†To whom correspondence should be addressed. E-mail: 서론
만성 불면증(chronic insomnia disorder, CID)과 주요 우울 장애(major depressive disorder, MDD)는 일상 기능 저하 및 삶의 질 감소와 밀접하게 연관된 대표적인 정신건강 문제로, 현대 사회에서 높은 유병률을 보이고 있다. CID는 3개월 이상 지속되는 만성 수면장애로(American Academy of Sleep Medicine, 2014), 전 세계 성인 인구의 약 10%가 경험하는 것으로 보고된다(Georgiev et al., 2025). MDD는 2주 이상 지속되는 우울 기분 및 관련 증상으로 인해 일상 기능에 장애를 초래하는 기분장애로(American Psychiatric Association, 2022), 전 세계 인구의 약 3.8%가 경험하고 있다(World Health Organization [WHO], 2023). 이러한 정신건강 문제는 저·중소득 국가(LMICs)에서 더욱 심각하다. WHO(2024)에 따르면 저소득 국가의 1인당 정신건강 지출은 고소득 국가의 약 1,600분의 1 수준에 불과하며 저·중저소득 국가의 MDD 정신건강 서비스 이용률은 8%에 그친다(Moitra et al., 2022). 이는 비대면 자동화 스크리닝 도구의 필요성이 의료 접근성이 낮은 환경에서 특히 두드러짐을 시사한다.
2024년 국민 정신건강 지식 및 태도 조사에 따르면 우울감, 불면 등 정신건강 문제를 경험한 응답자는 73.6%이며, 이들 중 과반이 일상 및 사회활동에 지장을 받고 있다(Ministry of Health and Welfare [MOHW], 2024). 특히 불면증과 우울증은 동반되어 나타나는 경우가 많아 높은 공병률을 보이는데, 공병(comorbidity)이란 한 환자에게 둘 이상의 질환이 동시에 나타나는 상태를 의미한다. 메타 분석 연구에 따르면 심각한 우울증 환자의 약 40~75%가 임상적 불면증 진단 기준을 충족하는 것으로 보고되었다(Chen et al., 2025a). 치료 예후 측면에서도 불면증을 동반한 MDD 환자는 단일 MDD 환자에 비해 회복 상태에 도달할 가능성이 낮아(van Dalfsen et al., 2025), 불면증이 우울증의 경과에 중요한 영향을 미치는 것으로 확인되었다.
그러나 기존의 공병 진단 체계는 대면 진료를 중심으로 운영되어 사회적 낙인, 비용, 접근성 문제 등의 제약이 따르며 이는 환자의 지속적인 증상 관리를 저해하는 원인이 된다. 대면 진료의 물리적 장벽을 해소하기 위한 대안으로 디지털 치료제(digital therapeutics, DTx)가 주목받고 있으나(Ministry of Food and Drug Safety [MFDS], 2025), 현재 시장은 단일 질환 치료에 집중되어 공병 환자에 대한 치료의 파편화 문제가 발생하고 있다. 또한 불면증과 우울증의 임상적 상관관계에도 불구하고 상용화된 서비스들은 증상별로 분절된 접근 방식을 취하고 있어 공병 상태를 통합적으로 스크리닝하거나 위험도를 정량 제시하는 기능이 부족한 실정이다.
본 연구는 대면 진료의 물리적 제약과 단일 질환 중심 DTx의 파편화 문제를 해결하고자, 비대면 환경에서도 복합 증상을 통합적으로 분석할 수 있는 기계학습 기반의 공병 스크리닝 모델을 제안한다. 로지스틱 회귀 모델을 통해 실제 임상 데이터 셋의 CID 및 MDD의 공병 여부를 판별하고 산출된 확률값을 공병 위험도의 정량적 지표로 나타낸다. 나아가 단일 질환 고위험군에 대한 예측 정보를 병행 제공함으로써 위험군 분류의 정밀도를 높이고 사용자 보호를 위한 임상적 안전망을 구축하고자 한다. 이는 기존 기계학습 기반 정신건강 연구들이 개별 질환의 분류 성능 향상에 집중한 것과 달리, 공병 위험도를 확률 지표로 정량화하는 통합 스크리닝 모델을 제안한다는 점에서 차별성을 가진다.
