[Review] Machine learning predicts the risk of osteoporosis in patients with breast cancer and healthy women

0. Abstract

Objective
In this study, we investigated the effects of endocrine therapy and related drugs on the body composition and bone metabolism of patients with breast cancer. Additionally, using body composition-related indicators in machine learning algorithms, the risks of osteoporosis in patients with breast cancer and healthy women were predicted.
Methods
We enrolled postmenopausal patients with breast cancer who were hospitalized in a tertiary hospital and postmeno pausal women undergoing health checkups in our hospital between 2019 and 2021. The basic information, body composition, bone density-related indicators, and bone metabolism-related indicators of all the study subjects were recorded. Machine learning models were constructed using cross-validation.
Results
Compared with a healthy population, the body composition of patients with breast cancer was low in bone mass, protein, body fat percentage, muscle, and basal metabolism, whereas total water, intracellular fluid, extracellular fluid, and waist-to-hip ratio were high. In patients with breast cancer, the bone mineral density (BMD), Z value, and T value were low and the proportion of bone loss and osteoporosis was high. BMD in patients with breast cancer was negatively correlated with age, endocrine therapy status, duration of medication, and duration of menopause, and it was positively correlated with body mass index (BMI) and basal metabolism. The parameters including body composition, age, hormone receptor status, and medication type were used for developing the machine learning model to predict osteoporosis risk in patients with breast cancer and healthy populations. The model showed a high accuracy in predicting osteoporosis, reflecting the predictive value of the model. Conclusions
Patients with breast cancer may have changed body composition and BMD. Compared with the healthy popu lation, the main indicators of osteoporosis in patients with breast cancer were reduced nonadipose tissue, increased risk of edema, altered fat distribution, and reduced BMD. In addition to age, duration of treatment, and duration of menopause, body composition-related indicators such as BMI and basal metabolism may be considerably associated with BMD of patients with breast cancer, suggesting that BMD status can be monitored in clinical practice by focusing on changes in the aforementioned indexes, which may provide a way to prevent preclinical osteoporosis.

• 이 연구는 폐경 후 유방암 환자와 건강 여성에서 신체구성 지표와 골대사/골밀도 지표를 함께 수집한 뒤, 머신러닝으로 골다공증 위험을 예측하는 것을 목표로 함
• 2019년~2021년 한 3차 병원에 입원한 폐경 후 유방암 환자와 동일 병원 건강검진을 받은 폐경 여성이며, 변수는 표준화된 방법으로 측정 수집되었음.
• 유방암 환자는 건강인 보다 체지방과 기초대사량이 낮고 세포내 외액 및 허리 엉덩이비가 높았으면 BMD T-Z 값이 전반적으로 낮아 골감소 골다공증 비율이 높았음.
• BMD는 나이, 폐경기간, 내분비치료는 음의 상관, BMI와 기초대사량 양의 상관을 보였음
• 나이, 체성분, 치료 약물 등을 이용한 머신러닝 모델이 높은 정확도로 골다공증 위험을 예측함

 

1. Short Background

• 유방암 치료는 에스트로겐 억제를 유발하여 골밀도 저하와 골다공증을 일으킬수있음.
• 내분비치료(타목시펜,방향화효소억제제)는 장기간 뼈 손실을 가속함
• 기존 연구는 체성분아니 골대사만 다뤘지만, 두 요인을 통합 분석한 연구는 드물었다.
• 아시아 여성 대상 연구는 거의 없어 인종적 특성이 반영되지 않았음.
• 본 연구는 체성분·골대사·골밀도를 동시에 측정하고 머신러닝으로 골다공증을 예측했다.
• 이를 통해 유방암 치료가 신체 변화에 미치는 영향을 정량적으로 평가하고자 함

 

2. Methods

(1) 연구 대상 및 설계

• 2019~2021년 한 3차 병원에서 입원한 폐경 후 유방암 환자와 동일 병원 건강검진을 받은 폐경 여성을 포함함
• 기본정보, 신체구성, 골밀도(BMD/T/Z), 골대사 지표를 체계적으로 기록함
• 목표
  • 내분비치료 및 관련 약물이 체성분 골대사에 미치는 영향을 비교 평가
  • 신체구성 지표를 포함한 다양한 변수를 활용하여 골다공증 위험 예측용 머신러닝 모델을 구축 검증

 

(2) 측정 변수와 정의

• 신체구성
  • 체지방량, 골량, 단백질량, 총체수분, 세포내액, 세포외액, 수분비, 근육량, 체중, 체지방률, BMI, 허리 엉덩이 둘레비, 기초대사량 등 머신러닝 입력변수로 사용
• 골밀도 지표
  • BMD, T값(젊은 성인 평균 대비 표준편차: ≤ −2.5면 골다공증), Z값(동연령·동성 대비). 측정은 이중에너지 X선 흡수법(DEXA) 장비 원리에 따라 이루어짐
• 골다공증 라벨
  • 예측 대상은 골다공증 =1 비골다공증 = 0 으로 부여하여 이진 분류를 수행함

 

(3) 집단 정의

• 건강 대조군 vs 유방암 환자(비내분비치료군 포함): 체성분/골밀도 전반 비교
• 유방암 내분비치료군 vs 비내분비치료군: 내분비치료 유무 차이와 연령 방사선치료 폐경 기간 약물 종류 보정 후의 차이 분석
• 타목시펜(TAM) vs 방향화효소억제제(AI): 약물 종류별 체성분 골밀도 골대사 지표 비교

 

