 심각한 뇌부종으로 인해 사망에 이를 수도 있습니다^4,7. 이러한 결과의 예측 불가능성은 수술 전후 기간 동안 조기 위험 예측을 위한 신뢰할 수 있는 도구 개발의 시급성을 강조합니다.

임상 데이터의 양이 계속해서 증가함에 따라, 다중공선성을 보이는 고차원 의료 데이터를 처리할 때 기존의 통계적 방법들은 점점 더 불충분해지고 있습니다. 또한, 단변량 분석이나 단순 로지스틱 회귀 모델은 변수 간의 복잡하고 비선형적인 상호작용을 포착하지 못하는 경우가 많습니다. ML은 이러한 과제를 해결하기 위한 새로운 차원을 제공합니다⁸. SVM, 그래디언트 부스팅 머신(LightGBM), MLP와 같은 ML 알고리즘은 고차원 특징 공간에서 잠재적 패턴을 자동으로 식별하고 강력한 예측 능력을 갖춘 비선형 모델을 구축할 수 있습니다^8,9,10,11. 그러나 예측 정확도를 추구하는 과정에서, 해석 가능성이 부족한 이러한 알고리즘의 "블랙박스"적 특성은 의료 의사 결정의 신뢰성에 대한 우려를 자주 불러일으킵니다^12,13. 이와 대조적으로, Naive Bayes 알고리즘은 단순한 확률론적 논리와 내재된 해석 가능성을 통해 소규모 표본 임상 연구에서 독특한 장점을 보여줍니다^14,15. Naive Bayes 모델은 각 예측 변수가 결과 사건에 기여하는 사후 확률을 평가함으로써 예측 성능을 보장할 뿐만 아니라, 임상의에게 직관적인 의사 결정 지원 통찰력을 제공합니다. 나아가, 조영제 부하량과 개별 제거 능력 사이의 불균형을 정량적으로 평가하기 위해, 본 연구에서는 조영제-eGFR 비율(CGR)을 핵심 특징으로 혁신적으로 도입하였습니다. 신장 기능 예비력이 낮은 환자의 경우, 중간 정도의 조영제 용량만으로도 매우 높은 CGR 값이 나타날 수 있으며, 이는 CIE에 대한 민감도를 높일 수 있습니다. CGR의 추가적인 예측 가치는 더 많은 검증이 필요하지만, 조영제 부담과 신장 제거 능력을 통합한 임상적으로 직관적인 복합 지표를 제공할 수 있습니다. 본 연구는 이러한 통합 바이오마커를 포함함으로써 병태생리학적 실재를 더 밀접하게 반영하는 예측 프레임워크를 개발하는 것을 목표로 하였습니다.

요약하자면, 본 연구는 수술 전후의 임상 및 시술 변수를 사용하여 ML 기반의 CIE 예측 모델을 개발하고 검증하는 것을 목표로 하였습니다¹⁶. 구체적인 목적은 다음과 같습니다: (1) 탐색적 복합 지표로서 CGR을 도입하고 평가하는 것, (2) 다섯 가지 ML 모델인 Naive Bayes, SVM, KNN, LightGBM, MLP를 구축하고 성능을 비교하는 것, (3) 최적의 모델을 식별하는 것입니다. CIE 발생 건수가 제한적이었으므로, 모델 비교는 탐색적이며 가설 생성 단계로 간주되었습니다. 궁극적으로 본 연구는 신경중재 시술에서 CIE에 대한 예비적 위험 층화 프레임워크를 제공할 수 있으나, 외부 검증 없이 단독적인 임상 의사결정 도구로 사용해서는 안 됩니다. CGR의 개념적 기초와 조영제 노출 및 신장 배설과의 관계는 그림 1A에 예시되어 있습니다. 데이터 전처리, 훈련/테스트 세트 분할, 특성 선택 및 모델 개발을 포함한 전체 연구 워크플로우는 그림 1B에 요약되어 있습니다. 다섯 가지 ML 모델의 비교 평가 프레임워크는 그림 1C에 제시되어 있습니다.

프로토콜

연구 프로토콜은 북부전구 종합병원 윤리위원회의 검토 및 승인을 받았습니다 (승인 번호: Ethics Y (2026) 75). 임상 데이터는 2024년 1월부터 2025년 12월 사이에 치료받은 환자들로부터 얻었으나, 본 연구는 기존 임상 기록에 대한 후향적 분석으로 수행되었습니다. 2026년에 획득한 윤리 승인은 이전에 수집된 임상 데이터의 후향적 데이터 추출, 비식별화, 분석 및 출판 내용을 포함합니다. 윤리 승인 전에 전향적 중재나 환자 등록은 수행되지 않았습니다. 후향적 관찰 연구 설계로 인해 서면 동의서 작성 요구 사항은 면제되었습니다. 모든 절차는 헬싱키 선언에 따라 수행되었으며, 모든 임상 데이터는 분석 전 비식별화되었습니다. 본 분석은 승인된 후향적 신경중재 임상 데이터 연구 프로젝트의 일부로 수행되었습니다. 아래에 설명된 절차에 필요한 재료 및 장비는 재료 표에 요약되어 있습니다.

환자 등록 및 CIE 결정

2024년 1월부터 2025년 12월 사이에 북부전구 종합병원 신경외과에서 치료받은 환자들을 전자 의무 기록 시스템을 통해 조회하여 잠재적 대상 환자들을 식별하였다. 초기 검색은 입원 날짜, 진료과, 뇌혈관 질환 진단 및 신경중재술 시술 기록으로 제한하였다. 상세한 환자 스크리닝 및 코호트 할당 워크플로우는 그림 2에 나타나 있다. 다음 기준을 모두 충족하는 환자를 포함 대상으로 선정하였다: (1) 연령 30세에서 80세 사이; (2) 신경중재적 평가 또는 치료가 필요한 뇌혈관 질환 진단; (3) 완전한 임상 기록 및 실험실 검사 결과 보유; (4) 수술 후 3일 이내에 시행한 수술 후 머리 CT 검사.

임상 또는 영상 데이터가 불완전하거나, 혈관 내 중재술을 받지 않았거나, 수술 전 심각한 신경학적 결손(modified Rankin Scale 점수 ≥4)이 있거나, 수술 전 확산 강조 영상에서 급성 뇌경색이 확인되었거나, Kidney Disease: Improving Global Outcomes (KDIGO) 기준에 따라 G4 단계 이상의 만성 신장 질환이 있거나, 심각한 심혈관 질환이 있는 환자는 제외되었습니다. 선정 및 제외 기준은 순차적으로 적용되었습니다. 1차 전자 검색 후, 각 후보 기록을 수동으로 검토하여 적격성을 확인하고 해당되는 경우 제외 사유를 기록하였습니다. 스크리닝 후, 적격한 환자들을 8:2 비율로 훈련 코호트(n = 128)와 테스트 코호트(n = 33)에 무작위로 배정하였습니다. 두 코호트 간에 CIE 및 non-CIE 사례의 분포를 일정하게 유지하기 위해 층화 무작위 추출법을 사용하였습니다.

CIE의 진단은 주로 증상 발현과 뇌혈관 중재술 시술 간의 시간적 연관성을 바탕으로 하였으며, 배제적 영상 평가를 병행하였습니다. 두 명의 독립적인 뇌혈관 중재술 전문의가 모든 의심 사례의 수술 후 임상 기록, 증상 발현 시간, 신경학적 징후 및 수술 후 영상 소견을 검토하였습니다. 의견 불일치는 합의에 도달할 때까지 논의를 통해 해결하였습니다. 신경중재술 완료 후 24시간 이내에 새로 발생한 피질맹, 의식 변화(졸음, 섬망 또는 혼수 포함), 발작, 또는 편마비나 실어증과 같은 국소 신경학적 결손이 나타난 환자를 CIE에 부합하는 것으로 간주하였습니다.

