맞춤형 헬스케어 위한 산화스트레스 예측 모델 개발
-생체 및 임상지표 등을 고려하여 산화스트레스 정량화 입증-
□ 한국연구재단은 권오란 교수(이화여자대학교)와 Jildau Bouwman(네덜란드 응용과학연구기구, TNO) 공동 연구팀이 한국인의 산화스트레스 위험을 진단하기 위한 머신러닝 모델을 개발 및 검증했다고 밝혔다.
□ 빅데이터 분석과 인공지능의 발전은 많은 양의 코호트 데이터와 임상 관련 정보를 토대로 환자에게 적합한 의료정보를 제공하거나 진단 및 치료 오류를 줄여주는 데에 도움을 주고 있다.
※ 코호트 데이터 : 특정기간 동안 공통된 특성이나 경험을 갖는 사용자 집단의 데이터를 의미함. 어떤 원인이 어떤 결과를 가져오는가를 연구하는 방법의 기초 자료로서 시간적인 개념을 포함함.
○ 그러나 기계학습 알고리즘을 적용하여 산화스트레스 관련 만성 질환의 위험을 사전에 줄이고 정밀영양을 제공하려는 연구는 거의 없는 실정이다.
※ 정밀영양 : 식품, 개별 영양소, 식생활 및 생활방식에 대한 사회 문화적 영향, 개인과 집단의 건강에 대한 사회적 인프라 등 다양한 요인을 고려하여 개인별 영양 상태를 파악할 수 있음.
□ 연구팀은 광범위한 인간 대상 연구에 대한 공간방법론의 활용을 테스트하기 위한 개념 증명 연구를 통해 이 문제를 해결하고자 하였다.
※ 공간방법론(health space model) : Bouwman et al. (2012)이 제안한, 통계적 시각화 방법의 일종. 사전에 정의된 생물학적 지표들을 기반으로 개별 피험자의 건강상태를 투영할 수 있다는 방법론.
○ 또한 다양하고 복잡한 데이터의 스펙트럼에서 변수의 특성을 고려해 강력한 예측력과 해석가능성으로 산화위험을 판별하는 모델을 개발하기 위해 머신러닝 방법을 사용하였다.
□ 나이, BMI, 식사의 질, 혈액지표 등과 같은 16가지 변수를 종합적으로 고려해 사용자의 산화스트레스의 위험 정도를 정량화할 수 있는 예측하는 모델을 개발했다.
○ 검증데이터에서 민감도는 0.923(95% CI: 0.879-0.967), 정확도는 0.891(95% CI: 0.854-0.928) 수준으로 나타났다.
□ 이번 연구에는 2015년 4월부터 2018년 8월 사이에 건강검진을 위해 서울시 보라매병원에 내원한 2,454명의 데이터가 사용되었다.
○ 남은 과제는 국가 코호트 자료를 이용하여 개발한 모델을 검증하고 다양한 민족국가 인구의 자료와 비교 및 분석하는 것이다. 이에 연구팀은 만성질환 정량화 모델 개발 관련 연구를 계속할 계획이다.
□ 건강한 인구 집단의 산화스트레스 위험을 계층화, 예측하는 모델을 제시함으로써 식생활 및 생활습관과 관련된 만성질환을 예방할 수 있는 건강관리 전략 수립에 도움이 될 것으로 기대하고 있다.
□ 과학기술정보통신부와 한국연구재단이 추진하는 바이오의료기술개발사업(전통천연물 기반 유전자-동의보감사업) 지원으로 수행된 이번 연구의 성과는 항산화분야 국제학술지 안티옥시단츠(Antioxidants)에 7월 16일 게재되었다.