PhenoAge vs KDM 생물학적 나이: 계산기가 서로 다른 결과를 내는 이유

같은 나이와 같은 검사실 결과를 두 개의 생물학적 나이 계산기에 입력합니다. PhenoAge는 49세, KDM은 43세라고 나옵니다. 실제 나이는 46세입니다.

어느 숫자가 맞을까요?

가장 유용한 답은 다음과 같습니다. 두 계산기는 서로 다른 통계적 질문에 답합니다. PhenoAge와 Klemera–Doubal 방법(KDM)은 일부 혈액 바이오마커를 함께 사용할 수 있지만, 같은 결과를 내도록 설계된 것은 아닙니다. 따라서 둘 사이의 차이가 자동으로 오류를 뜻하지는 않습니다.

이 가이드는 PhenoAge와 KDM이 왜 다른 결과를 내는지, 각 결과가 실제로 무엇을 의미하는지, 그리고 일관된 추적을 위해 어느 쪽을 선택할지 설명합니다. 먼저 공식, 바이오마커 목록, 기본 해석이 필요하다면 PhenoAge와 KDM 혈액 검사 완전 가이드부터 읽어보세요.

빠른 답: PhenoAge는 사망 위험에 맞춰 보정된 뒤 그 위험을 나이 등가값으로 표현합니다. KDM은 기준 집단에서 바이오마커가 실제 나이에 따라 변하는 양상에 주로 맞춰 보정됩니다. 목표, 바이오마커 패널, 계수, 기준 표본이 다르므로 같은 사람의 검사 결과에서도 서로 다른 생물학적 나이가 나올 수 있습니다.

빠른 답: PhenoAge와 KDM은 다른 질문에 답합니다

PhenoAge는 사망 위험과 동등한 나이를 추정하고, KDM은 다변량 바이오마커 프로필에 가장 잘 맞는 나이를 추정합니다. 목표와 구현 방식이 다르기 때문에 같은 혈액 검사 결과로도 정당하게 서로 다른 나이가 나올 수 있습니다. 올바른 비교는 한 모델의 현재 점수와 미래의 같은 모델 점수 사이에서 하는 것이지, PhenoAge와 KDM을 하나의 고정된 대상을 재는 것처럼 서로 비교하는 것이 아닙니다.

핵심 사실

• PhenoAge와 KDM은 같은 개념을 측정하지 않습니다. PhenoAge는 사망 위험 지향적이고, KDM은 다변량 생리학적 나이를 추정합니다.
• “KDM”은 하나의 보편적 계산기가 아니라 방법론입니다. 결과는 학습에 사용한 바이오마커와 기준 집단에 따라 달라집니다.
• PhenoAge는 더 표준화되어 있습니다. 널리 쓰이는 임상 버전은 9가지 바이오마커와 실제 나이, 고정 계수를 공개하고 있습니다.
• 결과에는 정확한 구현 방식이 표시되어야 합니다. “KDM 나이”라는 이름만으로는 패널, 단위, 학습 집단, 공식이 무엇인지 알 수 없습니다.
• 두 나이를 평균 내지 마세요. 질문에 맞는 모델 하나를 선택하고, 앞으로는 동일한 구현 방식으로만 비교하세요.
• 어느 점수도 진단이 아닙니다. 비정상 검사 수치와 임상 위험은 자격 있는 의료 전문가와 함께 다루어야 합니다.

한눈에 보는 비교

특성	PhenoAge	KDM 생물학적 나이
주요 학습 목표	사망 위험	바이오마커 전반의 실제 나이 패턴
일반적 입력값	9가지 혈액 바이오마커 + 실제 나이	구성 가능한 임상 또는 기능 바이오마커 세트; 실제 나이도 추정기에 들어갈 수 있음
결과의 의미	비슷한 추정 사망 위험과 연관된 기준 집단의 나이	해당 적합 모델에서 개인의 다변량 바이오마커 프로필에 가장 잘 맞는 나이
표준화	널리 쓰이는 공개 임상 공식	유효한 구현 방식이 여럿 존재
주요 장점	고정된 위험 지향 벤치마크	여러 생리 체계를 유연하게 통합
주요 한계	선형 고정 공식은 특정 표지에 크게 반응할 수 있고 모든 비선형 임상 관계를 담지 못함	결과가 패널 선택과 집단 보정에 크게 좌우됨
최선의 추적 규칙	같은 공식, 단위, 검사 조건, 바이오마커 정의 사용	같은 학습 모델, 패널, 단위, 기준 집단, 검사 조건 사용

두 접근법 모두 인구 집단 기반 모델입니다. 어느 것도 조직이 존재해 온 실제 연수를 직접 재지 않으며, 어느 것도 어떤 중재가 근본적인 노화 속도를 바꾸었다고 증명하지 않습니다.

