Machine Learning-Based Clustering of Adult Mental Health Vulnerability and Correlation Analysis with Adolescent Stress

머신러닝 기반의 성인 정신건강 취약성 군집화 및 성장기 스트레스 연관성 분석

Abstract

This paper combines machine learning and explainable artificial intelligence (XAI) to elucidate the latent structure of adult mental health vulnerability and analyze the contribution of childhood stress. A K-means clustering analysis on a large-scale global dataset of 292,364 individuals identified three heterogeneous types of mental health vulnerability, differentiated by emotional and behavioral characteristics. A Random Forest classification model was then constructed and analyzed using the SHAP technique. This analysis confirmed that childhood stress was the key variable contributing most to cluster formation. Specifically, clusters with distinct vulnerability characteristics showed higher rates of childhood stress experiences, suggesting that childhood adversity structurally influences the heterogeneous manifestations of adult mental health. This study is significant in that it provides empirical evidence for developing personalized prevention and treatment strategies through a data-driven, precision psychiatry approach.

본 논문은 머신러닝과 설명 가능한 인공지능(XAI)을 결합하여 성인 정신건강 취약성의 잠재적 구조를 규명하고, 성장기 스트레스의 기여도를 분석하였다. 전 세계 292,364명의 대규모 데이터를 대상으로 K-means 군집 분석을 수행한 결과, 정서적·행동적 특성에 따라 구분되는 세 가지의 이질적인 정신건강 취약성 유형이 도출되었다. 이어 Random Forest 분류 모델을 구축하고 SHAP 기법을 적용하여 분석한 결과, 성장기 스트레스는 군집 형성에 가장 중요한 기여를 하는 핵심 변수임이 확인되었다. 특히 취약성 특성이 뚜렷한 군집일수록 성장기 스트레스 경험 비율이 높게 나타나, 성장기 역경이 성인기 정신건강의 이질적 발현에 구조적 영향을 미침을 시사한다. 본 연구는 데이터 기반의 정밀 정신의학적 접근을 통해 개인 맞춤형 예방 및 치료 전략 수립을 위한 실증적 근거를 제시하였다는 점에서 의의가 있다.

1. 서론

팬데믹 이후 전 세계적으로 정신건강 문제의 유병률이 급증함에 따라, 이에 대한 예방적 개입과 맞춤형 치료의 중요성이 강조되고 있다. 세계보건기구(WHO)는 '세계 정신건강 보고서 2022'를 통해 기존의 생물학적 환원주의를 넘어, 개인의 사회적 맥락과 생애 초기 경험을 포괄하는 다차원적 접근을 촉구하였다[1]. 특히 성장기 스트레스(Early Life Stress, ELS)는 성인기 정신건강을 위협하는 핵심적인 선행 요인으로 지목된다. 최신 신경생물학적 연구들에 따르면, 성장기 역경은 시상하부-뇌하수체-부신(HPA) 축의 영구적인 변형을 유발할뿐만 아니라, 신경염증(Neuroinflammation) 반응을 통해 성인기의 정서 조절 능력과 사회적 기능을 저하시키는 것으로 보고된다[2,3]. 그러나 기존 정신건강 연구는 주로 '질환 유무(Diagnosis)'를 이분법적으로 분류하거나, 단일 변수 간의 선형적 관계를 규명하는 데 그쳐 왔다. 이는 동일한 진단명을 가진 환자라도 증상의 발현 양상이 매우 이질적(Heterogeneity)일 수 있다는 점을 간과한 한계가 있다[4]. 최근 '정밀 정신의학(Precision Psychiatry)' 분야에서는 머신러닝을 활용하여 이러한 정신건강의 잠재적 하위 유형(Subtype)을 데이터 기반으로 규명하려는 시도가 활발하다[5]. 하지만 복잡한 알고리즘의 '블랙박스(Black-box)' 특성은 임상 현장에서의 해석과 적용을 어렵게 만든다는 비판을 받아왔다. 이에 모델의 예측 근거를 투명하게 설명하는 설명 가능한 인공지능(XAI)의 도입 필요성이 대두되고 있다[6,7].