증상 발현 후, 임상 경과와 함께 수술 후 CT 또는 MRI 영상을 검토하여 유사한 신경학적 징후를 유발할 수 있는 다른 원인들을 배제하였습니다. 수술 후 머리 CT는 기관의 표준 비조영 증강 두개내 CT 프로토콜을 사용하여 시행되었습니다. 주요 획득 파라미터는 관전압 80 kVp, 관전류 260 mA, 슬라이스 두께 0.5 mm 및 표준 축상 재구성(axial reconstruction)을 포함하였습니다. 영상은 숙련된 임상의가 뇌 창(brain window) 및 골 창(bone window)을 통해 검토하였습니다. 감별 진단 시 급성 두개내 출혈, 지주막하 출혈, 뇌내 출혈, 새로 발생한 광범위 뇌경색, 발작 관련 변화, 감염 및 대사성 장애를 고려하였습니다. 증상 발현 후 CT 검사에서는 일반적으로 피질, 피질하 영역 또는 지주막하 공간을 포함하는 국소적 또는 미만성 뇌부종과 출혈성 병변과 유사한 고밀도 음영이 관찰되었습니다. MRI 소견에서는 주로 측두-두정-후두 피질을 포함하는 피질 부종이 나타납니다. 그러나 일부 환자의 경우, 임상 증상이 일치함에도 불구하고 CT 또는 MRI 검사에서 뚜렷한 이상 소견이 나타나지 않았습니다.

수술 전후 변수 수집 및 CGR 구축

연령, 성별, 체중을 포함한 일반적인 인구통계학적 데이터는 전자 의무 기록 시스템의 구조화된 필드에서 추출하였습니다. 흡연력, 음주력, 고혈압, 당뇨병, 관상동맥성 심장 질환을 포함한 임상 병력 변수는 입원 기록, 과거 병력 기록 및 퇴원 진단명에서 추출하였으며, 일관성을 위해 상호 검토하였습니다. 실험실 데이터는 실험실 정보 시스템에서 추출하였습니다. 각 환자에 대해, 입원 후 신경중재 시술 전에 수집된 첫 번째 정맥혈 샘플을 사용하였습니다. 추출된 실험실 변수에는 혈청 크레아티닌, 추정 사구체 여과율(eGFR), 총 콜레스테롤 및 중성지방 수치가 포함되었습니다. eGFR은 만성 신장병 역학 협력(CKD-EPI) 크레아티닌 기반 방정식을 사용하여 계산되었으며, 병원 실험실 정보 시스템에서 얻었습니다.

시술의 복잡성, 조영제 노출 및 병변 위치가 신경중재 시술 중 혈뇌장벽 붕괴와 조영제 잔류에 영향을 줄 수 있으므로, 수술 전후의 시술 변수 또한 예측 프레임워크에 포함되었습니다. 시술 관련 변수에는 병변 위치, 시술 유형, 시술 시간, 조영제 유형 및 총 조영제 투여량이 포함되었습니다. 병변 위치와 시술 유형은 수술 보고서와 혈관 조영 기록을 통해 결정되었습니다. 시술 시간은 동맥 천자부터 신경중재 시술 완료까지의 시간으로 정의되었습니다. 총 조영제 투여량은 시술 시작부터 종료까지 투여된 요오드성 조영제의 누적 부피로 정의되었습니다. 본 연구에 사용된 조영제는 기관의 임상 관행에 따라 투여된 iodixanol (320 mg of iodine/mL)을 포함한 비이온성 ICA였습니다. 본 연구에 포함된 모든 신경중재 시술은 연구 센터의 숙련된 신경중재 팀에 의해 디지털 감산 혈관 조영술 유도 하에 수행되었습니다. 모든 시술은 대퇴동맥 접근법을 통해 이루어졌습니다. 중재술 동안 환자들은 헤파린을 통한 수술 중 항응고 요법을 받았으며, 활성화 응고 시간(activated clotting time)은 250–300 s의 목표 범위 내로 유지되었습니다. 시술 내내 활력 징후가 지속적으로 모니터링되었습니다.

동맥류 색전술, 혈관 성형술 및 스텐트 삽입술을 포함한 치료적 중재술은 병변의 특성과 시술자의 판단에 따라 수행되었습니다. 시술 요구 사항에 따라 적절한 마이크로카테터, 코일, 스텐트 또는 풍선을 선택하였습니다. 혈관 조영 영상 촬영 및 중재술 동안 조영제는 고압 주입 또는 수동 일정 속도 주입법을 통해 투여되었습니다. 조영제의 종류와 총 조영제 투여량은 시술 기록에서 추출하였으며, 가능한 경우 마취 기록 또는 간호 기록과 대조하여 확인하였습니다. 조영제 투여량 정보가 일치하지 않거나 불완전한 기록은 최종 분석 데이터 세트에 포함시키기 전에 수동으로 검토하였습니다.

분석 전, 절차적 소요 시간, 치료적 중재 유형, 장치 사용 및 조영제 투여 기록을 포함한 모든 절차 관련 변수들의 완전성과 일관성을 체계적으로 검토하고 확인하였습니다. 조영제 부하와 신장 배설 능력 사이의 불균형을 정량적으로 평가하기 위해, CGR을 핵심 예측 변수로 설정하고 다음 식에 따라 계산하였습니다:

(1)

총 조영제 투여량은 mL로, eGFR은 mL/min/1.73 m²로 기록하였다. CGR 계산에 사용된 eGFR 값은 입원 후 신경중재시술 전 처음 채취한 정맥혈 샘플에서 얻은 수술 전 eGFR 값이었다. 각 환자에 대하여, 총 조영제 투여량과 eGFR을 모두 확인한 후 CGR을 계산하였다. 분자는 mL 단위의 총 조영제 투여량이고, 분모는 mL/min/1.73 m² 단위의 eGFR이었다. 모델 개발 전 모든 환자에게 동일한 계산 규칙을 적용하였다.

특성 선택 및 ML 워크플로우

분석의 견고성을 보장하기 위해, 모든 임상 및 실험실 변수는 분석 전 체계적인 품질 관리 절차를 거쳤습니다. 모델 개발 전 각 후보 변수에 대해 결측 데이터 비율을 계산하였습니다. 최종 분석 데이터셋에서 포함된 예측 변수 또는 결과 레이블 중 결측값은 관찰되지 않았으며, 이에 따라 결측으로 인해 제외된 변수는 없었으며 다중 대체법 또한 필요하지 않았습니다. 상세한 결측 데이터 요약은 Supplementary Table 1에 제공되어 있습니다.

모든 후보 예측 변수는 처음에 CIE 발생과의 연관성을 평가하기 위해 단변량 분석을 통해 평가되었습니다. 통계 방법은 데이터의 분포 특성에 따라 선택되었습니다. 정규 분포를 보이는 변수는 평균 ± 표준 편차로 표기하였으며, 독립 표본 t-검정을 사용하여 비교하였습니다. 비정규 분포를 보이는 변수는 중앙값 (사분위 범위, IQR)으로 표기하였으며, Mann–Whitney U 검정을 사용하여 분석하였습니다. 범주형 변수는 빈도와 백분율로 나타내었으며, 카이제곱 검정 또는 Fisher의 정확 검정을 사용하여 분석하였습니다. 통계적 유의성은 p < 0.05로 정의하였습니다.

