서론

이 연구는 한국의 고위험군을 대상으로 단기(3개월), 중기(1년), 장기(1년 이상)라는 서로 다른 시간에 맞춘 예측 모델을 개발·검증하여, 임상 의사결정에 더 직접적으로 연결될 수 있는 위험 예측 도구를 제시하는 것을 목표로 한다.

본론 1. 데이터,설계: K-COMPASS cohort(국내 자살 고위험군 전향적 집단) + external validation

연구는 2015–2023년 동안 한국 5개 의료기관에서 수행된 전향적 코호트인 K-COMPASS 데이터를 사용했으며, 고위험군 1,246명을 기반으로 예측 모델을 구축했다. 중요한 점은 내부 검증뿐 아니라 새로운 환자의 코호트 기반 external validation을 수행해 일반화 가능성을 확인했다.

본론 2. 모델링: 각 머신러닝들끼리 비교

예측 목적을 단기(ex.3개월), 중기(ex. 1년), 장기로 나눴기 때문에 모델도 그에 맞게 설계하였다. 단기·중기는 “해당 기간 안에 자살시도가 발생할까?”를 맞추는 문제라서 Logistic Regression로 예측했다. 장기는 “언제 자살시도가 발생할까,발생 시점”까지 고려해야 하므로, 사건 발생 시간을 반영하는 Cox proportional hazards model을 사용했다. 여기에 Random Forest, XGBoost, Random Forest 등 머신러닝 모델을 함께 적용해 “Cox 모델 vs ML” 성능과 일반화 특성을 비교했다. 또한 변수 선택을 더 객관화하고 과적합을 줄이려는 설계를 하였다.

본론 3. 결과: 내부 검증 대비 외부 검증에서 성능 저하가 관찰되었으나, 과도한 성능 붕괴 없이 비교적 안정적인 일반화 성능을 확인했다.

핵심 결과는 내부에서는 매우 잘 맞지만, 외부에서 성능이 떨어진다라는 패턴이다(임상 예측에서 흔한 이슈라 한다.).

• 단기/중기 Logistic Regression: training|internal AUC 0.7461–0.8708 / external AUC 0.5958–0.7051
• 머신러닝: training|internal AUC 0.8454–1.0000 / external : AUC 0.5948–0.7030
• Cox 모델:training|internal 0.780–0.786 / external : 0.632–0.663
• Random Forest: training|internal 0.668–0.706 / external : 0.633–0.721

또한 주요 예측 요인으로 젊은 연령, 과거 자살시도, 우울·불안 같은 정신과 요인이 반복적으로 언급된다.

결론

단기(3개월)·중기(1년)·장기로 나눠 예측 모델을 설계하고, 전통적인 모델과 머신러닝을 함께 비교해 내부/외부 검증 성능을 체계적으로 제시했다는 점이 강점이다. 동시에 외부 검증에서 성능이 하락한 결과는, 실제 임상 적용에서 일반화와 데이터 품질(data balance)이 얼마나 중요한지 보여준다.