Identification of Suicide-Related Subgroups Using Latent Class Analysis: Complementary Insights to Explainable AI-Based Classification

이 연구는 스리랑카의 자해 환자 데이터를 기반으로 잠재 클래스 분석을 수행하여 자살 위험이 높은 이질적인 하위 집단을 식별하고, 이를 설명 가능한 인공지능 (XAI) 기반 분류 모델의 결과와 비교하여 두 접근법이 상호 보완적인 통찰을 제공함을 입증했습니다.

핵심

이 연구 논문은 **자살 위험을 가진 사람들을 어떻게 더 잘 이해하고 분류할 수 있을까?**라는 질문에 답하기 위해, 두 가지 서로 다른 '안경'을 써서 데이터를 바라본 흥미로운 연구입니다.

간단히 말해, **"자살 위험은 모두 똑같은 모양이 아니다"**라는 것을 증명하고, 인공지능 (AI) 만으로는 놓칠 수 있는 중요한 '그룹'들을 찾아냈다는 이야기입니다.

이 내용을 일상적인 비유와 함께 쉽게 설명해 드릴게요.

---

1. 연구의 배경: "모든 자살 위험은 똑같은 병이 아니다"

자살이나 자해는 매우 복잡한 문제입니다. 과거에는 AI(인공지능) 를 이용해 "이 사람이 자살할 확률이 얼마나 높은가?"를 개인별로 계산하는 연구들이 많았습니다. 마치 병원에서 환자의 혈압을 재서 "위험하다"고 경고하는 자동 기계처럼 말이죠.

하지만 저자들은 의문을 가졌습니다.

"AI 가 '위험하다'고 말해도, 그 위험을 느끼는 사람들의 내면과 상황이 모두 다를 텐데, 우리는 그 차이를 제대로 알고 있는 걸까?"

예를 들어, A 는 "우울해서 자살을 생각했다"고 하고, B 는 "화나고 외로워서 자살을 생각했다"고 한다면, 둘은 같은 '위험군'이지만 치료법이 달라야 할 수도 있습니다.

2. 연구 방법: 두 가지 다른 '안경'

이 연구는 같은 데이터 (스리랑카의 1,000 명 환자 기록) 를 가지고 두 가지 다른 방법으로 분석했습니다.

• 첫 번째 안경 (기존 AI): 개별 예측 안경입니다. "이 사람은 자살할 확률이 90% 입니다"라고 개인에게 점수를 매깁니다. (지도 학습)
• 두 번째 안경 (이 연구의 방법, LCA): 그룹 분류 안경입니다. "이 1,000 명을 서로 비슷한 특징을 가진 4 개의 팀으로 나누자"라고 합니다. (비지도 학습)

3. 연구 결과: 발견된 4 개의 '팀' (클래스)

두 번째 안경 (그룹 분류) 을 통해 1,000 명은 놀랍게도 4 개의 완전히 다른 팀으로 나뉘었습니다.

🟢 팀 1 & 팀 3: "안전한 그룹" (자살 위험 매우 낮음)

• 특징: 대부분 직장이 있고, 정신과 병력이 거의 없으며, 감정적으로 안정되어 있습니다.
• 비유: 마치 평화로운 마을처럼, 자살 위험이 거의 없는 사람들이 모인 곳입니다.
• 차이점: 팀 1 은 여성이 많고 불교 신자가 많았고, 팀 3 은 나이가 많고 다른 종교 (이슬람, 기독교 등) 신자가 많았습니다. 둘 다 안전하지만, 구성원이 조금 다릅니다.

🔴 팀 2 & 팀 4: "위험한 그룹" (자살 위험 매우 높음)

이 두 팀은 자살 위험이 90%~99% 로 매우 높았지만, 원인이 완전히 달랐습니다.

• 팀 4: "병원 입원 경력 있는 고위험군"
  • 특징: 과거에 정신과에 입원한 적이 100% 있습니다. 우울증, 양극성 장애 등 진단을 받은 경우가 많고, 자살 시도가 많았습니다.
  • 비유: 중환자실에 있는 환자들입니다. 이미 병이 명확하게 드러나 있고, 의료 기록이 뚜렷합니다.
• 팀 2: "입원 기록 없는 고위험군" (이 부분이 가장 중요!)
  • 특징: 정신과 입원 기록이 거의 없습니다 (11% 만 있음). 하지만 화남, 외로움, 수면 장애, 사회적 고립이 매우 심합니다.
  • 비유: 집에서 혼자 고통받는 사람들입니다. 병원에 가본 적은 없지만, 마음속에는 엄청난 폭풍이 일고 있습니다. 특히 나이가 많은 남성들이 많았습니다.

4. 핵심 발견: AI 와의 비교 (왜 이 연구가 중요한가?)

