국민 건강 데이터를 사용한 예측 모델은 청력 상실 유병률이 근본적으로 다른 만성 신장 질환 환자의 두 하위 그룹을 식별하여 표적 검사를 가능하게 합니다.

청력 상실과 만성 신장 질환(CKD)은 공통된 위험 요소를 공유하며 염증과 공유된 대사 경로를 통해 연결될 수 있습니다. 그러나 모든 신장 질환 환자가 동일한 비율로 청력 상실을 겪는 것은 아닙니다. 3,402명의 CKD 환자의 데이터를 사용한 새로운 기계 학습 연구는 위험 계층화 및 클러스터링 기술을 통해 어떤 환자가 가장 위험에 처해 있는지 식별할 수 있으며 잠재적으로 이 취약한 집단에 대한 조기 청력 평가 및 개입이 가능하다는 것을 보여줍니다.

신장-달팽이관 축은 신장과 귀 건강이 기계적으로 얽혀 있음을 인식하여 의학에서 새로운 관심 분야입니다. 두 기관 모두 정확한 혈류 조절, 이온 균형 및 전신 염증이 없음에 의존합니다. CKD는 이러한 과정을 방해하여 다음과 같은 질문을 제기합니다. 신장 질환 환자 중 누가 청력 상실을 겪게 될지 예측할 수 있습니까?

배경: 신장-귀 연결

만성 신장 질환은 전 세계 인구의 약 10%에 영향을 미치며 조기 이환율과 사망률의 주요 원인입니다. CKD 환자 중 청력 상실 유병률은 높지만 왜 일부 환자에서는 청각 장애가 발생하고 다른 환자에서는 불분명한 상태로 남아 있습니다. 연구자들은 기계 학습이 환자 데이터에서 저위험 하위 그룹과 고위험 하위 그룹을 구별하는 숨겨진 패턴을 밝힐 수 있다는 가설을 세웠습니다.

이 팀은 미국 인구를 전국적으로 대표하는 대규모 표본인 국민건강영양조사조사(NHANES)의 데이터를 사용하여 예측 모델을 개발하고 검증했습니다. 목표는 임상의가 청력 평가를 받아야 하는 고위험 환자를 식별하는 데 사용할 수 있는 강력한 위험 분류자와 웹 기반 도구를 모두 만드는 것이었습니다.

연구가 어떻게 이루어졌는가

연구진은 3,402명의 CKD 환자로부터 인구통계, 생화학 및 생활 방식 요인을 포괄하는 31개의 후보 예측 변수를 추출했습니다. 그들은 LASSO 회귀를 사용하여 가장 예측 가능한 특징을 선택한 다음 9개의 기계 학습 알고리즘을 테스트하여 최적의 예측 모델을 개발했습니다. XGBoost 알고리즘은 훈련에서 98.4%의 정확도, 독립적인 테스트 데이터에서 93.9%의 정확도를 달성하여 승자로 나타났습니다.

그런 다음 그들은 감독되지 않은 클러스터링 기술인 가우스 혼합 모델링(GMM)을 적용하여 뚜렷한 환자 하위 표현형을 식별했습니다. 이를 통해 연령, 신장 기능 지표 및 전해질 균형을 포함한 다양한 임상 프로필을 특징으로 하는 저위험군과 고위험군이라는 두 가지 자연적 클러스터가 드러났습니다.

연구원들이 발견한 것

고위험 하위그룹은 2,316명의 환자(코호트의 68%)로 구성되었으며, 노령, 혈액 요소질소 증가, 중탄산염 수치 증가가 특징이었습니다. 특히, 고위험군 환자의 48.2%가 청력 손실을 보인 반면, 1,075명의 환자로 구성된 저위험군에서는 1.58%만이 청력 손실을 겪었습니다. 이 놀라운 30배의 차이는 머신러닝이 질병 위험이 매우 다른 임상적으로 의미 있는 환자 하위 그룹을 찾아낼 수 있음을 보여줍니다.

