서론

최근 정신보건에 대한 국민의 관심과 인식이 넓어짐에 따라 정신의학적 삶의 질을 높이고자 하는 수요가 함께 증가하였다(Price Water House Coopers, 2012). 이에 대응하여 정신보건서비스의 개념이 대두되었고 최근에는 모바일 통신, 소셜네트워크서비스(social network service, SNS) 등의 정보통신기술(information & communication technology, ICT)을 활용한 정신보건서비스에 대한 수요가 높아지고 있다(European Commission, 2014). 미래창조과학부의 ‘2015년 무선통신 가입자 통계’에 따르면 행정자치부에 등록된 주민등록 총 인구수는 5,145만명, 이동통신사에 가입되어 있는 수는 약 5,800만명이고, 그 중 스마트폰으로 가입된 수는 4,230만이다. 2015년 8월을 기준으로, 성인 다섯 명 중 네 명이 스마트폰을 사용하고 있고 40대 이하의 인구에서는 90% 이상, 50대 이하 인구에서는 87%, 60세 이상의 인구에서도 49%가 스마트폰을 사용한다는 결과를 나타냈다. 전 인구의 85% 이상의 인구가 애플리케이션을 활용하고 있고 이미 스마트폰은 우리의 삶의 일부분이 되었다. 신경정신의학 영역 질환의 회복을 목표로 응용될 수 있는 애플리케이션도 앱스토어에서 쉽게 다운 받아 사용 할 수 있다(Donker et al., 2013). 더불어 정신건강 관련 모바일 애플리케이션은 환자의 진단과 평가에서도 실제 임상적인 활용이 가능하다(Marley, 2015). 이러한 정보통신기술의 발전과 함께 개인정보 침해, 유출과 같은 부작용도 함께 나타나고 있다(Martínez-Pérez, 2015).

모바일 헬스(m-Health)는 정보통신기술(information & communication technology, ICT)을 기반으로 무선 통신기술 및 웨어러블 스마트기기의 발달과 바이오센서의 의학적 활용으로 스마트폰과 의료기기 융합이 이루어지면서 점점 더 많은 관심이 기울여지고 있다.

의료적인 활용에서도 치료의 효율성 증진과 의료비용 감소를 위해서 모바일 헬스(m-Health)가 주목 받고 있다. European Commission(2014)의 보고서에 따르면, 모바일 헬스(m-Health)의 가장 큰 활용 목적은 선진국의 경우 의료비용 절감이고, 개발도상국의 경우는 의료체계에 대한 접근성을 증진시키는 것으로 나타났다. 모바일 헬스(m- Health)의 활용으로 의료 영역에서도 의료기관의 의료정보, 사물인터넷(Internet of Things, IoT), 사물네트워크(machine to machine, M2M), 소셜데이터(social data) 등이 융합되어 건강 빅데이터로 재생산된다(Monteith et al., 2015). 모바일 헬스(m-Health)는 모바일 기기를 통해 개개인의 건강 데이터를 실시간으로 모니터링하고 수집하여 정상인 단위의 데이터를 축적할 수 있는 새로운 길을 열어주었다(Bakker et al., 2016). 다시 말해, ‘건강 빅데이터’는 의료기관에서의 환자 데이터를 넘어서 병원에 가지 않은 정상인군의 데이터까지 수집, 축적하고 활용으로 그 영역이 확장되고 있는 것이다.

한편 신경정신의학 분야에서는 모바일 헬스(m-Health)와 빅데이터에 대한 관심은 존재하나 어떻게 활용해야 하고 추후 발생될 문제는 무엇인가에 대한 논의는 부족한 상황이다(Lee SM et al., 2016). 최근 빅데이터의 활용에 관한 흐름은 대형 의료기관과 국민건강보험공단 등 정부 주도의 공공기관에서 민간기업, 민간단체나 국민이 참여하는 방향으로 바뀌고 있다(Marr, 2016). 과거와 달리 스마트폰을 활용하여 시행되는 정신보건서비스나 그 치료적인 개입은 불특정 다수를 목표로 한 의료서비스나 프로그램 운영을 포함하고, 거기서 만들어진 데이터 양 또한 폭발적으로 증가하는 구조를 가진다(Silva et al., 2013).

이렇게 불특정 다수에게 적용되는 서비스와 프로그램의 활용 증가에도 불구하고 그 효과성과 신뢰성은 아직 명확하게 나와 있지 않다(Hollis et al., 2015). 본 연구는 모바일 헬스(m-Health)와 빅데이터(big data)의 개념을 알아보고, 현재 국내외 모바일 헬스(m-Health)와 빅데이터(big data) 동향 및 관련 현황 등에 대하여 활용 사례를 조사하고 정리하여 모바일 헬스(m-Health)가 어떻게 신경정신의학 영역에서 유용하게 활용될 지와 효과성과 신뢰성에 대한 근거와 추후 발생 할 수 있는 문제들을 살펴보았다.