모델 개발 전, 전체 데이터셋을 8:2의 비율로 훈련 코호트와 테스트 코호트로 무작위 분할하였습니다. 과적합을 최소화하고 다중공선성을 줄이기 위해, 10-겹 교차 검증(10-fold cross-validation)과 결합된 LASSO(least absolute shrinkage and selection operator) 회귀를 사용하여 특성 선택을 수행하였습니다. 데이터 누수를 방지하기 위해 특성 선택, 하이퍼파라미터 튜닝 및 모델 개발은 훈련 코호트만을 사용하여 수행되었습니다. 내부 테스트 코호트는 결측치 대체 파라미터 추정, 특성 선택, 하이퍼파라미터 튜닝 또는 모델 훈련 과정에 사용되지 않았으며, 최종 성능 평가를 위해 단 한 번만 사용되었습니다. 하이퍼파라미터 최적화는 훈련 코호트 내에서 10-겹 교차 검증을 이용한 그리드 서치(grid search) 전략으로 수행되었습니다. 구체적으로, 훈련 코호트를 상호 배타적인 10개의 하위 집합으로 무작위 분할하였습니다. 각 반복 과정에서 9개의 하위 집합은 모델 훈련에 사용되었고, 나머지 하나의 하위 집합은 검증에 사용되었습니다. 이 과정을 10번 반복하여 각 하위 집합이 정확히 한 번씩 검증 코호트 역할을 하도록 하였습니다.

모든 계산 분석은 Python 환경에서 수행되었습니다. ML 모델 개발 및 평가는 scikit-learn을 사용하여 수행되었습니다. 데이터 전처리, 특성 선택, 모델 학습, 성능 평가 및 DCA에 사용된 분석 스크립트는 보충 코드 파일로 제공되었습니다. 모델 구현을 위해 LASSO 회귀에서 선택된 특성들을 모든 후보 분류기의 입력 변수로 사용하였습니다. 연속형 변수는 훈련 코호트 내에서 z-score 정규화를 사용하여 표준화하였으며, 동일한 스케일링 파라미터를 내부 테스트 코호트에 적용하였습니다. 범주형 변수는 미리 정의된 코딩 체계에 따라 인코딩되었으며, 변수 정의 및 코딩 체계는 Supplementary Table 2에 제공되어 있습니다. Gaussian Naive Bayes, SVM, KNN, LightGBM, MLP의 다섯 가지 분류기가 구현되었습니다. SVM의 경우 커널 유형, 정규화 파라미터 C 및 커널 계수 gamma를 튜닝하였습니다. KNN의 경우 이웃의 수와 거리 가중치 전략을 튜닝하였습니다. LightGBM의 경우 추정기 수, 학습률, 최대 트리 깊이 및 리프 수를 튜닝하였습니다. MLP의 경우 은닉층 구조, 활성화 함수, 정규화 파라미터 및 학습률을 튜닝하였습니다. Gaussian Naive Bayes는 지정된 분산 평활화 설정을 사용하여 구현되었습니다. 각 모델의 최적 하이퍼파라미터 조합은 훈련 코호트 내의 교차 검증 성능에 따라 선택되었습니다. 각 모델에 대해 선택된 최종 최적화 하이퍼파라미터 조합은 Supplementary Table 3에 요약되어 있습니다. 하이퍼파라미터 선택 후, 각 최종 모델은 전체 훈련 코호트에 대해 다시 피팅되었으며 내부 테스트 코호트에서 한 차례 평가되었습니다.

모델 성능 비교

선택된 예측 인자들을 기반으로 5가지 ML 모델을 개발하고 비교하였다. 모델 성능은 AUC(area under the receiver operating characteristic curve), 95% 신뢰 구간(95% CI), 민감도, 특이도 및 정확도를 사용하여 훈련 코호트와 테스트 코호트 모두에서 평가하였다. 서로 다른 모델들의 판별 성능을 비교하기 위해 ROC(Receiver operating characteristic) 곡선을 생성하였다. 각 모델의 최적 분류 임계값은 Youden 지수를 사용하여 훈련 코호트 내에서만 독자적으로 결정하였다. 이렇게 도출된 임계값을 고정한 후, 임계값 의존적 성능 지표를 계산하기 위해 내부 테스트 코호트에 변경 없이 적용하였다.

결정 곡선 분석

DCA는 다양한 임계 확률 범위에서 각 모델의 순이익(net benefit)을 계산하고, 모델 기반 전략을 두 가지 기본 전략인 모든 환자 치료 및 모든 환자 미치료 전략과 비교하여 수행되었습니다. DCA는 판별 성능과 수술 전후 의사 결정 환경에서의 잠재적 임상 적용 가능성을 동시에 평가할 수 있기 때문에 선택되었습니다. 재현성을 높이기 위해 전체 워크플로우는 다음 순서로 수행되었습니다: 전자 의무 기록 시스템을 통한 환자 식별, 선정 및 제외 기준 적용, 두 명의 독립적인 전문가에 의한 CIE 판정, 인구통계학적 정보, 임상 병력, 실험실 검사 및 시술 관련 변수의 추출 및 교차 확인, CGR 계산, 결측 데이터 평가 및 학습-테스트 코호트 분할, 학습 코호트 내 LASSO 기반 특성 선택, 10-겹 교차 검증을 통한 하이퍼파라미터 튜닝, 전체 학습 코호트에서의 최종 모델 재적합, 내부 테스트 코호트 평가, ROC 기반 성능 평가, Youden 지수 임계값 결정, 그리고 DCA.

결과

환자 등록 및 CIE 결정

신경중재시술을 받은 총 161명의 환자가 본 연구에 포함되었으며, 그 중 12명(7.5%)에서 CIE가 발생하였고 149명(92.5%)에서는 발생하지 않았습니다. 상세한 환자 선별 및 그룹화 과정은 그림 2에 나타나 있습니다. CIE의 진단은 증상 발현과 신경중재시술 간의 시간적 연관성과 배제적 영상 소견을 결합하여 확정되었습니다. CIE의 대표적인 신경영상 소견은 그림 3A–D에 제시되어 있습니다.

두 그룹의 기저 인구통계학적, 임상적, 실험실 및 절차적 특성은 표 1에 요약되어 있습니다. 연령, 성별 분포 또는 체중 측면에서 CIE 그룹과 non-CIE 그룹 간에 유의미한 차이는 관찰되지 않았습니다(모두 p > 0.05). 마찬가지로 고혈압, 당뇨병 및 관상동맥성 심장질환을 포함한 일반적인 동반 질환의 유병률 또한 두 그룹 간에 유의미한 차이가 없었습니다(모두 p > 0.05). 알코올 섭취 및 흡연 상태와 같은 생활 습관 요인 또한 유사했습니다.

반면, 여러 실험실 및 시술 관련 변수에서는 두 그룹 간에 유의미한 차이가 나타났다. CIE 그룹 환자들은 non-CIE 그룹 환자들에 비해 혈청 크레아티닌 수치가 유의하게 높았으며(중앙값: 85.2 vs 65.3 µmol/L, p = 0.004), eGFR은 유의하게 낮았다(중앙값: 81 vs 102.7 mL/min/1.73 m², p < 0.001). 시술 특성과 관련하여, 색전술 시술은 non-CIE 그룹보다 CIE 그룹에서 유의하게 더 빈번하게 수행되었다(41.7% vs 2.0%, p < 0.001). 또한, 후방 순환계 병변은 CIE가 발생한 환자들에게서 유의하게 더 흔하게 나타났다(58.3% vs 6.0%, p < 0.001). 사용된 조영제의 종류에 대해서는 두 그룹 간에 유의미한 차이가 관찰되지 않았다(p = 0.982). 더욱이, CIE 그룹 환자들은 시술 중 유의하게 더 많은 양의 조영제를 투여받았으며(중앙값: 200.0 vs 165.0 mL, p = 0.005), 시술 시간 또한 더 길었다(중앙값: 78.5 vs 50.0 min, p = 0.008). 특히, 본 연구에서 제안된 복합 지표인 CGR은 non-CIE 그룹에 비해 CIE 그룹에서 유의하게 더 높았으며(중앙값: 2.35 vs 1.63, p < 0.001), 이는 CGR과 CIE 발생 사이에 강한 연관성이 있음을 나타낸다.

