CDK4/6 억제제, HR+/HER2- 전이성 유방암의 표준 치료입니다.

호르몬 수용체 양성(HR+, Hormone Receptor-positive), 사람 상피세포 성장인자 수용체 2 음성(HER2-, Human Epidermal Growth Factor Receptor 2-negative) 전이성 유방암은 전체 유방암 중 가장 흔한 아형에 속합니다. 이 아형의 표준 치료법 중 하나는 사이클린 의존성 인산화효소 4/6 억제제(CDK4/6 inhibitor, 세포 주기를 조절하는 단백질인 CDK4와 CDK6의 활성을 억제하여 암세포의 성장을 막는 약물)입니다. 그러나 이 약물에 대한 환자 개개인의 치료 반응은 매우 다양하게 나타납니다. 어떤 환자에게는 매우 효과적이지만, 다른 환자에게는 반응이 좋지 않거나 부작용이 심해 치료를 중단해야 하는 경우도 있습니다. 이러한 치료 반응의 개인차 때문에, 의료진과 환자 모두에게 누가 이 약물에 잘 반응할지 미리 예측할 수 있는 도구가 필요하다는 목소리가 꾸준히 있었습니다. 개별 환자에게 최적화된 치료 전략을 수립하기 위해서는 실제 임상 데이터를 기반으로 한 예측 모델 개발이 중요하게 인식되어 왔습니다.

최근 발표된 한 다기관 후향적 연구는 CDK4/6 억제제가 실제 임상 환경에서 얼마나 효과적인지 평가하고, 기계 학습(Machine Learning, 컴퓨터가 데이터를 학습하여 패턴을 인식하고 예측을 수행하는 인공지능 기술)을 포함한 예측 모델을 개발하여 치료 결과를 예측하는 가능성을 모색했습니다. 이 연구는 1,008명의 HR+/HER2- 전이성 유방암 환자 데이터를 분석하여 CDK4/6 억제제 치료의 효과와 예후 인자를 탐색하고, 나아가 환자 맞춤형 예후 예측 도구의 개발 가능성을 제시했습니다. 이는 환자들이 치료 선택에 있어 더 나은 정보를 얻고, 의료진은 보다 정밀한 치료 계획을 세울 수 있도록 돕는 데 중요한 기초 자료가 될 수 있습니다.

CDK4/6 억제제, 실제 임상에서 뛰어난 효과를 보였습니다.

이 연구는 중국 내 20개 암센터에 등록된 1,008명의 HR+/HER2- 전이성 유방암 환자 데이터를 분석했습니다. 이 환자들은 CDK4/6 억제제를 단독으로 혹은 다른 약물과 병용하여 치료받았습니다. 분석 결과, CDK4/6 억제제는 환자의 약 65.68%에게 1차 치료(가장 먼저 시도하는 치료)로, 약 24.60%에게는 2차 치료(1차 치료 후 질병이 진행되었을 때 시도하는 치료)로 사용되었습니다. 이는 CDK4/6 억제제가 전이성 유방암 치료에서 광범위하게 활용되고 있음을 보여줍니다.

치료 효과를 평가하는 중요한 지표 중 하나인 무진행 생존 기간(PFS, Progression-Free Survival, 치료 시작부터 질병이 진행되거나 사망에 이르지 않고 생존하는 기간)을 분석한 결과, 1차 치료로 CDK4/6 억제제를 사용했을 때의 중앙 PFS는 38.0개월이었습니다. 반면, 2차 치료로 사용했을 때의 중앙 PFS는 18.8개월로 나타났습니다. 통계적으로 매우 유의미한 차이(P < 0.001)를 보였는데, 이는 1차 치료 시 약물의 효과가 2차 치료 시보다 훨씬 더 우수하다는 것을 의미합니다. 이러한 결과는 CDK4/6 억제제를 가급적 조기에 사용하는 것이 환자의 질병 진행을 늦추고 생존 기간을 연장하는 데 유리할 수 있음을 시사합니다. 실제 임상 환경에서 얻어진 이러한 데이터는 CDK4/6 억제제의 치료적 가치를 다시 한번 확인시켜 줍니다.

어떤 환자가 CDK4/6 억제제에 더 잘 반응할까요?

연구팀은 CDK4/6 억제제 치료의 예후에 영향을 미치는 독립적인 인자들을 분석했습니다. 예후 인자란 질병의 경과나 치료 결과에 영향을 미치는 요소를 말합니다. 분석 결과, 몇 가지 중요한 예후 인자들이 확인되었습니다.