따라서 본 연구는 최신 머신러닝 기법과 XAI를 결합하여 성인 정신건강 취약성의 구조를 파악하고, 성장기 스트레스의 영향을 규명하고자 한다. 구체적인 목적은 다음과 같다. 첫째, 비지도 학습(K-means)을 통해 성인 정신건강 취약성의 잠재적 군집 구조를 도출한다. 둘째, 도출된 군집별 성장기 스트레스 경험 비율과 임상적 특성을 비교·분석한다. 셋째, Random Forest와 SHAP 기법을 활용하여 각 군집을 결정짓는 핵심 요인으로서 성장기 스트레스의 중요도를 시각적으로 해석한다.

본 연구는 대규모 설문 데이터를 기반으로 성인 정신건강 취약성의 잠재적 구조를 탐색한다는 점에서 의의를 가진다. 이는 다변량 정보를 동시에 고려하는 데이터 기반 분석이 기존의 단일 지표 중심 접근으로는 포착하기 어려운 정신건강 취약성의 잠재적 구조를 드러냈기 때문으로 해석할 수 있다.

다만, 본 연구는 임상적 진단이 아닌 자기보고식 설문 데이터에 기반한 탐색적 연구라는 점에서, 도출된 결과를 즉각적인 임상 진단 도구로 일반화하는 데에는 신중한 접근이 요구된다. 특히 횡단적 연구 설계의 특성상 성장기 스트레스와 성인기 정신건강 간의 인과관계를 확증하기 보다는, 머신러닝을 통해 잠재적 연관 구조를 시각화하고 설명 가능한 근거를 제시하는 데 중점을 두었다.

2. 연구방법

2.1 연구 자료 및 변수

본 연구는 데이터 분석 및 경진대회 플랫폼인 Kaggle에 공개된 ‘Mental Health Dataset’을 활용하였다(Bhavik Jikadara, 2024). 해당 데이터는 다양한 국가의 성인 응답자를 대상으로 수집된 익명화된 자기기입식 설문 자료이다. 데이터 수집 단계에서 개인식별정보(PII)는 원천적으로 배제되었으며, 공개된 2차 데이터를 활용하는 연구 특성상 생명윤리위원회(IRB)의 심의 면제 대상에 해당한다. 총 응답자 수는 292,364명으로, 기존 정신건강 연구 대비 대규모 표본을 확보하고 있어 군집 분석 및 AI 기반 해석에 적합한 데이터 구조를 지닌다.

본 연구는 설문 문항 중 정신건강 취약성을 다차원적으로 반영하는 항목을 중심으로 변수를 선정하였다. 주요 변수(Mood Swings, Coping Struggles, Socia l Weakness, Work Interest, Changes Habits)는 개인의 정서 상태 및 기능 변화를 평가하는 척도 문항으로 구성되었으며, 점수가 높을수록 해당 특성이 뚜렷함을 의미한다. 특히 대처 어려움(Coping Struggles)은 스트레스 상황에서의 문제 해결 능력과 정서 조절의 어려움을 평가하는 핵심 지표로 활용되었다.

성장기 스트레스(Growing Stress)는 응답자의 성장기 및 청소년기 동안의 역경 경험 유무를 평가하는 범주형 변수로, “Yes”, “No”, “Maybe/Unsure”의 세 범주로 구성된 단일 문항(single-item measure)이다. 해당 문항은 스트레스의 구체적 강도나 빈도를 정량적으로 측정하지 않으며, 자기보고식 응답에 기반하기 때문에 경험의 세부적 맥락을 완전히 반영하지 못한다는 한계를 가진다.

이외에도 가족력(Family History) 및 일부 정신건강 관련 보조 변수를 독립 변수로 포함하였다. 데이터 전처리 과정에서 모든 연속형 변수는 모델 학습의 안정성을 위해 표준화(StandardScaler)를 적용하였다.

2.2 데이터 전처리 및 결측치 처리

본 연구에서 활용한 데이터셋은 총 292,364개의 표본과 17개의 변수로 구성되어 있다. 결측치 분석 결과, 전체 데이터 셀(Cell) 수 약 497만 개 중 결측값은 5,202개(약 0.105%)로 확인되었으며, 이는 전적으로 self_employed 변수(결측 비율 1.78%)에 집중되어 있었다.

