전 세계 성인 4명 중 1명꼴로 발생하는 비알코올성 지방간(NAFLD)은 간과 심혈관 질환의 주요 위험 요인이지만, 효과적인 대규모 선별 검사 도구가 부족한 실정입니다. 이러한 문제를 해결하기 위해 최근 '메서드(Method)'라는 새로운 머신러닝(machine learning) 프레임워크가 개발되었습니다. 이 프레임워크는 경사 부스팅(gradient boosting) 의사결정 트리와 컨포멀 예측(conformal prediction)을 결합하여, 개인의 지방간 위험을 높은 정확도로 예측하고 그 예측 결과에 대한 신뢰도까지 함께 제공합니다.
메서드는 상호 정보량(mutual information) 기반의 안정성 선택 절차를 통해 임상적으로 해석 가능한 핵심 특징(feature)들을 선별합니다. 여기에는 허리둘레, ALT, GGT, 중성지방, 공복 혈당, BMI 등 이미 잘 알려진 대사 위험 인자들이 포함됩니다. 중국 광저우의 다기관 코호트(n=2,187)와 외부 검증 코호트(n=412) 데이터를 사용한 평가에서, 메서드는 내부적으로 0.912, 외부적으로 0.891의 AUROC(곡선 아래 면적)를 기록하며 기존의 딥러닝(deep neural networks), 탭넷(TabNet), 서포트 벡터 머신(support vector machines), 로지스틱 회귀(logistic regression) 등의 모델보다 우수한 성능을 보였습니다. 특히, 컨포멀 예측 세트는 90%의 명목 수준에서 91.3%의 경험적 커버리지(empirical coverage)를 달성하여 예측의 신뢰성을 입증했습니다.
이러한 AI 기반 예측 도구는 비알코올성 지방간의 조기 발견과 관리에 혁신적인 변화를 가져올 수 있습니다. 기존에는 진단이 어렵고 진행된 후에야 발견되는 경우가 많았지만, 메서드를 통해 고위험군을 조기에 식별하여 생활 습관 개선이나 적극적인 치료 개입을 유도할 수 있습니다. 실제로 메서드의 3단계 위험 계층화는 고위험군이 저위험군에 비해 12개월 내 질병 진행률이 4.7배 높다는 것을 보여주어, 맞춤형 예방 전략 수립에 중요한 근거를 제공합니다. 이는 환자 개개인의 건강 증진뿐만 아니라, 공중 보건 차원에서도 질병 부담을 줄이는 데 크게 기여할 것입니다.