이 논문은 다음과 같은 공헌을 한다.
첫째, 대면 중심의 기존 임상 진단 체계의 복잡성을 줄여 실생활에서도 직관적으로 공병의 위험도를 평가한다.
둘째, 공병 위험도의 단계별 정량화를 통해 개인 맞춤형 스크리닝의 기반을 제시한다.
셋째, 공병 여부 식별과 함께 CID 및 MDD 단일 질환 고위험군을 선별하여 조기 개입의 근거를 제공한다.
넷째, CID와 MDD의 전이 가능성에 따라 맞춤형 공병 개입의 확장 방향을 제시한다.
이론적 배경
1. 불면증과 우울증의 임상적 공병 관계
장기간의 불면증은 환자에게 우울증, 불안 장애 및 기타 정신 질환을 유발할 가능성을 높인다(Xu et al., 2023). 불면증과 MDD의 관계를 입증하고자 한 연구에 따르면 2주 이상 지속되는 불면증을 가진 대상자의 17%~50%가 이후 MDD 삽화를 경험했으며, 불면증이 지속될수록 MDD 발생 위험이 높았다(Buysse et al., 2008). 또한 대규모 연구 데이터를 통합 분석한 결과, CID 환자군은 정상 수면군 대비 향후 MDD 발생 위험이 약 2배 이상 높은 것으로 나타났다(Baglioni et al., 2011).
기존 연구에서 산출된 CID 동반 MDD의 척도 간 상관관계 분석 결과, Figure 1에서 보는 바와 같이 불면증 심각도 척도 ISI(Insomnia Severity Index), 피츠버그 수면 질 지수 PSQI(Pittsburgh Sleep Quality Index) 점수와 벡 우울 척도 BDI(Beck Depression Inventory) 점수 간의 유의미한 정적 상관관계가 확인되었다(Xu et al., 2023). 구체적으로, ISI와 BDI(r=0.329, p<0.05), PSQI와 BDI(r=0.350, p<0.05)는 모두 통계적으로 유의한 양의 상관관계를 나타냈다. 이는 불면증의 심각도가 높을수록 동반된 우울 증상의 정도 또한 심화됨을 의미한다.
2. 공병 환자 대상 통합 치료의 타당성
선행 연구에 따르면, 불면증 동반 MDD 환자군에게 불면증 인지행동치료(Cognitive Behavioral Therapy for Insomnia, CBT-I)를 항우울제 치료에 병행했을 때, 우울 증상이 거의 사라진 환자의 비율이 61%로 단독 약물치료군(33%)보다 유의하게 나타났다(Manber et al., 2008). 이는 CID 관리가 공병 상태의 우울 증상을 호전시키는 주요 기제로 작용할 수 있음을 시사한다. 따라서 CID와 MDD의 공병 여부를 조기에 식별할 필요성이 있으며, 이를 바탕으로 불면증과 우울 증상을 통합적으로 관리할 경우 치료 효과와 예후를 향상시킬 수 있다.
3. 국내 CID·MDD 유병 현황 및 정신건강 서비스 접근성
건강보험심사평가원 통계에 따르면 국내 수면장애 환자 수는 2011년 약 387만 명에서 2020년 약 745만 명으로 10년 간 약 2배 증가하였으며(Ahn et al., 2024), 우울증 환자 수 또한 2017년 약 69만 명에서 2021년 약 93만 명으로 5년간 35% 증가하였다(HIRA, 2022).
보건복지부 2021년 정신질환실태조사에 따르면 평생 우울장애로 진단받은 사람 중 정신건강서비스를 이용한 비율은 Figure 2와 같이 약 12.5%에 불과한 것으로 나타났다(MOHW, 2021). 정신건강의학과 의사 방문율 또한 11.9%로 저조한 수치를 기록하였다. 이는 우울장애 유병률과 실제 의료 서비스 이용 간의 불균형을 드러내며 현행 대면 진단 체계가 실질적인 치료 수요를 충분히 수용하지 못하고 있음을 나타낸다. 따라서 상시적인 검사 및 관리가 가능하도록 신속한 스크리닝을 제공하는 비대면 자동화 시스템이 필요한 실정이다.