(4) 통계 분석

• 정규성 자료는 평균±표준편차로 제시, 집단 비교는 t-검정/ANOVA, 범주형은 χ² 검정, 유의수준 P<0.05. 민감도 분석으로 선형 회귀를 사용해 교란(연령, 방사선치료, 폐경기간 등)을 보정
• 단계적 다중회귀(stepwise): 내분비치료 중인 유방암 환자의 요추 BMD에 영향을 주는 요인 탐색(입·제거 유의수준 0.05/0.10)

 

(5) 머신러닝 모델링

• 데이터 분할: 무작위로 훈련:검증(테스트)=7:3. 하이퍼파라미터는 랜덤서치로 튜닝
• 입력 변수(피처): 나이, 유방암 여부, ER(에스트로겐수용체) 상태, 내분비치료 약물(타목시펜/AI), 방사선치료 여부, 신체구성 전 변수(BMI·BMR·ICW·ECW·WHR 등 포함).
• 학습·평가 모델: 로지스틱 회귀(LR), 결정트리(ID3), 랜덤포레스트(RF), 인공신경망(ANN). 테스트 세트 ROC-AUC 비교로 성능 평가. 재현성을 위해 R 코드를 보충자료로 제공.

요약: 단일기관의 폐경 여성 코호트에서 체성분, 골대사, 골밀도를 정밀 수집하고, 교차집단 비교 + 다중회귀 보정과 머신러닝을 통해 골다공증 위험 예측 모델을 구축

 

3. Results

(1) 건강 여성 vs 유방암 환자(비내분비 포함)

• 건강 546명 cs 유방암 112명, 평균 연령, 체중, 신장은 유의차 없었음 즉 기본 체격 차이 없이 비교 가능
• 유방암 환자는 근육·단백질 등 제지방과 BMR이 낮고, 총수분·ICW·ECW와 WHR가 높았다. 이는 제지방 감소 + 체액 분포 변화(부종 경향) + 지방 분포 변화를 시사함
• 유방암 환자는 BMD, Z, T가 낮고 골감소/골다공증 비율이 높았다. BMD는 나이, 내분비치료 상태, 약물 기간, 폐경 기간과 음의 상관, BMI·BMR과 양의 상관을 보였다.

(2) 유방암: 내분비치료군 vs 비내분비치료군

• 보정 전 후 차이: 표면적으로 치료군이 BMD-T가 더 좋아 보일수 있으나 연령 방사선 치료 폐경기간 약물종류를 보정하면 역전되어  치료군의 BMD와 T가 유의하게 낮았음.
• 즉, 동일 조건에서 비교하면 내분비치료는 골밀도 낮추는 방햐응로 작용할 가능성이 크다.

(3) 유방암: 타목시펜(TAM) vs 방향화효소억제제(AI)

• TAM n=92, AI n=137. 두 군은 전반적으로 비슷했으나, 나이는 TAM이 더 젊음. 치료기간·방사선치료율 등은 유사
• AI군이 TAM군보다 골량↓, 단백질↓, 총수분↓, ICW↓, BMR↓이고, ECW↑, 수분비↑, 체지방률↑로 차이가 모두 유의 
• AI군은 체지방이 더 줄고 체액정체 지방비율이 더 크다.
• 골밀도: AI군의 BMD·T가 TAM군보다 유의하게 낮음(P<0.001), Z는 비유의. 보정 후에도 동일 결론(TAM 대비 AI에서 BMD·T 더 낮음; β(BMD)≈0.08, β(T)≈0.69).
• 골대사: 골형성/흡수 표지자는 논문 본문에서 AI가 더 불리한 패턴을 보였다고 기술되며(예: 재료·방법에 기술된 표지자 수집), AI 치료는 전반적 골대사에 불리하게 작용하는 흐름을 뒷받침한다

(4)  머신러닝 예측 성능

• 학습설정
  • 데이터에 대해 7:3 분할, 랜덤서치 튜닝, 라벨=골다공증(1)/비골다공증(0). 피처로 임상(나이, ER, 치료약물, 방사선) + 체성분 전 항목을 투입.
• 모델 비교
  • LR / ID3 / RF / ANN의 테스트 ROC-AUC 비교에서 모델들이 전반적으로 높은 예측력을 보였고, 특히 RF가 가장 우수
• 변수 중요도  
  •  ICW, ECW, BMR, 체중, 체지방률 등 체성분 핵심 지표가 예측에 크게 기여했다는 점이 강조

 

4. Conclusion 

• 유방암 환자는 근육 단백질 감소, 지방 및 체수분 증가, BMD 저하가 동반
• 내분비치료는 골밀도를 낮추는 주요 요인이며, AI 치료군이 TAM보다 불리함
• BMI, BMR 체수분 지표는 골밀도 변화의 핵심 예측 인자
• 머신러닝 모델은 임상 데이터만으로도 높은 정확도의 골다공증 예측이 가능함
• 체성분 변화 모니터링을 통해 골건강을 조기에 파악하고 예방적 관리가 가능
• AI 기반 임상 예측 모델이 향후 정밀의학 적용에 중요한 역할을 할 것으로 제안된다.

 

5. Discussion

• 본 연구는 체성분·골밀도·골대사 변화를 통합 분석하여, 내분비치료가 신체에 미치는 영향을 규명했다.
• AI 치료군의 골손실 위험은 기존 보고와 일치하며, 근육·단백질 감소와 에스트로겐 억제 효과가 복합 작용했다.
• 체성분 지표(ICW·ECW·BMR 등)는 간단히 측정 가능하면서도 예측력이 높다.
• 랜덤포레스트 모델은 비선형 관계를 잘 포착하여 임상 적용성이 우수했다.
• 한계점은 단일기관·표본 수 제한·단면 연구 설계로 인해 인과 추론이 어렵다는 점이다.