Refining E-detectioN Tools for Emerging mental disoRders (ENTER) to identify young people at clinical high risk for psychosis in the community: model development and internal validation
본 연구는 지역사회 환경에서 정신병 고위험군인 청년들을 식별하는 데 있어 기존의 PQ-16 컷오프보다 우수한 변별력과 교정력을 입증한 다중 모드 디지털 선별 도구인 ENTER를 개발하고 내부 타당도를 검증하였다.
원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. 이것은 동료 심사를 거치지 않은 프리프린트의 AI 생성 설명입니다. 의학적 조언이 아닙니다. 이 내용을 바탕으로 건강 관련 결정을 내리지 마세요. 전체 면책 조항 읽기
정신 건강의 문제는 종종 위기가 폭발하기 훨씬 전부터 조용히 시작됩니다. 많은 청년들에게 있어 정신증과 같은 심각한 질환의 첫 징후는 청소년기나 성인 초기에 사고, 감정 또는 지각의 미묘한 변화로 나타납니다. 임상적 고위험 상태라고 알려진 이 초기 단계는 결정적인 기회의 창입니다. 만약 이를 식별할 수 있다면, 질환이 완전히 발달하는 것을 예방하거나 그 영향을 줄일 수 있는 지원과 치료가 가능해집니다. 그러나 이러한 개인들을 찾아내는 것은 어렵습니다. 현재 대부분의 사람들은 전문가를 찾아 도움을 요청할 때 비로소 인지되는데, 이는 많은 이들이 증상이 여전히 경미하고 관리 가능한 수준일 때 시스템의 사각지대로 빠져나가고 있음을 의미합니다. 과제는 이러한 위험을 조기에, 정확하게, 그리고 가용 가능한 제한된 정신 건강 관리 자원을 압도하지 않으면서 포착할 방법을 만드는 데 있습니다.
영국과 이탈리아 전역의 대학 및 병원 연구진은 이 문제를 해결하기 위한 중요한 진전을 이루었습니다. 그들은 지역 사회의 청년들을 대상으로 정신증 위험 징후를 선별하기 위해 설계된 ENTER라는 새로운 디지털 도구를 개발하고 테스트했습니다. 12세에서 35세 사이의 참가자 2,500명 이상을 대상으로 한 이 연구는 이 새로운 접근 방식을 현재 클리닉에서 사용되는 표준 방식과 비교했습니다. 표준 방식은 특이한 생각과 경험에 대해 묻는 간단한 설문지에 의존합니다. 기존의 이 도구는 위험이 있을 법한 대부분의 사람들을 잡아내는 데는 유능하지만, 위험이 없는 사람들도 많이 지목하여 불필요한 후속 진료 예약으로 이어지게 합니다. 연구진은 정보 처리 속도나 개인의 배경 생활 경험과 같은 다른 유형의 정보를 추가함으로써 선별 과정을 더 정밀하게 만들 수 있을지 확인하고자 했습니다.
연구진은 참가자들이 온라인 설문조사를 완료하도록 요청함으로써 새로운 도구를 구축했습니다. 이 설문조사는 특이한 생각에 관한 표준 설문지를 포함했을 뿐만 아니라, 이러한 생각이 유발하는 고통 정도를 물었고, 기호와 숫자를 얼마나 빨리 매칭할 수 있는지에 대한 빠른 테스트를 포함했으며, 가족 배경, 성장 환경, 사회적 어려움에 대한 노출 여부와 같은 개인의 생애 이력 정보를 수집했습니다. 연구팀은 첨단 컴퓨터 알고리즘을 사용하여 이 혼합된 데이터를 분석했습니다. 그들은 이 다층적인 새로운 접근 방식의 결과를 단독으로 사용된 표준 설문지의 결과와 비교했습니다. 결과의 신뢰성을 확보하기 위해, 연구진은 이미 상세한 골드 스탠다드(gold-standard) 임상 인터뷰를 거쳐 실제로 고위험군인지 확인된 집단을 대상으로 이 도구를 테스트했습니다.
연구 결과, 새로운 ENTER 도구는 고위험군과 비위험군을 구별하는 데 있어 유의미하게 더 뛰어난 것으로 나타났습니다. 표준 설문지는 100건 중 약 62건의 경우에서 위험을 정확히 식별한 반면, 새로운 도구는 이 정확도를 약 74건으로 향상시켰습니다. 더 중요한 점은, 새로운 도구가 오보(false alarms)를 피하는 데 더 효과적이었다는 것입니다. 실질적으로 말하자면, 100명을 선별할 때 새로운 방식은 잘못 깃발이 세워지는 사람의 수를 늘리지 않으면서도 실제로 도움이 필요한 개인을 약 2명 더 식별할 수 있습니다. 연구진은 그들의 도구 중 가장 성공적인 버전이 단순히 요인들을 하나씩 살펴보는 것이 아니라 데이터의 복잡한 패턴을 감지할 수 있는 특정 유형의 컴퓨터 학습을 사용했다는 것을 발견했습니다. 이 접근 방식은 위험이 단지 증상에 관한 것만이 아니라, 개인이 어떻게 생각하는지, 얼마나 고통을 느끼는지, 그리고 어떤 환경에서 살아가는지에 의해서도 형성된다는 점을 강조했습니다.
이러한 유망한 결과에도 불구하고, 연구진은 이것이 최종적인 해결책이 아닌 개발 단계의 연구라는 점을 주의 깊게 명시하고 있습니다. 이 도구는 내부적으로 테스트되었는데, 즉 이 도구를 만드는 데 기여한 동일한 집단을 대상으로 평가되었으며, 아직 실제 클리닉이나 다른 국가에서 작동하는지 입증되지 않았습니다. 또한 연구는 자원봉사자 집단이 일반 인구를 완벽하게 대표하지 못하며, 일반적인 지역 사회에서 발견되는 것보다 백인 인종과 여성의 비율이 높았다는 점을 인정했습니다. 나아가, 이 과정은 참가자들이 표준 방식보다 더 많은 질문에 답해야 했기에 일부에게는 장벽이 될 수 있었습니다. 저자들은 새로운 도구가 위험에 처한 청년들을 찾는 데 큰 잠재력을 보여주지만, 일상적인 현장에서의 유용성을 확인하기 위해서는 추가적인 테스트가 필요하다고 강조합니다. 그때까지 이 연구는 다양한 유형의 정보를 결합하는 것이 증상만을 보는 것보다 정신 건강 위험에 대한 더 명확한 그림을 제공할 수 있다는 강력한 개념 증명 역할을 합니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.