한국은 65세 이상 고 연령층이 2020년 15.7%, 2025년 20.3%, 2060년 43.9%로 예상되는 고령화가 급속도로 진행되는 나라로, 2025년을 기점으로 초고령 사회에 진입하고[1], 2050년 세계에서 2번째로 고령 인구(65세 이상 인구)의 비율이 높은 국가가 될 것으로 예측된다[2]. 고령화는 신체적 질병, 배우자의 사망, 자발적·강제적 노동시장 배제로 인한 경제력 악화, 사회로부터의 고립을 자연스럽게 발생시키고, 이와 같은 개인이 대처하기 힘든 상황은 당사자에게 심각한 수준의 스트레스를 작용하여 고령자 계층의 우울증 발생을 높이게 된다[3]. 빠른 고령화 속도와 고령화로 인한 우울증의 자연스러운 발생에 발맞춰 한국의 보건 관련 정책은 고령자의 신체적, 경제적 상태뿐만 아니라 정신적 건강상태에도 초점을 맞춰 진행되어야 할 것이다.

우울증은 단순하게 우울한 기분이 오랜 기간 동안 유지되는 상태를 뛰어넘어, 우울증 환자 본인의 생명에도 부정적인 영향을 미칠 위험이 있다. 미국 국립정신건강학회(National Institute of Mental Health)에 따르면, 우울증을 포함한 정신 질환은 자살의 주요 위험인자로, 자살자 가운데 90% 이상이 정신 질환을 보유하고 있으며, 우울증 환자는 충동조절장애, 자살 시도 혹은 자살로 인한 사망자와 동일하게 세로토닌(Serotonin) 저하가 관찰된다고 하였다[4]. 또한, 자살 기도를 1회 실시한 경우, 주요우울장애를 경험할 확률이 일반인에 비해 6.5배 높고, 2번 이상 자살 기도를 한 경우 7.9배 우울장애를 경험할 확률이 높다[5]는 연구를 볼 때, 우울증을 가지고 있는 대상을 빠르게 찾아내어, 표적 조사를 할 필요가 있는 것으로 보인다. 그러나 우울증과 같은 민감한 변수는 대상자가 자신에게 피해가 발생할 것을 염려하고, 응답을 회피하거나, 음성을 응답할 위험이 존재하며, 이를 막기 위해선 연구 대상자에게 해당 도구로 인한 피해가 없음을 교육해야 하고, 척도를 작성하는 당사자 역시, 해당 도구에 대한 적절한 수준의 교육이 이루어져야 한다. 본 연구에서는 선행연구[6–13]를 통해 우울증에 영향을 미치는 것으로 알려진 변수들을 선정하고, 고령자의 우울증을 평가하는데 널리 사용되는 단축형 노인우울척도(Short form of Geriatric Depression Scale, SGDS) [14]를 이용해 평가한 대상의 우울증 여부를 예측할 수 있는 모델을 제안하고자 한다.

본 연구는 Figure 1과 같은 과정을 통해 진행되었으며, 크게 변수 선정, 데이터 수집 및 전처리, 데이터셋 생성, 모델 생성 및 최적화, 최적화된 모델 성능 평가로 진행되었다.

데이터 전처리 및 분석은 Python 3.6을 사용하여 진행하였으며, 사용된 주요 라이브러리와 버전은 다음과 같다.

학습은 GPU를 사용하여 진행하였다. 학습에 사용된 GPU는 Nvidia RTX 3080 mobile이고, 사용된 CUDA 버전은 11.0, cuDNN은 8.0.5이다.

우울증 예측에 사용된 독립변수에 대하여, 각 변수를 구성하는 집단의 빈도와 우울증의 연관성을 보여주는 교차분석 결과는 Tables 1-6과 같다.

베이지안 최적화 결과 산출된 하이퍼 파라미터는 학습률 0.00028867. Beta1 0.96357, Beta2 0.85.50으로 나왔으며, 모델 학습 과정에서 Epoch 의 변화에 따른 손실값과 정확도의 변화는 Figure 4와 같다. Figure 4를 보면, Val loss가 Loss보다 Epoch 15 부근에서 증가하는 모습을 보여주며, 해당 순간부터 모델이 훈련 데이터셋에 과적합될 위험이 증가하는 것을 볼 수 있다. 해당 모델은 조기종료 알고리즘을 적용하여, 해당 사건 발생 후, 30번을 추가로 학습하고도 이와 같은 경향이 지속될 때, 해당 Point의 파라미터를 최종 파라미터로 사용하고 학습을 정지하였다.

