[논문]우울증에 대한 예측모형

김재용; 민병주; 이재훈; 장재승; 하태현; 하규섭; 박태성

doi:10.5351/kjas.2014.27.2.317

우울증에 대한 예측모형
A Prediction Model for Depression Risk 원문보기

응용통계연구 = The Korean journal of applied statistics, v.27 no.2, 2014년, pp.317 - 330

김재용 (서울대학교 통계학과) , 민병주 (서울대학교 통계학과) , 이재훈 (서울대학교 통계학과) , 장재승 (분당서울대학교 정신건강의학과) , 하태현 (분당서울대학교 정신건강의학과) , 하규섭 (분당서울대학교 정신건강의학과) , 박태성 (서울대학교 통계학과)

초록
AI-Helper

양극성 장애는 조증 삽화(manic episode)와 주요 우울삽화(major depressive episode)를 특징으로 하는 정신질환이다. 주요 우울삽화 시기에는 양극성 장애 환자들의 810%가 자살하는 것으로 알려져 있다. 그러므로 양극성 장애 환자를 치료할 때, 우울증상의 정도를 측정하는 것이 중요하다. 우울증상의 정도를 측정하기 위해 가장 많이 사용하는 검사법은 해밀턴 우울평가 척도(Hamilton depression rating scale)이다. 본 논문에서는 해밀턴 우울평가척도 점수를 이용하여 환자들의 치료 효과를 예측하기 위해 선형혼합효과모형(linear mixed effects model)과 전이모형(transition model)을 제시하였다. 예측을 위해 사용된 자료는 분당서울대학교병원을 방문하여 초진일 당시의 해밀턴 우울평가 척도 점수가 8 점 이상인 환자들의 정보를 사용하였다. 첫 조사시점부터 6개월, 12개월 후 세 차례에 걸쳐 관측된 해밀턴 우울평가 척도 점수를 선형혼합효과모형과 전이모형에 적합시켰다. 그 결과를 토대로 특정시점의 해밀턴 우울평가 척도 점수를 예측하였다. 첫 조사시점부터 6개월, 12개월 후의 해밀턴 우울평가 척도 점수를 사용해 선형혼합효과모형과 전이모형에 적합 시켰다. 이 모델들을 이용해 조사시점부터 24개월 후의 해밀턴 우울평가 척도 점수를 예측한다. 이 예측모델은 조사된 24개월 후의 점수와 예측된 24개월의 후의 점수를 비교하여 평가하였다.

Abstract ▼ AI-Helper

Bipolar disorder is a psychopathy characterized by manic and major depressive episodes. It is important to determine the degree of depression when treating patients with bipolar disorder because 810% of bipolar patients commit suicide during the periods in which they experience major depressive episodes. The Hamilton depression rating scale is most commonly used to estimate the degree of depression in a patient. This paper proposes using the Hamilton depression rating scale to estimate the effectiveness of patient treatment based on the linear mixed effects model and the transition model. Study subjects were recruited from the Seoul National University Bundang Hospital who scored 8 points or above in the Hamilton depression rating scale on their first medical examination. The linear mixed effects model and the transition model were fitted using the Hamilton depression rating scales measured at the baseline, six month, and twelve month follow-ups. Then, Hamilton depression rating scale at the twenty-four month follow-up was predicted using these models. The prediction models were then evaluated by comparing the observed and predicted Hamilton depression rating scales on the twenty-four month follow-up.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

그러나 아직까지 Ham-D점수를 이용하여, 양극성 장애 환자의 치료 효과를 예측하는 방법은 제시된 바가 없다. 그러므로 본 연구에서는 양극성 장애 환자의 우울증상 척도를 예측하는 통계모형을 만들고자 한다. 환자의 첫 방문과 6개월 뒤의 두 번째 방문, 12개월 뒤의 세 번째 방문에 시행했던 Ham-D 검사를 바탕으로, 초진일로부터 24개월 뒤의 Ham-D 검사 수치를 선형혼합효과 모형(linear mixed effects model)과 전이모형(transition model)을 통해 예측할 것이다.
그러나 과거의 자료들을 통해 모형이 잘 적합되었다 할지라도, Ham-D점수 예측의 정확성을 보장해주는 것은 아니다. 따라서, 제시된 열 가지 모형에 기반하여 초진일로부터 24개월 뒤의 Ham-D점수를 예측해 보고, 29명의 환자로부터 얻은 실제 Ham-D점수와 비교해봄으로써, 모형을 평가해보았다.