PhenoAge가 추정하도록 설계된 것

임상 Phenotypic Age는 미국 국민건강영양조사(NHANES) 자료를 바탕으로 개발되었습니다. 연구진은 수십 개의 일상 임상 지표를 선별하고, 실제 나이와 사망을 예측하는 9가지 바이오마커를 선택하기 위해 페널티 생존 모델을 사용했습니다.

입력값은 다음과 같습니다.

1. 알부민
2. 크레아티닌
3. 포도당
4. C-반응성 단백질
5. 림프구 비율
6. 평균 적혈구 용적
7. 적혈구 분포 폭
8. 알칼리성 인산분해효소
9. 백혈구 수
10. 실제 나이

이 모델은 먼저 사망 위험을 추정합니다. 그 뒤 기준 집단에서 비슷한 위험을 가질 평균적인 사람이 몇 살인지를 나이로 환산합니다. 이 두 번째 변환 때문에 결과가 연 단위의 익숙한 나이처럼 보입니다.

PhenoAge가 52세라고 해서 모든 장기가 생물학적으로 52세라는 뜻은 아닙니다. 이 모델이 그 나이에 해당하는 기준값과 비슷한 사망 위험 프로필을 부여했다는 의미입니다. 관련 지표인 PhenoAge acceleration은 실제 나이를 고려했을 때 결과가 예상보다 늙었는지 혹은 젊었는지를 묻습니다.

공개된 검증에서 Phenotypic Age는 여러 인구학적·건강 하위 집단에서 이환율과 사망률을 예측했습니다. 따라서 위험 지향적 요약 지표로 유용할 수 있습니다. 그렇다고 이 점수가 임상 진단이나 개인에게 보장된 예측이 되는 것은 아닙니다.

KDM 생물학적 나이가 추정하도록 설계된 것

KDM은 다른 경로를 택합니다. 기준 표본에서 선택된 각 바이오마커가 나이에 따라 어떻게 변하는지, 설명되지 않은 변동이 얼마나 남는지, 표지들이 서로 어떻게 관련되는지를 살펴봅니다. 이어 개인의 전체 바이오마커 패턴을 가장 잘 조화시키는 생물학적 나이를 찾습니다.

쉽게 말해 KDM은 다음을 묻습니다.

이 기준 모델에서 이 생리학적 측정값의 조합이 가장 그럴듯한 나이는 몇 살인가?

나이를 더 강하고 정확하게 추적하는 표지는 더 많은 정보를 제공할 수 있습니다. 나이와의 관계가 약하거나 잔차 잡음이 큰 표지는 보통 기여도가 낮습니다. 이 방법은 생물학적 나이 추정값 자체에 불확실성이 있다는 점도 고려합니다.

이는 강력한 틀이지만 중요한 결과를 낳습니다. 보편적으로 하나뿐인 KDM 숫자는 없습니다.

어떤 연구는 알부민, 크레아티닌, 포도당, 혈압, 폐 기능, 악력을 이용해 KDM을 만들 수 있습니다. 다른 연구는 다른 검사 패널을 쓸 수 있습니다. 한 모델은 성별별로 만들고, 다른 모델은 성별을 합칠 수 있습니다. 한 모델은 NHANES로, 다른 모델은 UK Biobank나 국가 코호트로 학습될 수 있습니다. 모두 KDM이라고 부를 수 있지만, 같은 결과를 낼 필요는 없습니다.