복잡한 기계 학습 모델을 해석하는 방법인 SHAP(SHapley Additive exPlanations) 분석에서는 연령이 주요 위험 요인으로 확인되었으며 그 다음으로 다른 신장 및 전신 지표가 뒤따랐습니다. 의사는 모델이 예측을 하는 이유를 이해해야 하므로 이러한 설명 가능성은 임상 채택에 매우 중요합니다.

또한 팀은 가장 영향력 있는 6가지 기능만을 사용하여 웹 기반 도구를 개발하여 바쁜 임상의가 데이터를 입력하고 CKD 환자의 청력 상실에 대한 실시간 위험 추정치를 수신하는 것이 실용적이도록 했습니다.

신장 질환이 있는 사람에게 이것이 의미하는 바

CKD 환자의 경우, 이 연구는 특히 연령이 높거나 요소질소가 높거나 전해질 이상이 있는 환자의 경우 청력 평가가 일상적인 관리의 일부가 되어야 함을 시사합니다. 조기 발견을 통해 청력 손실이 의사소통과 삶의 질을 저하시킬 만큼 심각해지기 전에 개입할 수 있습니다. 예측 도구의 가용성은 임상의가 가장 혜택을 받을 가능성이 높은 사람들을 대상으로 청력 검사의 우선순위를 지정할 수 있음을 의미합니다.

기계 학습을 통해 구현되는 정밀 검사는 청력 테스트가 제한될 수 있는 리소스가 부족한 환경에서 특히 유용합니다. 고위험군에서 68%의 CKD 환자를 식별함으로써 의료 시스템은 청력 평가 자원을 보다 효율적으로 할당할 수 있습니다.

자가 피팅 기술이 고위험 환자에게 적합한 이유

CKD 환자는 종종 여러 동반 질환, 복잡한 약물 요법 및 빈번한 진료소 방문에 직면합니다. 이미 무거운 부담에 전문 청각학 약속을 추가하는 것은 물류상 어려운 일입니다. 일반의약품 보청기를 사용하면 추가 진료 예약 없이 증폭에 더 빠르게 접근할 수 있습니다.

Panda Quantum에는 고위험 CKD 환자가 집에서 완료한 다음 실제 청취를 기반으로 앱을 통해 장치를 조정할 수 있는 임상적으로 조정된 10분 온라인 청력 테스트가 포함되어 있습니다. Bluetooth 기능을 사용하면 핸즈프리 통화와 전화기에서 보청기 스트리밍이 가능하며, 이는 진료소 방문 중 또는 방문 사이에 원격 의료를 통해 의료를 관리하는 환자에게 특히 유용합니다. 케이스 포함 총 80시간 배터리와 5년 보증은 복잡한 의료적 요구가 있는 환자에게 마음의 평화를 제공합니다. 발견하다 Panda Quantum.

이 연구의 한계

이 연구에서는 전 세계적으로 일반화할 수 없는 미국 인구 표본인 NHANES 데이터를 사용했습니다. 단면 설계는 인과관계를 확립할 수 없음을 의미합니다. 모델의 임상적 유용성은 독립적인 CKD 코호트에서의 전향적 검증을 기다리고 있습니다.

이것이 우리를 떠나는 곳

이 기계 학습 프레임워크와 같은 정밀 의학 도구는 만성 질환의 청력 상실에 접근하는 방식을 변화시킬 수 있습니다. 고위험 하위 그룹을 식별함으로써 우리는 조기 개입과 제한된 자원의 더 나은 활용을 가능하게 합니다.

Chen L, Wang J, Liu G, 등. 신장-달팽이관 축 디코딩: 설명 가능한 기계 학습 및 표현형 클러스터링은 CKD에서 고위험 청력 손실 하위 유형을 나타냅니다. 신부전. 2026년 4월 21일;48(1):2649658. PubMed에서 가져옴. DOI: 10.1080/0886022X.2026.2649658