재료 및 방법

국내 학회지에 실린 논문에 대한 검색엔진인 의학학술정보 KoreaMed (http://www.koreamed.org/), 국내의학학술지초록검색(http://kmbase.medric.or.kr), 국회도서관(http://www.nanet.go.kr/main.jsp)에서 ‘mobile health’, ‘mental health’, ’smartphone’, ‘app’을 검색어로 검색을 하였다. 국내 학회지에서는 신경정신의학과 관련 있는 논문 2편이 검색되었다. 외국학회지에 실린 관련 논문을 찾아보기 위해서 미국의학도서관 PubMed (http://www.ncbi.nlm.nih.gov/pubmed), BMJ Publishing Group (http://journals.bmj.com/), Elsevier (http://www.sciencedirect.com/)에서 ‘mobile health’, ‘mental health’, ’smartphone’, ‘app’으로 검색을 하였다. 본 연구에 관련논문을 우선 제목으로 일차선별하고, 초록으로 2차 선별을 하였으며, 신경정신의학과 관련이 없는 논문들은 배제하였다. 간추린 논문에 있는 참고문헌을 기준으로 관련된 다른 논문이 있는 지를 조사하였으며 선택한 자료를 정리하여 빠진 자료를 추가하였다. 기준에 부합하는 논문 18편의 논문을 분석, 정리하였다. 검색은 2016년 9월 1일에서 2016년 9월 10일 사이에 실시하였다. 그리고 용어의 정의 및 현황들은 국제보건기구(World Health Organization, WHO), 식품의약품안전처(Ministry of food and drug safety, MFDS) 등의 공공기관에 규정되어 있는 문헌을 참고하였다.

결과

1. 모바일 헬스(m-Health)의 정의와 유형별 분류

아직까지 모바일 헬스(Mobile Health, m-Health)는 일반사람들뿐만 아니라 의료인에게도 생소한 단어이다. 불과 몇 년 전까지만 해도 의료서비스와 IT기술(Information Technology)을 융합한 형태의 u-Health, e-Health, telemedicine, smart (digital) health 라는 용어를 사용했고 여전히 혼용이 되고 있다(Gartner, 2016). 국제보건기구(World Health Organization, WHO)에서는 모바일 헬스(Mobile Health, m-Health, mHealth) 또는 모바일 헬스케어(Mobile Healthcare)를 스마트폰을 포함한 모바일 기기로 제공받는 의학 및 공중 건강 업무로 정의하였다. 국제보건기구가 정의한 m-Health는 모바일을 통한 건강콜센터, 진료예약 관련 안내, 건강정보 제공, 건강증진 프로그램, 복용 처방 안내, 응급 재난 발생시 안내콜센터, 환자증상 모니터, 원격 진료, 환자 데이터 기록 및 저장, 의사결정 지원 등으로 구성되어 있다(Kay, 2011). smartphone, smart Wearable Device, personal digital assistant (PDA), smartpad 등의 모바일 기기 및 ICT를 통해 제공되는 의료서비스 및 건강정보를 나타낸다. 이전의 e-health, u-Health와 비교하자면 의료적인 목표와 가치는 비슷하지만 무선 통신 기술과 모바일 기기 활용 도구의 변화가 모바일 헬스(Mobile Health, m-Health)라는 또 다른 용어를 파생하게 하였다. 새로운 의료형태의 패러다임을 대표하던 e-health, u-Health라는 용어도 어느덧 m-Health로 바뀌어 쓰이고 있다. 모바일 헬스(Mobile Health, m-Health)는 건강관련정보, 안내, 관리를 위한 문자서비스(short message service, SMS)와 원격진료(Telemedicine)로 실행되어지는 개인 건강 안내 시스템(personal guidance systems), 복약 지도(medication reminders) 등을 포함 한다(European Commission, 2014). 즉, 모바일 기기, 의학적 센서와 같은 하드웨어뿐만 아니라 건강 정보를 제공하는 애플리케이션과 같은 소프트웨어적 구성 요소를 가진다. 하드웨어적 구성요소를 살펴보면, m-Health에 활용되는 장비는 스마트 기기(smart devices), 웨어러블(wearable devices) 기기, 탈부착이 가능한 기타 구성 요소 등 세 가지로 분류할 수 있다(Table 1). 바이오센서(Biosensor)는 신체의 상태를 생체 인지 요소로 출력하기 위해 변환하는 장치로 거리, 이동 후 위치를 파악하고 평형감각, 움직임 같은 물리적 결과를 기록하거나 혈압, 체온, 맥박 등의 신체 정보를 측정하는 기능을 한다. 이렇게 변환된 정보를 기반으로 하여 건강 정보로서 가공되며, 가공된 정보는 모바일 애플리케이션으로 수집된다.