4. 정신질환 분류를 위한 기계학습연구
낮은 의료 서비스 이용률과 심리적 장벽을 해소하기 위해 기계학습 기반의 자가관리 및 상태 분류를 위한 연구가 활발히 진행되고 있다.
최근 COVID-19 봉쇄 해제 이후 불안, 우울, 불면증 증상을 분류하기 위한 기계학습 모델을 개발한 연구가 보고되었다(Chen et al., 2025b). 불안 평가는 GAD-7, 우울 평가는 PHQ-9, 불면증 평가를 위해 ISI 척도를 활용하였으며 27개의 관련 영향 요인을 포함한 7가지 기계학습 모델을 적용하였다. 실험 결과 CatBoost와 Random Forest 모델이 우수한 성능을 보였으나, 해당 연구는 질환별 개별 분류에 초점을 맞추어 질환 간 공병 가능성을 고려하지 못했다는 한계가 있다.
기존 기계학습 연구들이 개별 질환의 분류 성능 향상에 집중했다면, 실제 임상 현장에서는 정량적인 예후를 제시할 수 있는 모델이 요구된다. TRISS(trauma and injury severity score) 모델 개발 연구에서는 외상 환자의 사망률을 예측하기 위해 로지스틱 회귀분석을 사용하였다(Boyd et al., 1987). 로지스틱 회귀는 이항 분류에 효율적인 선형 모델이기 때문에 선택되었으며 환자의 부상 정도, 생리적 요인 등 여러 변수를 입력하여 생존 확률을 정량적으로 산출하였다. 다차원 변수를 사용하여 결과 예측의 오차를 줄였지만, 비용과 시간이 많이 소요되어 1차 진료 환경에 적용하기에 실용적이지 않았다.
CID 동반 MDD 예측 모델
1. 데이터 전처리
본 연구에서는 오픈 데이터 저장소 Figshare의 연구 데이터 셋(Li, 2023)을 활용하였으며, 결측치가 없고 정제가 완료되어 공개된 환자군 42명과 일반군 42명의 데이터를 최종 선별하였다. 공병 진단 기준을 동시에 충족하는 임상 데이터는 개인정보 보호 규정과 다차원 심리 척도가 통합된 데이터의 희소성으로 인해 수집에 한계가 있어, 관련 연구에서 소규모 표본이 일반적으로 활용된다. Yun et al.(2024)은 129명의 소규모 임상 데이터에 데이터 증강을 적용하여 우울 예측 모델을 개발하였으며, 86~97%의 분류 정확도를 달성함으로써 대규모 데이터셋 확보가 어려운 환경에서도 기계학습 기반 예측이 유효함을 시사하였다. 유사하게 Noor et al.(2025)도 89명의 정신건강 임상 데이터에 증강 기법을 적용하여 스크리닝 모델의 유효성을 검증하였다. 본 연구의 원시 데이터 규모(N=84) 또한 이러한 임상 연구의 일반적 범주에 해당한다. 특히, 원시 데이터는 중간 단계 점수를 가진 표본이 부족하여 이를 그대로 학습할 경우 모델이 양극단 데이터에만 과적합(overfitting)될 위험이 있었다. 이에 본 연구에서는 각 변수의 평균값에 가우시안 노이즈(gaussian noise)를 추가하여 두 집단 사이의 간극을 메우는 중간 점수 데이터를 생성하였으며, 최종적으로 6,000건의 균형 잡힌 데이터셋으로 증강(augmentation)하였다.
입력 데이터인 설문지 점수는 ISI 7문항, PSQI 19문항, BDI 21문항으로 구성되며 각 척도의 구성 및 예시 문항은 Table 1과 같다(Bastien et al., 2001; Buysse et al., 1989; Beck et al., 1996). BDI의 경우 질문형 문항이 없고 서술형 선택지로 구성되며, 응답에 따라 0~3점으로 산출된다.
공병을 가지고 있지 않은 일반군을 0, CID 동반 MDD 환자를 1로 정의하고 있다. 수식 (1)은 CID 동반 MDD 분류 레이블을 나타낸다.
