▲ 연구과정 모식도 및 대표적 연구 결과 / 건강한 인구 집단에서 산화 스트레스 위험을 계층화하기 위한 알고리즘 모델을 개발하였으며 임상적 활용 가능성을 확인하였다. 이는 만성 질환을 예방하기 위한, 정밀 영양학이라는 맥락에서 중요한 토대를 가질 수 있다. 검증데이터에서 수신자 조작 특성값이 0.949 (95% CI: 0.925-0.974)였으며, 개발된 모델은 건강한 집단과 산화스트레스 집단을 매우 잘 구별하였다. (그림 설명 및 그림 제공 : 이화여자대학교 권오란 교수)   © 특허뉴스

한국연구재단은 이화여자대학교 권오란 교수와 Jildau Bouwman(네덜란드 응용과학연구기구, TNO) 공동 연구팀이 한국인의 산화스트레스 위험을 진단하기 위한 머신러닝 모델을 개발 및 검증했다고 12일 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 데이터는 특정기간 동안 공통된 특성이나 경험을 갖는 사용자 집단의 데이터를 의미하고, 어떤 원인이 어떤 결과를 가져오는가를 연구하는 방법의 기초 자료로서 시간적인 개념을 포함한다.

그러나 기계학습 알고리즘을 적용하여 산화스트레스 관련 만성 질환의 위험을 사전에 줄이고 정밀영양을 제공하려는 연구는 거의 없는 실정이다.

참고로, 정밀영양은 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 있다.

연구팀은 광범위한 인간 대상 연구에 대한 통계적 시각화 방법의 일종인 공간방법론의 활용을 테스트하기 위한 개념 증명 연구를 통해 이 문제를 해결하고자 하였다.

또한 다양하고 복잡한 데이터의 스펙트럼에서 변수의 특성을 고려해 강력한 예측력과 해석가능성으로 산화위험을 판별하는 모델을 개발하기 위해 머신러닝 방법을 사용했다.

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.

이번 연구의 성과는 항산화분야 국제학술지 안티옥시단츠(Antioxidants)에 7월 16일 게재되었다.