Table 1

The types and classification of mobile health

Types and examples	Biosensors and examples
Smart devices	Behavior monitoring (activity monitors)
- Smartphone	- GPS (Global Positioning System)
- Smartpad	- Acceleration sensor
Wearable devices	- Vibration motor sensor
- Smart watch	- Sensor (Oxygen consumption, etc.)
- Smart shoes	Physical index monitors
- Bluetooth headset	- Electrocardiography
- Smart glasses	- Electromyography
- Patch & tattoo	- Electroencephalogram
- Smart implant	- Blood oxygen saturation and pulse rate (ISpO2)
- Smart band
- Smart clothes	- Blood glucose
Etc
- Robot
- Bedding attached device
- Scale of weight

2. 모바일 헬스(m-Health)의 신경정신의학적 활용 사례

인지행동치료(Cognitive Behavioral Therapy: CBT)도 애플리케이션(이하 모바일앱)을 통해 활용되고 있다. 인지행동치료(Cognitive Behavior Therapy, CBT)는 가장 많이 연구된 우울증의 심리치료 방법 중 하나인데, 증상을 악화시키는 부정적인 생각과 습관의 패턴을 분석하고, 이를 변화시키는데 초점을 맞추는 치료법이다(Watts et al., 2013). 모바일앱을 통한 인지행동치료는 치료접근성 증가와 효율적이며 광범위한 심리적 개입을 가능하게 한다. Watts et al. (2013)의 연구에 따르면 스마트폰을 매개로 한 인지행동치료가 컴퓨터를 이용했을 때보다 더욱 효과적이고 효율성에서도 인지행동치료를 스마트폰에 적용 시켜 시행 할 수 있음을 보고하였다. 우울증과 조현병 환자 등 환자들의 욕구와 필요를 적재적소에 반영할 수 있으며, 낙인 효과의 감소로 적극적 참여를 유도하고 인지행동치료에 대한 실시간 피드백은 신경정신과적인 치료에의 접근성을 높이고 시공간적인 제약이나 경제적 제약에서 자유롭게 인지행동치료가 시행해 될 수 있는 장점이 있다.

모바일 헬스(m-Health)는 사람들의 일상생활을 방해하지 않고, 측정에 대한 협조나 인지(awareness) 없이 지속적으로 위치나 활동, 신체 활력 징후 및 수면, 뇌파, 근전도 등의 건강정보를 24시간 동안 실시간 모니터링 하고 관련 데이터를 기록, 축적할 수 있는 기반을 마련해주었다. 국내외에서 대중적으로 쓰이는 모바일 애플리케이션 중 하나를 들자면 수면 정보를 기록할 수 있는 ‘SLEEP CYCLE’이 있다(Martin, 2015). 이는 수면 상태를 모니터링 하는 많은 애플리케이션 중 하나인데 사용자의 개인의 수면상태를 기록한다. 스마트폰을 침대 위나 베개 밑에 놓고 자면, 사용자의 뒤척임, 진동 정도를 분석해 잠이 깰 즈음 알람을 울려주고 잠이 깬 상태나 렘(REM) 수면, 얕은 잠, 깊은 잠 등으로 개개인의 수면 패턴을 분석한다. 또는 Fitbit 이라는 웨어러블 기기를 사용하여 더 정확한 수면 정보를 얻을 수 있는데, 이는 심박수까지 분석하여 호흡과 움직임, 수면 상태, 효율과 질에 대한 분석까지도 가능하다. 머지않아 수면다원검사(Polysomnograph)를 대체할 수 있는 기술이 개발되어 가정에서도 손쉽게 사용할 수 있도록 고안된 기기들이 나올 것으로 전망되고 있다.

국내에서 개발된 웨어러블(Wearable Devices) 기기의 예로 와이브레인(YBrain)을 들 수 있다. 치매 치료 및 관리를 목적으로 하는 또는 치매 치료 및 관리가 목적인 ‘Y밴드(Yband)’는 EEG (Electroencephalogram) 감지 센서로 환자의 수집된 뇌신호를 분석하고 자동으로 전류자극을 이마에 흘려주어 특정 뇌 영역의 활성화를 조절한다(Lee SJ, 2015).

이외에도 학생들의 정신건강을 위한 ’웰니스 플랫폼’은 학생들의 복합적 심리 상담을 학교에서 활용할 수 있도록 도와주는 한 예이다. 간단히 손가락 검지에 부착 센서로 맥파를 측정하고 자율신경활성도, 우울, 불면, 스트레스 정도를 알려준다(Lee SH et al, 2015).

