심방세동 환자에서 뇌졸중 위험을 더 잘 예측할 수 있을까?

심방세동은 전 세계 5,800만 명 이상에게 영향을 미치며 뇌졸중 위험을 크게 증가시킵니다. 그러나 현재 위험을 평가하는 도구, 예를 들어 전통적인 점수 체계는 정확도가 낮고 환자의 다양한 건강 요인 간의 복잡한 상호작용을 고려하지 않습니다.

연구진은 심방세동 진단을 받은 환자에서 1년 이내 뇌졸중 위험을 예측할 수 있는 새로운 인공지능 모델을 개발했습니다. 이 모델은 나이, 과거 병력, 환자가 복용하는 약물과 같이 쉽게 접근 가능한 정보만을 사용합니다. 전통적인 방법과 달리, 이러한 도구는 이러한 요소들 간의 미묘한 관계를 분석하여 개인화되고 더 신뢰할 수 있는 위험 추정치를 제공합니다.

그 결과는 설득력 있습니다. 전통적인 통계적 접근 방식과 고급 기계 학습 기술을 기반으로 한 두 모델 모두 기존 방법보다 위험이 높은 환자를 더 정확하게 식별할 수 있는 능력을 보여주었습니다. 이들의 성능은 다양한 환자 그룹에서 검증되어 다양한 임상 상황에서 신뢰성을 확인했습니다. 또한 이러한 모델은 개인의 필요에 따라 위험 기준을 조정할 수 있어 특히 노년층 환자나 여러 건강 문제를 가진 환자에게 유용합니다.

또 다른 주요 장점은 사용의 간편성입니다. 이러한 모델은 진단 시 자주 이용할 수 없는 혈액 검사나 의료 영상이 필요하지 않습니다. 이로 인해 병원에서 일상적으로 쉽게 활용할 수 있습니다. 연구진은 또한 이러한 도구가 남성과 여성 모두에게 동일하게 잘 작동하여 성별에 따른 편향을 피할 수 있음을 확인했습니다.

장기적으로 이러한 모델은 항응고 치료를 가장 필요로 하는 환자를 식별하는 데에도 도움을 줍니다. 이러한 도구에 의해 고위험군으로 분류된 환자들은 전통적인 방법으로 식별된 환자들과 달리 항응고제를 복용할 경우 뇌졸중 위험이 크게 감소하는 것으로 나타났습니다.

이러한 발전은 보다 개인화된 의학의 길을 열었습니다. 의사는 곧 이러한 예측을 바탕으로 각 환자의 독특한 프로필에 맞춰 치료를 조정함으로써 예방 가능한 뇌졸중의 수를 줄이고 심방세동 관리를 개선할 수 있게 될 것입니다.

Sources et crédits

Étude source

DOI : https://doi.org/10.1038/s41746-026-02470-3

Titre : Interpretable machine learning models for stroke risk prediction in patients with newly diagnosed atrial fibrillation

Revue : npj Digital Medicine

Éditeur : Springer Science and Business Media LLC

Auteurs : Jesse Chih-Wei Lin; Chen-Min Chang; Heng-Yu Pan; Yi-Lwun Ho; Yu-Kang Tu; Chao-Lun Lai