From Health Checkups to Mental Health Referrals: Developing an AI-Based Depression Screening Model Using Routine Data in Older Adults Living Alone

기술 요약: 독거 노인의 정기 검진 데이터를 활용한 AI 기반 우울증 선별 모델 개발

문제 제기
독거 노인은 사회적 고립, 신체적 쇠퇴, 경제적 어려움으로 인해 우울증 위험이 높습니다. 그러나 이 인구 집단은 증상에 대한 인식 부족, 사회적 낙인, 불충분한 의뢰 시스템 등으로 인해 진단되지 않은 채 남아 있는 경우가 많습니다. 한국의 경우, 우울증 환자의 65%만이 스스로 정신 건강 관리를 찾고 있습니다. 또한, 신체적 증상이 기저의 우울증을 가리는 경우가 많아 이를 신체 질환으로 오인하기도 합니다. 웨어러블 기기를 이용한 디지털 페노타이핑(digital phenotyping)이 유망한 결과를 보여주고 있으나, 이는 비정기적인 생체 신호에 의존하며 표준 임상 워크플로우와의 통합이 부족합니다. 따라서 정신과적 평가를 즉시 요구하지 않고도, 일차 의료진이 이미 수집된 정기 일반 건강 검진 데이터를 활용하여 고위험군을 선제적으로 식별할 수 있는 선별 메커니즘이 절실히 필요합니다.

연구 방법론
본 연구는 대한민국 천안시의 '독거노인 집중관리사업(IMCELA)'을 통해 수집된 독거 노인(LAOA) 데이터셋($n=1,087$)을 사용하여 단면적 회고적 설계를 적용하였습니다. 데이터셋은 65세 이상이며 돌봄 지원이 제한적인 독거 노인을 대상으로 하였습니다.

• 대상 변수: 우울 상태는 한국형 노인 우울 척도 단축형(SGDS)을 사용하여 정의하였으며, 점수가 10점을 초과하는 경우 고위험군으로 간주하였습니다.
• 특성 공학(Feature Engineering): 본 연구는 7개 영역에 걸친 40개의 특성을 포함하는 DEPACS(신체 계측 및 임상 징후 기반 우울증 예측) 프레임워크를 개발하였습니다:
  1. 사회경제적 상태 (성별, 연령, 국민건강보험 상태, 교육 수준, 혼인 상태).
  2. 활력 징후 (심박수, 호흡수).
  3. 신체 계측 (머리, 목, 허리 둘레).
  4. 신체 기능 (청각, 시각, 후각, 미각, 보행 및 균형 능력).
  5. 건강 행동 (식사 빈도, 운동 시간, 알코올 섭취, 흡연 노출).
  6. 만성 질환 (12가지 특정 질환 및 누적 질병 지수).
  7. 수면의 질 (피츠버그 수면 질 지수의 7개 하위 요소).
• 모델 개발: 데이터셋을 8:2 비율로 훈련 및 테스트 세트로 분할하였습니다. 다섯 가지 머신러닝 알고리즘(Support Vector Machine(SVM), Random Forest(RF), Gradient Boosting, XGBoost, K-Nearest Neighbors(KNN))을 평가하였습니다. 하이퍼파라미터 최적화는 5-겹 교차 검증을 포함한 그리드 탐색(grid search)을 통해 수행되었습니다.
• 벤치마킹: 성능의 상한선을 설정하기 위해 PHQ-9 항목만을 사용한 대조 모델을 개발하였습니다.
• 평가 지표: 모델은 민감도, 특이도, 정확도, F1 스코어, Brier 스코어, 양성 예측도(PPV), 정밀도-재현율 곡선 아래 면적(AUPRC), ROC 곡선 아래 면적(AUROC)을 사용하여 평가되었습니다.
• 해석 가능성: 최적의 성능을 보인 모델에 SHAP(SHapley Additive exPlanations) 분석을 적용하여 특성의 기여도를 확인하였습니다. 또한, 상위 예측 변수가 모델 성능에 미치는 영향을 평가하기 위해 특성 제거 시뮬레이션을 실시하였습니다.