제안 방법

2차 전이모형과 1차 전이모형을 사용하여 초진일로부터 2년 뒤의 Ham-D점수를 얻기 위해서는 초진일로부터 18개월 뒤의 Ham-D점수가 필요하다. 그러므로 18개월 뒤의 Ham-D점수를 추정한 뒤에, 그 점수를 기반으로 24개월 뒤의 HamD점수를 예측하였다. 선형혼합효과 모형에서와 마찬가지로 교육수준과 과거 우울증 삽화 횟수는 기본적인 모형 T1에 덧붙이는 추가 요인으로 고려하였다.
다음으로 제시된 다섯 가지 모형 중에서 가장 적합이 잘 된 모형이 어떤 모형인지를 파악하기 위하여 각 모형의 AIC, AICC, BIC, −2 Res Log Likelihood 값을 비교해보았다 (Akaike, 1974; Hurvich과 Tsai, 1989; Schwarz, 1978) (Table 3.2).
다음으로 제시된 열 가지 모형 중에서 가장 적합이 잘 된 모형이 무엇인지를 파악하기 위하여 각 모형의 AIC, AICC, BIC, −2 Res Log Likelihood 값을 비교해보았다 (Table 3.7).
따라서, 특정 시점의 Ham-D점수를 예측하기 위하여, 12개월 전과 6개월 전의 Ham-D점수를 사용하는 2차 전이모형과 6개월 전의 Ham-D점수만을 공변량으로 가지는 1차 전이모형을 고려하였다. 단, 1차 전이 모형에서는 첫 6개월간의 치료효과를 의미하는 치료 효과 지표를 추가적으로 사용하였다. 2차 전이모형과 1차 전이모형을 사용하여 초진일로부터 2년 뒤의 Ham-D점수를 얻기 위해서는 초진일로부터 18개월 뒤의 Ham-D점수가 필요하다.
과거 우울증 삽화 횟수는 양극성 장애 환자의 나쁜 예후와 관련이 있다는 보고가 있다 (Treuer과 Tohen, 2010; Marangell 등, 2009; Tohen 등, 1990). 따라서, 과거 우울증 삽화 횟수를 통계 모형의 주요 공변량(covariate)으로 설정했다. 전체 77명의 환자 중에서, 과거 우울증 삽화 횟수가 기록된 환자는 62명이었다.
과거의 자료들을 통한 모형 적합 결과가, Ham-D점수 예측의 정확성을 보장해주는 것은 아니다. 따라서, 제시된 열 가지 모형에 기반하여 초진일로부터 24개월 뒤의 Ham-D점수를 예측해보고, 29명의 환자로부터 얻은 실제 Ham-D점수와 비교해보았다.
반복 측정된 종속 변수들이 비선형적인 추세를 나타낸다면, 선형혼합효과모형은 예측력이 낮을 것이다. 따라서, 특정 시점의 Ham-D점수를 예측하기 위하여, 12개월 전과 6개월 전의 Ham-D점수를 사용하는 2차 전이모형과 6개월 전의 Ham-D점수만을 공변량으로 가지는 1차 전이모형을 고려하였다. 단, 1차 전이 모형에서는 첫 6개월간의 치료효과를 의미하는 치료 효과 지표를 추가적으로 사용하였다.
환자의 첫 방문과 6개월 뒤의 두 번째 방문, 12개월 뒤의 세 번째 방문에 시행했던 Ham-D 검사를 바탕으로, 초진일로부터 24개월 뒤의 Ham-D 검사 수치를 선형혼합효과 모형(linear mixed effects model)과 전이모형(transition model)을 통해 예측할 것이다. 또한, 예측 검사와 실제 검사 수치를 비교함으로써 두 모형의 타당성과 유용성을 평가할 것이다.
55%에 해당한다. 분포를 고르게 하기 위하여, 과거 우울증 삽화 횟수를 사분위수에 따라 범주화하였다. 과거 우울증 삽화 횟수에 따른 제1사분위수는 2, 제2사분위수는 4, 제3사분위수는 99, 제4사분위수는 100이다 (Table 2.
선형혼합효과모형의 추정값을 계산하는 방법은 ML을 사용하여 얻을 수 있다. 선형혼합효과모형을 구성하는 과정에서, 교육수준은 우리나라 교육과정 기준(고등학교 졸업이하, 대학교 재학생 및 전문대 졸업, 대학교 졸업, 대학원생 이상)으로 범주화하였고 과거 우울증 삽화 횟수는 사분위수로 범주화 하였다. 따라서 관찰 시점, 성별(남 = 1,여 = 2), 양극성 장애 유형(Bipolar1 = 1, Bipolar2 = 2), 결혼 여부(미혼 = 1, 기혼 = 2, 이혼 = 3), 나이(20대 이하 = 1, 30대 이하 = 2, 40대 이하 = 3) 등을 고려한 기본 모형에 교육수준(고등학교 졸업이하 = 1, 대학교 재학생 및 전문대 졸업 = 2, 대학교 졸업 = 3, 대학원생 이상 = 4)과 과거 우울증 삽화 횟수(2 이하 = 1, 3 이상 4 이하 = 2, 5 이상 99 이하 = 3, 100 이상= 4), 그리고 두 변수 사이의 교호작용(interaction)이라는 추가적 요인을 고려한 모형을 만들었다.
실제 관측된 Ham-D점수와 예측된 Ham-D점수의 상관계수와 예측오차(Prediction Error; P. E.), 그리고 모형에 대한 자유도를 위의 표로 정리하였다 (Table 3.3). 모형 L1∼L2에 비해 모형 L3∼L4의 상관계수는 높고 예측오차는 작았다.
이 중 남성 환자는 19명, 여성 환자는 58명이었고, 양극성 장애 유형에 따른 제 1형 환자는 3명, 제 2형 환자는 46명이었다. 양극성 장애 환자들을 대상으로 초진일과 그로부터 6개월 후, 12개월 후에 각각 Ham-D 검사를 담당 의사가 시행하였다. 초진일의 Ham-D점수는 14.
그러므로 초진일 당시의 Ham-D점수를 사용하는 대신에 초진일과 6개월 후의 Ham-D점수의 변화(치료 효과 지표)를 예측 모형에 반영시켜 보는 것이 의미 있다고 생각되었다. 지표의 유형 분류를 위해, Ham-D점수를 7점 이하는 정상, 8점 이상 17점 이하는 가벼운 우울증, 그리고 18점 이상은 심한 우울증으로 분류하였다. 유형 A, B, C는 가벼운 우울증 상태에서 각각 정상, 가벼운 우울증, 심한 우울증 상태로, 유형 D, E, F는 심한 우울증 상태에서 각각 정상, 가벼운 우울증, 심한 우울증 상태로 변화한것이다 (Table 2.
1)의 모형에 따라 고정효과변수(fixed effect variable)로서 나이, 성별, 교육수준, 우울증 삽화 횟수, 결혼여부, 양극성 장애 유형을 사용하였고, 종속변수로는 Ham-D점수를 사용하였다. 확률효과 변수(random effect variable)는 수집된 자료가 분당서울대학교병원에서 진료를 받은 77명의 환자 (i = 1, . . . , 77)의 자료이므로 환자 ID를 확률효과변수로 사용하였다. 일반적으로, 선형혼합효과모형식 (2.
그러므로 본 연구에서는 양극성 장애 환자의 우울증상 척도를 예측하는 통계모형을 만들고자 한다. 환자의 첫 방문과 6개월 뒤의 두 번째 방문, 12개월 뒤의 세 번째 방문에 시행했던 Ham-D 검사를 바탕으로, 초진일로부터 24개월 뒤의 Ham-D 검사 수치를 선형혼합효과 모형(linear mixed effects model)과 전이모형(transition model)을 통해 예측할 것이다. 또한, 예측 검사와 실제 검사 수치를 비교함으로써 두 모형의 타당성과 유용성을 평가할 것이다.