본 연구에서는 self_employed 변수가 정신건강 취약성 군집화 및 성장기 스트레스 분석에 필수적인 핵심 변수가 아니라고 판단하였다. 이에 따라 결측치가 포함된 표본을 제거하여 데이터 손실을 발생시키는(Listwise deletion) 대신, 결측치가 존재하는 변수 자체를 분석에서 제외하는 방식(Feature-wise deletion)을 적용하여 표본의 크기를 최대한 보존하였다. 그 외 주요 분석 변수에는 결측치가 존재하지 않아 별도의 대체(Imputation) 과정은 수행하지 않았으며, 최종적으로 결측치가 없는 완전 데이터셋(N=292,364)을 구축하여 분석에 활용하였다.

그림 1. 본 연구 절차 흐름도

Fig. 1. Flowchart of the study procedure

정신건강 취약성의 잠재적 구조를 도출하기 위해 K-means 군집 분석을 적용하였다. 군집 수(k) 결정은 silhouette score를 활용하여 평가하였다.

군집 수별 silhouette score는 다음과 같다.

표 1. 군집 수별 silhouette score

Table 1. Silhouette score by cluster number

k=4와 k=5에서 가장 높은 점수가 나타났으나, 점수 차이가 미미하고 해석 가능성을 고려하여 최종적으로 3개 군집을 선택하였다. 이는 정신건강 취약성의 주요 유형을 과도한 세분화 없이 설명할 수 있는 합리적인 군집 수로 판단된다.

2.3 AI 기반 군집 해석 방법

군집 분석 결과의 해석을 강화하기 위해, 도출된 군집을 종속변수로 설정하고 Random Forest 분류 모델을 구축하였다. 독립 변수로는 성장기 스트레스, 가족력 및 정신건강 관련 변수를 포함하였다.

이후 SHAP(SHapley Additive exPlanations) 기법을 적용하여 각 변수가 군집 분류에 기여하는 상대적 중요도를 산출하였다. SHAP은 게임 이론 기반의 기법으로, 개별 변수의 예측 기여도를 정량적으로 설명할 수 있어 군집 구조의 해석 가능성을 크게 향상시킨다[8].

2.4 K-means 군집 분석의 세부 설정

정신건강 취약성의 잠재적 구조를 도출하기 위해 K-means 군집 분석을 적용하였다[9]. 군집 간 유사도 측정에는 유클리디안 거리(Euclidean distance)를 사용하였으며, 군집 중심 초기값 설정에 따른 결과의 불안정성을 최소화하기 위해 다중 초기값 반복 방식을 적용하였다. 각 반복에서 군집 내 제곱합(within-cluster sum of squares)을 최소화하는 해를 최종 군집해로 선택하였다.

군집 수(k)는 2에서 5까지 단계적으로 증가시키며 silhouette score를 산출하여 군집의 응집도와 분리도를 평가하였다. silhouette score는 각 데이터 포인트가 속한 군집 내 응집도와 가장 가까운 타 군집과의 분리도를 동시에 고려하는 지표로, 군집 적합도를 평가하는 데 널리 활용된다[10].

본 연구에서는 k=4와 k=5에서 가장 높은 silhouette score가 관찰되었으나, 점수 차이가 미미하고 군집 해석의 복잡성이 증가한다는 점을 고려하여, 군집의 해석 가능성과 실용성을 중시하여 최종적으로 k=3을 군집 수로 선정하였다.

2.5 군집 레이블의 생성 및 특성화

K-means 분석을 통해 도출된 각 군집은 취약성 특성에 따라 군집 레이블(0, 1, 2)로 정의하였다. 이후 각 군집에 대해 정신건강 관련 핵심 변수들의 평균 값을 산출하여 군집별 특성을 비교·분석하였다. 이를 통해 각 군집이 어떠한 정신건강 양상을 보이는지 구조적으로 해석하였다.

또한 군집별 성장기 스트레스 경험 비율을 산출하여, 정신건강 취약성의 유형에 따라 성장기 스트레스 분포가 어떻게 달라지는지를 확인하였다. 이러한 분석은 성장기 스트레스가 특정 취약성 유형과 연관되는 양상을 파악하기 위한 기초 분석 단계로 활용되었다.

2.6 Random Forest 분류 모델의 학습 및 평가

군집 분석 결과를 설명 가능한 형태로 해석하기 위해, 도출된 군집 레이블을 종속변수로 설정하고 Random Forest 분류 모델을 구축하였다. 독립 변수로는 성장기 스트레스, 가족력 및 정신건강 관련 설문 문항들을 포함하였다.

