Cognition and Electrophysiology Clustering in Clinical High Risk for Psychosis Delineates Distinct Dimensions of Heterogeneity: Implications for Multimodal Clustering

이 연구는 NAPLS 2 및 3 데이터를 활용해 임상 고위험군 (CHR) 에서 인지 및 전기생리학적 지표를 결합한 무감독 군집화를 수행한 결과, 발달적 맥락을 고려하지 않은 다중모드 군집화는 의미 있는 하위 유형을 흐릴 수 있음을 시사하며, 오히려 인지 기능 저하와 특정 뇌파 반응 (N100, MMN, P300) 이 더 크고 기능적 장애가 심한 하위 집단을 식별하는 데 도움이 될 수 있음을 보여줍니다. **더 간결한 한 문장 요약:** 이 연구는 임상 고위험군 (CHR) 에 대한 인지 및 전기생리학적 다중모드 군집화 분석을 통해, 발달적 맥락을 고려하지 않은 접근법은 의미 있는 하위 유형을 흐릴 수 있음을 시사하면서도, 인지 저하와 특정 뇌파 이상을 보이는 명확한 하위 집단을 식별할 수 있음을 NAPLS 2 및 3 데이터를 통해 입증했습니다.

핵심

이 논문은 정신건강 분야에서 매우 중요한 질문을 던집니다. "정신병 (조현병 등) 이 오기 직전인 '위험군' 사람들은 모두 똑같은 걸까, 아니면 서로 다른 유형으로 나눌 수 있을까?"

연구팀은 이 질문에 답하기 위해 수백 명의 젊은이들을 대상으로 두 가지 다른 도구로 측정을 했습니다.

1. 인지 테스트: 기억력, 집중력, 문제 해결 능력 등을 보는 '두뇌 시험'.
2. 뇌파 (EEG) 측정: 뇌가 소리에 반응할 때 나오는 전기 신호를 보는 '뇌의 심전도'.

이 두 가지 데이터를 합쳐서 사람들을 그룹으로 묶어보려 했지만, 결과는 예상과 조금 달랐습니다. 연구팀이 발견한 내용을 일상적인 비유로 설명해 드릴게요.

---

🧩 비유 1: "모자이크 퍼즐"과 "혼란스러운 섞임"

연구팀은 마치 거대한 모자이크 퍼즐을 맞추려는 심정으로 시작했습니다.

• 인지 데이터는 퍼즐의 '색깔'이라고 치고,
• 뇌파 데이터는 퍼즐의 '무늬'라고 합시다.

이론적으로는 색깔과 무늬를 함께 보면 퍼즐 조각들이 더 명확하게 구분되어 **명확한 두 개의 그룹 (유형)**이 나올 것이라고 기대했습니다. 마치 "색이 붉고 무늬가 줄무늬인 A 형"과 "색이 파르고 무늬가 점무늬인 B 형"처럼요.

하지만 실제로 두 데이터를 섞어 보니, 퍼즐 조각들이 완벽하게 딱딱 떨어지지 않고 서로 겹치는 부분이 많았습니다. 마치 색깔과 무늬가 서로 다른 기준으로 조각이 나뉘어 있어서, 한 조각이 A 형일 수도 있고 B 형일 수도 있는 모호한 상태가 된 것입니다.

🧠 비유 2: "두뇌 시험"과 "뇌의 소리"의 시간 차이

왜 이런 일이 일어났을까요? 연구팀은 흥미로운 가설을 세웠습니다. 바로 '시간의 차이' 때문입니다.

• 인지 능력 (두뇌 시험): 이는 마치 **태어날 때부터 가지고 있는 '체력'**과 같습니다. 어릴 때부터 서서히 약해지기 시작해서, 정신병 증상이 나타나기 훨씬 전부터 이미 차이가 나고 있습니다.
• 뇌파 (뇌의 소리): 이는 마치 **질병이 진행되면서 생기는 '감기 기운'**과 같습니다. 증상이 막 시작되거나 심해질 때 뇌의 전기 신호에 더 큰 변화가 생깁니다.