대상 데이터

분당서울대학교병원에서 2003년 5월 19일부터 2010년 12월 30일까지 양극성 장애로 진단받고, 진단당시 Ham-D점수가 8점 이상인 환자 314명 중, 초진일 및 이후 6개월, 12개월 시점의 Ham-D점수가 측정되어 있는 77명의 환자를 연구 대상으로 하였다. 이 환자 군은 2003년 6월 25일부터 2009년 7월 2일 사이에 양극성 장애로 처음 진단되었다.
전체 77명의 환자 중에서, 과거 우울증 삽화 횟수가 기록된 환자는 62명이었다. 여기서 과거 우울증 삽화 기록이 없는 15명은 분석에서 제외하였다. 그러나 과거 우울증 삽화 횟수가 10이하와 100이상인 경우가 대부분임을 확인하였다.
환자의 나이, 성별, 교육수준, 과거 우울증 삽화 횟수, 결혼여부, 양극성 장애 유형 등의 기타 사항은 초진일 당시의 기록을 기준으로 하였다. 이 중 남성 환자는 19명, 여성 환자는 58명이었고, 양극성 장애 유형에 따른 제 1형 환자는 3명, 제 2형 환자는 46명이었다. 양극성 장애 환자들을 대상으로 초진일과 그로부터 6개월 후, 12개월 후에 각각 Ham-D 검사를 담당 의사가 시행하였다.