기존의 AI 모델 (첫 번째 안경) 은 "화남, 외로움, 정신과 입원" 등을 중요한 요소로 꼽았습니다.

• 일치하는 점: AI 가 중요하다고 한 '화남, 외로움'은 두 위험 그룹 (팀 2 와 4) 모두에서 공통적으로 나타났습니다.
• 새로운 통찰 (이 연구의 성과):
  • AI 는 "정신과 입원"을 중요한 요소로 봤지만, 이 연구는 **"정신과 입원이 없는 사람들도 (팀 2) 자살 위험이 매우 높을 수 있다"**는 것을 구체적으로 보여주었습니다.
  • 즉, **병원 기록이 없어도 자살 위험이 높은 '숨겨진 그룹'**이 존재한다는 것을 발견한 것입니다.

5. 결론: 두 가지 안경을 함께 쓰자

이 연구는 다음과 같은 메시지를 전달합니다.

"AI 가 개인에게 위험 점수를 매기는 것 (개인별 진단) 만으로는 부족합니다. 우리가 **어떤 '유형'의 사람들이 위험한지 (그룹별 이해)**를 함께 알아야 더 정확한 도움을 줄 수 있습니다."

마치 비유하자면:

• **AI(개인 예측)**는 "이 차는 고장 날 확률이 90% 입니다"라고 알려줍니다.
• **이 연구(그룹 분류)**는 "고장 난 차 중에는 엔진이 터진 차도 있고, 타이어가 펑크 난 차도 있습니다. 둘 다 고장 난 차지만, 수리 방법이 다르죠?"라고 알려줍니다.

요약

이 논문은 자살 위험을 가진 사람들이 단 하나의 덩어리가 아니라, 서로 다른 특징을 가진 여러 그룹으로 나뉘어 있음을 증명했습니다. 특히 병원 기록이 없는 사람들도 심각한 위험군일 수 있음을 발견함으로써, 앞으로 자살 예방 정책이나 치료 계획을 세울 때 더 세밀하고 맞춤형으로 접근해야 함을 제안합니다.

"모두를 같은 방식으로 치료할 수 없습니다. 그들의 '그룹'을 이해해야 진짜 구할 수 있습니다."

기술 요약

1. 연구 배경 및 문제 제기 (Problem)

• 자살 및 자해의 이질성: 자살과 자해는 인구통계학적, 심리사회적, 임상적 요인에 의해 형성된 복잡한 현상으로, 위험 프로필에 상당한 이질성 (heterogeneity) 을 보입니다.
• 기존 접근법의 한계: 최근 기계 학습 (ML) 과 설명 가능한 인공지능 (XAI) 기반 모델이 개인 수준의 자살 위험 예측에서 성과를 보이고 있지만, 이러한 지도 학습 (Supervised Learning) 방식은 주로 개별 예측에 초점을 맞추고 있어, 인구 수준의 패턴이나 잠재된 하위 그룹의 이질성을 완전히 포착하지 못할 수 있습니다.
• 연구 간극: 자살 연구에서 잠재 클래스 분석 (LCA) 이 사용되기도 하고 ML 이 사용되기도 하지만, 잠재 클래스에서 도출된 위험 프로필 (인구 수준) 과 머신러닝 기반의 특징 중요도 (개별 수준) 간의 상관관계를 직접적으로 비교한 연구는 부재했습니다.

2. 연구 방법론 (Methodology)

• 데이터 소스: 스리랑카 콜롬보 사우스 테이칭 병원에서 수집된 공개 데이터셋 (1,000 명, 자살 사망자 500 명, 비자살자 500 명) 을 2 차 분석했습니다.
• 변수 처리:
  • 기존 ML 연구에서 사용된 사회인구학적, 임상적, 심리사회적 변수를 활용했습니다.
  • LCA 모델의 요구 사항에 따라 '연령'을 연속형이 아닌 범주형으로, '직업'을 '취업/실업'으로 이분화하여 처리했습니다.
  • 자살 결과 (Outcome) 변수는 LCA 모델 학습에는 포함하지 않고, 클래스 할당 후 하위 그룹의 특성을 설명하는 데 사용했습니다.
• 분석 기법:
  • 잠재 클래스 분석 (LCA): R 의 poLCA 패키지를 사용하여 2 개부터 10 개까지의 클래스를 가정하며 최적 모델을 탐색했습니다.
  • 모델 적합도 평가: 일관된 아카이케 정보 기준 (cAIC), 베이지안 정보 기준 (BIC), Lo-Mendell-Rubin 비율 검정 (LMR-LRT), 엔트로피 (Entropy) 를 기준으로 최적의 클래스 수를 결정했습니다.
  • 비교 분석: 도출된 LCA 하위 그룹의 프로필을 기존에 발표된 XAI 기반 자살 위험 평가 연구 (SHAP 값 기반 특징 중요도) 의 결과와 정성적으로 비교했습니다.