수술 전후 변수 수집 및 CGR 구축

수술 전후의 인구통계학적, 실험실적 및 시술적 변수들을 프로토콜에 기술된 대로 체계적으로 수집하고 분석하였습니다. 이러한 변수들 중 총 조영제 투여량과 eGFR의 비율로 정의되는 CGR을 조영제 노출과 신장 제거 능력 사이의 균형을 반영하는 복합 지표로 설정하였습니다. 본 코호트에서 CGR은 CIE 발생과 연관이 있었으며, 특성 선택 및 모델 개발 분석을 위한 후보 예측 인자로 포함되었습니다. CGR을 개별 구성 요소들과 비교하기 위해 CGR, 총 조영제 투여량, eGFR을 이용한 비교 ROC 분석을 수행하였습니다. 분석 결과, CGR은 AUC 0.959 (95% CI: 0.924–0.985)로 CIE에 대해 가장 높은 판별 능력을 보였으며, 이는 총 조영제 투여량 (AUC = 0.745, 95% CI: 0.559–0.886) 및 역위험 방향으로 분석된 eGFR (AUC = 0.865, 95% CI: 0.764–0.951)보다 높았습니다. CGR과 총 조영제 투여량 간의 AUC 차이는 0.214였고, CGR과 eGFR 간의 AUC 차이는 0.093였습니다. 상세한 결과는 부록 표 4에 제공되어 있습니다.

특징 선택 및 ML 워크플로우

다중공선성을 최소화하면서 가장 관련성이 높은 예측 인자를 식별하기 위해, 후보 변수들에 대해 10-fold 교차 검증을 포함한 LASSO 회귀 분석을 적용하였습니다. LASSO 모델의 계수 프로파일과 교차 검증 곡선은 각각 그림 4A와 그림 4B에 제시되어 있습니다. 최종 모델의 LASSO 계수 순위는 그림 5에 제시되어 있습니다. 최적의 λ 값에서 CGR, 시술 유형, 병변 위치, 트리글리세라이드 수치, 혈청 크레아티닌, eGFR 및 여러 임상 공변량을 포함한 변수 하위 집합이 유지되었습니다. LASSO 계수를 기반으로 유지된 예측 인자의 정량적 순위는 부록 표 5에 제공됩니다.

모델 성능 비교

CIE 위험도를 예측하기 위해 Naive Bayes, SVM, KNN, LightGBM, MLP의 다섯 가지 ML 접근 방식이 개발되었습니다. 훈련 세트와 테스트 세트에서의 성능은 표 2에 요약되어 있으며, 다섯 가지 모델의 정확도 비교는 그림 6에, 해당 혼동 행렬은 부록 그림 1, 부록 그림 2, 부록 그림 3, 부록 그림 4, 및 부록 그림 5에 제공되어 있습니다. 데이터셋이 CIE 사례 12건과 비-CIE 사례 149건으로 현저하게 불균형했기 때문에, 정확도 및 임계값 기반 지표는 민감도, 특이도, AUC 및 신뢰 구간과 함께 신중하게 해석해야 합니다. 훈련 세트에서 모든 모델은 0.961–0.999 범위의 AUC 값을 보이며 우수한 판별 능력을 나타냈습니다. 내부 테스트 세트에서는 Naive Bayes 모델이 가장 높은 수치(AUC = 0.952, 95% CI: 0.843–1.000)를 보였으며, LightGBM(AUC = 0.944, 95% CI: 0.822–1.000)과 SVM(AUC = 0.935, 95% CI: 0.796–1.000)이 그 뒤를 이었습니다.

Youden index에 의해 결정된 최적 분류 임계값에서, Naive Bayes 모델은 100%의 민감도와 90.3%의 특이도를 나타냈습니다. 모델 AUC 간의 공식적인 쌍별 통계적 비교가 수행되지 않았으므로, 모델 간에 관찰된 차이는 기술적이고 탐색적인 것으로 해석해야 합니다. 또한, 데이터셋이 현저하게 불균형하고 내부 테스트 코호트가 매우 제한적인 수의 CIE 이벤트만을 포함하여 규모가 작았기 때문에, 민감도 및 특이도와 같은 임계값 기반 지표는 불안정할 수 있으며 신중하게 해석해야 합니다. 훈련 세트와 테스트 세트에서 Naive Bayes 모델의 수신자 조작 특성(ROC) 곡선은 그림 7에 제시되어 있습니다.

MLP 모델은 훈련 세트에서 우수한 성능을 보였으나(AUC = 0.961), 테스트 세트에서는 성능이 크게 감소하여(AUC = 0.742) 과적합의 가능성을 시사했습니다. 마찬가지로, KNN 모델은 테스트 세트에서 제한적인 판별 능력을 보였으며(AUC = 0.718), 신뢰 구간이 넓어 불안정함을 나타냈습니다. 민감도, 특이도, 정확도를 포함한 임계값 의존적 지표의 최적 분류 임계값을 결정하기 위해 Youden 지수 기반 전략을 사용했습니다. ROC-AUC 값 자체는 임계값과 무관합니다. 따라서 보고된 임계값 의존적 성능 지표는 최적의 작동 지점에서의 모델 동작을 반영합니다. 최적의 Youden 임계값 및 그에 따른 임계값 기반 지표는 Supplementary Table 6에 제공되어 있습니다. 전반적으로 Naive Bayes 모델은 훈련 세트와 내부 테스트 세트 간에 AUC의 수치적 감소가 최소화되어 비교적 안정적인 기술적 성능을 보여주었습니다.

결정 곡선 분석

다양한 임계 확률 범위에서 모델의 임상적 유용성을 평가하기 위해 DCA를 수행하였습니다. DCA 곡선은 그림 8에 나타나 있습니다. 모든 모델은 모든 환자 치료 및 치료 안 함 전략과 비교하여 특정 임계 확률 범위에서 양의 순이익을 보였습니다. 평가된 모델 중에서 SVM이 가장 넓은 양의 순이익 범위를 나타냈으며, 다른 모델들 또한 특정 임계 범위 내에서 잠재적인 임상적 유용성을 보였습니다.

데이터 가용성:

주요 분석을 뒷받침하는 데 사용된 비식별 처리된 원시 데이터는 GitHub에 업로드되었으며, 다음 주소에서 확인할 수 있습니다: https://doi.org/10.5281/zenodo.20043331. 데이터 공유 전 모든 직접적인 환자 식별 정보는 제거되었습니다. 본 연구는 병원 의무 기록을 기반으로 한 후향적 임상 연구이므로, 추가적인 환자 수준 정보에 대한 접근은 기관의 윤리 및 개인정보 보호 요건에 따라 제한됩니다. 추가적인 비식별 데이터는 합리적인 요청이 있고 기관 윤리 위원회의 승인을 받은 경우 교신 저자를 통해 제공될 수 있습니다. 재현성을 지원하기 위해 통계 분석 스크립트, ML 모델 학습 코드 및 그림 생성 코드가 보충 파일로 제공되었습니다.