이론/모형

독립변수 혹은 고정효과 및 확률효과 변수를 비모수(non-parametric)로 표현하고자 하는 경우에는 일반화 가법혼합모형(Generalized Additive Mixed Effect Model; GAMM)으로도 확장된다 (Fahrmeir과 Lang, 2001; McCulloch과 Neuhaus, 2001). 본 논문에서는 특정 시점의 Ham-D점수를 예측하는데 있어서 선형혼합효과모형을 사용했다. 선형혼합효과모형이 비선형 또는 비모수 모형보다 모형적합성이 떨어지지만, 종속변수와 고정효과 변수와의 인과관계 및 상관관계를 설명하는데 효과적이기 때문이다.
또한, ϵ_i는 그룹내오차(within-group error)벡터이다. 식 (2.1)의 모형에 따라 고정효과변수(fixed effect variable)로서 나이, 성별, 교육수준, 우울증 삽화 횟수, 결혼여부, 양극성 장애 유형을 사용하였고, 종속변수로는 Ham-D점수를 사용하였다. 확률효과 변수(random effect variable)는 수집된 자료가 분당서울대학교병원에서 진료를 받은 77명의 환자 (i = 1, .
지금까지 선형혼합효과모형(linear mixed effects model)과 전이모형(transition model)을 사용하여 양극성 장애환자들의 Ham-D점수를 예측해보았다. 선형혼합효과모형은 교육 수준, 과거 우울증 삽화 횟수, 그리고 두 변수의 교호작용을 포함한 모형 L5에서 적합이 가장 잘 이루어졌지만, 예측 결과는 모형 L4가 가장 좋았다.