수식 (2)는 불면증 심각도 지수(ISI)와 피츠버그 수면 질 지수(PSQI)의 원점수를 각각 표준화한 후, 그 평균값을 불면증 통합 지표(INSOMNIA)로 정의하여 분석에 활용하였음을 나타낸다.
2. 로지스틱 회귀 모델 구성
본 연구에서 제안하는 CID 동반 MDD 환자 예측 모델은 Figure 3과 같이 총 7단계로 구성된다.
먼저, 모델은 설문 데이터 입력(survey data input) 단계를 거친다. 이 단계에서는 ISI, PSQI, BDI의 척도 점수가 입력된다. 이후, 데이터 전처리 과정(data preprocessing)이 수행되며, 데이터 증강 및 표준화 작업(standardization conversion)을 통해 양극화를 완화(polarization mitigation)시키고 데이터의 품질을 향상시킨다.
전처리된 데이터는 모델 선택(model selection)단계에서 로지스틱 회귀(logistic regression) 모델을 기반으로 학습된다. 이 모델은 확률값 산출을 통한 위험도 정량화에 적합한 구조를 갖추고 있기 때문에 채택되었으며, 이를 통해 사용자의 공병 여부 판별 및 위험도 분류를 수행한다.
모델 학습 단계에서는 훈련데이터(training set)와 테스트 데이터(test set)를 7:3 비율로 나누어 모델이 효과적으로 패턴을 학습하도록 한다. 이후 확률 기반 위험 점수 산출(probability-based risk scoring) 단계에서는 로지스틱 회귀 모델이 산출한 예측 확률을 바탕으로 사용자의 공병 위험도를 정량적 점수 형태로 계산한다. 다음으로 모델 평가 단계에서는 정확도(accuracy), 정밀도(precision), 재현율(recall) 등의 평가 지표를 활용하여 모델의 성능을 측정하고 예측 결과의 신뢰도를 검증한다.
마지막으로, 공병 위험도 분류(comorbidity risk classification)에서 사용자의 수면 및 우울 척도 점수를 분석하여 일반군(0)과 CID 동반 MDD 환자(1)로 나누고, 공병 위험도를 ‘낮음, 중간, 높음’의 단계로 분류한다. 이는 33% 단위의 균등 구간 분할(equal-width partitioning)을 적용하여 정량화한 것이다. 이를 통해, 사용자의 공병 분류 및 위험도를 신속하게 평가하고 필요한 예방 및 개입 조치를 지원할 수 있다. 추가적으로, 입력 데이터로 사용된 각 척도(ISI, PSQI, BDI)의 개별 점수를 모니터링하여 고위험군에 해당할 경우 이를 사용자에게 알리도록 설계하였다. 이를 통해, 단일 질환임에도 고위험군을 선별하여 긴급 지원을 제공할 수 있는 윤리적 안전망의 역할을 수행할 수 있다.
회귀모델의 주 알고리즘은 Figure 4와 같다. 일관된 실험을 위해 무작위 시드를 42로 고정하였다(6행). 초기 임상 데이터(N=84)를 기반으로 6,000개의 샘플을 생성하는 데이터 증강을 수행한다(7행). ISI와 PSQI 점수를 표준화하여 합산한 통합 INSOMNIA 변수를 생성한다(8행). 모델에 입력되는 모든 변수(X)는 z-score 정규화를 통해 표준화되며(9행), 임상적 진단 기준에 따라 레이블(Y)이 할당된다(10행). 데이터의 70%는 훈련 데이터로, 30%는 테스트 데이터로 분할하였다(11행). 로지스틱 회귀 모델이 훈련 데이터로 학습되며(12행), 모델의 성능은 테스트 데이터를 통해 다각도로 평가된다(13-15행).
3. 성능 평가 지표
제안 모델의 성능 평가는 정확도, 정밀도, 재현율, F1-score, AUC를 측정한다. 정확도는 전체 데이터에서 모델이 공병 환자와 일반군을 올바르게 예측한 사례의 비율을 의미한다. 이는 모델의 전반적인 성능을 평가하는 지표로 활용되며, 수식 (3)은 모델의 정확도를 계산하는 공식이다. 여기서 TP는 진양성(true positive), TN은 진음성(true negative), FP는 위양성(false positive), FN은 위음성(false negative)을 의미한다.