같은 혈액 검사에서 다른 나이가 나오는 이유

1. 모델이 최적화하는 목표가 다릅니다

PhenoAge는 사망을 예측하는 능력에 따라 변수를 선택하고 가중치를 부여했습니다. KDM은 전통적으로 실제 나이와의 관계 및 잔차 변동에 따라 변수에 가중치를 둡니다.

이 구분은 중요합니다. 어떤 바이오마커는 나이에 따라 매끄럽게 변하지 않아도 사망과 강하게 관련될 수 있습니다. 또 다른 표지는 실제 나이를 잘 추적하지만 단기 위험에 관한 독립적인 정보는 적을 수 있습니다. 알고리즘이 보상하는 특성이 다르므로 가중치도 달라집니다.

2. 바이오마커 패널은 일부만 겹칠 수 있습니다

표준 임상 PhenoAge 공식은 9가지 바이오마커와 실제 나이로 고정되어 있습니다. KDM은 구성할 수 있습니다. 온라인 계산기가 익숙한 일부 항목을 요구하더라도 다른 KDM 구현 방식과 비교하면 변수를 빼거나 더하거나 변환했을 수 있습니다.

10가지 검사실 표지로 만든 결과는 18가지 검사실·장기 기능 측정으로 만든 KDM과 직접 바꿔 쓸 수 없습니다. 패널 구성은 그 모델 안에서 “더 늙음”과 “더 젊음”이 무엇을 뜻하는지 바꿉니다.

3. 실제 나이가 들어가는 방식이 다릅니다

실제 나이는 PhenoAge의 사망 위험 모델에 명시적으로 포함됩니다. KDM에서는 구현 방식에 따라 실제 나이가 추정 공식의 추가 정보원으로 작용할 수 있습니다.

두 결과 모두 나이 관련 인구 패턴 쪽으로 끌어당기는 경향이 있지만, 그 강도와 논리는 같지 않습니다. 따라서 바이오마커 수치가 똑같고 실제 나이가 다른 두 사람에게도 같은 가속도 결과가 나오지 않을 수 있습니다.

4. KDM은 기준 집단에 좌우됩니다

KDM 계수는 데이터셋에서 추정됩니다. 연령 범위, 건강 상태, 성별 분포, 민족성, 국가, 검사 방법, 달력 시기가 바뀌면 바이오마커와 나이의 관계도 달라질 수 있습니다.

이는 단순한 기술적 각주가 아닙니다. 비교적 건강한 40~70세 성인으로 학습한 모델은 25세나 85세에서 다르게 작동할 수 있습니다. 어떤 모델이든 학습 범위를 크게 벗어나 적용하면 외삽이 되며, 정밀해 보이는 연 단위 숫자가 오해를 부를 수 있습니다.

PhenoAge도 미국 NHANES 개발 집단을 반영하지만, 널리 사용되는 임상 구현 방식은 대개 공개된 계수를 유지합니다. 반면 KDM 계산기는 같은 이름을 공유하면서도 서로 다른 보정을 담고 있을 가능성이 더 높습니다.

5. 단위와 변환 방식이 점수를 바꿀 수 있습니다

PhenoAge에는 정확한 단위가 필요합니다. C-반응성 단백질은 공개된 공식이 변환된 값을 사용하고, 계산기는 mg/L를 요구하는데 검사 보고서는 mg/dL로 표시할 수 있어 특히 흔한 오류 원인입니다. 크레아티닌, 포도당, 백혈구 수, 알칼리성 인산분해효소 역시 단위를 꼼꼼히 맞춰야 합니다.

KDM 구현 방식은 학습 파이프라인에 따라 입력값을 표준화하거나 로그 변환, 윈저라이징 등 다른 전처리를 할 수 있습니다. 계산기가 이 단계를 설명하지 않는다면 결과를 신뢰성 있게 재현하거나 비교할 수 없습니다.

놀라운 결과를 해석하기 전에 PhenoAge 변화와 검사실 잡음 가이드에서 단위와 입력값 점검을 해보세요.

6. 하나의 비정상 표지가 한 모델에서 더 큰 영향을 줄 수 있습니다

포도당, 알부민, 신장 표지, 혈구 수치는 훌륭하지만 감염 후 일시적으로 C-반응성 단백질이 높은 사람을 생각해 보세요.