그림 1: 수술 전후 데이터를 기반으로 한 CIE 위험 모델링의 워크플로우. (A) CIE의 기전 및 조영제 부피 대비 eGFR 비율(CGR)의 도출. (B) 데이터 통합 및 LASSO 기반의 특성 선택. (C) ML 모델 개발 및 비교; Naive Bayes가 내부 테스트 세트에서 가장 높은 수치적 AUC(AUC ≈ 0.95)를 나타냄. 약어: CIE = 조영제 유발 뇌병증; CGR = 조영제 부피 대비 eGFR 비율; eGFR = 추정 사구체 여과율; AUC = 곡선 아래 면적. 이 그림은 저자들의 자체 임상 데이터에서 도출되었으며, 도식도는 저자들이 Microsoft PowerPoint 아이콘을 수정하여 직접 제작함. 여기를 클릭하여 이 그림의 확대 버전을 확인하십시오.

그림 2: 환자 선정 및 코호트 할당. 환자 스크리닝, 적격성 평가, 제외 기준 및 코호트 배정을 나타낸 흐름도. 총 225명의 환자를 대상으로 일차 평가를 수행하였다. 30~80세의 연령, 완전한 임상 데이터 확보, 수술 후 3일 이내의 머리 CT 촬영 등의 선정 기준을 적용하여 190명의 환자가 적격한 것으로 판단되었다. 급성 뇌경색, G4 단계 이상의 만성 신장 질환(eGFR < 30 mL/min/1.73 m²), 중증 심혈관 질환, 혈관 내 치료 미시행, 중증 신경학적 결손(modified Rankin Scale 점수 ≥ 4) 또는 데이터 불충분 등의 사유로 환자들을 제외하였다. 최종적으로 161명의 환자가 포함되었으며, 8:2의 비율로 학습 코호트(n = 128)와 내부 테스트 코호트(n = 33)로 무작위 배정되었다. 약어: CT = 컴퓨터 단층촬영; eGFR = 추정 사구체 여과율; CKD = 만성 신장 질환; mRS = 수정 Rankin 척도. 이 그림의 더 큰 버전을 보시려면 여기를 클릭하십시오.

그림 3: CIE 환자의 연속 비조영 CT 영상. (A>) 시술 전 기저 CT. (B>) 증상 발생 시 CT로, 우측 두정엽의 피질 고밀도(화살표)가 관찰됨. (C>) 수술 후 1일째 CT로, 부분적인 해소가 관찰됨. (D>) 수술 후 2일째 CT로, 추가적인 해소가 관찰됨. 이 그림의 더 큰 버전을 보시려면 여기를 클릭하십시오.

그림 4: LASSO 기반 특성 선택. (A) 최소 MSE를 기반으로 최적 λ를 결정하는 데 사용된 10겹 교차 검증 곡선. (B) log(λ)에 따라 도식화한 후보 변수들의 계수 프로파일로, 정규화 강도가 증가함에 따라 변수 계수가 변화하는 양상을 보여줌. 약어: LASSO = least absolute shrinkage and selection operator; λ = 정규화 매개변수; MSE = 평균 제곱 오차. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

그림 5: 선택된 변수의 계수.LASSO 선택 후 유지된 변수의 계수를 나타내는 막대 그래프이다. 양의 계수는 정적 상관관계를, 음의 계수는 부적 상관관계를 나타낸다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

그림 6: 5가지 ML 모델의 훈련 및 테스트 정확도.훈련 세트와 테스트 세트에서의 5가지 ML 모델(Naive Bayes, SVM, KNN, LightGBM, MLP)의 정확도. 약어: SVM = support vector machine; KNN = k-nearest neighbor; LightGBM = light gradient boosting machine; MLP = multilayer perceptron. 이 그림의 더 큰 버전을 보시려면 여기를 클릭하십시오.

그림 7: Naive Bayes 모델의 ROC 곡선.훈련 및 내부 테스트 코호트에 대한 수신자 조작 특성 곡선과 그에 해당하는 곡선 아래 면적 값. 약어: ROC = receiver operating characteristic; AUC = area under the curve. 이 그림의 더 큰 버전을 보시려면 여기를 클릭하십시오.

그림 8: 결정 곡선 분석. 모든 환자 치료 및 치료하지 않음 전략과 비교하여 임계 확률에 따른 서로 다른 모델의 순 이득을 보여주는 DCA. 음영 처리된 영역은 모델이 모든 환자 치료 및 치료하지 않음 전략 모두에 비해 양의 순 이득을 달성한 임계 확률 범위를 나타냅니다. 약어: DCA = 결정 곡선 분석. 이 그림의 확대 버전을 보시려면 여기를 클릭하십시오.

보충 그림 1: 내부 테스트 코호트에서의 Naive Bayes 모델 혼동 행렬. 이 행렬은 선택된 분류 임계값에서 정확하게 분류된 샘플과 잘못 분류된 샘플의 수를 나타냅니다.이 파일을 다운로드하려면 여기를 클릭하십시오.

보충 그림 2: 내부 테스트 코호트에서 SVM 모델의 혼동 행렬.이 행렬은 선택된 분류 임계값에서 정확하게 분류된 샘플과 잘못 분류된 샘플의 수를 보여줍니다.이 파일을 다운로드하려면 여기를 클릭하십시오.

보충 그림 3: 내부 테스트 코호트에서 KNN 모델의 혼동 행렬.이 행렬은 선택된 분류 임계값에서 정확하게 분류된 샘플과 잘못 분류된 샘플의 수를 나타냅니다.이 파일을 다운로드하려면 여기를 클릭하십시오.

보충 그림 4: 내부 테스트 코호트에서 LightGBM 모델의 혼동 행렬.선택된 분류 임계값에서 올바르게 분류된 샘플과 잘못 분류된 샘플의 수를 나타내는 행렬입니다.이 파일을 다운로드하려면 여기를 클릭하십시오.

부록 그림 5: 내부 테스트 코호트에서의 MLP 모델 혼동 행렬. 이 행렬은 선택된 분류 임계값에서 정확하게 분류된 샘플과 잘못 분류된 샘플의 수를 나타냅니다.이 파일을 다운로드하려면 여기를 클릭하십시오.

특성	CIE ( n = 12 )	Non-CIE ( n = 149 )	p 값
인구통계학적 특성
연령 (years), 중앙값 (IQR)	67 (62.5–69.0 )	63 ( 55.0–70.0 )	0.194
남성, n (%)	9 (75.0)	105 (70.5)	1.000
체중 (kg), 중앙값 (IQR)	65 (55.0–70.0)	70 (60.0–77.5)	0.160
동반 질환, n (%)
고혈압	7 (58.3)	102 (68.5)	0.526
당뇨병	4 (33.0)	57 (38.3)	1.000
관상동맥성 심장질환	2 (16.7)	23 (15.4)	1.000
생활 습관, n (%)
음주	7 (58.3)	78 (52.3)	0.770
흡연 여부	7 (58.3)	59 (39.6)	0.233
검사 수치, 중앙값 (IQR)
혈청 크레아티닌 (μmol/L)	85.2 (65.0–89.0)	65.3 (54.9–75.7)	0.004
eGFR (mL/min/1.73m²)	81.0 (60.6–90.3)	102.7 (89.0–116.3)	<0.001
총 콜레스테롤 (mmol/L)	3.3 (3.0–4.4)	3.4 (2.9–4.1)	0.775
중성지방 (mmol/L)	1.8 (1.2–2.1)	1.2 (0.8–1.6)	0.017
시술 특성
시술 유형, n ( % )			<0.001
- 스텐트 혈관성형술	7 (58.3)	146(98.0)
- 색전술	5 (41.7)	3 (2.0)
병변 위치, n (%)			<0.001
- 후방 순환계	7 (58.3)	9 (6.0)
- 전방 순환계	5 (41.7)	140 (94.0)
조영제 유형, n (%)			0.982
- 2세대	6 (50.0)	75 (50.3)
- 3세대	6(50.0)	74 (49.7)
총 조영제 양 (mL), 중앙값 (IQR)	200 (188.0–200.0)	165 (155.0–180.0)	0.005
시술 시간 (min), 중앙값 (IQR)	78.5 (52.5–124.5)	50 (47.0–57.0)	0.008
새로운 지표
CGR, 중앙값 (IQR)	2.35 (2.17–2.70)	1.63 (1.40–1.85)	<0.001