성능/효과

일반적으로 2차 전이모형이 1차 전이모형보다 전 시점을 하나 더 보았으므로 예측력이 더 좋아야하지만 1차 전이모형에 치료 효과 지표를 변수로 사용하여 예측력이 더 높아졌다고 할 수 있다. Table 3.3, Table 3.8을 통해, 과거에 관측된 Ham-D점수를 이용하여 미래의 Ham-D점수를 예측할 때, 선형혼합효과모형을 사용하는 것보다는 1차전이모형을 사용하는 것이 더 정확한 예측을 할 수 있음을 확인 할 수 있었다.
교육수준과 과거 우울증 삽화 횟수가 포함된 모형보다는 교육수준과 과거 우울증 삽화 횟수의 교호작용이 고려된 모형이 더 높은 적합성을 나타냄을 알 수 있었다 (Table 3.7). 또한, 2차 전이모형 보다는 치료 효과 지표가 포함된 1차 전이모형에서 더 잘 적합이 되었음을 확인 할 수 있었다.
또한, 교육수준과 과거 우울증 삽화 횟수가 모두 추가된 모형 L4에서도 교육수준은 유의한 공변량이 아니었다. 그러나 교육 수준과 과거 우울증 삽화 횟수의 교호작용이 고려된 모형 L5에서는 교육수준 변수가 유의 수준 5%에서 유의한 공변량임을 확인할 수 있었으며, (p = 0.0126) 과거 우울증 삽화 횟수와 교육수준의 교호작용도 유의했다 (Table 3.1)(p = 0.0003). 다음으로 제시된 다섯 가지 모형 중에서 가장 적합이 잘 된 모형이 어떤 모형인지를 파악하기 위하여 각 모형의 AIC, AICC, BIC, −2 Res Log Likelihood 값을 비교해보았다 (Akaike, 1974; Hurvich과 Tsai, 1989; Schwarz, 1978) (Table 3.
초진일 당시의 Ham-D점수가 8점 이상인 환자들만 연구 대상으로 하였기 때문에, 실제 모집단의 Ham-D점수 평균보다 연구 대상 환자들의 Ham-D점수의 평균이 높게 나타날 것이다. 그러므로 초진일 당시의 Ham-D점수를 사용하는 대신에 초진일과 6개월 후의 Ham-D점수의 변화(치료 효과 지표)를 예측 모형에 반영시켜 보는 것이 의미 있다고 생각되었다. 지표의 유형 분류를 위해, Ham-D점수를 7점 이하는 정상, 8점 이상 17점 이하는 가벼운 우울증, 그리고 18점 이상은 심한 우울증으로 분류하였다.
7). 또한, 2차 전이모형 보다는 치료 효과 지표가 포함된 1차 전이모형에서 더 잘 적합이 되었음을 확인 할 수 있었다. 과거의 자료들을 통한 모형 적합 결과가, Ham-D점수 예측의 정확성을 보장해주는 것은 아니다.
모형 L1에서 교육수준 변수가 추가된 모형 L2의 경우, 교육수준은 유의한 공변량이 아니었다. 또한, 교육수준과 과거 우울증 삽화 횟수가 모두 추가된 모형 L4에서도 교육수준은 유의한 공변량이 아니었다. 그러나 교육 수준과 과거 우울증 삽화 횟수의 교호작용이 고려된 모형 L5에서는 교육수준 변수가 유의 수준 5%에서 유의한 공변량임을 확인할 수 있었으며, (p = 0.
만약 양극성 장애 환자를 치료하는 과정에서 우울증상 변화를 예측할 수 있다면, 치료에 잘 반응하지 않는 미래 고위험군 환자를 구별해낼 수 있을 것이다. 또한, 예측 결과에 따라 적합한 치료를 미리 처방함으로써 환자의 병원 방문 횟수를 줄이고, 환자 스스로 질환을 관리할 수 있는 효과를 얻을 수 있다. 그러나 아직까지 Ham-D점수를 이용하여, 양극성 장애 환자의 치료 효과를 예측하는 방법은 제시된 바가 없다.
이 검사법에 의한 자료는 매우 적거나 결측값들이 많아 예측 모형을 만드는데 사용될 수 없었다. 마지막으로 T10모형의 상관계수 0.65로 예상했던 것보다 예측력이 높지 않게 나타났다. 이러한 이유 중의 하나는 대상 환자군의 기저상태(baseline)이 비균일(heterogeneous)하기 때문일 것으로 예상한다.
모형 T6∼T10 모두 치료 효과 지표 변수가 추가되지 않고 과거 두 시점의 Ham-D점수를 사용한 2차 전이모형 T1∼T5에 비해 예측된 Ham-D점수와 관측된 Ham-D점수 간의 상관계수가 증가하였음을 확인할 수 있었다 (Table 3.8).
따라서 본 양극성 장애 예측 결과는 다른 예측 모형과 비교해봤을 때 어느 정도 타당한 결과를 제시한 것으로 판단된다. 선형혼합효과모형과 전이모형을 이용하여 예측된 결과를 비교해보았을 때, 전이모형을 이용한 예측이 보다 정확함을 확인하였다. 이는 Ham-D점수가 시간 경과에 따라 선형적인 추세를 따르지 않았기 때문이 었다.
지금까지 선형혼합효과모형(linear mixed effects model)과 전이모형(transition model)을 사용하여 양극성 장애환자들의 Ham-D점수를 예측해보았다. 선형혼합효과모형은 교육 수준, 과거 우울증 삽화 횟수, 그리고 두 변수의 교호작용을 포함한 모형 L5에서 적합이 가장 잘 이루어졌지만, 예측 결과는 모형 L4가 가장 좋았다. 예측 결과를 평가할 때는 24개월 뒤에 관측된 Ham-D점수와 가장 높은 상관계수(correlation coefficient)를 지닐 수록, 그리고 낮은 예측오차(prediction error)를 가질수록 정확한 예측이 되었다고 판단하였다.
전이모형에서는 AIC 비교를 통해 과거 한 시점의 관측 점수만 이용하는 1차 전이모형이 과거 두 시점의 관측 점수를 이용하는 2차 전이모형보다 더 높은 적합성을 나타냄을 확인할 수 있었다. 실제 예측 결과도 2차 전이모형보다는 1차 전이모형을 이용한 예측이 더 좋은 결과를 보여주었다. 특히, 모형 적합결과 가장 높은 적합성을 보였던 모형 T10에서 실제로 관측된 Ham-D점수와의 가장 높은 상관계수(r = 0.
선형혼합효과모형은 교육 수준, 과거 우울증 삽화 횟수, 그리고 두 변수의 교호작용을 포함한 모형 L5에서 적합이 가장 잘 이루어졌지만, 예측 결과는 모형 L4가 가장 좋았다. 예측 결과를 평가할 때는 24개월 뒤에 관측된 Ham-D점수와 가장 높은 상관계수(correlation coefficient)를 지닐 수록, 그리고 낮은 예측오차(prediction error)를 가질수록 정확한 예측이 되었다고 판단하였다. 전이모형에서는 AIC 비교를 통해 과거 한 시점의 관측 점수만 이용하는 1차 전이모형이 과거 두 시점의 관측 점수를 이용하는 2차 전이모형보다 더 높은 적합성을 나타냄을 확인할 수 있었다.
2에 제시된 값들은 작을수록 모형적합이 잘 이루어졌음을 의미하며, 자유도는 모형에 대한 자유도이다. 이 결과들을 통해 알 수 있는 사실은, 교육 수준과 과거 우울증 삽화의 교호작용이 고려된 모형 L5가 가장 높은 적합성을 나타냈다는 것이다. 그러나 과거의 자료들을 통해 모형이 잘 적합되었다 할지라도, Ham-D점수 예측의 정확성을 보장해주는 것은 아니다.
적합 결과들 (Table 3.8)을 통해 1차 전이모형이 2차 전이모형보다 더 높은 상관계수와 더 낮은 예측 오차를 갖기 때문에, 더 예측력이 높은 모형이라고 평가할 수 있었다. 일반적으로 2차 전이모형이 1차 전이모형보다 전 시점을 하나 더 보았으므로 예측력이 더 좋아야하지만 1차 전이모형에 치료 효과 지표를 변수로 사용하여 예측력이 더 높아졌다고 할 수 있다.
예측 결과를 평가할 때는 24개월 뒤에 관측된 Ham-D점수와 가장 높은 상관계수(correlation coefficient)를 지닐 수록, 그리고 낮은 예측오차(prediction error)를 가질수록 정확한 예측이 되었다고 판단하였다. 전이모형에서는 AIC 비교를 통해 과거 한 시점의 관측 점수만 이용하는 1차 전이모형이 과거 두 시점의 관측 점수를 이용하는 2차 전이모형보다 더 높은 적합성을 나타냄을 확인할 수 있었다. 실제 예측 결과도 2차 전이모형보다는 1차 전이모형을 이용한 예측이 더 좋은 결과를 보여주었다.
모형 L1∼L2에 비해 모형 L3∼L4의 상관계수는 높고 예측오차는 작았다. 즉, 과거 우울증 삽화 횟수가 포함된 모형이 과거 우울증 삽화 횟수가 포함되지 않은 모형에 비해 예측이 잘 되었다. 하지만, 두 변수의 교호작용이 고려되지 않은 모형 L4에 비해 과거 우울증 삽화 횟수와 교육 수준간의 교호작용이 고려된 모형 L5에서는 상관계수는 작아지고, 예측오차는 증가하였음을 확인할 수 있었다.
6). 즉, 치료 효과 지표는 선형혼합효과모형에서는 유의한 공변량 이었지만, 전이모형에서는 유의한 공변량이 아니었다. 다음으로 제시된 열 가지 모형 중에서 가장 적합이 잘 된 모형이 무엇인지를 파악하기 위하여 각 모형의 AIC, AICC, BIC, −2 Res Log Likelihood 값을 비교해보았다 (Table 3.
본 연구에서는 몇 가지 한계점이 있다. 첫째, 과거 우울증 삽화 횟수나 교육 년 수와는 달리, 나이, 성별, 그리고 양극성 장애 유형이 양극성 장애 우울증상 치료 효과에 유의한 지표인지 확인하지 않고 기본 모형에 포함하였다는 것이다. 그러나 나이, 성별, 양극성 장애 유형을 기본 모형에 포함하였던 것은 이 변수들이 양극성 장애 환자의 임상양상과 예후에 관련이 있다는 선행연구가 있었기 때문이었다 (Osby 등, 2001; Leverich 등, 2007; Tondo 등, 2001; Ozerdem 등, 2001).
실제 예측 결과도 2차 전이모형보다는 1차 전이모형을 이용한 예측이 더 좋은 결과를 보여주었다. 특히, 모형 적합결과 가장 높은 적합성을 보였던 모형 T10에서 실제로 관측된 Ham-D점수와의 가장 높은 상관계수(r = 0.6539)와 두 번째로 낮은 예측오차(prediction error = 14.4650)를 가짐을 알 수 있었다. 양극성 장애 자료에 대한 예측 결과를 비교한 기존 문헌이 없으므로 다른 정신질환 관련 논문들을 참조해 본 결과 설명력은 0.
즉, 과거 우울증 삽화 횟수가 포함된 모형이 과거 우울증 삽화 횟수가 포함되지 않은 모형에 비해 예측이 잘 되었다. 하지만, 두 변수의 교호작용이 고려되지 않은 모형 L4에 비해 과거 우울증 삽화 횟수와 교육 수준간의 교호작용이 고려된 모형 L5에서는 상관계수는 작아지고, 예측오차는 증가하였음을 확인할 수 있었다. 본 논문의 2.