즉, 인지 능력은 일찍 변하고, 뇌파는 나중에 변합니다. 연구팀은 이 두 가지가 서로 다른 시간에 변하기 때문에, 같은 시점에 두 가지를 섞어서 그룹을 나누려니 서로 다른 기준이 충돌하여 명확한 그룹을 만들기 어렵다고 설명합니다.

🔍 연구 결과가 말해주는 것: "약한 신호"와 "강한 신호"

그럼에도 불구하고 연구팀은 약간의 패턴을 발견했습니다.

1. 그룹 1 (더 어려운 상태):

   • 두뇌 시험 점수: 낮음 (기억력, 집중력 등 전반적으로 어려움).
   • 사회생활: 더 어려움.
   • 증상 시작 시기: 더 어릴 때부터 시작됨.
   • 뇌파 신호: 의외로 신호가 더 강하게 나타남. (일반적으로 뇌파 신호가 약하면 병이 심하다고 생각하는데, 이 그룹은 오히려 뇌가 소리에 과민하게 반응하거나 에너지를 많이 써서 신호가 컸습니다. 마치 고장 난 기계가 더 큰 소음을 내는 것과 비슷합니다.)

2. 그룹 2 (상대적으로 덜 어려운 상태):

   • 두뇌 시험 점수가 더 높고, 사회생활도 더 잘 합니다.
   • 뇌파 신호는 상대적으로 덜 강하게 나타납니다.

💡 결론: "한 번에 다 잡으려 하지 말자"

이 연구의 가장 중요한 교훈은 **"모든 것을 한 번에 섞어서 분석하는 것 (다중 모드) 이 항상 좋은 것은 아니다"**라는 점입니다.

• 과거의 생각: "뇌파와 인지 테스트를 같이 보면 더 정확한 그룹을 찾을 수 있겠지!"
• 이 연구의 발견: "아니, 이 두 가지는 발생하는 시기와 원인이 다르다. 그래서 섞으면 오히려 중요한 차이를 흐려버릴 수 있다."

마무리 비유:
마치 식물을 키우는 것과 같습니다.

• 인지 능력은 식물의 뿌리입니다. 뿌리가 약하면 식물이 자라기 어렵습니다.
• 뇌파 변화는 식물이 병에 걸렸을 때 잎이 누렇게 변하는 것입니다.

연구팀은 "뿌리 상태 (인지) 와 잎의 상태 (뇌파) 를 동시에 측정해서 식물의 종류를 분류하려니, 뿌리는 이미 약해졌지만 잎은 아직 멀쩡한 경우와, 잎이 누렇게 변했지만 뿌리는 튼튼한 경우가 섞여서 분류가 어렵다"고 말합니다.

따라서 앞으로는:

1. 시간을 고려해야 한다: 뇌파와 인지 능력은 언제 변하는지 그 '시간표'를 이해해야 한다.
2. 별도로 보다가 합쳐야 한다: 처음에는 각기 다른 도구로 따로 분석하고, 그 결과를 발전 단계에 맞춰서 해석해야 더 의미 있는 그룹을 찾을 수 있다.

이 연구는 정신병 위험군을 이해하는 데 있어, "단순히 데이터를 많이 모으는 것"보다 "데이터가 어떤 시기에, 어떤 의미로 변하는지 이해하는 것"이 더 중요하다는 중요한 메시지를 전달합니다.

기술 요약

1. 연구 배경 및 문제 제기 (Problem)

