AI 도구, 증상 나타나기 수개월 전 생명을 위협하는 이식 합병증 예측
연구진은 줄기세포 및 골수 이식 환자에서 이식 후 90~100일에 수집한 혈액 바이오마커와 임상 데이터를 분석해 만성 GVHD와 이식 관련 사망 위험을 예측하는 AI 기반 도구 BIOPREVENT를 개발했다. 이 도구는 환자를 저·고위험군으로 구분하고 최대 18개월까지의 예후 차이를 보여, 보다 이른 모니터링과 맞춤형 위험 평가에 활용될 수 있다.
강력한 인공지능(AI) 도구가 줄기세포 및 골수 이식 후 생명을 위협할 수 있는 합병증을 임상의가 더 일찍 식별하는 데 도움을 줄 수 있다는 연구 결과가 MUSC Hollings Cancer Center에서 발표됐다. Journal of Clinical Investigation에 게재된 이번 연구는 면역 바이오마커, 임상 데이터, 머신러닝을 결합해 실제 진료 현장에서 활용 가능한 위험 예측 도구를 제시한다.
많은 환자에게 줄기세포 또는 골수 이식은 생명을 구하는 치료다. 그러나 회복은 퇴원으로 끝나지 않는다. 일부 환자에서는 수개월 후, 종종 아무런 경고 없이 심각한 합병증이 나타날 수 있다.
그중 가장 까다로운 합병증 중 하나가 만성 이식편대숙주병(chronic graft-versus-host disease, GVHD)이다. 이는 이식으로 들어온 면역세포가 환자의 건강한 조직을 공격하는 상태로, 피부, 눈, 구강, 관절, 폐 등 여러 장기에 영향을 미쳐 장기적인 장애를 유발하거나 사망에 이를 수 있다.
Hollings의 Cancer Biology and Immunology Research Program 공동 책임자인 Sophie Paczesny, M.D., Ph.D.가 이끄는 연구진은, 위스콘신 의과대학(Medical College of Wisconsin)의 Center for International Blood and Marrow Transplant Research 소속 Michael Martens, Ph.D., Brent Logan, Ph.D.와 함께, 증상이 나타나기 전 만성 GVHD 고위험 환자를 식별해 더 이른 모니터링으로 이어질 수 있는 AI 기반 도구를 개발했다.
연구팀은 면역 관련 단백질과 검증된 임상 정보를 머신러닝에 적용해, BIOPREVENT라는 도구를 개발했으며, 이를 통해 환자의 향후 만성 GVHD 발생 위험과 이식 관련 원인으로 인한 사망 위험을 추정할 수 있다.
이식 치료가 크게 발전했음에도 만성 GVHD는 여전히 이식 후 질병과 사망의 주요 원인 중 하나다. 그러나 이 질환은 증상이 나타날 때 시작되는 것이 아니라, 이를 유발하는 생물학적 변화가 훨씬 이전부터 시작된다.
특히 이식 후 첫 몇 개월은 매우 중요하다. 환자가 겉으로는 괜찮다고 느낄 수 있지만, 보이지 않는 곳에서 면역 활성은 이미 합병증의 기반을 만들고 있을 수 있다. 만성 GVHD가 진단될 때쯤이면 질병 과정은 이미 수개월 동안 진행되면서 조용히 신체에 손상을 주는 경우가 많다.
연구진은 4개의 대규모 다기관 연구에 참여한 1,310명의 줄기세포 및 골수 이식 수혜자 데이터를 분석했다. 이식 후 90~100일에 채혈한 혈액 검체에서 염증, 면역 활성 및 조절, 조직 손상 및 재형성(remodeling)과 관련된 7가지 면역 단백질을 측정했다. BIOPREVENT에 사용된 면역 바이오마커는 Paczesny가 주도한 이전 연구에서 규명되고 검증된 것이다.
이 바이오마커는 환자 연령, 이식 유형, 기저 질환, 과거 합병증 등을 포함한 9가지 임상 요인과 결합됐으며, 이식 레지스트리(registry)에서 추출됐다. 미국에서는 이식 센터가 이식에 특화된 상세 데이터를 Center for International Blood and Marrow Transplant Research에 제출해야 하며, 임상시험 환자의 경우 추가 검토가 이뤄진다. Paczesny에 따르면, 이러한 표준화된 정보는 모델이 일관되고 고품질의 임상 데이터에 기반해 구축되도록 하는 데 도움이 됐다.
연구팀은 전통적인 통계 방법보다 환자 예후를 더 정확히 예측할 수 있는지 확인하기 위해 여러 머신러닝 접근법을 시험했다. 그중 Bayesian additive regression trees라는 통계 기법에 기반한 모델이 가장 우수한 성능을 보여 BIOPREVENT의 기반이 됐다.
그 결과, 혈액 바이오마커와 임상 데이터를 결합한 모델은 임상 데이터만을 기반으로 한 모델보다 일관되게 더 우수했으며, 특히 이식 관련 사망률 예측에서 두드러졌다. 또한 연구팀은 독립적인 이식 수혜자 집단에서 도구를 추가 검증해, 모델 구축에 사용된 환자들을 넘어선 범위에서도 위험을 신뢰성 있게 예측함을 확인했다.
BIOPREVENT는 환자를 저위험군과 고위험군으로 구분할 수 있었고, 최대 18개월 후까지 예후에서 뚜렷한 차이가 나타났다. 특히 서로 다른 바이오마커가 서로 다른 이식 결과를 예측했는데, 이는 만성 GVHD와 이식 관련 사망이 최소한 부분적으로는 서로 다른 생물학적 요인에 의해 좌우됨을 시사한다. 예를 들어, 한 혈액 바이오마커는 이식 후 사망 위험과 밀접하게 연관된 반면, 다른 바이오마커들은 향후 만성 GVHD가 발생할 환자를 신호하는 데 더 유용했다.
연구팀은 이번 연구가 실제로 활용될 수 있도록 BIOPREVENT를 무료 웹 기반 애플리케이션으로 개발했다. 임상의는 환자의 임상 정보와 바이오마커 값을 입력해, 시간 경과에 따른 개인별 위험 추정치를 받을 수 있다.