Quantitative CT Imaging in Progressive Pulmonary Fibrosis: Clinical Usefulness and Meaningful Threshold Definition 🆕 최근 업데이트
한 줄 요약
이 연구는 비-IPF(non-idiopathic pulmonary fibrosis) 섬유성 간질성 폐질환(fibrosing ILD) 환자에서 정량적 CT 영상 기반의 섬유화 점수(FS) 변화가 임상적으로 의미 있는 진행(progression)을 정의하는지, 그리고 이 기준이 예후를 예측하고 위험 계층화를 개선할 수 있는지 평가했다. 연구진은 1년 및 6개월 추적 관찰 기간 동안의 최소 임상적으로 중요한 차이(MCID)를 FVC 절대 감소율과 연계하여 각각 2.24%와 1.34%로 도출했다. 1년 FS 증가가 MCID(2.24%)를 초과하는 것은 이식-무사 생존(transplant-free survival, TFS)의 독립적인 위험 인자로 확인되었으며, 조정된 hazard ratio(HR)은 3.01(95% CI, 2.19-4.14)였다. 또한 정량적 CT 기준은 시각적 평가와 생리학적 지표 간 불일치(discordant)인 환자군에서 추가적인 위험 계층화 능력을 보여주었다. 특히 6개월 FS 증가가 MCID(1.34%)를 초과하는 경우에도 TFS 감소와 유의한 연관성(adjusted HR, 2.82; 95% CI, 1.57-5.04)이 관찰되었다. 이 결과는 정량적 CT 영상 분석이 비-IPF ILD 환자의 PPF 정의 및 예후 예측에 객관적이고 유용한 도구임을 시사한다.
방법
본 연구는 서울 아산병원에서 2011년 1월부터 2020년 4월까지 추적 관찰된 비-IPF 섬유성 ILD 환자를 대상으로 한 후향적 코호트 연구이다. 포함 기준은 baseline과 1-year follow-up 시점 모두에서 volumetric high-resolution CT(HRCT) 영상을 촬영한 환자였으며, 각 CT 촬영일로부터 3개월 이내에 pulmonary function testing(PFT) 결과가 없는 경우, 또는 영상 품질이 양호하지 않거나 다른 폐 실질 이상 소견이 중첩되어 정량 분석이 불가능한 환자는 제외되었다. 최종 분석 대상은 476명이었다. 주요 임상 데이터로는 연령, 성별, 흡연력, BMI, ILD 아형(CTD-associated ILD, idiopathic nonspecific interstitial pneumonia, fibrotic hypersensitivity pneumonitis 등), baseline 및 follow-up PFT(FVC, DLCO), 치료 이력(corticosteroid, immunosuppressant, antifibrotic therapy) 등을 수집했다. 주요 endpoint인 transplant-free survival(TFS)은 baseline CT 촬영일로부터 사망 또는 lung transplantation 발생일까지의 기간으로 정의했으며, censoring은 마지막 추적 관찰 시점으로 설정했다.
영상 분석은 deep learning-based quantitative CT imaging algorithm(Aview version 1.1.44.27; Coreline Soft)을 사용하여 수행되었다. FS는 reticulation과 honeycombing의 전체 폐 부피 대비 비율의 합으로 정의되었다. 두 명의 흉부 방사선 전문의(J.C., S.P.)는 임상 정보를 블라인드한 상태에서 2022년 ATS/ERS/JRS/ALAT 가이드라인에 따른 시각적 진행 기준(traction bronchiectasis 증가, new ground-glass opacities with traction bronchiectasis, new fine reticulation, honeycombing 증가 등)을 적용하여 radiologic progression을 독립적으로 평가했다. MCID는 anchor-based 방법(absolute FVC decline ≥5% 또는 DLCO decline ≥10% 그룹의 평균 FS 변화)과 distribution-based 방법(SEM, 0.5 × SD)을 통해 산출되었으며, 최종적으로 임상적 관련성이 높은 FVC 기반 MCID를 채택했다. 통계 분석은 Cox proportional hazards models를 사용하여 age, smoking status, baseline FVC, ILD subtype을 보정했으며, Harrell’s concordance index로 판별력을 평가하고 Kaplan-Meier curves 및 log-rank test로 생존 곡선을 비교했다.