실제 신경정신과 환자들에게 문자 메시지가 적용된 예도 볼 수 있다. 조현병 환자들에게 문자메시지(short message service, SMS)를 사용한 정신의학적 중개로 약물 복용의 순응도를 증가시키고 일상 생활에서 기억이나 생활 계획에서 활동을 증진 시킬 수 있켜 조현병 증상들을 관리해 나갈 수 있다는 연구 결과(Granholm et al., 2011; Palmier-Claus et al., 2013)와 우울증이나 알코올 중독증에도 지지적인 문자 메시지 서비스가 효과적이라는 연구 결과가 있다(Agyapong et al., 2012). 현재까지 외국에서의 연구 결과와 위에서 나온 다양한 예들을 종합해 본다면 첫째로 환자와 의사 모두 스마트폰을 이용한 신경정신의학적인 치료에 대해 긍정적인 인식을 한다는 것을 알 수 있다. 정신장애를 가진 젊은 환자들이 정신건강 모바일앱을 사용하여 그들의 의사에게 더 용이하게 증상을 전달한다고 하였고 의사 또한 환자들에게 진단, 복약지도, 치료적인 개입을 하는데 도움이 된다고 평가하였다(Reid et al., 2011). 환자의 자발적인 참여를 유도 할 수 있고 언제든 실시간으로 증상을 모니터링하며 양방향적인 소통이 가능하기 때문에 치료 순응도를 높이고 임상적인 진단과 평가에 있어서 데이터의 정확도나 신뢰도가 기존의 데이터보다 뛰어나다고 할 수 있다. 데이터 수집이나 기록, 저장뿐만 아니라 치료적인 면에서도 더 효율적이라는 후속 연구 결과도 지속적으로 나오고 있으며 기존 치료 방법의 효과적인 적용이 가능하다(Marley, 2015)는 점에서 스마트폰을 이용한 신경정신의학적인 치료는 증대될 것이라고 예상할 수 있다.

3. 정신건강 모바일 애플리케이션: Mental Health apps (MHapps)

우리나라는 국민 4명 중 1명은 정신질환을 경험하고 있는 가운데 보건복지부는 모바일 기반으로 한 정신건강증진사업을 추진 중이다(Cho MJ et al., 2011). 우울증, 양극성장애, 불안, 약물 오용, 인터넷 중독 등 다양한 정신질환을 대상으로 모바일앱을 활용한 효과적인 개입은 신경정신과적 치료의 효율성과 접근성 개선에 큰 잠재력을 가지고 있다.

우울증 환자들에게 모바일앱을 통한 진단을 적용한 사례로, 환자의 위치 데이터, 가속도계, GPS, 전화사용, 음성에서 추출된 정보에 따라 우울증으로 진단하는 것이 PHQ (Patient Health Questionnaire)-9를 통한 자기보고식 평가를 실시한 것과 같은 유효한 결과를 보였다(Torous et al., 2015). PHQ-9 설문지를 모바일앱에 적용한 애플리케이션을 통한 수집 결과는 전통적으로 시행된 PHQ-9 설문지보다 더 증상 예후에 대한 분석하기가 용이하고 자살 사고, 시도에 대한 평가를 더 잘 할 수 있다는 연구 결과가 나왔다(Wahle et al., 2016).

양극성장애 환자를 조기 발견, 진단하는 모바일앱 MONARCA (MONitoring, treatment and pRediction of bipolar Disorder Episodes)는 2012년에 개발되었다(Osmani, 2015). 양극성장애 환자들의 정신 상태를 파악하여 현재 조증 상태에 있는지, 울증 상태에 있는 판별하고 폭넓은 형태로 조울증 환자들 치료에 적용이 되고 있다. 환자 스스로 현재 정신 상태를 자가 진단, 평가하고 데이터를 기록되어 의사의 소견을 공유할 수 있다(Haring et al., 2015).

신경정신질환 환자뿐만 아니라 유방암으로 진단된 임산부들을 대상으로 모바일앱을 이용하여 우울 정도를 측정한 사례도 있다. 이 경우에도 모바일앱을 통한 수집 결과가 충분한 타당도와 신뢰도를 보였다(Sim YJ et al., 2016).

위의 사례들에서 본 것처럼 건강 관련 모바일앱의 이용이 나날이 증가하고 있다. 모바일앱 정보분석업체인 Flurry (2014)에 따르면, 2013년 12월에서 2014년 6월까지 6개월 동안 Apple 앱스토어에서 전체 모바일앱 이용률은 33% 증가한 반면, 건강 관련 모바일앱은 62% 증가하였다(Khalaf, 2014). 전체 이용률 증가에 비하여 약 2배가량 증가한 것으로 나타났다. 모바일앱 중 정신건강 관련 모바일앱을 Mental Health apps (MHapps)이라고 지칭하며, 그 종류와 수는 또한 다양하다(Bakker et al., 2016). 하지만 의학적 근거가 충분하지 못하거나 상업적인 애플리케이션이 존재하고, 앞으로도 검증되지 않은 내용의 정신건강 모바일앱의 범람이 예상된다.

