사회적 고립 및 외로움이 인지기능 악화에 미치는 영향 : 고령화연구패널조사(2018년, 2022년)를 이용하여

Abstract

배경 및 목적: 폐쇄성수면무호흡증(Obstructive Sleep Apnea, OSA)은 수면 중 반복적인 상기도 폐쇄로 인해 호흡이 제한되는 질환으로, 고혈압, 심혈관질환, 당뇨 등 만성질환과 밀접한 연관이 있는 주요 공중보건 문제로 인식되고 있다. OSA 조기 선별을 위한 도구로 STOP-Bang 설문이 널리 사용되고 있으며, 이 설문지는 높은 민감도를 바탕으로 고위험군을 효과적으로 선별할 수 있는 장점이 있다. 그러나 낮은 특이도로 인해 개별 진단의 정밀도에는 한계가 존재하며, 단독 활용 시 진단 예측의 정확도를 확보하는 데 어려움이 있다는 지적이 제기되고 있다. 이에 본 연구는 STOP-Bang 점수의 한계를 보완하고 예측 성능을 향상시키기 위해 추가적인 임상 및 건강행태 지표를 통합한 예측모델을 구축하고자 하였으며, 전통적 통계 기법인 로지스틱 회귀분석과 머신러닝 기반 심층신경망(Deep Neural Network, DNN)의 예측 성능을 비교하여 보다 효과적인 OSA 진단 예측 모델을 제시하는 데 목적이 있다. 대상 및 방법: 본 연구는 2019년부터 2023년까지 수행된 제8–9기 국민건강영양조사(KNHANES) 자료 중 40세 이상 성인 14,939명을 대상으로 하였다. 폐쇄성수면무호흡증(OSA) 진단 여부는 자가 보고된 의사 진단을 기준으로 정의하였으며, STOP-Bang 설문 점수 및 구성 항목 외에도 혈압, 혈당, 지질 수치, 체질량지수(BMI), 음주 및 흡연 여부, 수면시간, 앉아있는 시간 등의 임상 및 건강행태 지표를 분석에 포함하였다. 통계 분석은 복합표본설계를 고려하여 로지스틱 회귀분석을 실시하였으며, STOP-Bang 점수 단일 항목의 설명력을 평가하기 위한 단변수 분석과 건강 지표를 추가로 포함한 다변수 분석을 병행하였다. 예측 성능 검증을 위해 전체 데이터를 훈련용과 검증용으로 7:3 비율로 분할하여 적용하였으며, 추가적으로 심층신경망(Deep Neural Network, DNN) 기반의 예측 모델을 구성하고, 예측 정확도 및 변수 기여도를 비교 평가하기 위해 ROC-AUC 및 SHAP 분석을 수행하였다. 연구결과: 단변수 로지스틱 회귀분석에서 STOP-Bang 점수는 OSA 진단과 유의한 양의 연관성을 보였으며(OR=2.31, 95% CI: 2.02–2.65,p<0.0001), 해당 모형의 AUC는 0.8268로 확인되었다. 다변수 로지스틱 회귀분석 결과, AUC는 0.8660으로 수면 중 무호흡 목격 여부가 가장 유의한 예측 인자로 확인되었으며 (OR=20.68, 95% CI: 9.69–44.14, p<0.0001), 코골이 여부와(OR=2.29, 95% CI: 1.09–4.79, p=0.0287) 일일 총 앉아 있는 시간(OR=1.14, 95% CI: 1.06–1.22, p=0.0003), 음주 여부(OR=0.16, 95% CI: 0.04–0.67, p=0.0130) 또한 유의한 관련성을 보였다. 한편, 심층신경망(DNN) 기반 예측모델의 경우 AUC는 0.9020으로, 세 모델 중 가장 높은 예측력을 보였다. 또한 SHAP 분석 결과 로지스틱 회귀분석에서 유의했던 변수들과 유사한 경향성을 보이며, 해석 가능성과 임상적 타당성을 동시에 확보할 수 있음을 시사하였다. 결론: STOP-Bang 설문은 OSA 고위험군 선별에 효과적인 도구로 활용될 수 있으나, 개별 진단 수준에서는 특이도의 한계가 뚜렷하여 보완이 필요하다. 본 연구는 STOP-Bang 점수에 임상 및 건강행태 정보를 결합함으로써 예측 정밀도를 향상시킬 수 있음을 확인하였으며, DNN 기반의 머신러닝 모델이 기존 통계모형보다 우수한 예측 성능을 보임을 통해 향후 OSA 조기 선별을 위한 고도화된 예측모델 개발의 가능성을 제시하였다. Background and purpose: Obstructive Sleep Apnea (OSA) is a sleep-related breathing disorder characterized by repeated upper airway obstruction during sleep. It is recognized as a major public health concern due to its strong association with chronic diseases such as hypertension, cardiovascular disease, and diabetes. The STOP-Bang questionnaire is widely used as a screening tool for early detection of OSA, offering the advantage of high sensitivity in identifying high-risk individuals. However, its low specificity limits its precision in individual diagnosis, raising concerns about its standalone predictive accuracy. This study aims to address these limitations by developing an enhanced predictive model that integrates the STOP-Bang score with additional clinical and behavioral health indicators. Furthermore, the study seeks to compare the predictive performance of a traditional statistical method—logistic regression—with that of a machine learning-based