모델 학습은 전체 데이터를 학습용 데이터와 평가용 데이터로 분할하여 수행하였으며, 군집 간 표본 수 차이에 따른 편향을 최소화하기 위해 군집 비율을 유지하는 방식으로 데이터를 구성하였다. 모델의 예측 성능은 다중 클래스 분류 특성을 고려하여 전반적인 분류 정확도와 혼동 행렬(confusion matrix)을 중심으로 평가하였다.

Random Forest는 다수의 의사결정나무를 앙상블 방식으로 결합함으로써 과적합을 완화하고, 변수 간 비선형 관계를 효과적으로 학습할 수 있는 장점이 있어, 정신건강과 같이 복합적인 요인이 상호작용하는 데이터 분석에 적합한 모델로 판단하였다[11].

2.7 SHAP 기반 설명 가능 인공지능 분석

Random Forest 모델의 예측 결과를 해석하기 위해 SHAP(SHapley Additive exPlanations) 기법을 적용하였다. SHAP은 게임 이론의 Shapley value 개념을 기반으로, 각 변수가 모델 예측에 기여한 정도를 정량적으로 산출하는 설명 가능 인공지능 기법이다.

본 연구에서는 SHAP을 활용하여 전체 데이터 수준에서의 전역적 변수 중요도(global feature importance)를 산출하고, 특히 성장기 스트레스가 각 군집 분류에 어떠한 방향성과 크기로 기여하는지를 시각적으로 분석하였다. 이를 통해 단순한 변수 중요도 순위 제시에 그치지 않고, 성장기 스트레스가 성인 정신건강 취약성의 구조적 분화에 있어 수행하는 역할을 해석하고자 하였다.

3. 연구결과

3.1 정신건강 취약성 군집 구조

K-means 군집 분석 결과, 전체 292,364명의 응답자는 세 개의 정신건강 취약성 군집으로 분류되었다. 각 군집의 표본 수는 군집 0이 78,369명, 군집 1이 95,529명, 군집 2가 118,466명으로 나타났다.

표 2. 군집별 샘플 수

Table 2. Number of samples per cluster

군집별 정신건강 특성의 평균값을 비교한 결과, 각 군집은 서로 구별되는 특성을 보였다(Table 3). 군집 0은 대처 어려움(Coping Struggles)과 일에 대한 흥미(Work Interest)가 상대적으로 높은 반면, 생활 습관변화(Changes Habits)는 낮은 수준을 보였다. 군집 1은 사회적 취약성(Social Weakness)이 가장 높고, 일에 대한 흥미가 가장 낮은 집단으로 나타났다. 군집 2는 생활 습관 변화가 가장 두드러진 군집으로 확인되었으며, 다른 정신건강 특성은 중간 수준을 보였다.

표 3. 군집별 정신건강 평균 특성

Table 3. Average mental health characteristics by cluster

이러한 결과는 성인 정신건강 취약성이 단일한 양상이 아니라, 정서적·행동적 특성 조합에 따라 구별되는 이질적 하위 유형으로 구성되어 있음을 시사한다.

3.2 군집별 성장기 스트레스 분포

군집별 성장기 스트레스(Growing Stress) 분포를 비교한 결과, 모든 군집에서 성장기 스트레스 경험 비율은 유사한 범위(약 33~36%)로 나타났다(Table 4).

표 4. 군집별 성장기 스트레스 비율

Table 4. Growth stress ratio by cluster

구체적으로, 군집 0에서는 성장기 스트레스 경험 비율이 36.4%로 가장 높았으며, 군집 1과 군집 2에서는 각각 33.6%, 32.9%로 나타났다. 반면 성장기 스트레스를 경험하지 않았다고 응답한 비율은 군집 2에서 상대적으로 높게 나타났다.

군집 간 성장기 스트레스 분포는 전반적으로 유사한 수준으로 나타났으나, 이러한 분포 차이의 통계적 유의성을 검증하기 위해 카이제곱(Chi-square) 검정을 수행하였다. 분석 결과, 군집과 성장기 스트레스 경험 여부 간의 분포 차이는 통계적으로 매우 유의한 것으로 나타났다(χ² = 345.77, df = 4, p < 0.001). 이는 성장기 스트레스 경험이 정신건강 취약성 군집 유형과 독립적이지 않으며, 군집 형성과 유의한 관련성을 가질 가능성을 시사한다. 또한 정신건강 취약성 특성이 상대적으로 뚜렷한 군집에서 성장기 스트레스 경험 비율이 다소 높게 관찰되는 경향을 확인할 수 있었다[12].