PhenoAge는 고정된 사망 위험 지향 방정식이 CRP에 정해진 기여도를 부여하므로 눈에 띄게 움직일 수 있습니다. 여러 추가 측정값을 포함한 KDM 모델은 그 하나의 신호를 희석할 수 있고, 또는 기준 데이터에서 CRP가 신뢰할 만한 나이 기울기를 가진다면 강하게 반응할 수도 있습니다. 답은 적합된 KDM 버전에 달려 있습니다.

반대로 다른 혈액 화학은 양호하지만 악력과 폐 기능이 지속적으로 낮은 경우를 생각해 보세요. 기능 지표가 풍부한 KDM은 이 패턴을 포착할 수 있지만, 표준 임상 PhenoAge는 그 측정값을 입력으로 쓰지 않으므로 포착하지 못합니다.

어느 결과도 반드시 “틀린” 것은 아닙니다. 각 모델은 자신이 보도록 만들어진 변수만 봅니다.

세 가지 불일치 패턴과 시사점

패턴	그럴듯한 설명	다음 확인 사항
PhenoAge는 더 높고 KDM은 실제 나이 근처	사망 위험 가중 PhenoAge 표지 하나 이상이 불리하지만, 더 넓은 KDM 패턴은 나이에 전형적임	개별 PhenoAge 기여 항목, 단위, 염증, 최근 질병 확인
KDM은 더 높고 PhenoAge는 실제 나이 근처	KDM 패널에 PhenoAge에 없는 나이 민감 기능 또는 임상 측정값이 포함됨	정확한 KDM 패널과 결과를 주도한 표지 확인
둘 다 더 높거나 둘 다 더 낮음	여러 생리학적 신호가 모델 전반에서 일치할 수 있음	표준화된 조건과 재검에서의 지속성 확인

이는 진단이 아닌 해석 가설입니다. 계산기의 종합 나이가 포도당, 신장 기능, 염증, 혈구 수, 혈압 또는 다른 입력값의 임상적 해석을 대신해서는 안 됩니다.

혈액, 메틸화, 웨어러블 점수를 함께 보는 더 넓은 틀은 생물학적 나이 검사가 서로 다른 이유를 참고하세요.

어떤 계산기를 써야 할까요?

지원하려는 결정에 따라 선택하세요.

재현 가능한 사망 위험 지향 벤치마크가 필요하다면 PhenoAge를 사용하세요

필요한 검사 수치가 있고 널리 공개된 고정 공식을 이용한 결과를 비교하고 싶다면 PhenoAge가 더 명확한 선택입니다. 비교적 쉽게 재현·감사·재계산할 수 있습니다.

다음과 같은 경우 특히 유용합니다.

• 필요한 9가지 표지를 올바른 단위로 모두 보유한 경우
• 공개된 임상 Phenotypic Age 문헌과의 연속성을 원하는 경우
• 비슷한 조건에서 같은 패널을 반복 검사할 수 있는 경우
• 이 나이가 문자 그대로의 조직 나이가 아니라 위험 등가값 요약임을 이해하는 경우

더 넓은 생리학적 나이 모델이 필요하다면 KDM을 사용하세요

잘 문서화된 구현 방식이 여러 관련 체계를 결합하고, 당신과 비슷한 집단에 맞춰 보정되어 있다면 KDM이 더 적합할 수 있습니다.

다음과 같은 경우 특히 유용합니다.

• 정확한 바이오마커 패널과 계수가 공개된 경우
• 기준 집단과 유효 연령 범위가 문서화된 경우
• 앞으로도 같은 학습 모델을 이용할 수 있는 경우
• 하나의 고정된 사망 위험 지향 점수보다 다변량 생리학적 편차에 관심이 있는 경우

더 젊게 나온 결과를 기준으로 고르지 마세요

계산기 쇼핑은 거짓 정밀감을 만듭니다. 충분히 많은 공식을 시험하면 언젠가는 기분 좋은 숫자가 나옵니다. 그렇다고 그 결과가 당신의 질문에 더 타당해지는 것은 아닙니다.

대신 결과를 보기 전에 모델을 기록하세요. 그리고 방법을 고정하세요.

5가지 계산기 점검 항목

PhenoAge 또는 KDM 결과를 신뢰하기 전에 다음을 확인하세요.