후속연구

따라서 본 연구에서 제안한 예측모형을 기반으로 향후 양극성 장애 환자들의 상태를 보다 정확하게 잘 예측할 수 있는 모형을 개발하고자 한다면, 위에서 언급한 한계점을 보완해야 할 것이다. 또한, 더 많은 양극성 장애 환자를 대상으로 한 연구가 진행되어야 연구 결과의 신뢰성이 높아질 것이다.
이러한 이유 중의 하나는 대상 환자군의 기저상태(baseline)이 비균일(heterogeneous)하기 때문일 것으로 예상한다. 따라서 예측력을 더 높이기 위해서는 이러한 환자군의 차이를 보정할 수 있는 공변량을 추가로 포함하는 모형을 고려해 볼 수 있을 것이다.
따라서 본 연구에서 제안한 예측모형을 기반으로 향후 양극성 장애 환자들의 상태를 보다 정확하게 잘 예측할 수 있는 모형을 개발하고자 한다면, 위에서 언급한 한계점을 보완해야 할 것이다. 또한, 더 많은 양극성 장애 환자를 대상으로 한 연구가 진행되어야 연구 결과의 신뢰성이 높아질 것이다.
그리고 환자가 병원을 방문하지 않는다면, 검사가 시행되기 전까지 환자의 우울 증상을 예측할 수 없다는 단점도 있다. 만약 양극성 장애 환자를 치료하는 과정에서 우울증상 변화를 예측할 수 있다면, 치료에 잘 반응하지 않는 미래 고위험군 환자를 구별해낼 수 있을 것이다. 또한, 예측 결과에 따라 적합한 치료를 미리 처방함으로써 환자의 병원 방문 횟수를 줄이고, 환자 스스로 질환을 관리할 수 있는 효과를 얻을 수 있다.