3. 주요 결과 (Key Results)

LCA 를 통해 4 개의 잠재 클래스가 식별되었으며, 각 클래스는 자살 유병률과 임상적 프로필에서 뚜렷한 차이를 보였습니다.

A. 식별된 4 개 클래스의 특성

1. Class 1 (저위험군, 36%):
   • 자살 유병률: 0.6%
   • 특성: 낮은 정서적 고통 (분노, 슬픔, 사회적 고립 등), 낮은 정신과적 이환율, 높은 취업률 (95%), 여성 비율이 높음 (51.6%).
2. Class 2 (고위험군, 33%):
   • 자살 유병률: 91.2%
   • 특성: 높은 정서적/사회적 고통 (분노 80.1%, 사회적 고립 75.6% 등), 낮은 정신과 입원 이력 (11.3%), 많은 수의 정신과 진단이 없음. 상대적으로 고령층 비율이 높음.
3. Class 3 (저위험군, 12%):
   • 자살 유병률: 0.9%
   • 특성: 고령, 신체적 질환 (만성 통증 등) 이 많으나 심리사회적 고통은 낮음. 종교적 구성이 다름 (불교 0%, 이슬람/기독교 다수).
4. Class 4 (초고위험군, 20%):
   • 자살 유병률: 99.0%
   • 특성: 100% 평생 정신과 입원 이력, 높은 과거 자살 시도 및 자해 행동, 우울증/양극성 장애 등 높은 정신과적 진단 비율, 낮은 취업률 (60.2%).

B. XAI (SHAP) 분석 결과와의 비교

• 공통점: 기존 XAI 연구에서 자살 예측에 가장 큰 영향을 미친 변수들 (분노, 슬픔, 사회적 고립 등 정서적/사회적 고통) 이 본 연구의 두 개의 고위험군 (Class 2, Class 4) 에서 모두 극도로 높게 나타났습니다. 이는 다양한 임상적 배경을 가진 집단에서도 공통된 핵심 위험 요인이 존재함을 시사합니다.
• 차이점 (보완적 통찰):
  • XAI 모델에서는 '평생 정신과 입원'이 중요한 특징으로 나타났으나, LCA 결과에서는 이 변수가 Class 4(100%) 에만 해당하고 Class 2(11.3%) 에서는 거의 존재하지 않았습니다.
  • 이는 정신과 입원 이력이 있는 집단뿐만 아니라, 입원 이력이 없더라도 심각한 정서적 고통을 겪는 집단 (Class 2) 도 높은 자살 위험을 가진다는 점을 LCA 를 통해 발견할 수 있었습니다.
  • 교육 수준, 성별, 직업 상태 등 인구통계학적 요인이 하위 그룹을 구분하는 데 중요한 역할을 함을 확인했습니다.

4. 주요 기여 및 의의 (Contributions & Significance)

1. 이질성의 구체화: 자살 위험을 가진 집단이 단일한 군집이 아니라, 서로 다른 임상적, 심리사회적 프로필을 가진 여러 하위 그룹으로 나뉠 수 있음을 입증했습니다. 특히 '정신과 입원 이력이 있는 고위험군'과 '입원 이력이 없는 고위험군'을 구분해냈습니다.
2. 비지도 학습과 지도 학습의 상호 보완성:
   • XAI (지도 학습): 개별 예측에 중요한 전역적 특징 (Global Features) 을 식별합니다.
   • LCA (비지도 학습): 이러한 특징들이 어떻게 조합되어 특정 하위 그룹 (Population-level Phenotypes) 을 형성하는지, 그리고 인구 수준의 맥락을 제공합니다.
   • 두 접근법을 결합하면 개별 예측의 해석 가능성 (Interpretability) 을 높이고, 더 포괄적인 자살 평가 프레임워크를 구축할 수 있습니다.
3. 임상적 함의: 모든 고위험 환자가 동일한 임상적 경력을 가진 것은 아니므로, 임상 현장에서는 정서적 고통과 사회적 고립 같은 보편적 위험 요인뿐만 아니라, 정신과적 서비스 이용 이력 유무에 따라 차별화된 개입 전략이 필요함을 시사합니다.

5. 결론

이 연구는 잠재 클래스 분석 (LCA) 을 통해 자살 관련 하위 그룹을 식별하고, 이를 설명 가능한 AI(XAI) 의 특징 중요도 분석 결과와 비교함으로써, 비지도 학습과 지도 학습이 자살 위험 이해에 있어 상호 보완적인 통찰을 제공한다는 것을 입증했습니다. 향후 연구에서는 LCA 로 식별된 클래스 멤버십을 지도 학습 모델의 입력 변수로 통합하여 예측 성능과 해석 가능성을 동시에 향상시키는 방향이 제안됩니다.