표 1: 환자의 기저 임상 특성. CIE 그룹과 non-CIE 그룹 간의 환자 인구통계학적, 임상적, 실험실 및 시술 관련 특성을 비교하였다. 연속형 변수는 평균 ± 표준편차 또는 중앙값(사분위 범위)으로 표시하였으며, 범주형 변수는 빈도와 백분율로 표시하였다. 그룹 간 통계적 비교는 적절한 모수적 또는 비모수적 검정을 사용하여 수행하였다. 약어: CIE = 조영제 유발 뇌병증; eGFR = 추정 사구체 여과율; CGR = 조영제 양 대비 eGFR 비율; IQR = 사분위 범위; SD = 표준편차.

모델  이름	정확도	AUC	95% CI	민감도	특이도	데이터셋
Naive Bayes	0.875	0.961	0.924–0.998	1.0	0.864	훈련용
Naive Bayes	0.909	0.952	0.843–1.000	1.0	0.903	테스트용
SVM	0.992	0.999	0.997–1.000	1.0	0.992	훈련용
SVM	0.879	0.935	0.796–1.000	1.0	0.871	테스트용
KNN	0.891	0.969	0.941–0.997	1.0	0.881	훈련용
KNN	0.939	0.718	0.194–1.000	0.5	0.968	테스트용
LightGBM	0.969	0.988	0.973–1.000	1.0	0.966	훈련용
LightGBM	0.848	0.944	0.822–1.000	1.0	0.839	테스트용
MLP	0.914	0.961	0.908–1.000	0.9	0.915	훈련용
MLP	0.970	0.742	0.228–1.000	0.5	1.000	테스트용

표 2: 모델 성능 비교. 훈련 및 내부 테스트 데이터셋에서 정확도, 곡선 아래 면적(AUC), 95% 신뢰 구간(CI), 민감도 및 특이도를 사용하여 서로 다른 ML 모델의 예측 성능을 평가하였습니다. 약어: CI = 신뢰 구간.

보충 표 1: 모델 개발 전 결측 데이터 평가 요약. 모델 개발 전 모든 후보 예측 변수에 대한 결측값 요약. 포함된 변수 중 결측값이 관찰되지 않았으며, 따라서 대체 처리 절차는 수행하지 않았다.이 파일을 다운로드하려면 여기를 클릭하십시오.

보충 표 2: 분석 데이터 세트의 변수 사전. ML 분석에 포함된 임상, 실험실 및 절차 관련 변수의 정의, 코딩 방법, 변수 범주 및 설명.이 파일을 다운로드하려면 여기를 클릭하십시오.

보충 표 3: ML 모델의 하이퍼파라미터 탐색 공간 및 선택된 파라미터.각 ML 알고리즘의 모델 튜닝 과정에서 얻은 후보 하이퍼파라미터 범위와 최적화된 파라미터를 요약하였습니다.이 파일을 다운로드하려면 여기를 클릭하십시오.

보충 표 4: CGR 및 개별 구성 요소의 비교 ROC 분석.CIE 예측을 위한 CGR과 개별 구성 요소의 예측 성능을 비교하기 위해 수신자 조작 특성(ROC) 분석을 수행하였습니다.여기에서 파일을 다운로드하십시오.

보충 표 5: LASSO 계수 기반의 정량적 특성 순위. LASSO 회귀 분석 후 계수 값에 따라 선택된 변수들의 순위를 매겨, 예측 모델에서 각 변수의 상대적 기여도와 연관성 방향을 나타냈습니다.이 파일을 다운로드하려면 여기를 클릭하십시오.

보충 표 6: 훈련 코호트에서 결정된 Youden 임계값 및 그에 따른 분류 성능 지표. 각 모델의 최적 임계값은 Youden 지수를 사용하여 훈련 코호트에서만 결정되었으며, 이후 고정되어 내부 테스트 코호트에 적용되었습니다. 내부 테스트 코호트의 정확도, 민감도 및 특이도는 이 고정된 임계값을 사용하여 계산되었습니다.이 파일을 다운로드하려면 여기를 클릭하십시오.

토론

CIE는 신경중재시술 후 발생하는 드물지만 잠재적으로 심각한 합병증으로, 조영제 노출 직후에 나타나는 급성 신경학적 기능 장애를 특징으로 합니다. 이 상태는 일반적으로 가역적이지만, 일부 사례에서는 지속적인 신경학적 결손이나 심지어 생명을 위협하는 결과로 이어질 수 있어 조기 위험 식별의 중요성이 강조됩니다^17,18,19,20. 그러나 CIE의 근저에 있는 병태생리학적 메커니즘은 복잡하고 다요인적이며, 환자별 요인, 조영제 특성 및 시술 특성 간의 상호작용이 관여합니다^{9,10,21,22,23,24}. 이러한 복잡성으로 인해 단일 임상 변수나 경험적 판단만으로는 정확한 수술 전후 위험 평가를 수행하는 것이 매우 어렵습니다.

본 연구에서는 뇌혈관 중재술을 받는 환자의 CIE 위험도를 예측하기 위해 5가지 ML 모델을 구축하고 평가하였습니다. 기술적 성능 비교 결과, Naive Bayes 모델이 본 연구에서 가장 균형 잡힌 기술적 성능을 보이는 모델로 확인되었습니다. 모델의 판별 능력 측면에서 Naive Bayes 모델은 내부 테스트 코호트에서 가장 높은 수치적 AUC(AUC = 0.952; 95% CI: 0.843–1.000)를 나타냈으며, 이는 LightGBM(AUC = 0.944; 95% CI: 0.822–1.000), SVM(AUC = 0.935; 95% CI: 0.796–1.000), MLP(AUC = 0.742; 95% CI: 0.228–1.000), KNN 알고리즘(AUC = 0.718, 95% CI: 0.195–1.000)과 비교한 결과입니다. 모델 AUC 간의 정식 쌍별 통계적 비교가 수행되지 않았으므로, 이러한 차이는 모델의 우월성에 대한 확정적 증거라기보다 기술적인 결과로 해석해야 합니다. KNN과 MLP는 훈련 세트에서 우수한 성능(AUC 각각 0.969 및 0.961)을 보였으나, 테스트 세트에서는 성능이 상당히 저하되어 과적합의 가능성을 시사했습니다²⁵. 반면, Naive Bayes 모델은 훈련 코호트와 내부 테스트 코호트 간에 유사한 기술적 AUC 값(AUC 차이 = 0.009)을 유지하여, 이 데이터셋에서 상대적으로 안정적인 기술적 성능을 보였습니다. 다만, 내부 테스트 코호트에 포함된 환자가 33명에 불과하고 CIE 이벤트 수가 매우 제한적이었으므로, 이러한 외견상의 안정성은 신중하게 해석되어야 합니다.

