만성 또는 급성 질환을 겪는 환자들의 우울증은 기저 심리 상태, 인구통계학적 특성, 임상 환경, 그리고 행동 중재 참여도 등 복합적인 요인에 의해 영향을 받습니다. 최근 발표된 연구는 이러한 복잡한 상호작용을 해석 가능한 머신러닝(Machine Learning) 기법으로 분석하여, 마음챙김 기반 중재(Mindfulness-Based Intervention, MBI) 참여 후 12주 및 24주 시점의 우울증 개선 정도를 예측하는 모델을 제시했습니다.
이 연구는 다기관 종단적 임상 코호트 데이터를 활용했습니다. 환자의 인구통계학적 변수, 임상 조건 정보, 병원 식별자, 치료 전 우울증 점수(BDI-II), 그리고 치료 참여도 측정치 등을 활용하여 단기 및 장기 우울증 결과를 모델링했습니다. 특히, 릿지 회귀(Ridge Regression) 모델은 12주 예측에서 가장 우수한 성능을 보였고, 라이트GBM(LightGBM)은 24주 예측에서 더 나은 성능을 나타냈습니다. 분석 결과, 치료 전 우울증 심각도가 가장 강력한 예측 변수였으며, 단기 결과는 임상 및 병원 환경과, 장기 결과는 행동 순응도와 인구통계학적 요인과 더 밀접한 관련이 있음이 밝혀졌습니다. 질병별 하위 그룹 분석에서는 예측 변수가 임상 범주 내외에서 상당히 다르다는 점도 확인되었습니다.
이러한 발견은 마음챙김 기반 중재 이후 개인 맞춤형 정신 건강 지원을 제공하는 데 해석 가능한, 맥락 인지 모델링의 중요성을 뒷받침합니다. 단순히 우울증 심각도만 보는 것을 넘어, 환자의 다양한 특성과 치료 환경을 종합적으로 고려한 예측 모델은 각 환자에게 가장 효과적인 치료 전략을 수립하는 데 기여할 수 있습니다. 이는 정신 건강 분야에서 인공지능(AI)이 정밀 의학(Precision Medicine)의 가능성을 확장하고, 환자 개개인의 특성에 맞는 최적의 개입 방안을 찾는 데 중요한 도구가 될 수 있음을 시사합니다.