Letter to editor
Passos PRC, Filho VOC.J
Gastroenterol Hepatol. 2025 Mar 19. doi: 10.1111/jgh.16940.
편집자께,
Ma 등[1]이 중국 다기관 코호트를 기반으로 자가면역성 위염(AIG)의 예측 모델을 개발한 연구를 매우 흥미롭게 읽었습니다. AIG에 특화된 연구가 부족한 상황에서, 저자들의 헌신과 방법론적 엄밀성에 찬사를 보냅니다. 본 연구의 영향력을 더욱 향상시키기 위한 몇 가지 제안을 드리고자 합니다.
저자들은 환자의 생활습관 요인을 포함한 종합적인 위험 예측 모델을 개발하였으며, 이 중 다수는 범주형 변수로 표현되었습니다. 그러나 범주형 자료는 일반적으로 연속형 자료보다 정보량이 적고, 데이터 희소성(sparsity)이나 매개변수 수 증가 등의 문제로 통계적 검정력이 감소할 수 있습니다[2,3]. 예를 들어, 식습관 빈도 등 일부 설문문항에서는 수치형 입력값을 수집하였음에도 대부분은 그렇지 않았습니다. 이러한 수치형 입력을 모델에 통합하고, 가능하다면 연속형 변수의 사용을 확대하면 환자의 행동 양태를 더 정밀하게 포착할 수 있으며 모델의 변별력을 높이는 데 도움이 될 수 있습니다.
또한, 저자들은 Youden 지수를 활용해 모델의 최적 임계값(cut-off)을 도출하였습니다. 이 방법은 민감도와 특이도의 균형을 잘 맞추긴 하지만, 타겟 스크리닝의 복잡한 특성을 과도하게 단순화할 수 있습니다. 본 모델은 만성 위염 환자 집단에서 개발되었고, 위염 증상이 있거나 자가면역 질환 병력을 가진 고위험군을 대상으로 하며, 적용이 간단하다는 점에서 민감도 위주의 전략, 즉 AIG가 아닌 환자를 배제(ruling-out)하는 것이 가장 이상적인 접근으로 보입니다[4,5].
AIG에서 가장 민감한 바이오마커로 알려진 위벽세포 항체(antiparietal cell antibody)는 Helicobacter pylori 감염 시 위양성을 보일 수 있으므로[6], AIG를 만성 위염의 다른 유형과 구별하기 위한 본 모델의 1차적 목표를 고려할 때, 높은 민감도를 확보하는 스크리닝 전략이 보다 많은 환자를 후속 확진 검사 대상으로 포함시킬 수 있으며, 적절한 특이도를 유지하면서도 진단 정확도를 높일 수 있습니다. 이는 베이즈 이론에 따라 확진 검사 결과를 스크리닝 검사로 형성된 사전 확률(prior probability) 맥락에서 해석할 수 있다는 점에서도 중요합니다[7].
이러한 맥락에서, 일부 연구들은 질환을 "제외(ruling-out)"하거나 "확진(ruling-in)"하기 위한 서로 다른 임계값을 사용하고 있습니다. 따라서 Ma 등의 모델에 대해 스크리닝과 진단이라는 맥락에 따라 각기 다른 기준을 설정하여 최적 임계값을 재평가한다면, ‘모든 상황에 적용되는 하나의 기준(one-size-fits-all cut-off)’이 가지는 한계를 극복하고 임상적 정확성을 향상시키는 데 기여할 수 있을 것입니다. 이는 단순하고 저비용으로 설계된 본 모델의 초기 스크리닝 도구로서의 목적에도 더 부합합니다.
이러한 의견이 본 모델의 개선 및 AIG 연구의 발전에 도움이 되기를 바랍니다.
Letter to editor
Passos PRC, Filho VOC.J
Gastroenterol Hepatol. 2025 Mar 19. doi: 10.1111/jgh.16940.
편집자께,
Ma 등[1]이 중국 다기관 코호트를 기반으로 자가면역성 위염(AIG)의 예측 모델을 개발한 연구를 매우 흥미롭게 읽었습니다. AIG에 특화된 연구가 부족한 상황에서, 저자들의 헌신과 방법론적 엄밀성에 찬사를 보냅니다. 본 연구의 영향력을 더욱 향상시키기 위한 몇 가지 제안을 드리고자 합니다.
저자들은 환자의 생활습관 요인을 포함한 종합적인 위험 예측 모델을 개발하였으며, 이 중 다수는 범주형 변수로 표현되었습니다. 그러나 범주형 자료는 일반적으로 연속형 자료보다 정보량이 적고, 데이터 희소성(sparsity)이나 매개변수 수 증가 등의 문제로 통계적 검정력이 감소할 수 있습니다[2,3]. 예를 들어, 식습관 빈도 등 일부 설문문항에서는 수치형 입력값을 수집하였음에도 대부분은 그렇지 않았습니다. 이러한 수치형 입력을 모델에 통합하고, 가능하다면 연속형 변수의 사용을 확대하면 환자의 행동 양태를 더 정밀하게 포착할 수 있으며 모델의 변별력을 높이는 데 도움이 될 수 있습니다.
또한, 저자들은 Youden 지수를 활용해 모델의 최적 임계값(cut-off)을 도출하였습니다. 이 방법은 민감도와 특이도의 균형을 잘 맞추긴 하지만, 타겟 스크리닝의 복잡한 특성을 과도하게 단순화할 수 있습니다. 본 모델은 만성 위염 환자 집단에서 개발되었고, 위염 증상이 있거나 자가면역 질환 병력을 가진 고위험군을 대상으로 하며, 적용이 간단하다는 점에서 민감도 위주의 전략, 즉 AIG가 아닌 환자를 배제(ruling-out)하는 것이 가장 이상적인 접근으로 보입니다[4,5].
AIG에서 가장 민감한 바이오마커로 알려진 위벽세포 항체(antiparietal cell antibody)는 Helicobacter pylori 감염 시 위양성을 보일 수 있으므로[6], AIG를 만성 위염의 다른 유형과 구별하기 위한 본 모델의 1차적 목표를 고려할 때, 높은 민감도를 확보하는 스크리닝 전략이 보다 많은 환자를 후속 확진 검사 대상으로 포함시킬 수 있으며, 적절한 특이도를 유지하면서도 진단 정확도를 높일 수 있습니다. 이는 베이즈 이론에 따라 확진 검사 결과를 스크리닝 검사로 형성된 사전 확률(prior probability) 맥락에서 해석할 수 있다는 점에서도 중요합니다[7].
이러한 맥락에서, 일부 연구들은 질환을 "제외(ruling-out)"하거나 "확진(ruling-in)"하기 위한 서로 다른 임계값을 사용하고 있습니다. 따라서 Ma 등의 모델에 대해 스크리닝과 진단이라는 맥락에 따라 각기 다른 기준을 설정하여 최적 임계값을 재평가한다면, ‘모든 상황에 적용되는 하나의 기준(one-size-fits-all cut-off)’이 가지는 한계를 극복하고 임상적 정확성을 향상시키는 데 기여할 수 있을 것입니다. 이는 단순하고 저비용으로 설계된 본 모델의 초기 스크리닝 도구로서의 목적에도 더 부합합니다.
이러한 의견이 본 모델의 개선 및 AIG 연구의 발전에 도움이 되기를 바랍니다.