신장 질환의 AI 발전: 망막 영상, 입원 위험, 루푸스 신염

인공지능(AI)이 신장 질환 치료 전반에 점점 더 많이 적용되고 있다. 새로운 연구들은 AI가 망막 영상에서 당뇨병성 신장 질환을 예측하고, 혈액투석 환자에게 임박한 입원 위험을 알리며, 루푸스 신염의 진단과 치료를 발전시킬 수 있음을 보여준다. 이러한 연구 결과는 의료 학회에서 발표되고 동료 검토 저널에 게재되었다.

2026년 5월 3~7일 콜로라도주 덴버에서 열린 시각 및 안과 연구 협회(ARVO) 연례 회의에서 발표된 연구 결과에 따르면, 망막 영상 기반 딥러닝 시스템(DeepDKD Plus)은 전통적인 임상 모델보다 우수한 성능으로 당뇨병성 신장 질환(DKD)의 발생과 진행을 모두 정확하게 예측한다. 이 후향적 다기관 연구는 DeepDKD Plus가 두 가지 작업을 수행하도록 개발했다: 신장 기능이 보존된 개인에서 5년 DKD 발생률(추정 사구체 여과율(eGFR)이 60 mL/min/1.73 m² 미만으로 감소하거나 ACR이 30 mg/g 초과로 정의)을 예측하고, 기존 신장 질환이 있는 환자에서 5년 DKD 진행(≥40% eGFR 감소 또는 신부전으로 정의)을 예측하는 것이다.

이 모델은 중국인 당뇨병 환자 5,558명의 망막 영상 11,116장으로 훈련되었으며, 이후 중국, 멕시코, 영국의 다민족 코호트 5개(n=13,935)를 대상으로 내부 검증과 외부 검증을 거쳤다. 5년 DKD 발생 예측에서 DeepDKD Plus는 내부 테스트에서 곡선하면적(AUC) 0.814(95% CI, 0.789–0.838)로 강력한 판별력을 보여 AUC 0.760(95% CI, 0.733–0.786; P<.001)에 그친 임상 메타데이터 모델의 성능을 능가했다. 망막 영상을 임상 변수와 결합하면 성능은 AUC 0.828(95% CI, 0.804-0.850)로 더욱 향상되었다. 외부 코호트에서 딥러닝 모델은 일관된 정확도를 유지했으며, AUC는 0.722~0.797 범위로 메타데이터 기반 접근법의 0.676~0.735와 비교되었다. 5년 DKD 진행 예측에서 DeepDKD Plus는 내부 AUC 0.762(95% CI, 0.732–0.788)를 달성해 메타데이터 모델(AUC 0.712; 95% CI, 0.684–0.743; P<.001)을 다시 능가했고, 결합 모델은 AUC 0.797(95% CI, 0.772–0.820)에 도달했다. 외부 검증 결과도 유사하여 DeepDKD Plus는 AUC 0.726~0.772, 임상 모델 단독은 0.656~0.731을 보였다.

또 다른 발전으로, AI 기반 머신러닝 모델은 혈액투석 환자 중 7일 이내에 감염 또는 체액 상태 관련 이상으로 입원할 위험이 있는 환자를 식별할 수 있다. 대형 투석 기관에서는 2개의 임박 입원 예측 모델(IHPM) – 체액 과부하용 1개, 감염용 1개 – 을 사용하여 센터 내 혈액투석 세션 후 입원할 가능성이 있는 환자를 식별했다. 이 모델들은 투석 전자 의무 기록과 청구 데이터를 통합했으며, 각각 위험 점수(범위: 0-1)를 생성했고, 위험 점수 0.64 이상은 즉각적인 입원을 예측하는 기준으로 삼았다. 점수가 높은 환자의 경우 사례 관리 간호사가 대시보드에 표시된 점수의 상위 5가지 이유를 임상 데이터와 함께 검토했다. 평가에 따라 간호사는 체액 관리(예: 건조 체중 재평가, 투석 연장 또는 추가), 약물 검토(예: 항생제 또는 이뇨제와 같은 치료의 시작, 중단 또는 조정), 전문의 의뢰, 진료소 치료 알고리즘 시행(예: 빈혈 관리, 영양 보충, 혈관 접근 모니터링), 기타 지지 치료(예: 지역 사회 자원, 교통, 가정 건강, 행동 건강 또는 이식 평가 의뢰) 등의 중재를 마련할 수 있었다. 연구자들은 10,294명의 환자로부터 83,928개의 위험 점수를 수집하여 분석했다. AI 주도 중재로 입원 확률이 유의하게 8% 감소했으며(OR 0.92; P=.025), 원격 간호 관리로는 7%, 진료소 관리로는 9% 감소했다. 이 연구 결과는 NEJM Catalyst에 보고되었다.