영국 NHS에서 수행된 연구에 따르면 2013년을 기준으로 우울증에 활용할 수 있는 애플리케이션을 앱스토어에서 검색 했을 때 다운로드 가능한 앱의 수가 1500개 있었다(Bakker et al., 2016). 하지만 그 중 활용 근거가 충분하고 실질적으로 임상 활용이 가능하다고 평가 받은 애플리케이션의 수는 단지 32개뿐이었다. 정신건강 모바일앱이 진단 및 치료에서 좀 더 중요한 기능을 한다면 의료기기의 하나로서 적극적인 심의 대상이 될 수 있다. 의료 모바일앱 활용이 증가함에 따라 개인정보 보호에 대한 필요성이 더욱 강조되고 정부의 규제가 현실화되고 있다. 미국 식약청(Food and Drug Administration, 2013)은 2013년 9월 의료용 모바일앱 규제에 대한 안내 관리지침을 발표하였고 우리나라 식품의약품안전처도 미국에 이어 2013년 12월 의료용 모바일앱 안전관리 지침을 발표하였다(Ministry of food and drug safety, 2013). 의학적인 근거 기반으로 모바일앱에 대한 효과 평가, 검증이 필요하고 식품의약품안전처에서 그러한 역할을 지속적으로 해야 할 것으로 생각된다.

국내외 가릴 것 없이 모바일앱을 이용한 모바일 환경에서의 의료서비스는 아직 초기 단계이기 때문에 대규모 역학 자료나 국가적인 차원의 역학 자료가 없는 실정이다. 앞으로 더 다양한 질환 군에서 치료적인 목적으로 사용되는 빈도가 더욱 높아질 것으로 예상된다. 이러한 필요와 요구에 따라, 스마트폰을 기반으로 한 애플리케이션의 신경정신의학 질환별 활용 사례를 정리하였다(Table 2).

Table 2

Examples of mental health apps

Topic	Keyword search	Application examples
Mood disorders	Mood, Stress,	Catch It,
	Depression,	Improvement Tools,
	Bipolar	Deal with Depression,
		Stress Check,
		iMoodJournal,
		MoodKit-Mood
Mindfulness meditation	Mindfulness meditation	Relax with Calm,
		Headspace
Anxiety disorders	Anxiety, Phobia	Learn how to deal with panic attacks,
		Headspace,
		Panic Attacks?,
		Anxiety Free,
		Manage Anxiety
Cognitive impairment	Alzheimer’s,	ALZTrack,
	Dementia	Dementiadge,
		Memory Manager
Childhood and adolescence disorders	ADHD, ODD	ADHD Tracker,
		ADHD Treatment
Substance use disorders	Alcohol abuse,	Sober Day,
	Drug abuse,	RecoveryNow,
	Smoking	Overcoming Alcoholism,
		SmokeFree

4. 빅데이터를 이용한 모바일헬스(m-Health)의 활용

빅데이터(big data)를 정의 하자면, 초대용량(Volume)의 데이터양, 다양성(Variety), 빠른 생성속도(Velocity)를 가지는 정보자산으로 새로운 가치(Value)를 창출할 수 있는 데이터 혹은 처리 방식을 말한다(Viceconti, 2015). 비용 대비 효과적이고 혁신적인 형태의 정보처리를 통해 통찰적인 시각과 의사결정을 가능하게 하는 자료를 의미하는 빅데이터는 자료의 양이 방대하고 비정형적인 속성을 가지고 있어서 기존의 기술이나 방법으로는 수집, 저장, 검색, 분석하기 힘든 대용량자료이다. 모바일 기기의 활성화, 디지털 데이터의 폭발적 증가로 빅데이터를 막대한 가치를 창출할 수 있는 잠재적 자원으로 점차 인식하게 되면서 빅데이터의 흐름도 가치와 신뢰성에 비중을 두고 있다. 과거 병원 및 보건의료 공급자들의 전유물이었던 의료정보 및 데이터가 점차 환자들 혹은 민간과 개개인과의 상호작용을 위한 수단으로 활용되기 시작했고, 이제 소비자들은 주체자로서 자신의 의료정보를 언제든 접근할 수 있고 공유 할 수 있게 되었다(Marr, 2016).