3.3 Random Forest 및 SHAP 기반 변수 중요도 분석

군집 분석 결과의 해석력을 확보하기 위해 Random Forest 분류 모델을 학습시킨 후, SHAP 기법을 적용하여 변수 중요도를 산출하였다. 전역 중요도(Global Importance) 분석 결과, 성장기 스트레스(Growing Stress)는 군집 분류에 가장 큰 영향을 미치는 주요 변수 중 하나로 확인되었다. 또한 대처 어려움(Coping Struggles), 사회적 취약성(Social Weakness), 가족력(Family History) 또한 군집 구분에 유의미하게 기여하는 것으로 나타났다.

특히 성장기 스트레스는 단순한 연관성을 넘어, 특정 군집으로 분류될 확률을 증가시키거나 감소시키는 방향성을 뚜렷하게 보여줌으로써 군집 형성의 구조적 결정 요인임을 시사하였다. SHAP Summary Plot(Figure 2)을 통해 구체적인 영향의 방향(Directionality)을 살펴보면, 성장기 스트레스 경험이 ‘있음(Yes)’인 경우 군집 0으로 분류될 확률(Log-odds)을 높이는 양의 영향(Positive impact)을 미치는 것으로 나타났다. 반면, 성장기 스트레스 경험이 없는 경우에는 해당 군집으로 배정될 확률이 감소하는 경향을 보였다.

이는 성장기 스트레스가 모든 정신건강 문제에 일전 반적으로 영향을 미치는 것이 아니라, 정서적 대처 곤란과 같은 특정 취약성 유형(군집 0)의 발현에 더욱 결정적인 기여를 하고 있음을 의미한다. 결론적으로 SHAP 시각화 결과는 성장기 스트레스가 다양한 심리·사회적 변수들과 상호작용하며 성인 정신건강 취약성의 이질적 구조를 설명하는 핵심 기제임을 실증적으로 보여준다.

그림 2. 정신건강 취약성 군집 분류를 위한 SHAP 기반 변수 중요도 분석 결과

Fig. 2. Results of SHAP-based variable importance analysis for mental health vulnerability cluster classification.

4. 결론 및 고찰

본 연구는 다국가 대규모 정신건강 설문 데이터를 활용하여 성인 정신건강 취약성이 단일한 연속선상에 존재하는 것이 아니라, 서로 구별되는 이질적 군집 구조를 가진다는 점을 실증적으로 확인하였다. 특히 비지도 학습 기반 군집 분석과 설명 가능한 인공지능 기법을 결합함으로써, 성장기 스트레스가 성인 정신건강 취약성의 구조적 분화에 기여하는 핵심 요인 중 하나임을 데이터 기반으로 규명하였다.

본 연구의 주요 결과는 다음과 같이 요약할 수 있다. 첫째, 기분 변화, 대처 어려움, 사회적 취약성, 일에 대한 흥미, 생활 습관 변화로 구성된 정신건강 관련 변수들을 기반으로 K-means 군집 분석을 수행한 결과, 성인 정신건강 취약성은 세 가지 하위 유형으로 구분되었다. 각 군집은 특정 정신건강 특성이 상대적으로 두드러지는 양상을 보여, 성인 정신건강 취약성이 정서적·행동적·사회적 차원에서 복합적으로 구성된다는 점을 시사한다. 둘째, 군집별 성장기 스트레스 분포 분석에서는 전반적으로 유사한 경험 비율이 관찰되었으나, 취약성 특성이 상대적으로 명확한 군집에서 성장기 스트레스 경험 비율이 다소 높게 나타나는 경향을 확인하였다. 셋째, Random Forest와 SHAP 기반 해석 결과, 성장기 스트레스는 군집 분류에 있어 중요한 설명 변수로 작용하였으며, 이는 성장기 스트레스가 성인 정신건강 취약성의 잠재적 구조 형성에 의미 있는 역할을 수행함을 시사한다.

이러한 결과는 기존 정신건강 연구에서 주로 사용되어 온 단일 지표 또는 진단 중심 접근의 한계를 보완한다는 점에서 학문적 의의를 가진다. 특히 본 연구는 정신건강 취약성을 단순히 ‘정상–비정상’으로 구분하기 보다, 기능적 특성 조합에 따른 하위 유형으로 이해할 필요성을 제기한다. 이는 최근 정밀 정신의학 분야에서 강조되는 개인 맞춤형 평가 및 개입 전략 수립에 중요한 근거를 제공한다[13].