Deep Neural Network (DNN), ultimately proposing a more effective model for OSA risk prediction. Methods: This study analyzed data from 14,939 adults aged 40 years and older, derived from the 8th and 9th cycles (2019–2023) of the Korea National Health and Nutrition Examination Survey (KNHANES). Obstructive Sleep Apnea (OSA) diagnosis was defined based on self-reported physician diagnosis. In addition to the STOP-Bang score and its individual components, the analysis incorporated various clinical and behavioral health indicators, including blood pressure, blood glucose, lipid levels, body mass index (BMI), alcohol consumption, smoking status, sleep duration, and sedentary time. Logistic regression analysis was conducted considering the complex sampling design. Both univariate analysis, using only the STOP-Bang score, and multivariate analysis, incorporating additional health indicators, were performed to assess explanatory power. For model validation, the dataset was randomly split into training and validation sets in a 7:3 ratios. A Deep Neural Network (DNN)-based predictive model was also developed. Predictive performance and variable contribution were evaluated using the area under the receiver operating characteristic curve (ROC-AUC) and SHapley Additive exPlanations (SHAP) analysis. Results: In the univariate logistic regression analysis, the STOP-Bang score was significantly and positively associated with OSA diagnosis (OR = 2.31, 95% CI: 2.02–2.65, p < 0.0001), with an AUC of 0.8268. In the multivariable logistic regression model, the AUC improved to 0.8660, with witnessed apnea during sleep emerging as the most significant predictor (OR = 20.68, 95% CI: 9.69–44.14, p < 0.0001). Other significant predictors included presence of snoring (OR = 2.29, 95% CI: 1.09–4.79, p = 0.0287), total sitting time per day (OR = 1.14, 95% CI: 1.06–1.22, p = 0.0003), and alcohol consumption (OR = 0.16, 95% CI: 0.04–0.67, p = 0.0130). The Deep Neural Network (DNN)-based prediction model achieved the highest performance among the three models, with an AUC of 0.9020. SHAP analysis demonstrated variable importance trends similar to those identified in the logistic regression model, indicating both interpretability and clinical relevance of the DNN model. Conclusion: While the STOP-Bang questionnaire is an effective tool for identifying individuals at high risk for OSA, its limited specificity at the individual diagnostic level highlights the need for complementary approaches. This study demonstrates that incorporating clinical and health indicators alongside the STOP-Bang score can enhance predictive precision. Moreover, the Deep Neural Network (DNN)-based machine learning model outperformed traditional statistical models, suggesting the potential for developing more advanced and accurate prediction tools for early OSA screening in the future.