환자 층화와 정밀의료:
한 벌의 옷을 벗는다

인간 게놈 프로젝트가 질병 유발 유전 변이의 식별을 가능하게 했고, 트라스투주맙과 이마티닙 같은 표적 억제제의 길이 열렸다. 경험의학의 긴 시대에서 유전체와 빅데이터의 시대로 넘어오면서 질병 감수성과 치료 결과를 함께 예측할 수 있게 되었다.

1.1.1 정밀의료와 개인 맞춤 의료는 어떻게 다른가

1.2 층화란 무엇인가

층화는 임상 소견, 생활 요인, 유전 정보, 바이오마커에 근거해 환자를 하위집단으로 묶는 일이다. 더 정확한 치료 배정과 예후 판단을 위해서다. 표적 치료의 효과는 환자를 생물학적으로 유의미한 하위집단으로 분류하려는 노력에 달려 있다.

백반증, 유방암, 다발성 경화증이 좋은 사례다. 층화가 협대역 자외선B(NB-UVB) 광선치료, PARP 억제제, 질병조절치료제의 적격 여부를 결정한다. 근거가 되는 바이오마커는 DEFB1 다형성이나 신경섬유 경쇄(NfL) 같은 것들이다.

이 장에서 가장 실용적인 부분이 표 11.2다. 층화의 기준을 일곱 유형으로 나누고, 각각에 질환 사례와 임상적 쓸모를 붙였다.

2.2 백반증이라는 사례

이 장은 백반증을 반복해서 예로 든다. 층화의 여러 축이 한 질환에서 어떻게 겹치는지 보여 주기 때문이다.

• 임상 — 비분절형은 갑상선 질환 같은 자가면역 질환과 자주 동반되고, 분절형은 국소적 면역 반응과 관련되는 경우가 많다. 자가면역 동반이 덜하다.
• 유전 — DEFB1-44 C/G의 GG 유전형이 백반증 발생 위험을 높이고 광선치료에 잘 반응할 가능성을 낮춘다.
• miRNA — miR-145와 miR-155가 티로시나아제 관련 단백질과 MITF를 표적해 멜라닌세포 증식과 색소침착 경로에 영향을 준다. miR-1과 miR-135a는 산화 스트레스 반응에 관여해 세포자멸사와 염증에 작용한다.
• 면역 — 인터페론감마 케모카인 축과 연관된 CXCL10이 활동성 질환에서 높고, 진행 및 치료 무반응과 연결된다.

이 장의 뼈대는 표 11.6이다. 질환마다 어떤 데이터를 넣었고, 어떤 모형으로 나눴고, 어떤 하위집단이 나왔고, 그래서 치료가 어떻게 달라졌는가를 네 칸에 적는다. 아래는 그 표에 표 11.3(바이오마커)과 표 11.5(하위집단별 치료)의 내용을 더해 정리한 것이다.

4.1 하위집단을 겨냥한 약물 재창출

층화된 코호트를 찾아내면 기존 약이 들을 만한 자리를 찾을 수 있다. 완전히 새 약을 개발하는 것보다 싸고 빠르다.

백반증에서는 전사체·면역 프로파일링으로 하위집단을 나누고, IFN-γ와 CXCL10 케모카인 분비 같은 질병 악화 표지가 그 기준이 된다. 그 결과 JAK 억제제 — 룩솔리티닙, 토파시티닙, 바리시티닙 — 가 이 경로에 작용하는 유망한 재창출 치료제로 지목되었다.

같은 맥락에서 화학적 WNT 작용제가 분자 경로 분석을 통해 도출되었다. 멜라닌세포 줄기세포의 분화와 부착을 촉진해, 백반증 피부에서 자주 관찰되는 E-카데린 발현 이상을 교정한다.

4.2 치료 개인화의 실제

백반증 치료의 목표는 진행을 막고 재색소침착을 유도하는 것이다. 재색소침착은 인접한 멜라닌세포의 수평 이동이나 모낭 멜라닌세포의 수직 이동으로 일어난다. 이 장은 개인화 알고리즘을 이렇게 정리한다.

• 모낭 주위 색소침착이 있고 백모증이 없는 안정된 병변 → 국소 치료와 광선치료
• 백모증을 동반한 1cm 초과의 융기 병변 → 이식술
• CXCL10이 높은 고활동성 병변 → 면역조절제(JAK 억제제)

4.3 세 개의 사례 연구

층화 결과는 그 자체로 진료가 되지 않는다. 임상의가 진료 현장에서 쓸 수 있는 권고로 번역되어야 한다. 그 다리가 CDSS다.

• 층화 결과의 운용 — 유전 변이, 바이오마커 프로파일, 표현형 군집을 결합해 환자별 위험 평가와 치료 제안을 만든다. 약물유전체(PGx) 정보를 넣으면 ‘맞는 약을, 맞는 용량으로, 맞는 때에’가 가능해진다. 새 임상·분자 데이터가 쌓이면 위험 점수와 제안이 동적으로 갱신된다.
• EMR 통합 — 유전자 검사 결과, 검사 수치, 임상 기록을 자동으로 불러와 업무 흐름을 끊지 않고 지속적 위험 층화와 의사결정 지원을 제공한다. HL7 FHIR 같은 표준 기반 데이터 교환 규약이 이질적 데이터를 조화시킨다.
• 사람의 문제 — CDSS 채택의 성패는 사용자 중심 설계와 해석가능성에 달려 있다. 의사들은 인지 부담을 줄이고 오류를 줄이는 CDSS를 반긴다. 다만 AI에 대한 과의존, 기술 퇴화, 업무 흐름 방해에 대한 우려가 남아 있다. 맞춤형 알림, AI 출력의 명료한 설명, 임상의 피드백 루프가 대응책으로 제시된다.

6.1 공정성, 편향, 프라이버시

대표성 없는 데이터로 학습한 AI 모형은 건강 격차를 유지하거나 악화시킬 수 있다. 고소득 인구가 지배하는 학습 코호트로 만든 모형은 역사적으로 과소대표된 인구 — 인종적 소수자, 농촌 인구 — 에서 제대로 작동하지 않는다.

6.3–6.4 희귀질환과 저·중소득국

6.5 다섯 개의 한계