1. 정체성: 계산기가 정확한 방법과 원 논문을 밝히는가?
2. 입력값: 필요한 모든 바이오마커와 허용 단위를 열거하는가?
3. 구현: KDM이라면 패널, 계수 또는 소프트웨어, 학습 집단, 유효 연령 범위를 공개하는가?
4. 재현성: 같은 값을 두 번 입력할 수 있고 결과를 내보내거나 기록할 수 있는가?
5. 해석: 불확실성을 설명하고 진단 또는 노화 방지 치료 주장을 피하는가?

도구가 정체성 또는 구현 점검을 통과하지 못한다면, 그 결과는 연구 수준의 PhenoAge나 KDM 추정치가 아니라 불투명한 앱 점수로 취급하세요.

시간에 따라 결과를 비교하는 방법

가장 안전한 종단 질문은 “내 진짜 생물학적 나이는 몇 살인가?”가 아닙니다. 다음과 같습니다.

비교 가능한 측정 조건에서 같은 모델이 일관되게 움직였는가?

다음 프로토콜을 사용하세요.

• 계산기 버전과 공식을 바꾸지 않습니다.
• 가능한 한 같은 검사실을 이용합니다.
• 공복 상태와 검사 시간을 맞춥니다.
• 급성 질병 중이거나 평소보다 매우 강도 높은 운동 직후에는 검사하지 않습니다.
• 약물과 보충제의 변화를 기록합니다.
• 최종 나이만이 아니라 원시 검사 수치를 저장합니다.
• 놀라운 결과는 계획을 바꾸기 전에 반복합니다.
• 어떤 입력값이 움직였는지, 그것이 임상적으로 의미 있는 방향인지 살핍니다.

작은 차이는 측정 오차와 모델 불확실성을 고려해 해석해야 합니다. 계산기에 소수점 한 자리까지 표시되어도 0.1년 단위로 정확하다는 뜻은 아닙니다. 생물학적 나이 신뢰구간 가이드는 화면의 정밀도가 모델의 확실성을 앞설 수 있는 이유를 설명합니다.

PhenoAge와 KDM을 평균 내지 마세요. 다르게 정의된 두 개념의 평균에는 확립된 임상적 의미가 없으며, 미래의 변화를 진단하기도 더 어려워집니다.

SuperAge가 PhenoAge와 KDM을 다루는 방법

SuperAge는 최종 점수가 근거와 연결되도록 설계되었습니다. 생물학적 나이 숫자를 판정처럼 제시하는 대신, iPhone에서 그 아래의 혈액 바이오마커, 추세, 계산 맥락을 정리하도록 돕습니다.

PhenoAge와 KDM이 갈릴 때 이 구분은 특히 중요합니다. 유용한 정보는 “49”와 “43” 사이의 차이 자체가 아니라, 다음과 같은 질문에 있습니다.

• 각 추정치를 이끈 바이오마커는 무엇인가?
• 계산에 올바른 단위를 사용했는가?
• 지난번에도 같은 방법을 사용했는가?
• 변화가 여러 체계에 걸쳐 나타나는가?
• 급성 사건이 그 움직임을 설명할 수 있는가?

더 넓은 방법 선택을 위해 후성유전학 시계와 혈액 바이오마커 나이를 비교해 보세요. 어떤 방법을 사용하든 의학적 결정은 검증된 임상 측정치와 전문가 진료에 근거해야 합니다.

자주 묻는 질문

PhenoAge가 KDM 생물학적 나이와 다른 이유는 무엇인가요?

두 방법은 서로 다른 수학적 목표를 사용하며, 서로 다른 바이오마커를 쓸 수도 있습니다. PhenoAge는 추정 사망 위험을 나이 등가값으로 환산합니다. KDM은 특정 기준 집단에서 다변량 바이오마커 패턴에 가장 잘 맞는 나이를 추정합니다.

PhenoAge가 KDM보다 더 정확한가요?

모든 목적에 통하는 보편적인 승자는 없습니다. 성능은 결과 변수, 코호트, 구현 방식, 바이오마커 이용 가능성에 따라 다릅니다. 비교 연구에서는 두 방법 모두 중요한 건강 결과를 예측할 수 있음을 보여줍니다. 당신의 질문에 목표와 검증이 맞는 모델을 고르세요.