정밀도는 모델이 질환으로 예측한 사례 중 실제 질환자인 비율을 의미하며 재현율은 실제 질환 사례 중 모델이 탐지해낸 비율을 나타낸다. CID 동반 MDD와 같은 임상진단 모델에서는 실제 환자를 정상으로 오판하는 경우를 방지해야하므로 정밀도와 재현율을 동시에 고려하여 신뢰성을 평가한다. 수식 (4)와 (5)는 각각 정밀도와 재현율을 나타낸다.
F1-score는 정밀도와 재현율의 조화평균으로, 두 지표 간의 균형을 평가하여 판별의 안정성을 입증한다. 추가적으로 도입된 AUC는 분류 임계값 변화에 따른 모델의 변별력을 측정하는 지표이다. 이는 모델이 우울감과 불면증의 복합상태를 얼마나 효과적으로 식별하는지 나타내며, 1에 가까울수록 진단성능이 우수함을 의미한다. 수식 (6)은 F1-score의 계산 공식이다.
실험
1. 공병 위험 식별 모델
모델의 구현 및 데이터 전처리는 Windows 운영체제 환경 하에서 Visual Studio Code(VS Code)를 IDE로 사용하였으며, Python 3.11 언어를 기반으로 Scikit-learn 기계학습 라이브러리를 활용하였다.
학습 및 검증에 사용된 데이터는 실제 임상 데이터와 데이터 증강 기법을 통해 생성된 데이터를 통합하여 구성하였다. 전체 데이터셋은 총 6,000개로 구성되었으며 모델의 일반화 성능을 객관적으로 평가하기 위해 전체 데이터를 7:3의 비율로 분할(train-test split)하여 4,200개를 학습 데이터(train set)로, 1,800개를 검증용 데이터(test set)로 사용하였다. 분할 비율의 타당성을 검토하기 위해 8:2 및 6:4 비율도 추가로 실험한 결과, 세 조건 모두에서 정확도 0.88로 동일한 성능이 확인되었다. 이에 기계학습 연구에서 가장 널리 통용되는 7:3 비율을 최종 분할 기준으로 채택하였다.
입력 데이터인 설문지는 ISI 7문항, PSQI 19문항, BDI 21문항으로 구성되며, StandardScaler를 적용하여 데이터의 스케일을 정규화하였다. 모델의 레이블 0과 1은 각각 일반군과 CID 동반 MDD 환자를 나타낸다. 각 사용자의 분류 수준은 척도의 총점을 바탕으로 임상적 컷오프 라인(cut-off point)을 통해 결정되었다. 모델의 데이터 구조는 Table 2와 같다.
본 연구에서 제안하는 공병 위험 식별 모델은 Figure 5와 같이 ISI, PSQI, BDI의 설문 점수를 입력 데이터로 사용하고, 통합 스크리닝 엔진(integrated screening engine)을 통해 공병 위험도를 산출하도록 설계하였다. 해당 엔진은 로지스틱 회귀(logistic regression) 기반 분류 모델을 활용하여 각 척도 점수의 상호 관계를 분석하고 최종 공병 위험 지수(comorbidity risk index)를 도출한다.
2. 실험 결과
본 연구는 모델의 실효성을 확보하기 위해 실제 임상 데이터의 통계적 특성을 반영하여 데이터 증강을 수행하였으며 이를 통해 생성된 합성 데이터 셋을 모델 학습에 활용하였다. 특히 불면증 관련 지표 ISI, PSQI를 표준화하여 단일 통합 변수를 생성함으로써 다차원적인 진단 기준을 수립하였다. 모델의 일반화 성능을 검증하기 위해, 학습에 참여하지 않은 실제 임상 데이터(N=84)와 합성 데이터를 결합한 하이브리드 검증 셋을 구축하여 성능을 평가하였다.
실험 결과, CID와 MDD의 공병 여부를 판별하는 정확도는 0.88을 기록하여 제안 모델의 전반적인 분류 성능이 높음을 검증하였다. 특히 실제 공병 환자를 정확히 식별해내는 정밀도가 0.90 수준의 높은 수치를 유지하고 있으며, 재현율과의 균형을 나타내는 F1-score는 0.88로 도출되었다. 모델의 판별력을 종합적으로 평가하는 AUC는 0.96으로 나타나, 본 모델이 실제 임상 데이터가 혼합된 검증 환경에서도 특정 클래스에 편향되지 않고 안정적인 판별 성능을 보유하고 있음을 나타낸다. 로지스틱 분류 모델의 최종 성능 지표는 Table 3과 같다.