정신의학 보건 분야에서도 빅데이터는 방대한 양의 자료가 구축되는 단계이지만 여전히 걸음마 단계이다. 이는 개인정보보호법의 시행으로 진료내용 등의 의무기록자료 접근과 이용에 한계가 있기 때문이고, 또한 클라우드나 소셜네트워크서비스 등의 빅데이터에는 개인정보가 포함되어 있어 이에 대한 보안 방법과 유출에 대한 우려도 지속적으로 제기되고 있다(Monteith et al., 2015). 한 예로, 미국의 건강보험업체에서 2015년 1월에 8000만 명에 달하는 이름과 생년월일, 사회보장번호, 집 주소, 이메일 주소, 소득 등을 포함한 개인고객정보를 해킹당했다. 한국에서도 2013년 약학정보원이 약국 청구프로그램을 통해 환자의 개인 질병정보를 무단으로 수집하였다. 2013년 7월 글로벌 보안 컨퍼런스 Black-hat에서는 무선통신 기능을 지원하는 심박기와 같은 삽입형 의료기구를 해킹해 고압 전류를 흘려보내는 실험과 약물을 치사량까지 주입해 환자를 사망에 이르게 하는 가상실험을 시연하였다. 개인정보를 침해하지 않는 범위에서 지속적으로 축적되는 정신의료 빅데이터의 활용을 다각도로 모색할 필요가 있다(Martínez-Pérez, 2015).

빅데이터를 이용한 모바일헬스(m-Health)의 활용 사례를 몇 가지 보면, 앞서 언급한 수면 관련 애플리케이션 SLEEP CYCLE이나 FITBIT으로 분석된 미국 사용자들의 수면 패턴 빅데이터를 꼽을 수 있다(Torous et al., 2015). 14만 2,272명 사용자의 자발적인 데이터를 제공으로 개개인의 수면 데이터를 넘어서 한 주에 해당하는 지역 주민의 수면 패턴과 지역별 평균수면시간, 수면개시시각, 수면종료시각 등의 대단위 정보를 생산하였다.

또 다른 빅데이터의 활용 예로, 자살 분야에서의 활용 예를 들 수 있다. 브라질에서 자살 예방과 자살 가능성 예측에 활용하기 위해 48,000명을 분석한 빅데이터가 생성되었고 우리나라에서도 자살에 대한 빅데이터는 이미 구축되어 활용되고 있다. Won HH et al. (2013)은 2013년 물가, 실업, 기온, 공인의 자살 등 자살에 영향을 미치는 변수들이 포함된 1억5000만건의 SNS를 분석하여 자살예보 플랫폼을 만들었는데, 이러한 빅데이터를 분석, 이용하면 환자들의 예후와 원인에 따른 질병발생 정도를 예측할 수 있다(Won HH et al., 2013).

최근의 빅데이터에 대한 열풍과 데이터 공개에 대한 사회적인 요구가 반영되어 국민건강보험공단 내에 빅데이터 센터가 신설되었다(National Health Insurance Sharing Service, 2016). 국민건강보험공단의 특성상 국내의 건강, 질병에 관하여 광범위하게 정보를 제공하고 체계적 구축이 가능한 기관이기 때문에 많은 보건 관련 연구자들과 전문가들이 관심을 보이고 있다. 이러한 흐름에 국민건강보험공단, 심사평가원에서 2016년 3월 2,094만명의 2013, 2014년 국가건강검진 신체계측 데이터와 혈압·혈당 데이터 공개하고, 보건의료 빅데이터를 활용한 창업아이디어 경진대회를 개최하였다(National Health Insurance Sharing Service, 2016). 이를 토대로 만들어진 비만관리 모바일앱, 질병 발생을 예방하는 모바일앱이 만들어졌는데, 이는 건강보험 빅데이터가 새로운 건강 정보로 가공된 사례이다.

우리나라 건강보험은 국민 모두가 가입되어 있고, 기간도 15년 이상 단일 제도로 운영되었기 때문에 대규모 데이터를 보유하고 있다. 따라서 이로 기반으로 만들어진 건강 빅데이터 역시 내용과 품질이 우수하고 활용 잠재력이 클 것이라고 기대된다. 하지만 빅데이터나 모바일 헬스(m-Health)의 대표적인 위험요소로 꼽히는 개인 정보 유출을 조심해야 할 것이다. 건강보험공단 데이터에는 주거, 직장, 소득 및 진료내용 등 보안이 지켜져야 할 정보들이 포함되어 있기 때문에, 부실한 관리로 대량의 개인 정보 도난을 당하게 되는 경우 그로 인한 손실이 커질 것임이 명백하다. 국민건강 보험공단의 빅데이터도 정보 보안 면에서 중점적으로 대비할 필요가 있다.