Threshold 변화에 따른 모델의 전반적인 분류 성능을 보여주는 ROC 커브(receiver operating characteristic curve)와 Precision-Recall 커브는 Figure 5와 같다. Dataset별 ROC 커브는 큰 편차가 없이 모여 있는 것을 볼 수 있으며, 곡선이 좌측 상단에 가까운 모습을 보여주긴 하나, 이상적인 수준으로 붙지 못하는 모습을 보여주고 있으며, Precision-Recall 커브 역시 데이터셋별 편차가 크진 않으나, 우상단의 모서리로부터 거리가 제법 있는 모습을 보여주고 있다. 이는 해당 모델을 통해 예측된 결과가 0과 1에 매우 근사한 상태가 아닌 그 사이 값이 많은 상태로, 모델이 명확하게 분류하지 못하는 대상이 상당수 있음을 보여준다.

모델의 전반적인 성능은 Table 7에 정리되어 있다. 실제로 양성(우울증)인 대상을 양성으로 예측한 비율은 0.657이며, 양성으로 예측한 환자 중 실제로 양성인 사람의 비율은 0.739로 나타났다. 이 두 값의 조화 평균인 F1-score는 0.695로 해당 모델의 양성 예측 능력은 존재하긴 하나, 작은 실수도 큰 위협이 될 수 있는 임상에서 사용하기엔 아직 부족한 성능을 보여주었다. 모델의 정확도는 0.773으로 해당 모델의 예측 능력은 77.3%로 나타났다. 해당 모델의 분류 성능을 보여주는 AUROC 는 0.853으로, 해당 모델은 우수한 분류 성능을 보여주고 있다. 그러나 해당 모델은 “양성:음성=3.8:6.2”로 Label이 치우쳐져 있는 상태이므로, AUROC가 높게 나오기 쉬우므로, 양성 분류 능력만을 보여주는 AUPRC와 교차하여 평가해야 한다. AUPRC는 0.900으로, Baseline인 0.38의 2.37배로 나와 양성 분류 성능이 존재하는 것을 보여주었다.

본 연구는 직접적으로 우울증을 나타내는 변수를 사용하지 않고 우울증을 예측할 수 있는 보조 도구를 제시해보고자 실시하였다. 이와 유사한 목적으로 실행된 선행연구들은 Table 8과 같다.

본 연구에서 제시된 모델의 성능이 만족스러운 수준은 아니지만, 딥러닝을 사용한 다른 모델[22]에 비해서는 좋은 성능을 보여주었으며, 해당 모델보다 우수한 성능을 보여준 Seo et al. [19]의 연구와 비교해보면, 해당 모델의 성능이 떨어지기는 하지만, 사용된 변수의 수가 30개로, 약 3.53배 더 적은 변수의 수로 패턴을 찾아낸 것을 볼 때, 바쁘게 돌아가는 임상 환경에서는 보다 강점이 있는 것으로 보인다. 그 외 다른 선행연구의 모델[20,21]에 비해서는 우수한 성능을 보여주었다.

해당 연구의 결과를 현장에서 사용하기에는 성능이 부족하지만, 학습에 사용된 데이터에 대하여 우울증에 대한 패턴이 존재하는 것을 확인하였으며 부족하나마 우울증 여부에 대한 대상을 분류하는 모습을 보여주는 것을 볼 수 있다. 본 연구는 딥러닝을 사용하여 우울증을 예측할 수 있는 가능성을 제시하는 연구로 후속 연구에 도움이 될 수 있을 것으로 보인다. 향후, 해당 연구에서 사용한 변수를 제외한 변수를 추가하고, 지금의 딥러닝 모델보다 다양한 층을 추가하여 보다 정확도가 높은 모델을 만들어내면, 지금보다 성능을 향상시킬 수 있을 것으로 보인다. 본 연구는 의료 인력이 부족하고 급하게 돌아가는 임상 환경에 보탬이 되는 것 역시 목적이므로, 독립변수의 수를 단순하게 늘리기보다, 현재의 독립변수보다 적은 수의 변수를 선정하여 접근할 필요성이 있다. 해당 연구에서는 선행연구를 탐색해 얻어낸 주요 변수들을 이용해 딥러닝 모델이 패턴을 찾아낼 수 있는 것을 확인하였으므로, 정형 데이터를 이용하여 우울증 환자를 예측하고자 하는 연구에 대한 지표가 되어 줄 수 있을 것으로 기대된다. 추후 유사한 주제에 대한 데이터를 추가하여, 별도의 시점에 대한 데이터나 다른 기관에서 수집한 데이터를 대상으로 외부 검증을 진행하여 모델의 객관적인 성능을 본 연구보다 명확히 평가할 수 있을 것으로 판단된다.

간단한 모델을 이용해 우울증 환자를 탐지할 수 있다면, 자신이 우울증인 것을 숨기고자 하는 잠재 우울증 환자에 대한 적절한 조치를 통해 고령자의 복지에 도움이 될 것으로 기대한다.