AI는 루푸스 신염(LN)에서도 유망한 가능성을 보여준다. AI 및 머신러닝 기술 적용에 초점을 맞춘 LN 진단 및 치료의 최신 발전에 대한 종합적인 리뷰가 The Lancet에 게재되었다. 신장 생검은 진단의 표준으로 간주되지만, 이 시술의 침습적 특성 때문에 적절한 후보자만 고려해야 한다. 인간의 한계에서 비롯된 관찰자 간 변이는 우려 사항이며, 신장 생검 분석의 디지털화는 판독의 정확성을 높일 수 있다. AI와 ML을 결합하면 하위 그룹 진단의 세부 사항을 식별하여 치료 경로의 개인화를 강화할 수 있다. 연구자들은 이진 러프 슈퍼볼륨과 그룹 지능형 샘플링을 결합한 새로운 구형 진화 알고리즘(bRGSE)을 언급했는데, 이는 증식성 LN과 막성 LN을 구별하는 데 있어 96.687%의 정확도와 97.833%의 민감도를 달성했다.

이 리뷰는 B세포와 형질세포, T세포, 사이토카인, 보체 캐스케이드를 표적으로 하는 생물학적 제제를 포함한 LN의 표적 생물학적 치료법도 다루었다. 치료 결정은 유전체학, 전사체학, 단백질체학, 대사체학 등 여러 생물학적 수준의 정보를 통합하는 멀티오믹스 데이터의 AI 기반 분석을 통해 정보를 얻을 수 있다. 상당한 관심을 받고 있는 두 가지 주제는 표적 단백질 분해와 약물유전체학이다. LN 치료에서 약물유전체학은 유전적 다형성이 약물 대사, 효능 및 부작용 발현에 어떻게 영향을 미치는지 이해하는 데 적용될 것이다. 연구자들은 AI와 ML을 LN 치료에 적용함으로써 언젠가 달성될 수 있는 정밀 의학이 큰 가능성을 지니고 있다고 결론지었다.

더 넓게 보면, 신장학에서의 인공지능은 다양한 모델링 접근법에 걸쳐 있다고 International Journal of Molecular Sciences에 게재된 최신 리뷰가 밝혔다. 검사 결과, 나이, 임상 매개변수와 같은 표 형태로 기록된 의료 데이터의 경우 로지스틱 회귀, 랜덤 포레스트, XGBoost와 같은 모델이 매우 잘 작동한다. 다층 퍼셉트론과 같은 중간 솔루션은 고전적 모델의 장점과 더 복잡한 방법의 장점을 결합한다. 가장 발전된 모델인 심층 신경망은 의료 영상 분석과 같이 데이터가 더 복잡할 때 사용되며, 배열과 무관하게 구조와 패턴을 인식할 수 있는데, 이는 조직병리학적 진단에서 특히 중요하다. 가장 혁신적인 방향은 인공지능을 단백질체학이나 대사체학과 같은 현대 생물학적 분석과 결합하는 것으로, 증상이 나타나거나 표준 검사에서 변화가 보이기 전에 질병의 매우 초기 징후를 감지할 수 있게 한다. 브로츠와프 의과대학의 한 교수가 강조했듯이, “이 방법들의 가장 큰 잠재력은 방대한 생물학적 데이터 세트를 분석하고 고전적 진단에서는 보이지 않는 패턴을 식별하는 능력에 있다. 실제로 이는 되돌릴 수 없는 신장 손상이 발생하기 전에 질병을 더 일찍 감지하고 경과를 더 잘 예측할 수 있는 가능성을 의미한다.”