검색 상세

우울장애의 사회적·유전적 위험요인 분석 및 심각성 예측 연구

  • 박윤서 (아주대학교 일반대학원)

초록/요약

본 연구는 우울장애의 장기적 변화 추이를 파악하고, 사회적·유전적 요인의 영향을 분석하며, 머신러닝 기반 모델로 고위험군 조기 탐지 가능성을 검증하는 연구이다. 이를 위해 GBD(Global Burden of Disease) 2021 데이터를 활용하여 1990 년부터 2021 년까지 전 세계 우울장애의 유병률과 YLDs(Years Lived with Disability) 변화와 성별, 연령, 지역 및 SDI 수준별로 비교·분석하였다. 또한, 체계적 문헌고찰과 메타분석을 통해 사회적 요인과 유전적 요인의 영향에 대해 정량적으로 평가하고, 고위험군 예측을 위해 다양한 머신러닝 알고리즘을 적용하여 성능을 검증하였다. 연구 결과, 전 세계 우울장애 유병률과 질병부담은 지속적으로 증가하였으며, 특히 2018년 이후 상승 속도가 가속화되는 경향이 나타났다. 성별 분석에서는 여성이 남성보다 질병부담이 높게 나타났고, 연령별로는 중·장년층에서 부담이 가장 큰 것으로 확인되었다. 지역 및 SDI(Sociodemographic Index) 수준별 분석에서는 Low SDI 국가에서 절대적 질병부담이 높게 나타났고, High SDI 국가에서는 상대적 변화율 (Estimated Annual Percent Changes, EAPC)이 높게 나타나, 정신건강 서비스 접근성과 사회·경제적·문화적 환경이 질병부담에 중요한 영향을 미쳤음을 확인하였다. 또한, 우울장애 결정요인 분석에서는 스트레스, 직업적 요인, 사회경제적 상태, 사회적 고립 등이 우울장애 발생 위험을 유의하게 증가시키는 것으로 나타났으며, 그 중에서도 사회적 요인 중 스트레스 요인이 가장 높은 기여도를 보여 우울장애 발생과 악화에 핵심적 요인임을 확인하였다. 한편, 유전적 요인은 유전자 다형성과 가족력이 우울장애 발생과 밀접한 연관을 보이며, 개인의 유전적 위험을 고려한 선별적 정신건강 관리체계 구축이 요구된다. 마지막으로, 고위험군 선별을 위해 CatBoost, Random Forest, XGBoost(Extreme Gradient Boosting), SVM(Support Vector Machine), LightGBM(Light Gradient-Boosting Machine) 모델을 적용하여 성능을 비교한 결과, XGBoost 모델이 가장 높은 민감도를 보였고, Random Forest 와 CatBoost 모델도 우수한 탐지 성능을 나타냈으며, SVM 모델은 상대적으로 낮은 민감도를 보였다. 전체 정확도와 AUC-ROC(Area Under Curve-Receiver Operating Characteristic) 값은 모델 간 큰 차이가 없었고, 전반적으로 안정적인 분류 성능이 확인되었다. 또한, SHAP 분석을 통해 스트레스, 주관적 건강 수준, 우울감 경험 여부 등이 고위험군 예측에 핵심적인 기여를 하는 것으로 나타났으며, 이는 질병부담 및 위험요인 분석과 일관된다. 따라서 이러한 요인들을 활용한 고위험군 조기 선별과 맞춤형 예방·관리 전략 설계가 필요함을 시사한다. 본 연구의 전체적인 흐름을 보면, 스트레스가 우울장애의 핵심 요인으로 나타났으며, 이는 정서적 요인과 주관적 건강 평가가 중요한 역할을 함을 시사한다. 앞으로 우울장애를 포함한 정신건강 관리 생태계를 효율적으로 운영하기 위해서는 첫째, 높은 유병률과 질병 부담을 고려할 때, 생애주기별 맞춤 공중보건 대응이 필요하다. 이를 위해 연령대별 정신건강 모니터링과 예방적 개입, 맞춤형 상담 및 지역사회 지원이 필요하다. 둘째, 사회적 위험요인을 조기에 발견하고 취약 개인을 보호하며, 사회·경제·문화적 환경을 개선하기 위한 전략적 노력이 필요하다. 우울장애는 개인의 문제를 넘어 신체 건강과 사회적 기능 전반에 영향을 미치므로, 통합형 1차 의료체계와 지역사회 돌봄 연계가 필수적이다. 특히 취약계층을 대상으로 한 예방 중심 정책은 발생 위험을 낮추는 효과적인 전략이 될 수 있으며, 궁극적으로 의료기관뿐만 아니라, 직장, 지역사회, 공공복지를 아우르는 통합적 협력체계가 요구된다. 셋째, 스트레스 등 정신건강 지표를 활용한 AI 기반 예측과 강화학습 기반 적응형 개입 알고리즘 개발이 중요하다. 이를 위해 개인별 행동·생리·정서 데이터를 통합적으로 수집하고 분석할 수 있는 디지털 플랫폼을 구축하며, 알고리즘 개발 과정에서 안전성과 유효성을 검증하며, 데이터 관리와 활용 체계를 확립해야 한다. 마지막으로, 제도적 지원, 개인정보 보호, 사용자 참여 유지, 접근성 형평성을 포함한 종합적 관리와 함께 정부와 이해관계자의 규제 도입이 필요하다. 이는 AI 기반 정신건강 관리 시스템이 안전하고 효과적으로 운영되며, 다양한 인구집단이 공평하게 접근할 수 있도록 보장하기 위함이다. 제도적 지원을 통해 연구개발과 실증적 검증을 촉진하고 규제 도입은 사용 자 데이터 보호와 윤리적 활용, 알고리즘의 투명성과 신뢰성 확보를 가능하게 한다. 또한, 사용자 참여를 유지하고 접근성 형평성을 확보함으로써 모든 대상자가 지속적이고 안정적인 정신건강 서비스를 이용할 수 있도록 한다. 이를 통해 디지털 기반 우울장애 관리 체계에서 맞춤형 공중보건 대응과 예측·개입 전략, 제도적 정책을 유기적으로 연계하여 통합적으로 관리할 수 있을 것으로 전망된다.