모델의 세부적인 판별 양상을 파악하기 위해 일반군(Normal)과 CID 동반 MDD 환자(Comorbid)에 대한 혼동 행렬(Confusion Matrix)을 분석하였다. Figure 6의 혼동 행렬에서 본 모델은 두 집단을 높은 정확도로 판별하고 있다. 실제 공병 환자군(Actual 1) 427명 중 373명을 식별하였으며, 정상 대조군(Actual 0) 또한 415명 중 372명을 올바르게 분류하여 안정적인 성능을 보였다. 이는 모델이 복합 질환의 특징적 지표를 학습하여 실제 임상 데이터셋 환경에서도 높은 판별 신뢰도를 가짐을 의미한다.
마지막으로, 모델의 변별력을 종합적으로 검증하기 위해 ROC(Receiver Operating Characteristic) 커브를 분석하였다. Figure 7에서 ROC 커브는 왼쪽 상단에 인접한 이상적인 형태를 보이고 있으며, 이는 본 모델이 다양한 임상적 판단 임계값에서도 안정적인 분류 성능이 유지됨을 나타낸다.
결론
본 연구는 CID와 MDD 간의 높은 공병률로 인해 발생할 수 있는 단일 질환으로의 오진 또는 공병 상태의 간과를 방지하고자 수행되었다. 특히 기존 진단 체계의 한계로 인해 발생하는 관리 사각지대를 해소하기 위해 공병 환자를 조기에 식별할 수 있는 스크리닝 도구를 개발하고자 하였다. 이를 위해 표준화된 ISI, PSQI, BDI 척도 점수를 기계학습 기술에 적용시킴으로써 CID 동반 MDD의 공병 여부를 다차원적으로 예측하는 로지스틱 회귀 모델을 제안하였다.
기계학습 모델은 CID 동반 MDD의 공병 여부를 구별하여 우울장애 환자의 정신건강서비스 접근을 위한 조기 선별을 지원할 수 있다. 또한 비대면으로 공병 위험을 신속히 식별할 수 있어 임상 현장에서의 활용성이 높다. 특히 로지스틱 회귀 모델은 척도의 영향력을 선형적으로 분석하여 공병 위험도를 확률 기반의 지표로 제시하기에 유리하다.
제안된 모델은 CID와 MDD의 전이 가능성을 근거로 공병 위험군을 선별하며 공병 위험도의 단계별 정량화를 통해 치료 계획 수립에 활용 가능한 정보를 제공한다. 본 연구는 단일 시점의 척도 점수를 기반으로 설계되었으나, 향후 종단 연구를 통해 반복 측정 데이터를 축적할 경우 CID에서 MDD로의 전이 시점을 추적하는 동적 예측 모델로 확장될 수 있다. 나아가 스크리닝 결과를 기반으로 의료기관 연계를 지원하는 보조적 도구로서 DTx와의 통합을 통한 임상적 확장 가능성을 가진다.
연구 과정에서 대규모 원시 데이터 확보의 어려움으로 인해 일부 모델에서 과적합이 나타났지만, 데이터 증강 기법을 통해 클래스 불균형 문제를 해소함으로써 산출된 성능 평가 지표의 신뢰성을 확보하였다. 실험 결과, 로지스틱 회귀 모델은 약 88%의 정확도 및 0.96의 AUC를 기록하여, 정량적 심리 평가 보조 도구로서의 적용 가능성을 확인하였다.
본 모델은 공병 및 단일 질환 고위험군의 식별을 지원하는 자가관리·스크리닝 도구로서 기능한다. 이는 기존 진단 체계에서 포착되지 못한 위험군을 포착함으로써 질환의 만성화를 방지하고 의료 접근성을 높이는 임상적 안전망으로서의 가능성을 나타낸다.
PDF Links
PubReader
ePub Link
Full text via DOI
Download Citation
Print