고찰

미래의 보건의료는 조기진단 및 조기치료가 핵심인 건강관리적인 과거의 패러다임에서 예측과 예방의 패러다임으로 자연스럽게 전환 될 것이다. 이러한 흐름에 모바일 헬스(m-Health) 및 건강 빅데이터는 미래 건강관리 패러다임을 견인하는 중추적 역할을 할 것으로 기대되고 특히나 신경정신의학 분야에서도 그 활용 가치는 주목할 만하다. 정신건강서비스를 스마트폰을 활용하여 시행하는 것에 대한 본격적인 연구와 논의가 필요한 시점이다. 정신건강 모바일앱, 데이터베이스 및 빅데이터 분석 및 플랫폼, 모델링들은 이미 신경정신의학 및 임상에서의 통찰력 제공하고, 실시간 증상 관찰, 조기 진단 및 예후 관측 등을 가능하게 하는 새로운 도구로 등장하였다. 이외에도 의학적 진단을 조기에 다면적으로 할 수 있는 환경을 제공하고, 낙인 효과의 감소, 정신보건의료의 접근성을 높일 수 있는 장점이 있다. 하지만 여전히 원격의료 또는 스마트폰을 활용하여 정신건강 서비스를 시행하는 데에는 효율성, 효과성, 안전한 시행 과정 관련 제도 정비 등을 체계적으로 논의를 할 필요가 있다.

본 연구는 정신보건의료 및 모바일 헬스(m-Health)와 빅데이터 개념 및 활용 사례를 바탕으로 새로운 정신 보건의료 서비스의 준비를 위한 연구이다. 정신질환은 타고난 유전이나 선천적인 요소와 이밖에 다양하고 복잡하게 얽힌 외부요인들이 상호작용하여 발병하게 된다. 그중 대표적인 원인으로 스트레스를 들 수 있고, 정신건강은 스트레스와 무관할 수 없다. 따라서 정신건강이 악화되어 장애가 발생하기 전 스트레스나 정신건강과 신체건강을 관리, 점검할 수 있는 활용한 모바일앱과 프로그램에 대한 고찰과 검토가 필요하다. 모바일 헬스(m-Health)와 빅데이터의 개념을 조사하고, 국내외 모바일 헬스(m-Health)와 빅데이터 동향 및 관련 현황 등에 대하여 활용 사례를 조사, 정리하였다. 신경정신의학에서 모바일 헬스(m-Health)와 빅데이터의 미래 활용 가능성에 대한 시사점을 도출하여 모바일 환경에서의 의료를 위한 기초 자료로 활용될 수 있을 것이고, 향후 지속적인 관련 연구를 통해 실제 근거에 기반을 둔 효과성과 신뢰성을 구축해 나가는 작업이 필요하다. 나날이 기술적인 진보가 이루어지는 상황에서 정신건강보건 관련 종사자들은 이러한 흐름을 주시하고 뒤쳐지지 않게 적극적인 관심을 가져야 할 것이다.

