The Case Against the 'S': Is Functional Neurological Disorder(s) One Condition or Many?

이 논문은 697 명의 기능성 신경학적 장애 (FND) 환자를 대상으로 한 베이지안 모델 비교 분석을 통해, FND 가 여러 개의 이질적인 질환이 아니라 단일 병리생리학적 과정에 기인한 하나의 단일 질환임을 통계적으로 입증했습니다.

핵심

🧩 핵심 질문: "FND 는 하나의 거대한 퍼즐일까, 아니면 여러 개의 다른 퍼즐이 섞인 걸까?"

기능성 신경계 장애 (FND) 는 뇌나 척수에 물리적인 손상이 없는데도 마비, 떨림, 발작, 감각 이상 등 다양한 증상을 보이는 질환입니다. 환자들은 증상의 종류가 천차만별이라서, 의사들 사이에서도 "이건 정말 같은 병인가?" 하는 논쟁이 있었습니다.

• 주장 A (하나의 병): "증상은 다양하지만, 그 뿌리는 하나의 공통된 원인에서 비롯된 거야. 마치 같은 비가 내리면 땅에 따라 물웅덩이 모양이 다르지만, '비'라는 원인은 하나인 것과 같아."
• 주장 B (여러 개의 병): "아니야, 이건 서로 다른 여러 원인이 비슷한 증상을 만들어낸 거야. 마치 '기침'이라는 증상 하나로 감기, 천식, 알레르기 등 완전히 다른 병들을 모두 묶어놓은 것과 비슷해."

연구진은 이 논쟁을 해결하기 위해 697 명의 FND 환자 데이터를 분석했습니다.

🔍 연구 방법: "증상이라는 조각들을 어떻게 맞추는가?"

연구진은 두 가지 시나리오를 컴퓨터 모델로 만들어 비교했습니다.

1. 연속적인 모델 (하나의 병): 증상은 스케일 (계기) 위에 연속적으로 퍼져 있다고 가정합니다.
   • 비유: 색깔의 스펙트럼을 생각해보세요. 빨강에서 보라까지 색이 서서히 변하듯, 환자의 증상도 '약한 마비'에서 '심한 마비'까지, 혹은 '이 증상'과 '저 증상'의 조합이 부드럽게 이어져 있다는 겁니다.
2. 분리된 모델 (여러 개의 병): 환자들은 명확하게 나뉜 **그룹 (클래스)**으로 나뉜다고 가정합니다.
   • 비유: 색깔의 상자에 넣기를 생각해보세요. 빨간 공은 빨간 상자에, 파란 공은 파란 상자에 딱딱 들어맞아야 한다는 겁니다.

📊 연구 결과: "연속적인 스펙트럼이 정답이었다!"

연구 결과는 놀라웠습니다.

• 통계적 승리: 환자의 증상 데이터를 분석했을 때, **'연속적인 모델 (하나의 병)'**이 '분리된 모델 (여러 개의 병)'보다 훨씬 더 정확하게 설명했습니다.
• 경계의 모호함: 만약 여러 개의 병이 따로 존재한다면, 환자들 사이에 명확한 경계가 있어야 합니다. 하지만 분석 결과, 환자들의 증상 분포는 경계가 뚜렷하지 않고 서로 겹쳐져 있었습니다.
  • 비유: 마치 구름을 생각해보세요. 구름은 '구름 A'와 '구름 B'로 딱 잘라 나눌 수 없죠. 어느 구름에서 어느 구름으로 부드럽게 이어집니다. FND 환자들도 이 구름처럼, 서로 다른 증상들이 부드럽게 이어져 있는 하나의 연속체였습니다.

💡 결론: "하나의 공통된 길로 모이는 여러 가지 원인"

이 연구는 다음과 같은 결론을 내립니다.

1. FND 는 하나의 질병이다: 증상은 다양해 보이지만, 그 근본적인 구조는 **단 하나의 병리 과정 (Pathophysiological process)**을 공유합니다.
2. 원인은 여러 개일 수 있다: 하지만 이 하나의 병이 생기는 시작 원인은 다를 수 있습니다. (예: 심리적 스트레스, 외상, 감염 등 다양한 것이 있을 수 있음)
   • 비유: **강물 (증상)**이 바다로 흘러가는 것은 하나지만, 그 강물이 생기는 **샘 (원인)**은 여러 개일 수 있습니다. 샘은 달라도 강물이 바다로 합쳐지는 '흐름'은 동일합니다.
3. 치료와 연구의 방향: 앞으로 환자를 분류할 때 "이건 A 타입, 저건 B 타입"이라고 딱 잘라 나누기보다는, **"증상의 강도는 얼마나 강한가?", "어떤 방향으로 변하는가?"**와 같이 **연속적인 스펙트럼 (Dimensional variation)**으로 바라보는 것이 더 효과적일 것입니다.