more

목차

Ⅰ. 서론 1
A. 연구의 필요성 1
B. 연구의 목적 3
C. 용어의 정의 4
1. GBD(Global Burden of Disease) 4
2. 우울장애의 결정요인 5
3. PHQ-9 6
Ⅱ. 문헌 고찰 7
A. 전 세계 우울장애 현황 7
B. 우울장애 결정요인 영향 13
C. PHQ-9 기반 머신러닝 16
Ⅲ. Study 1. 전 세계 우울장애 추세 현황 분석 21
A. 연구 자료 21
B. 위험 요인 23
C. 통계적 분석 24
D. 연구 결과 25
1. 우울장애의 유병률 결과 25
2. 우울장애의 YLDs 결과 31
3. 우울장애의 위험요인 결과 37
4. 우울장애의 성별과 연령별 측면 40
5. 우울장애의 전 세계 지역별 동향 42
Study 2. 우울장애의 사회적·유전적 요인의 영향 분석 44
A. 연구 설계 44
B. 문헌 검색 45
C. 문헌 수집 46
D. 문헌 선정 및 배제 기준 47
E. 자료 추출 및 질 평가 48
F. 상관계수 효과크기 산출 51
G. 이질성 검정과 출판편향 분석 52
H. 연구 결과 53
1. 최종 문헌 선정 결과 53
2. 우울장애의 사회적·유전적 요인 관련 연구의 특성 55
3. 우울장애 위험에 대한 사회적 요인의 영향 58
4. 우울장애 위험에 대한 유전적 요인의 영향 60
5. 우울장애의 사회적 요인 하위그룹 분석 결과 62
6. 우울장애의 유전적 요인 하위그룹 분석 결과 64
7. 출판편향 66
Study 3. 머신러닝 기법을 활용한 우울장애 심각성 예측 분석 68
A. 연구 자료 및 대상 68
B. 연구 도구 69
C. 윤리적 고려 71
D. 우울의 고위험군 예측 분석 72
E. 모델 학습 74
F. 성능 평가 75
G. 연구 결과 77
1. 대상자의 일반적 특성 77
2. 대상자의 건강행태 79
3. 우울의 고위험군 예측 80
4. SHAP value 를 이용한 변수 중요도 분석 82
Ⅳ. 논의 84
A. 전 세계 우울장애 추세 현황 85
B. 우울장애의 사회적유전적 요인의 영향 88
C. 머신러닝 기법을 활용한 우울장애 심각성 예측 90
D. 연구의 의의 및 제한점 92
Ⅴ. 결론 및 제언 93
참고문헌 95
ABSTRACT 101

more
반출 Meta View 목록