• 나쁜 예후 인자:
• 루미널 B 아형(Luminal B subtype): HR+/HER2- 유방암 내에서도 세분화되는 아형 중 하나로, 유방암 세포의 증식 속도가 비교적 빠른 경향이 있으며, 일부 연구에서는 루미널 A 아형에 비해 예후가 좋지 않은 것으로 알려져 있습니다. 이 연구에서도 루미널 B 아형은 CDK4/6 억제제 치료 시 상대적으로 불리한 예후와 연관성이 있는 것으로 나타났습니다.
• 간 전이(Liver metastasis): 암이 간으로 전이된 경우, 전이성 유방암 환자의 예후에 부정적인 영향을 미치는 경우가 많습니다. 본 연구에서도 간 전이는 좋지 않은 예후 인자로 확인되었습니다.
• 2차 치료(Second-line treatment): 앞서 언급했듯이, CDK4/6 억제제를 1차 치료가 아닌 2차 치료로 사용했을 때 무진행 생존 기간이 유의미하게 짧아지는 것을 통해 2차 치료가 상대적으로 좋지 않은 예후와 연관되어 있음을 알 수 있습니다.
• 좋은 예후 인자:
• HER2 IHC 1+: HER2 발현 정도를 면역조직화학검사(IHC, Immunohistochemistry)로 측정했을 때 1+를 나타내는 경우를 의미합니다. HER2 음성(HER2-)으로 분류되지만, HER2 단백질이 매우 낮게 발현되는 'HER2-low' 상태에 해당할 수 있습니다. 이 연구에서는 HER2 IHC 1+가 CDK4/6 억제제 치료 시 유리한 예측 인자로 나타났습니다. 이는 향후 HER2-low 유방암에 대한 치료 전략 수립에 추가적인 고려사항이 될 수 있습니다.
• 긴 무병 간격(DFI, Disease-Free Interval): 초기 유방암 진단 후 재발이나 전이 없이 지낸 기간을 의미합니다. 무병 간격이 길수록 CDK4/6 억제제 치료에 대한 반응이 더 좋을 수 있다는 예측은, 질병 진행이 비교적 느리거나 암의 공격성이 낮은 환자군에서 약물의 효과가 더 잘 발휘될 수 있음을 시사합니다.

이러한 예후 인자들은 환자의 특성을 고려하여 치료 계획을 세우는 데 중요한 단서가 됩니다. 다만, 이러한 인자들은 환자 개개인의 상황에 따라 다르게 작용할 수 있으므로, 반드시 의료진과의 상담을 통해 종합적인 판단을 내려야 합니다.

기계 학습 모델로 치료 결과를 예측할 수 있습니다.

이 연구의 핵심 목표 중 하나는 환자 개개인의 CDK4/6 억제제 치료 결과를 예측할 수 있는 모델을 개발하는 것이었습니다. 연구팀은 전통적인 통계 방법인 Cox 회귀 모델과 함께, GBM(Gradient Boosting Machine), RSF(Random Survival Forest), Lasso-Cox, CoxBoost, XGBoost, SuperPC, plsRcox 등 총 7가지의 기계 학습 알고리즘을 활용하여 예측 모델을 구축했습니다. 연구에 참여한 환자 데이터는 훈련(training) 및 검증(validation) 코호트(cohort, 특정한 공통점을 가진 집단)로 7:3의 비율로 무작위 배정되었습니다.

모델의 예측 성능은 시간 의존적 AUC(Area Under the Curve, 모델의 예측 정확도를 나타내는 지표로, 1에 가까울수록 예측 정확도가 높음), 보정(calibration), 결정 곡선 분석(decision curve analysis) 등을 통해 평가되었습니다. 전통적인 Cox 모델은 0.7 이상의 우수한 판별력(AUCs: 0.731, 0.719, 0.704)을 보이며, 치료 결과 예측에 상당한 유용성을 나타냈습니다. 이는 특정 임상 인자들을 조합하여 치료 반응을 예측하는 데 효과적임을 의미합니다. 기계 학습 모델 중에서는 GBM과 RSF가 훈련 코호트에서 가장 높은 판별력을 보였습니다. 기계 학습은 복잡한 데이터 패턴을 분석하고 여러 변수 간의 비선형적인 관계를 파악하는 데 강점을 가지므로, 기존 통계 모델보다 더 정교한 예측을 할 가능성이 있습니다. 그러나 검증 코호트에서는 GBM과 RSF를 포함한 기계 학습 모델들의 성능이 훈련 코호트만큼 뛰어나지는 않았지만, 여전히 예측 능력을 입증했습니다. 이는 기계 학습 모델이 실제 임상 데이터를 기반으로 환자 개개인의 치료 반응을 예측하는 데 활용될 잠재력이 크다는 것을 보여줍니다.

더욱 정밀한 예측을 위한 과제가 남아있습니다.

이번 연구는 CDK4/6 억제제가 HR+/HER2- 전이성 유방암 환자에게 실제 임상 환경에서 효과적인 치료법임을 다시 한번 확인시켜주었습니다. 또한, Cox 회귀 모델과 다양한 기계 학습 모델들이 환자 개개인의 치료 결과를 예측하는 데 유용하게 활용될 수 있음을 보여주었습니다. 특히, GBM과 RSF 모델은 비교적 우수한 예측 성능을 보이며, 미래의 맞춤형 치료를 위한 중요한 가능성을 제시했습니다.

하지만 연구팀은 이러한 모델들을 임상에 적용하기 전에 추가적인 외부 검증이 반드시 필요하다고 강조합니다. 이는 다른 인종, 지역, 또는 다른 의료 시스템에서 치료받은 환자들의 데이터를 통해 모델의 예측 능력이 보편적으로 유효한지 확인하는 과정입니다. 외부 검증을 통해 모델의 신뢰성과 일반화 가능성을 확보해야만, 의료 현장에서 실제로 환자 개개인에게 최적의 치료법을 제시하고 예후를 예측하는 데 도움이 될 수 있습니다.

이러한 연구는 계속해서 발전하는 기계 학습 기술이 유방암 치료 분야에서 어떻게 활용될 수 있는지 보여주는 좋은 예시입니다. 앞으로 더 많은 연구를 통해 예측 모델들이 더욱 정교해지고, 궁극적으로는 모든 유방암 환자가 자신에게 가장 적합한 치료를 받아 더 나은 결과를 얻을 수 있기를 기대합니다.