🌟 한 줄 요약

"기능성 신경계 장애 (FND) 는 서로 다른 여러 병이 섞인 것이 아니라, 다양한 모양을 띠고 있지만 같은 뿌리에서 나온 하나의 질병입니다. 마치 같은 비가 내리면 땅에 따라 물웅덩이 모양이 다르지만, 그 본질은 '비'인 것과 같습니다."

이 연구는 FND 를 이해하는 방식을 '상자 나누기'에서 '스케일 측정하기'로 바꾸어, 더 정확한 치료와 연구를 이끌어낼 수 있는 중요한 발걸음이 되었습니다.

기술 요약

논문 요약: 기능성 신경학적 장애 (FND) 는 단일 질환인가, 여러 질환의 집합인가?

이 연구는 기능성 신경학적 장애 (Functional Neurological Disorder, FND) 가 임상적으로 하나의 단일 질환으로 존재하는지, 아니면 서로 다른 병리 기전을 가진 여러 질환이 하나의 진단 라벨 아래 잘못 통합된 것인지에 대한 근본적인 질문을 통계적 모델 비교를 통해 실증적으로 검증한 연구입니다.

1. 연구 배경 및 문제 제기 (Problem)

• 배경: FND 는 신경과에서 가장 흔한 질환 중 하나이지만, 그 기저 병리 기전에 대한 연구는 상대적으로 부족합니다.
• 논쟁: 학계와 임상 현장에서는 FND 를 "다양한 표현형을 가진 단일 질환 (단일 병리 기전)"으로 보는 시각과 "중복되는 증상을 보이는 여러 개의 별개 질환 (다중 병리 기전)"으로 보는 시각이 대립하고 있습니다.
• 문제: FND 가 여러 질환의 집합이라면, 이를 단일 진단 범주로 묶는 것은 의미 있는 차이를 흐리게 하고 치료 효과를 희석시킬 수 있습니다. 반대로 단일 질환이라면, 그 이질성을 설명할 수 있는 단일 병리 기전이 존재해야 합니다.
• 목표: 기존의 개념적 모델이나 임상 직관에 의존하지 않고, 대규모 증상 데이터를 기반으로 두 가지 가설 (단일 연속적 변이 vs. 다중 이산적 범주) 을 통계적으로 비교하여 FND 의 구조적 본질을 규명하는 것입니다.

2. 연구 방법론 (Methodology)

연구는 FND 연구 연결 (FND Research Connect) 데이터베이스에 등록된 697 명의 FND 환자가 보고한 19 가지 증상에 대한 데이터를 분석했습니다.

• 모델 비교 접근법:
  1. 잠재 특성 모델 (Latent Trait Models): FND 를 단일 질환으로 가정합니다. 증상은 하나의 또는 여러 개의 연속적인 잠재 차원 (latent dimensions) 을 따라 변이한다고 봅니다. (이산적 요인 분석/항목 반응 이론 기반)
  2. 잠재 클래스 분석 (Latent Class Analysis, LCA) 모델: FND 를 여러 개의 이산적인 하위 집단 (discrete entities) 으로 가정합니다. 각 클래스는 고유한 증상 패턴을 생성한다고 봅니다. (1 개에서 8 개까지의 클래스 수를 시도)
• 데이터 분석:
  • Python 환경의 Stepmix(LCA 모델용) 및 PyMC(잠재 특성 모델용) 패키지를 사용했습니다.
  • 모델 평가 지표: 환자 단위 K-폴드 교차 검증 (K-fold cross-validated) 을 통해 평균 로그 예측 밀도 (mean log predictive density) 를 계산하여 모델의 예측 성능을 비교했습니다.
  • 보조 분석: LCA 모델이 진정한 이산적 클래스를 포착한 것인지, 아니면 연속적 변이의 단순한 이산화 (discretisation) 인지를 확인하기 위해 유효 클래스 수 ($K_{eff}$), 사후 소속 불확실성 (boundary mass), 저차원 임베딩 (symptom similarity embedding) 등을 분석했습니다.