실무적인 관점에서, Naive Bayes의 상대적으로 단순한 확률적 구조는 특히 결과 이벤트 수가 제한적인 소규모 표본의 임상 데이터셋에 적합할 수 있습니다. 본 연구에서 Naive Bayes 모델은 훈련 코호트와 내부 테스트 코호트 간에 상대적으로 균형 잡힌 기술적 성능을 보여주었습니다. 하지만 내부 테스트 코호트의 규모가 작고 CIE 이벤트가 매우 적었기 때문에, 이러한 외견상의 안정성은 주의 깊게 해석되어야 하며 외부 검증이 필요합니다. 본 데이터셋에서 Naive Bayes 모델의 상대적으로 유리한 기술적 성능은 특성 독립성 가정하에 소규모 표본 설정에 적합한 단순한 확률적 구조와 관련이 있을 수 있습니다^14,15. 반면, MLP 및 LightGBM과 같은 더 복잡한 모델은 제한된 표본 조건에서 과적합(overfitting)이 발생하기 쉬워 일반화 능력이 저하됩니다. 이러한 결과는 신경중재술과 같이 고위험의 임상 중심 연구 분야에서는 모델 선택 시 복잡한 알고리즘이나 단일 성능 지표의 절대적인 우월성을 맹목적으로 추구하기보다 안정성, 재현성 및 임상적 타당성에 더 큰 비중을 두어야 함을 시사합니다. DCA 결과, Naive Bayes 모델이 선택된 임계 확률 범위에서 순 이익(net benefit)을 제공할 수 있음을 시사했으나, 이 발견은 탐색적 단계이며 외부 검증이 필요합니다. 또한, 단순한 구조, 효율적인 계산 및 해석 가능성 덕분에 향후 탐색적 수술 전후 위험 층화 모델로서의 평가가 가능할 수 있으나, 실제 임상 적용 전에는 외부 검증이 필수적입니다. 임상적 관점에서 본 연구의 CIE 발생률은 7.5%로, 이전 보고서에서 일반적으로 기록된 2%–5%보다 높았습니다⁷. 이러한 차이는 주로 연구 대상군의 매우 선택적인 특성에 기인합니다. 본 코호트는 뇌동맥류 색전술과 같은 복잡한 신경중재술을 받은 뇌혈관 질환 환자들에게 집중되었습니다. 초선택적 혈관조영술 및 국소 고농도 정체와 같은 이러한 시술과 관련된 조영제 투여 패턴의 독특한 차이와 더불어 더 긴 시술 시간은 모두 CIE의 공인된 위험 요인입니다^9,10,26. 또한, 환자들의 더 높은 기저 위험도가 전체 발생률을 더욱 높였습니다. 연구 결과는 후방 순환계 병변과 색전술 시술이 CIE의 강력한 예측 인자임을 강조합니다. 해부학적으로 후방 순환계(추골-기저동맥 시스템)는 뇌줄기, 소뇌 및 후두엽에 혈액을 공급합니다. 후두엽은 조영제 독성에 대해 매우 높은 민감도를 보이며, 이는 CIE 환자들이 흔히 피질맹(cortical blindness) 증상을 보이는 이유를 설명합니다. 아울러, 추골-기저동맥 시스템의 혈역학적 특성은 전방 순환계와 다르며, 이는 본 코호트에서 후방 순환계 병변과 CIE 사이에 관찰된 연관성을 일부 설명할 수 있습니다.

색전술 시술은 일반적으로 단순 혈관 성형술보다 더 까다로우며, 코일의 위치와 혈전 폐쇄 범위를 확인하기 위해 빈번한 초선택적 혈관 조영술이 필요합니다. 이로 인해 일반적인 시술에 비해 단위 시간당 국소 혈관층에 노출되는 조영제 최대 농도가 훨씬 더 높게 나타납니다. 이러한 강렬하고 국소적인 조영제 노출은 BBB 손상을 유발하는 생물학적 요인이 될 가능성이 있으나, 본 후향적 연구에서는 이 메커니즘을 직접적으로 검증할 수는 없었습니다. 기저 특성 분석 결과와 일치하게, CIE 군의 환자들은 비CIE 군에 비해 색전술 치료 비율이 유의하게 높았으며 후방 순환계 병변의 비율이 더 컸으며, 이는 수술의 복잡성과 병변의 해부학적 위치가 CIE 발생과 관련이 있을 수 있음을 시사합니다. 또한, CIE 군에서 나타난 더 긴 시술 시간과 더 많은 총 조영제 사용량은 수술 관련 스트레스 요인이 CIE 발생 위험에 미치는 누적 영향을 더욱 뒷받침합니다.

모델의 임상적 해석 가능성을 높이기 위해, 본 연구에서는 CGR을 탐색적 복합 지표로 평가하였습니다. CIE 발생 위험은 뇌혈관으로 유입되는 조영제의 절대 용량뿐만 아니라, 전신 순환계에서 조영제가 제거되는 속도와도 밀접한 관련이 있습니다. CGR은 총 조영제 용량과 eGFR을 하나의 복합 지표로 통합하여 신장 제거 능력 대비 조영제 부담을 반영합니다. 이러한 설계 방식은 조영제 용량 대비 eGFR 비율²⁷과 같이 조영제 유발 신병증(CIN)을 예측하는 데 사용되는 잘 확립된 비율 기반 패러다임을 활용한 것이며, 질병의 기저 병태생리학적 상태를 밝히는 것을 목표로 하는 호중구-림프구 비율(NLR)²⁸ 및 트리글리세라이드-포도당 지수(TyG)²⁹와 같은 포괄적 바이오마커 구축의 최신 전략과 일치합니다. 요오드성 조영제는 주로 원래 형태 그대로 신장을 통해 배설됩니다. 신장 제거 기능이 저하되면 요오드성 조영제에 대한 전신 노출이 연장될 수 있으며, 이는 내피세포의 조영제 노출을 증가시킬 수 있습니다. 신경중재 시술 중에는 조영제가 내경동맥이나 척추동맥을 통해 고농도로 뇌 순환계에 직접 주입되는 경우가 많으며, 이때 국소적으로 발생하는 극심한 삼투압 기울기가 BBB의 무결성을 손상시킬 수 있습니다³⁰. 이 시점에서 전신 제거 기능이 손상되었다면, 혈류 내에 축적된 조영제가 BBB 전반에 걸쳐 농도 기울기를 계속 유지함으로써 조영제가 뇌 간질 공간으로 확산되는 것을 촉진할 수 있습니다. 또한, CGR은 조영제 부담과 신장 제거 기능을 통합하는 임상적으로 직관적인 방법을 제공할 수 있으나, 조영제 용량이나 eGFR 단독 지표 대비 추가적인 예측 가치에 대해서는 추가 검증이 필요합니다. 따라서 CGR은 수술 전후 CIE 위험 층화를 위한 탐색적 지표로 활용될 수 있습니다.

본 연구 결과, 조영제의 종류(2세대 저삼투압 조영제 대 3세대 등삼투압 조영제)는 CIE에 대해 유의미한 독립적 예측 가치를 가지지 않는 것으로 나타났습니다(p = 0.982). 이러한 결과는 일부 이전 보고들과 완전히 일치하지는 않습니다. 한 가지 가능한 설명은 삼투압 외에도 화학적 독성이나 점성과 같은 요인들이 조영제 신경독성에 기여할 수 있다는 점이며, 다만 이러한 해석은 추측 단계에 머물러 있어 추가적인 기전적 검증이 필요합니다. 이러한 해석은 이전의 임상 및 기전 연구들에 의해 뒷받침됩니다^31,32. 또한, 실제 임상 현장에서 시술자가 고위험 환자에게 3세대 등삼투압 조영제를 우선적으로 선택했을 수 있으며, 이로 인해 발생한 적응증 관련 교란 편향이 다양한 조영제 유형 간의 잠재적인 차이를 가렸을 가능성이 있습니다.