질의응답

핵심어	질문	논문에서 추출한 답변
	우울증상의 정도를 측정하기 위해 가장 많이 사용하는 검사법은 무엇인가?	그러므로 양극성 장애 환자를 치료할 때, 우울증상의 정도를 측정하는 것이 중요하다. 우울증상의 정도를 측정하기 위해 가장 많이 사용하는 검사법은 해밀턴 우울평가 척도(Hamilton depression rating scale)이다. 본 논문에서는 해밀턴 우울평가척도 점수를 이용하여 환자들의 치료 효과를 예측하기 위해 선형혼합효과모형(linear mixed effects model)과 전이모형(transition model)을 제시하였다.
	양극성 장애란?	양극성 장애는 조증 삽화(manic episode)와 주요 우울삽화(major depressive episode)를 특징으로 하는 정신질환이다. 주요 우울삽화 시기에는 양극성 장애 환자들의 810%가 자살하는 것으로 알려져 있다.
	양극성 장애 환자를 치료할 때 우울증상의 정도를 측정하는 것이 중요한 이유는?	양극성 장애는 조증 삽화(manic episode)와 주요 우울삽화(major depressive episode)를 특징으로 하는 정신질환이다. 주요 우울삽화 시기에는 양극성 장애 환자들의 810%가 자살하는 것으로 알려져 있다. 그러므로 양극성 장애 환자를 치료할 때, 우울증상의 정도를 측정하는 것이 중요하다.

참고문헌 (41)

Akaike, H. (1974). A new look at the statistical model identification, IEEE Transactions on Automatic Control, 19, 716-723.

상세보기
Berk, M., Malhi, G. S., Cahill, C., Carman, A. C., Hadzi-Pavlovic, D., Hawkins, M. T., Tohen, M. and Mitchell, P. B. (2007). The Bipolar Depression Rating Scale (BDRS): its development, validation and utility, Bipolar Disorders, 9, 571-579.

상세보기
Bland, R. C. (1992). Psychiatric Disorders in America: The Epidemiologic Catchment Area Study, Journal of Psychiatry and Neuroscience, 17, 34.
Bowden, C. L. (2001). Strategies to reduce misdiagnosis of bipolar depression, Psychiatric Services, 52, 51-55.

상세보기
Bonney, G. E. (1987). Logistic regression for dependent binary observations, Biometrics, 951-973.
Davis, C. S. (2002). Statistical Methods for the Analysis of Repeated Measurements, Springer texts in statistics, Springer, New York.
Demyttenaere, K. and De Fruyt J. (2003). Getting what you ask for: on the selectivity of depression rating scales, Psychotherapy and Psychosomatics, 72, 61-70.

상세보기
Diggle, P. (2002). Analysis of Longitudinal Data, Oxford University Press, USA.
Doehrmann, O., Ghosh, S. S., Polli, F. E., Reynolds, G. O., Horn, F., Keshavan, A., Triantafyllou, C., Saygin, Z. M., Whitfield-Gabrieli, S., Hofmann, S. G., Pollack, M. and Gabrieli, J. D. (2013). Predicting treatment response in social anxiety disorder from functional magnetic resonance imaging, The American Journal of Psychiatry, 70, 87-97
Fahrmeir, L. and Kaufmann, H. (1987). Regression models for non-stationary categorical time series, Journal of Time Series Analysis, 8, 147-160.

상세보기
Fahrmeir, L. and Lang, S. (2001). Bayesian inference for generalized additive mixed models based on Markov random field priors, Journal of the Royal Statistical Society: Series C (Applied Statistics), 50, 201-220.

상세보기
Hamilton, M. (1960). A rating scale for depression, Journal of Neurology, Neurosurgery, and Psychiatry, 23, 56.

상세보기
Hamilton, M. (1966). Assessment of change in psychiatric state by means of rating scales, Proceedings of the Royal Society of Medicine, 59(Suppl 1), 10.
Hamilton, M. (1967). Development of a rating scale for primary depressive illness, British Journal of Social and Clinical Psychology, 6, 278-296.

상세보기
Hamilton, M. (1969). Standardised assessment and recording of depressive symptoms, Psychiatria, Neurologia, Neurochirurgia, 72, 201.
Hamilton, M. (1980). Rating depressive patients, Journal of Clinical Psychiatry.
Hurvich, C. M. and Tsai, C. L. (1989). Regression and time series model selection in small samples, Biometrika, 76, 297-307.

상세보기
Kalbfleisch, J. and Lawless, J. F. (1985). The analysis of panel data under a Markov assumption, Journal of the American Statistical Association, 80, 863-871.