• 정신병 고위험군 (CHR) 의 이질성: 임상적 정신병 고위험군 (Clinical High Risk for Psychosis, CHR) 은 인지 기능, 신경생리학적 특징, 임상적 경과에 있어 매우 이질적입니다. 기존의 단일 진단 범주는 이러한 생물학적 이질성을 가릴 수 있습니다.
• 다중모달 접근의 한계: 기존 연구들은 다중모달 데이터 (인지 + 전기생리학) 를 결합하여 하위 그룹 (서브타입) 을 식별하는 것이 단일 모달보다 우월할 것이라고 가정해 왔습니다. 특히 만성 정신분열증이나 조울증 환자군에서 인지 및 전기생리학적 데이터 (EEG/ERP) 를 결합한 클러스터링 (예: Biotypes) 이 성공적으로 수행된 바 있습니다.
• 연구의 공백: 그러나 CHR 단계에서 인지 (Cognition) 와 전기생리학 (Electrophysiology, EEG/ERP) 데이터를 동시에 활용한 클러스터링 연구는 부재했습니다. 두 모달리티가 발달적 시기와 메커니즘이 다를 수 있음에도 불구하고, 이를 단순히 결합하여 클러스터링하는 것이 의미 있는 하위 그룹을 도출할 수 있는지에 대한 검증이 필요했습니다.

2. 연구 방법론 (Methodology)

• 데이터 소스: 북미 정신병 위험 종단 연구 (NAPLS) 의 두 번째 (NAPLS-2, N=764) 및 세 번째 (NAPLS-3, N=628) 코호트 데이터를 사용했습니다. NAPLS-2 를 발견 (Discovery) 표본으로, NAPLS-3 을 외부 검증 (External Validation) 표본으로 활용했습니다.
• 측정 도구:
  • 인지: MATRICS 합의 인지 배터리 (MCCB) 를 기반으로 한 다양한 신경인지 과제 (기억력, 주의력, 작업 기억 등).
  • 전기생리학 (EEG/ERP): 불일치 부정 (MMN), N100, P300 (P3a, P3b) 등 다양한 사건 관련 전위 (ERP) 성분의 진폭과 잠복기 측정.
• 클러스터링 알고리즘:
  • 비지도 학습 (Unsupervised Learning) 을 적용했습니다.
  • DIANA (Divisive ANAlysis Clustering) 를 주 알고리즘으로 사용했으며, K-means, Agnes 등 다른 알고리즘도 비교 검증했습니다.
  • 확률론적 접근 (Probabilistic Approach): 이산적 (Discrete) 인 클러스터 할당 대신, 가우시안 혼합 모델 (GMM) 을 사용하여 각 참여자가 특정 클러스터에 속할 확률 (후방 확률, Posterior Probabilities) 을 산출했습니다. 이는 클러스터 간 경계가 모호할 경우 (약한 분리성) 더 적합한 접근법입니다.
• 통계 분석: 후방 확률과 인지, 전기생리학적 변수, 임상적/기능적 결과 (사회 기능, 역할 기능, 증상 발병 시기, 전환 여부 등) 간의 상관관계를 분석했습니다. 연령을 공변량으로 통제했습니다.

3. 주요 결과 (Key Results)

• 클러스터 분리도의 한계:
  • NAPLS-2 와 NAPLS-3 모두에서 인지 + 전기생리학 데이터를 결합한 클러스터링은 약한 분리성 (Modest/Weak Separability, 실루엣 점수 0.30.4) 을 보였습니다. 이는 명확한 두 개의 이산적 그룹으로 나뉘기보다는 연속적인 분포를 가짐을 시사합니다.
  • 따라서 연구는 이산적 클러스터링 대신 후방 확률 (Posterior Probability) 을 기반으로 한 확률론적 분석을 채택했습니다.
• 클러스터 특성 (Cluster 1 vs Cluster 2):
  • Cluster 1 (확률 높음): 전반적으로 인지 기능이 낮고, 사회적 기능이 떨어지며, 증상 발병 연령이 더 젊었습니다.
  • 전기생리학적 역설 (Paradox): 일반적인 문헌 (CHR 대 대조군 비교) 에서는 ERP 진폭 감소가 위험과 연관되지만, 본 연구 내 CHR 하위 그룹 간 비교에서는 Cluster 1 (인지/기능 저하군) 에서 MMN, N100, P300 의 진폭이 더 크게 나타났습니다.
    • 이는 "과도한 감각 이득 (Sensory Gain)" 또는 "비효율적인 신경 조절"로 해석될 수 있으며, 초기 감각 처리의 과흥분이 인지 효율 저하로 이어질 가능성을 시사합니다.
• 임상적 결과와의 연관성:
  • Cluster 1 에 속할 확률이 높은 참여자는 사회적 기능 (GF: Social) 이 낮았고, 증상 발병 시기가 더 빨랐습니다.
  • 그러나 정신병으로의 전환 (Conversion) 여부나 증상 완화 (Remission) 여부와는 유의미한 연관성이 발견되지 않았습니다.
• 검증 (NAPLS-3): NAPLS-3 데이터에서도 NAPLS-2 와 유사한 패턴 (Cluster 1 의 인지 저하 및 큰 ERP 진폭) 이 재현되었습니다.