주요 결과
476명의 환자 중 median baseline FS는 5.57%(IQR, 2.68%-10.24%)였다. anchor-based 분석 결과, 1-year MCID for FS change는 2.24%, 6-month MCID는 1.34%로 도출되었다. 1-year follow-up에서 FS 변화가 MCID(2.24%)를 초과한 군은 TFS가 유의하게 짧았으며, 다변량 분석에서도 독립적인 위험 인자로 확인되었다(adjusted HR, 3.01; 95% CI, 2.19-4.14; P < .001). 연속 변수로 분석했을 때도 FS 증가 1%당 adjusted HR은 1.06(95% CI, 1.04-1.09)였다. TFS 생존율은 1-year ΔFS ≤ 2.24% 군에서 2년 97.9%, 5년 88.3%, 10년 68.5%였으나, ΔFS > 2.24% 군에서는 각각 87.1%, 60.4%, 26.5%로 현저히 낮았다(P < .001). FS 변화를 MCID의 배수(≤0%, 0-2.24%, 2.24-4.48%, >4.48%)로 4군으로 나누었을 때 TFS는 단계적으로 감소했으며, ΔFS > 4.48% 군은 2.24-4.48% 군보다 유의하게 나쁜 예후를 보였다(P = .01, Bonferroni corrected).
6-month follow-up CT가 있는 131명 하위 집단에서, FS 증가가 6-month MCID(1.34%)를 초과하는 경우에도 TFS 감소와 유의한 연관성이 관찰되었다(adjusted HR, 2.82; 95% CI, 1.57-5.04; P = .001). ΔFS ≤ 1.34% 군의 2년, 5년, 10년 TFS 생존율은 각각 95.6%, 85.7%, 70.1%였으며, ΔFS > 1.34% 군에서는 90.0%, 70.0%, 21.8%였다(P < .001). 그러나 6개월 FS 변화와 5-year TFS의 연관성은 다변량 분석에서 유의하지 않았다(e-Table 9). 시각적 평가와 정량적 CT 기준 간 불일치(discordant) 환자군에서, 정량적 CT 기반 진행은 추가적인 위험 계층화 능력을 보였으며(P = .02), 시각적 진행과 정량적 CT 진행을 모두 충족한 환자는 시각적 진행만 있는 환자보다 예후가 현저히 나빴다(P < .001). 또한 1-year MCID 기준을 충족한 환자들은 이후 2-4년 동안 FVC와 DLCO의 감소 속도가 더 빨랐다(FVC interaction P = .03, DLCO interaction P = .005).
강점
이 연구는 대규모 후향적 코호트(n=476)를 활용하여 비-IPF ILD 환자군에서 정량적 CT 영상 기반의 MCID를 최초로 정의하고 검증했다는 점에서 의의가 있다. deep learning 알고리즘을 사용하여 객관적이고 재현 가능한 FS 측정을 수행했으며, 이를 기존 시각적 평가 및 생리학적 지표(FVC, DLCO)와 비교하여 임상적 유효성을 입증했다. 특히 6개월과 1년 두 가지 시간대에서의 MCID를 모두 제시함으로써, 다양한 임상 상황에서의 모니터링 전략 수립에 기여한다. 또한 ILD 아형별 subgroup 분석을 통해 결과의 일관성을 확인하고, 시각적 평가와의 불일치 환자군에서의 추가적인 위험 계층화 능력을 시연하여 정량적 CT의 임상적 유용성을 구체적으로 입증했다.
한계
본 연구는 단일 기관에서 수행된 후향적 코호트 연구로, 선택 편향(selection bias)이 존재할 수 있다. 6개월 follow-up 데이터가 있는 하위 집단(n=131)은 baseline FVC와 DLCO가 더 낮고 치료 노출률이 높았으며, 이 그룹에서의 5-year TFS 분석은 사건 수(event number)가 적어 통계적 검정력이 제한적이다. 또한 정량적 CT 알고리즘(Aview)의 성능이 다른 플랫폼이나 scanner 제조사에서도 동일하게 적용될지는 검증되지 않았다. 마지막으로, antifibrotic therapy 사용률이 상대적으로 낮아(16.0%), 이러한 치료 하에서의 MCID 적용 가능성에 대한 직접적인 증거는 부족하다.
해석
이 연구 결과는 비-IPF ILD 환자에서 progressive pulmonary fibrosis (PPF)를 정의하는 데 정량적 CT 영상 기반의 FS 변화가 강력한 예측 인자임을 보여준다. 1-year MCID (2.24%)와 6-month MCID (1.34%)는 임상적으로 의미 있는 진행을 객관적으로 식별할 수 있는 임계값으로 제안된다. 이는 기존 시각적 평가의 주관성과 재현성 문제를 해결하고, 특히 시각적 평가와 생리학적 지표 간 불일치 시 추가적인 위험 계층화를 가능하게 한다. LLM Wiki의 oncology/imaging/pulmonology/AI 문헌들과 연결하여 볼 때, 이 연구는 AI 기반 영상 분석이 단순한 진단 도구를 넘어 예후 예측 및 치료 결정 지원 도구로 발전하고 있음을 시사한다. 향후 다기관 전향적 연구를 통해 이러한 MCID의 보편성과 임상 적용성을 검증할 필요가 있다.