이 워크플로를 성공적으로 적용하기 위해 몇 가지 중요한 프로토콜 단계를 강조해야 합니다. 첫째, 정확하지 않은 CIE 분류는 모델 학습 및 평가에 직접적인 영향을 미치므로 엄격한 결과 판정이 필수적입니다. CIE 의심 사례는 조영제 노출과 증상 발현 사이의 시간적 관계, 신경학적 징후, 수술 후 영상 소견 및 다른 진단 가능성의 배제를 통해 평가해야 합니다. 둘째, 총 조영제 양과 eGFR의 정확한 추출 및 검증이 중요한데, 이는 이 두 변수가 CGR 계산을 결정하기 때문입니다. 셋째, 총 조영제 양과 eGFR을 모두 확인한 후 모든 환자에게 동일한 규칙을 적용하여 CGR을 계산해야 합니다. 넷째, 데이터 누수를 방지하기 위해 특성 선택, 결측값 대체 파라미터 추정, 하이퍼파라미터 튜닝 및 모델 학습은 반드시 학습 코호트 내에서만 수행되어야 합니다. 마지막으로, CIE는 흔치 않으며 이벤트 수가 제한적이므로, 모델 성능은 신중하게 해석해야 하며 임상 적용 전에 외부 검증을 거쳐야 합니다³³.

이 워크플로우를 다른 환경에 적용할 때는 몇 가지 방법론적 수정과 문제 해결 전략을 함께 고려해야 합니다. 결측 데이터의 비율이 높은 경우, 연구자는 먼저 결측의 무작위성 여부를 판단해야 하며, 결측치가 과도한 변수는 대치(imputation)하지 않도록 주의해야 합니다. CIE 발생 건수가 매우 적은 경우에는 모델의 복잡도를 낮추어야 하며, 과적합(overfitting)을 줄이기 위해 더 단순하거나 패널티가 적용된 모델을 사용하는 것이 바람직할 수 있습니다. 이 워크플로우를 다른 센터에 적용할 경우, 모델 학습 전에 변수 정의, 코딩 규칙, eGFR 계산 방법, 조영제 투여량 기록 관행 및 영상 판독 기준을 표준화해야 합니다. 내부 또는 외부 검증 과정에서 모델 성능이 저하된다면, 클래스 불균형, 데이터 누수, 일관되지 않은 전처리, 불안정한 특성 선택 및 환자 케이스 믹스의 차이와 같은 잠재적 원인을 조사해야 합니다. CIE 진단이 불확실한 사례의 경우, 모델 개발 전에 여러 명의 숙련된 임상의에 의한 판정 및 대체 진단의 신중한 배제를 권장합니다.

본 연구에는 다음과 같은 한계점이 있습니다. 첫째, 본 연구는 제한된 수의 CIE 사례를 대상으로 한 단일 센터 후향적 설계를 채택하였습니다. 포함된 161명의 환자 중 단 12건의 CIE 사례만 발생하였으며, 내부 테스트 코호트에는 매우 적은 수의 CIE 사례를 포함한 33명의 환자만이 포함되었습니다. 따라서 AUC, 민감도 및 특이도와 같은 성능 지표가 불안정할 수 있으며, 단 한두 건의 사례 분류 결과에 매우 민감하게 반응할 수 있습니다. 향후 모델의 신뢰성을 더욱 확인하기 위해 다기관, 대규모 표본 전향적 연구를 통한 외부 검증이 필요할 것입니다. 둘째, 본 연구에서 개발된 모델은 주로 수술 전후에 수집된 일상적인 임상 변수를 기반으로 합니다. 향후에는 수술 중 조영제 역학 파라미터, 수술 후 조기 영상 특징 및 혈청 특이적 바이오마커를 추가로 통합하여 더욱 역동적이고 포괄적인 CIE 위험 예측 시스템을 구축할 수 있을 것입니다. 셋째, 낮은 CIE 발생률(7.5%)로 인해 CIE 사례 12건과 비-CIE 사례 149건이라는 뚜렷한 클래스 불균형이 발생하였습니다. 이러한 불균형은 모델 성능 지표의 신뢰도를 낮출 수 있습니다. 비-CIE 클래스가 데이터셋의 대부분을 차지할 경우 정확도가 모델 성능을 과대평가할 수 있으며, 민감도, 특이도, 양성 예측도 및 음성 예측도는 매우 적은 수의 CIE 사례의 영향을 받으므로 불안정할 수 있습니다. 따라서 제안된 모델은 현재로서는 확정적인 임상 의사결정 도구라기보다 탐색적 위험 계층화 프레임워크로 간주되어야 합니다. 본 연구에서는 CIE 사례 수가 매우 제한적이었기 때문에 추가적인 반복 교차 검증이나 리샘플링 기반 검증을 수행하지 않았으며, 이러한 분석 역시 뚜렷한 클래스 불균형 하에서는 여전히 불안정한 추정치를 산출할 수 있습니다. 임상 적용 전에는 다기관 외부 검증 및 전향적 평가가 필요합니다.

요약하자면, 본 연구는 여러 ML 모델을 체계적으로 비교하였으며, 현재 데이터셋에서 CIE 예측을 위한 가장 균형 잡힌 기술적 성능을 보인 모델은 Naive Bayes 모델임을 확인하였습니다. 이 모델은 수술 전후 위험 성층화에 대한 예비적 근거를 제공할 수 있으나, 임상적 유용성에 대해서는 추가적인 검증이 필요합니다. 또한, 본 연구에서는 "조영제 부하와 신장 배설" 사이의 불균형을 정량화하는 탐색적 복합 지표로서 CGR을 평가하였습니다. CGR은 모델 내에서 가장 영향력 있는 예측 인자 중 하나로 나타났으며, 개별화된 수술 전후 위험 평가에 유용한 정보를 제공할 수 있습니다. 이러한 발견은 신경중재 시술을 받는 고위험 환자를 식별하기 위한 가설 생성에 도움이 될 수 있으나, 더 큰 표본을 이용한 연구와 외부 검증이 필요합니다. 향후 더 큰 표본과 외부 검증을 통한 연구를 통해 다중 모달 예측 모델이 CIE 위험 성층화를 개선하고, 이 합병증의 보다 정밀한 예방 및 관리를 지원할 수 있는지 결정해야 합니다.

재료

이 논문에 사용된 재료 목록

이름	회사	카탈로그 번호	댓글
전자 의료 기록 시스템	Northern Theater General Hospital	기관 임상 시스템	회고적 데이터 추출에 사용 인구통계학적 및 임상 병력 변수 수집
실험실 정보 시스템	Northern Theater General Hospital	기관 실험실 시스템	회고적 실험실 데이터 추출에 사용 혈청 크레아티닌, eGFR, 지질 프로필 및 기타 실험실 데이터 수집
디지털 감영 혈관 조영 시스템	Philips	Allura Xper FD 20 (Interventional Workstation R1.3.2 포함)	일상적인 임상 절차 중에 사용 신경중재 시술 및 조영제 사용 기록
CT 스캐너	Philips	Ingenuity CT	수술 후 영상 평가에 사용 수술 후 두개골 CT 평가
OnekeyAI 구조화 데이터 분석 플랫폼	OnekeyAI	20240916	연구 도구로 사용; 임상적 의사 결정에는 관여하지 않음 구조화 데이터 전처리, 모델 구축, 모델 평가 및 도표 생성
Python	Python Software Foundation	3.7.12	오픈 소스 프로그래밍 언어 데이터 전처리, 통계 분석, 모델 개발 및 시각화
scikit-learn	scikit-learn 개발자	1.0.2	오픈 소스 Python 머신러닝 라이브러리 LASSO, Naive Bayes, SVM, KNN, MLP, ROC 분석 및 성능 지표