임상 및 단백체 특성을 이용한 기분 장애의 주요 우울 삽화 치료 반응 예측 = Treatment Response in Major Depressive Episodes Based on Clinical and Proteomic Characteristics

다국어 초록 (Multilingual Abstract)

Depression is a complex and high-burden disorder, and predicting treatment response remains a major clinical challenge. This study aimed to develop a predictive algorithm for treatment response in depression using sociodemographic data, self-reports, and plasma proteomic profiles. Patients with moderate to severe depression were divided into two groups according to treatment response. No significant differences were observed between responders and non-responders in hospital, diagnosis, medication, clinical scales, medication adherence, or observed depressive and anxiety symptoms. However, non-responders reported higher levels of obsessive-compulsive symptoms, phobic anxiety, and interpersonal sensitivity, along with lower satisfaction in social relationships. The predictive algorithm for treatment response showed improved performance when subjective symptoms were incorporated, compared to models adjusted only for basic demographic and clinical variables. The model including all five self-reported symptoms demonstrated high predictive accuracy, with an AUROC exceeding 0.7.
Additionally, linear and logistic regression analyses were performed to identify plasma proteins significantly associated with treatment response. The baseline levels of IGLV9-49, MELTF, F12, SAA1, C4BPB, and SPARCL1, as well as the level changes of ACTN1, SOD3, SAA1, HSPA5, FLNA, and ADCY1, were statistically associated with treatment response. Proteins identified in both analyses were involved in platelet activation, complement, and coagulation pathways associated with immune and inflammatory processes. The integrative predictive model combining proteomic data with self-reports achieved a maximum AUROC of 0.855 (95% CI: 0.797–0.913), with baseline protein levels showing greater predictive power than longitudinal changes.
These findings suggest that combining baseline proteomic profiles with self-reported symptom data can substantially enhance the performance of predictive algorithms for treatment response in depression.

국문 초록 (Abstract)

우울증은 복합적이며 부담이 큰 질환으로, 치료 반응을 예측하는 것은 여전히 임상적으로 어려운 과제이다. 본 연구는 환자의 사회인구학적 정보와 주관적 증상 척도, 혈장 프로테오믹스 데이터를 활용하여 우울증의 치료반응 예측 알고리즘을 개발하고자 했다. 중등도에서 중증의 우울증 환자들을 치료 반응에 따라 두 집단으로 구분하였으며, 반응군과 비반응군 간에 치료 기관, 진단, 약물, 약물순응도, 기저 시점에 객관 척도로 평가된 우울과 불안에는 차이가 없었다. 그러나 비반응군은 자가보고에서 높은 강박 증상, 공포성 불안, 피해 사고, 대인 민감성과 낮은 사회적 관계 만족도를 보였다. 치료 반응 예측 알고리즘은 기본 정보만 보정한 모델보다 강박 증상, 공포성 불안, 피해 사고, 대인 민감성, 사회적 관계 만족도 각각을 고려한 모델의 성능이 향상되었고, 5가지 주관 증상을 모두 포함한 모델은 AUROC 0.7 이상의 높은 성능을 보였다.
또한 혈장 단백체에서 치료 반응에 대한 선형 회귀분석과 로지스틱 회귀분석을 수행하였다. 그 결과, IGLV9-49, MELTF, F12, SAA1, C4BPB, SPARCL1의 혈장 기저치와 ACTN1, SOD3, SAA1, HSPA5, FLNA, ADCY1의 변화율이 치료 반응과 유의한 관련을 보였다. 두 분석에서 공통으로 확인된 단백질들은 주로 혈소판, 보체, 응고 과정 등 면역과 염증 반응에 관여하는 것으로 확인되었다. 단백체 데이터와 위의 5가지 자가보고 증상을 통합한 예측 알고리즘은 최대 AUROC 0.855 (95% CI: 0.797–0.913)의 성능을 보였으며, 변화율보다 기저치가 더 높은 예측력을 보였다. 이러한 결과는 우울증 환자의 치료 반응 예측에 있어 단백체 초기 농도 프로파일과 자가보고 증상을 결합하는 것이 알고리즘의 성능을 향상시키는 효과적인 방법임을 시사한다.

목차 (Table of Contents)

• 제 1 장 서 론 1
• 제 1 절 연구의 배경 1
• 제 2 절 연구의 내용 4
• 제 2 장 결 과 9
• 제 1 절 자가 보고를 이용한 우울증 치료 반응 예측 모델 9
• 제 2 절 자가 보고와 혈장 단백체 정보를 결합한 우울증 치료 반응 예측 모델 44
• 제 3 장 고 찰 71
• 제 1 절 자가 보고를 이용한 우울증 치료 반응 예측 모델 71
• 제 2 절 자가 보고와 혈장 단백체 정보를 결합한 우울증 치료 반응 예측 모델 74
• 제 3 절 결 론 78
• 참고문헌 79
• Abstract 88