주요 결과

• 벤치마크 성능: PHQ-9 전용 모델은 우수한 성능을 보였으며, 대부분의 알고리즘이 0.96 이상의 AUROC 및 AUPRC 점수를 달성하였습니다 (SVM, Gradient Boosting, XGBoost는 0.99 AUROC 달성).
• DEPACS 모델 성능: 정기 건강 검진 데이터만을 활용한 DEPACS 모델은 보통에서 양호한 수준의 예측 성능을 보였습니다. SVM 알고리즘이 AUROC 0.74, AUPRC 0.73으로 가장 좋은 결과를 나타냈습니다. 다른 알고리즘들(Random Forest, Gradient Boosting, XGBoost)은 0.71에서 0.73 사이의 AUROC를 기록하였습니다.
• 특성 중요도 (SHAP 분석):
  • PHQ-9 모델에서는 "우울한 기분"과 "흥미 상실"이 지배적인 예측 변수였습니다.
  • DEPACS 모델에서는 예측력이 단일 특성에 집중되지 않고 여러 영역에 분산되어 있었습니다. 주요 예측 변수는 수면 질 지수(주관적 질, 입면 지연, 수면 방해), 허리 및 머리 둘레, 균형 기능, 심박수, 그리고 식사 빈도였습니다.
  • 기술적 분석 결과, 우울 그룹은 비우울 그룹에 비해 수면의 질이 낮고, 식사 빈도가 적으며, 균형 능력이 저하되어 있고, 심박수가 높으며, 감각 기능 장애 비율이 높은 것으로 확인되었습니다.
• 특성 제거 시뮬레이션: 식사 빈도, 주간 기능 장애, 균형 점수와 같이 SHAP 순위가 높은 특성을 제거했을 때 AUROC가 유의하게 감소하여 이들의 유용성을 확인하였습니다. 반면, 머리 둘레를 제거했을 때 AUROC가 약간 향상되었는데, 이는 해당 특성이 높은 SHAP 순위에도 불구하고 노이즈 특성으로 작용할 수 있음을 시사합니다.

의의 및 주장
본 논문은 DEPACS 프레임워크가 정신 건강 특화 평가 없이도 정기적인 임상 데이터를 통해 독거 노인의 우울증 위험을 식별할 수 있는 실용적이고 설명 가능한 도구를 제공한다고 주장합니다.

• 실행 가능성: 본 연구는 정신과적 스크리닝과 관련된 낙인 및 장벽을 우회하여, 표준 임상 데이터(활력 징후, 신체 계측, 신체 기능, 수면 지표)만으로도 의미 있는 예측이 가능하다는 것을 입증하였습니다.
• 임상적 유용성: 이 모델은 임상 진단을 대체하는 것이 아니라 보조적인 의사결정 지원 도구로 자리매김합니다. 이를 통해 일반의(GP)는 정신 건강 평가를 기피할 수 있는 고위험군에게 선제적으로 정신 건강 검진을 권고할 수 있습니다.
• 설명 가능성: SHAP 분석의 활용은 모델의 예측이 기존 의학 문헌(예: 수면 장애, 신체 기능 저하와 우울증 간의 연관성)과 일치함을 검증하며, 임상 도입을 위한 투명한 프레임워크를 제공합니다.
• 한론: 저자들은 데이터셋이 단일 센터(대한민국 천안)에서 수집되었다는 점을 언급하며, 이것이 일반화에 영향을 미칠 수 있다는 한계를 인정하였습니다. 또한, 모델의 성능은 우수하지만 AUROC(0.74)가 전문적인 정신과 도구보다는 낮다는 점을 명시하며, 이 모델의 역할이 진단보다는 '선별(screening)'임을 재확인하였습니다.

결론
본 연구는 머신러닝과 정기 건강 검진 데이터를 통합하는 것이 취약한 노인 인구의 우울증 치료 격차를 해소할 수 있는 잠재력을 가지고 있음을 입증하였습니다. 기존의 임상 워크플로우를 활용함으로써, DEPACS 모델은 사회적으로 고립된 노인층의 미진단 문제를 해결하기 위한 조기 발견 및 의뢰 경로를 제시합니다.