본 연구는 비지도 학습을 통한 구조 탐색과 지도 학습 및 설명 가능한 인공지능 기법을 결합한 분석 프레임워크를 제시하였다. 이러한 접근은 복잡한 머신러닝 모델의 예측 결과를 해석 가능한 형태로 제시함으로써, 데이터 기반 분석 결과의 투명성과 재현 가능성을 동시에 확보하였다. 특히 SHAP 기법을 활용하여 성장기 스트레스의 기여도를 시각적으로 제시한 점은, 정신건강 연구에서 AI 활용의 실용적 가능성을 확장하는 데 기여한다.

또한 성장기 스트레스에 대한 조기 개입의 중요성을 시사한다. 성장기 스트레스가 특정 정신질환의 직접적 원인이라기보다, 성인기 정신건강 취약성을 구성하는 구조적 토대에 영향을 미친다는 점은 예방 중심의 정신건강 정책 및 맞춤형 개입 전략 수립에 있어 중요한 시사점을 제공한다[14]. 특히 본 연구에서 도출된 군집 구조는 정신건강 위험군 선별, 개입 우선순위 설정, 개인 특성에 기반한 중재 설계 등에 활용될 수 있다.

본 연구는 기존 선행 연구들이 임상적 진단 기준에 근거하여 환자군과 대조군을 이분법적으로 비교했던 것과 달리, 대규모 데이터를 기반으로 증상의 이질적 패턴(Heterogeneity)을 스스로 학습하게 하는 ‘데이터 주도적(Data-driven)’ 접근을 취했다는 점에서 기존 연구와 차별화된 의의를 지닌다.

그러나 본 연구 결과의 해석에는 다음과 같은 한계와 윤리적 고려가 존재한다.

첫째, 측정 도구의 한계이다. 본 연구의 핵심 변수인 성장기 스트레스는 단일 문항에 기반한 자기보고(Self-report) 방식으로 측정되었다. 이러한 측정 방식은 응답자의 회상 편향(Recall bias)의 영향을 받을 수 있으며, 스트레스의 강도, 빈도 및 유형을 충분히 반영하지 못했을 가능성이 있다.

둘째, 인과관계 규명의 제약이다. 본 연구는 횡단적(Cross-sectional) 자료를 사용하였으므로 성장기 스트레스와 성인기 정신건강 취약성 간의 통계적 연관성은 확인할 수 있으나, 두 변수 간의 인과관계를 직접적으로 규명하는 데에는 한계가 있다.

셋째, 윤리적 해석에 대한 주의가 필요하다. 본 연구 결과는 성장기 역경을 경험한 개인이 특정 정신건강 취약성을 필연적으로 갖게 된다는 결정론적 해석으로 이해되어서는 안 된다. 머신러닝 모델은 집단 수준에서의 확률적 경향성을 제시할 뿐이며, 개별 수준의 평가는 임상 전문가의 종합적인 판단에 근거하여 이루어져야 한다.

본 연구는 대규모 공개 데이터를 활용하여 성인정신건강 취약성의 잠재적 구조와 성장기 스트레스의 관련성을 탐색적으로 규명하였다는 점에서 의의를 가진다. 그러나 자기보고식 횡단 자료에 기반한 분석이라는 특성상 결과를 인과적 관계로 해석하거나 전체 인구집단에 일반화하는 데에는 신중한 접근이 필요하다. 따라서 본 연구 결과는 정신건강 취약성에 대한 이해를 확장하기 위한 기초적 근거로 활용될 수 있으며, 보다 정밀한 자료와 연구 설계를 통해 추가적인 검증이 이루어질 필요가 있다.

향후 연구에서는 임상 진단 정보, 생리학적 지표, 종단 자료를 통합한 분석을 통해 성장기 스트레스가 성인 정신건강에 미치는 장기적 영향을 보다 정밀하게 규명할 필요가 있다. 또한 본 연구에서 제시한 군집 기반 분석 프레임워크를 다양한 문화권과 임상 집단에 적용함으로써 정신건강 취약성의 보편적 특성과 문화적 특수성을 비교·검증하는 후속 연구가 요구된다[15].