4. 주요 기여 및 논의 (Key Contributions & Discussion)

• 발달적 관점의 중요성 강조:
  • 인지 기능의 결함은 유전적 고위험 단계에서 일찍 나타나며 비교적 안정적인 '특성 (Trait)'인 반면, 전기생리학적 이상 (예: P300 감소) 은 증상 발병 시점에 더 가깝게 나타나거나 질병 진행에 따라 변화하는 '상태 (State)'적 특성을 가질 수 있습니다.
  • 서로 다른 발달 시기를 가진 두 모달리티를 단순히 결합하여 클러스터링하면, 의미 있는 하위 그룹을 식별하는 대신 이질성을 희석 (Obscure) 시킬 수 있음을 보여줍니다.
• 다중모달 클러스터링의 재고:
  • 만성 정신질환 단계에서는 인지 + 전기생리학 클러스터링이 성공적이었으나, CHR 단계에서는 발달적 맥락 (Developmental Trajectory) 을 고려하지 않은 '무분별한 결합 (Kitchen Sink approach)'은 오히려 생물학적으로 의미 있는 하위 유형을 흐리게 할 수 있음을 시사합니다.
  • 두 모달리티는 완전히 일치하지 않는 '서로 다른 이질성의 축 (Distinct Dimensions of Heterogeneity)'을 측정하고 있을 가능성이 높습니다.
• 임상적 함의:
  • CHR 단계에서 인지 기능은 초기 위험 및 기능 예후의 안정적인 지표로, 전기생리학적 지표는 질병 진행 및 전환 예측에 더 민감할 수 있습니다.
  • 향후 연구는 단일 시점의 다중모달 데이터보다는 종단적 (Longitudinal) 으로 각 모달리티의 발달 궤적을 추적하는 접근이 필요함을 강조합니다.

5. 의의 및 결론 (Significance & Conclusion)

이 연구는 정신병 고위험군 (CHR) 의 이질성을 이해하기 위해 다중모달 데이터를 활용하는 현재의 경향에 대해 중요한 방법론적 경고와 통찰을 제공합니다.

1. 방법론적 교훈: 단순히 데이터의 양을 늘리기 위해 다양한 모달리티를 결합하는 것만으로는 의미 있는 생물학적 하위 그룹을 찾을 수 없으며, 각 지표의 발달적 타이밍과 생물학적 메커니즘을 이론적으로 고려한 클러스터링 전략이 필수적입니다.
2. 신경생리학적 통찰: CHR 내에서도 인지 저하와 큰 ERP 진폭이 공존하는 하위 그룹이 존재할 수 있으며, 이는 단순한 '결손'이 아닌 비효율적인 신경 조절 또는 보상 기제의 결과일 수 있음을 시사합니다.
3. 미래 방향: 정신병 위험의 하위 유형을 규명하기 위해서는 인지 및 전기생리학적 지표가 어떻게 시간에 따라 분화되는지를 보여주는 종단적 연구와 발달 기반 모델링이 필수적입니다.

요약하자면, 이 논문은 "더 많은 데이터 (다중모달) 가 항상 더 나은 분류를 의미하는 것은 아니며, 특히 발달 단계가 다른 지표들을 결합할 때는 신중한 이론적 틀이 필요하다"는 점을 강력하게 주장합니다.