모든 KDM 계산기는 같은 결과를 내나요?

아니요. KDM은 서로 다른 바이오마커와 집단으로 적합할 수 있는 모델링 방법입니다. 두 KDM 계산기는 모두 타당할 수 있지만 서로 다른 나이를 낼 수 있습니다. 신뢰할 만한 도구는 자기 모델을 문서화해야 합니다.

PhenoAge를 KDM 가속도와 비교할 수 있나요?

둘 다 예상보다 전반적으로 높거나 낮은 방향을 가리키는지는 살필 수 있지만, 연 단위 값은 직접 바꿔 쓸 수 없습니다. 시간에 따른 추적에서는 PhenoAge는 같은 PhenoAge 공식과, KDM은 같은 KDM 구현 방식으로 비교하세요.

PhenoAge와 KDM을 평균 내야 하나요?

아니요. 서로 다르게 학습된 점수를 평균 내도 검증된 “더 진짜” 생물학적 나이가 되지 않습니다. 또한 불일치를 만든 바이오마커나 모델을 숨길 수 있습니다.

어떤 결과를 의사와 상의해야 하나요?

임상 기준 범위를 벗어나거나 지속해서 변하는 검사실 또는 기능 수치를 상의하세요. 종합 생물학적 나이 결과는 맥락을 제공할 수 있지만, 진단이나 치료 목표는 아닙니다.

결론

PhenoAge와 KDM이 서로 다른 결과를 내는 이유는 생물학적 나이를 다르게 정의하기 때문입니다.

PhenoAge는 비슷한 모델 사망 위험에 해당하는 실제 나이가 몇 살인지를 묻습니다. KDM은 기준 집단에서 다변량 생리학적 프로필을 가장 잘 설명하는 나이가 몇 살인지를 묻습니다. 이를 이해하면 불일치는 망가진 계산기처럼 보이지 않고, 각 모델이 무엇을 강조하는지 보여주는 정보가 됩니다.

정해진 목적에 맞는 구현 방식 하나를 고르세요. 원시 입력값을 보존하세요. 반복 검사를 표준화하세요. 변화 뒤의 바이오마커를 조사하세요. 그리고 하나의 계산된 나이가 건전한 임상 해석보다 더 큰 비중을 차지하게 하지 마세요.

나이 뒤의 근거를 추적하세요

혈액 바이오마커, 생물학적 나이 맥락, 장기 추세를 한곳에 모으고 싶으신가요? SuperAge 다운로드를 통해 결과의 헤드라인 숫자만이 아니라 그 뒤의 입력값도 보존하세요.

참고문헌

1. Levine ME, Lu AT, Quach A, et al. An epigenetic biomarker of aging for lifespan and healthspan. Aging. 2018;10(4):573–591.
2. Liu Z, Kuo PL, Horvath S, Crimmins E, Ferrucci L, Levine M. A new aging measure captures morbidity and mortality risk across diverse subpopulations from NHANES IV. PLOS Medicine. 2018;15(12):e1002718.
3. Klemera P, Doubal S. A new approach to the concept and computation of biological age. Mechanisms of Ageing and Development. 2006;127(3):240–248.
4. Levine ME. Modeling the rate of senescence: can estimated biological age predict mortality more accurately than chronological age?. The Journals of Gerontology: Series A. 2013;68(6):667–674.
5. Kwon D, Belsky DW. A toolkit for quantification of biological age from blood chemistry and organ function test data: BioAge. GeroScience. 2021;43(6):2795–2808.
6. Parker DC, Bartlett BN, Cohen HJ, et al. Association of blood chemistry quantifications of biological aging with disability and mortality in older adults. The Journals of Gerontology: Series A. 2020;75(9):1671–1679.
7. Liu Z, Kuo PL, Horvath S, et al. No winners or losers: clinical chemistry-based biological aging metrics perform similarly across cohorts and health outcomes. The Journals of Gerontology: Series A. 2025;80(11):glaf179.

이 글은 교육 목적이며 의학적 조언, 진단 또는 치료를 제공하지 않습니다.