3. 주요 결과 (Key Results)

• 모델 적합도 비교:
  • **단일 질환 모델 (잠재 특성 모델)**이 **다중 질환 모델 (LCA)**보다 데이터를 훨씬 잘 설명했습니다.
  • 최적으로 적합된 연속적 잠재 특성 모델과 최적으로 적합된 이산적 LCA 모델 간의 로그 예측 밀도 차이는 0.12 였으며, 이는 예측 확률이 약 13% 향상되었음을 의미합니다.
  • 1 차원 모델을 제외하고, 모든 잠재 특성 모델이 최상의 LCA 모델보다 우월한 성능을 보였습니다.
• LCA 모델의 심층 분석:
  • 5 개 클래스로 구성된 최상위 LCA 모델에서 **유효 클래스 수 ($K_{eff}$)**는 1.38 로 나타났습니다. 이는 환자들이 명확히 구분된 클래스에 속하기보다, 평균적으로 1.38 개의 클래스에 걸쳐 분포하고 있음을 시사합니다.
  • 경계 불확실성 (Boundary mass): 환자의 22.4% 가 가장 확률이 높은 클래스에 속할 확률이 0.8 미만이었습니다. 이는 클래스 간 경계가 모호함을 의미합니다.
  • 임베딩 시각화: 증상 프로필의 Jaccard 거리를 기반으로 한 2 차원 임베딩 결과, 클래스 간에 명확한 간격 (gap) 이 없으며 중첩이 심하게 나타났습니다. 이는 LCA 가 포착한 '클래스'가 실제로는 연속적인 변이의 임의적인 절단 (discretisation) 일 가능성이 높음을 보여줍니다.
• 증상 차원의 특성:
  • 최적의 잠재 특성 모델은 4 개의 차원을 식별했습니다. 회전 (varimax rotation) 후 해석된 주요 증상 군은 다음과 같습니다:
    1. 근력 약화, 보행 장애, 체감각 증상
    2. 언어 장애
    3. 이인격/비현실감 및 근긴장이상 (dystonia)
    4. 이명, 배설 문제, 시각 증상

4. 주요 기여 및 결론 (Key Contributions & Conclusion)

• 실증적 증거 제시: FND 의 증상 구조가 단일 병리 기전 (또는 공통 경로) 에 의해 생성된 이질적인 표현형임을 통계적으로 입증했습니다.
• 이론적 함의:
  • FND 는 여러 개의 별개 질환이 아니라, **단일 질환 (단일 엔티티)**으로 보는 것이 증상 분포 데이터와 가장 부합합니다.
  • 만약 FND 발병에 여러 가지 원인 (유전, 심리적 요인 등) 이 존재하더라도, 이러한 원인들은 **공통된 병리 기전 (common pathway)**으로 수렴하여 동일한 임상 증후군을 만들어낸다고 해석됩니다. 즉, 원인 (upstream mechanisms) 은 다양할 수 있으나, 결과 (phenotype) 는 단일 기전에 의해 지배됩니다.
• 임상적 시사점:
  • 증상 기반의 이산적 하위 유형 (categorical subtypes) 으로 환자를 분류하는 시도는 효과가 없을 수 있습니다.
  • 향후 연구 및 치료 전략은 연속적인 변이 (dimensional variation), 위험 요인, 인과 요인, 장기적 경과, 그리고 치료 반응에 초점을 맞추는 것이 더 생산적일 것입니다.

5. 연구의 의의 및 한계 (Significance & Limitations)

• 의의: FND 연구 분야에서 오랫동안 논쟁이 되어온 '단일 vs 다중' 문제에 대해, 개념적 추론이 아닌 대규모 데이터 기반의 통계적 모델 비교를 통해 명확한 실증적 답을 제시했습니다. 이는 FND 의 진단 및 분류 체계 개편에 중요한 근거를 제공합니다.
• 한계:
  • 데이터가 자기 보고식 (self-reported) 이며 이진 (binary) 형식이므로 증상 심각도의 차이를 반영하지 못했을 수 있습니다.
  • 횡단적 (cross-sectional) 분석이므로 생체 표지자 (biomarkers) 나 장기적 궤적을 통한 구별 가능성을 배제할 수는 없습니다.
  • 그러나 이러한 한계는 오히려 연속적 변이를 발견하기 어렵게 만드는 요인이므로, 연구자가 발견한 '연속적 모델의 우월성' 결론을 더욱 강화하는 방향으로 작용합니다.

요약하자면, 이 연구는 FND 가 여러 개의 다른 질환이 아니라, 단일한 병리 기전이 다양한 방식으로 발현되는 하나의 질환임을 통계적으로 입증하였으며, 이에 따라 FND 연구의 방향성을 '이산적 분류'에서 '연속적 차원'으로 전환할 것을 제안합니다.