상세보기
Kessler, R. C., McGonagle, K. A., Zhao, S., Nelson, C. B., Hughes, M., Eshleman, S., Wittchen, H. U. and Kendler, K. S. (1994). Lifetime and 12-month prevalence of DSM-III-R psychiatric disorders in the United States: Results from the National Comorbidity Survey, Archives of General Psychiatry, 51, 8.

상세보기
Korn, E. L. and Whittemore, A. S. (1979). Methods for analyzing panel studies of acute health effects of air pollution, Biometrics, 35, 795-802.

상세보기
Lafortune, S. and Wong, E. (1986). A state transition model for distributed query processing, ACM Transactions on Database Systems (TODS), 11, 294-322.

상세보기
Leverich, G. S., Post, R. M., Keck, P. E. Jr., Altshuler, L. L., Frye, M. A., Kupka, R. W., Nolen, W. A., Suppes, T., McElroy, S. L., Grunze, H., Denicoff, K., Moravec, M. K. and Luckenbaugh, D. (2007). The poor prognosis of childhood-onset bipolar disorder, The Journal of Pediatr, 150, 485-490.

상세보기
Marangell, L. B., Dennehy, E. B., Miyahara, S., Wisniewski, S. R., Bauer, M. S., Rapaport, M. H. and Allen, M. H. (2009). The functional impact of subsyndromal depressive symptoms in bipolar disorder: Data from STEP-BD, Journal of Affective Disorders, 114, 58-67.

상세보기
McCulloch, C. E. and Neuhaus, J. M. (2001). Generalized Linear Mixed Models, Wiley Online Library.
Milev, P., Ho, B. C., Arndt, S. and Andreasen, N. C. (2005). Predictive values of neurocognition and negative symptoms on functional outcome in schizophrenia: a longitudinal first-episode study with 7-year followup, The American Journal of Psychiatry, 162, 495-506.

상세보기
Montgomery, S. A. and Asberg, M. (1979). A new depression scale designed to be sensitive to change, The British Journal of Psychiatry, 134, 382-389.

상세보기
Muenz, L. R. and Rubinstein, L. V. (1985). Markov models for covariate dependence of binary sequences, Biometrics, 41, 91-101.

상세보기
Osby, U., Brandt, L., Correia, N., Ekbom, A. and Sparen, P. (2001). Excess mortality in bipolar and unipolar disorder in Sweden, Archives of General Psychiatry, 58, 844.

상세보기
Ozerdem, A., Tunca, Z. and Kaya, N. (2001). The relatively good prognosis of bipolar disorders in a Turkish bipolar clinic, Journal of Affective Disorder, 64, 27-34.

상세보기
Rehm, L. P. and O'Hara, M. W. (1985). Item characteristics of the Hamilton rating scale for depression, Journal of Psychiatric Research, 19, 31-41.

상세보기
Sadock, B. J., Kaplan, H. I. and Sadock, V. A. (2007). Kaplan & Sadock's Synopsis of Psychiatry: Behavioral Sciences/Clinical Psychiatry, Lippincott Williams & Wilkins.
Schiffer, R. (2007). Psychiatric Disorders in Medical Practice, Cecil Medicine, 23rd ed., Saunders Elsevier, Philadelphia, 420.
Schwarz, G. (1978). Estimating the dimension of a model, The Annals of Statistics, 6, 461-464.

상세보기
Searle, S. R., Casella, G. and McCulloch, C. E. (1992). Variance Components, Wiley Online Library.
Spearing, M. K., Post, R. M., Leverich, G. S., Brandt, D. and Nolen, W. (1997). Modification of the Clinical Global Impressions (CGI) Scale for use in bipolar illness (BP): The CGI-BP, Psychiatry Research, 73, 159-171.

상세보기
Tohen, M., Waternaux, C. M. and Tsuang, M. T. (1990). Outcome in mania: A 4-year prospective follow-up of 75 patients utilizing survival analysis, Archives of General Psychiatry, 47, 1106.

상세보기
Tondo, L., Baldessarini, R. J. and Floris, G. (2001). Long-term clinical effectiveness of lithium maintenance treatment in types I and II bipolar disorders, The British Journal of Psychiatry: The Journal of Mental Science, 178(Suppl 41), 184-190.
Treuer, T. and Tohen, M. (2010). Predicting the course and outcome of bipolar disorder: A review, European Psychiatry, 25, 328-333

상세보기
Vonesh, E. F. and Chinchilli, V. M. (1997). Linear and Nonlinear Models for the Analysis of Repeated Measurements, CRC Press, 154.
Young, R. C., Biggs, J. T., Ziegler, V. E. and Meyer, D. A. (1978). A rating scale for mania: Reliability, validity and sensitivity, The British Journal of Psychiatry, 133, 429-435.

상세보기
Zeger, S. L. and Qaqish, B. (1988). Markov regression models for time series: A Quasi-likelihood approach, Biometrics, 44, 1019-1031.

상세보기

저자의 다른 논문 :

LOADING...

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증