References

• Agyapong VI, Ahern S, McLoughlin DM, et al. 2012;Supportive text messaging for depression and comorbid alcohol use disorder: single-blind randomised trial. J. Affect. Disord. 141:168-176. .ArticlePubMed
• American Psychiatric Association. 2000;Diagnostic and statistical manual of mental disorders DSM-IV-TR fourth edition (text revision).
• Bakker D, Kazantzis N, Rickwood D, et al. 2016;Mental health smartphone apps: review and evidence-based recommendations for future developments. JMIR mental health. 3:e7ArticlePubMedPMC
• Cho MJ, Park JI, Bae A, et al. 2011, The epidemiological survey of mental disorders in Korea. Seoul: Ministry of Health and Welfare.
• Donker T, Petrie K, Proudfoot J, et al. 2013;Smartphones for smarter delivery of mental health programs: a systematic review. J. Med. Internet Res. 15:e247.ArticlePubMedPMC
• European Commission. 2014 Green paper on mobile health (m-Health). [Internet]: European Commission cited 2016 Nov. 10. Available from: https://ec.europa.eu/digital-agenda/en/news/green-paper-mobile-health-mhealth
• Food and Drug Administration. 2013 mobile healthcare app safety management guidelines [Internet] Maryland, Food and Drug Administration; cited 2016 Nov. 10. from http://www.fda.gov/downloads/MedicalDevices/.../UCM263366.pdf
• Gartner. 2016 IT Glossary. [Internet] Gartner; cited 2016 Nov. 10. Available from : http://www.gartner.com/it-glossary/
• Granholm E, Ben-Zeev D, Link PC, et al. 2011;Mobile Assessment and Treatment for Schizophrenia (MATS): a pilot trial of an interactive text-messaging intervention for medication adherence, socialization, and auditory hallucinations. Schizophr. Bull. 414-425.ArticlePubMedPMC
• Haring C, Banzer R, Gruenerbl A, et al. 2015;Utilizing smartphones as an effective way to support patients with bipolar disorder: results of the monarca study. Eur. Psychiatry. 30:558.Article
• Hollis C, Morriss R, Martin J, et al. 2015;Technological innovations in mental healthcare: harnessing the digital revolution. Br. J. Psychiatry. 206:263-265. .ArticlePubMed
• Kay M, Santos J, Takane M. 2011;mHealth: New horizons for health through mobile technologies. World Health Organization. 64:66-71.
• Khalaf S. 2014 Health and fitness apps finally take off, fueled by fitness fanatics. [Internet]: flurry cited 2016 Nov. 11. Available from : http://www.flurry.com/blog/flurry-insights/health-and-fitness-apps-finally-take-fueled-fitness-fanatics
• Kim SW, Lee GY, Yu HY, et al. 2016;Development of smartphone application for cognitive behavioral therapy-based case management in patients with schizophrenia. Korean J. Schizophr. Res. 19:10-16.Article
• Lee BS, Kim SW. 2016;A study on development of a smart wellness robot platform. J. Korea, Academia-Industrial cooperation. Soc. 17:331-339.Article
• Lee SH, Kang WS. 2015;A study on the wellness human care platform. Conference of the Korean Inst. Comm. Inf. Sci.
• Lee SJ. 2015;Wearable Brain Health care technology for brain health. J. Korea Inst. Electronics Engineers. 42:71-77.
• Lee SM, Kim SJ, Im WY, et al. 2016;current state and limit of mobile-based mental health intervention using information & communication technology. Korean J. Psychosom. Med. 24:61-65.
• Leigh S, Flatt S. 2015;App-based psychological interventions: friend or foe? Evidence Based Mental Health. 18:97-99.PubMed
• Marley J, Farooq S. 2015;Mobile telephone apps in mental health practice: uses, opportunities and challenges. BJPsych Bull. 39:288-290. .ArticlePubMedPMC
• Marr B. 2016, Big data in practice : how 45 successful companies used big data analytics to deliver extraordinary. West Sussex, United Kingdon: John Wiley and Sons Ltd; .
• Martin JA. 2015 Data spotlights average sleep patterns in U.S. cities. [Internet]: CIO cited 2016 Nov. 11. Available from : http://www.cio.com/article/2889197/mobile-apps/data-spotlights-average-sleep-patterns-in-us-cities.html
• Martínez-Pérez B, De La, Torre-Díez I, López-Coronado M. 2015;Privacy and security in mobile health apps: a review and recommendations. J. Med. Syst. 39:1-8. .ArticlePubMed
• Ministry of food and drug safety. 2013;mobile healthcare app safety management guidelines [Internet] Cheongju, Ministry of food and drug safety. cited 2016 Nov. 11. Available from : http://www.mfds.go.kr/index.do?mid=1161.
• Ministry of Science ICT and Future Planning. 2015 Wireless subscriber statistics [Internet] Gwacheon, Ministry of Science ICT and Future Planning; cited 2016 Nov. 10. Available from : http://www.msip.go.kr/web/msipContents/contents.do?mId=MTQ2
• Monteith S, Glenn T, Geddes J, et al. 2015;Big data are coming to psychiatry: a general introduction. Int. J. Bipolar Dis. 40:27.Article
• National Health Insurance Sharing Service. 2016 Public data open service. [Internet] Seoul, National Health Insurance Sharing Service; cited 2016 Nov. 10. Available from: http://nhiss.nhis.or.kr/op/it/index.do
• Osmani V. 2015;Smartphones in mental health: detecting depressive and manic episodes. IEEE Pervasive Computing. 14:10-13. .Article
• Palmier-Claus JE, Rogers A, Ainsworth J, et al. 2013;Integrating mobile-phone based assessment for psychosis into people’s everyday lives and clinical care: a qualitative study. BMC Psychiatry. 13:34-46. .ArticlePubMedPMC
• Price Water House Coopers. 2012 Emerging mHealth: paths for growth. [Internet] London, Price Water House Coopers (PWC); cited 2016 Nov. 10. Available from : http://www.pwc.com/en_GX/gx/healthcare/mhealth/assets/pwc-emerging-mhealth-full.pdf
• Reid SC, Kauer SD, Hearps SJ, et al. 2011;A mobile phone application for the assessment and management of youth mental health problems in primary care: a randomised controlled trial. BMC Fam. Pract. 12:131-144. .ArticlePubMedPMC
• Silva BM, Rodrigues JJ, Canelo F, et al. 2013;A data encryption solution for mobile health apps in cooperation environments. J. Med. Internet Res. 15:e66.ArticlePubMedPMC
• Sim YJ, Sohn GY, Son BH, et al. 2016;Measurement of depression in breast cancer patients by using a mobile application: a feasibility and reliability study. J. Korean Neuropsychiatric Assoc. 55:234-244. .Article
• Torous J, Staples P, Shanahan M, et al. 2015;Utilizing a personal smartphone custom app to assess the patient health questionnaire-9 (PHQ-9) depressive symptoms in patients with major depressive disorder. JMIR mental health. 2:e8ArticlePubMedPMC
• Viceconti M, Hunter P, Hose R. 2015;Big data, big knowledge: big data for personalized healthcare. IEEE J. Biomed. and health Inf. 19:1209-1215.Article
• Wahle F, Kowatsch T, Fleisch E, et al. 2016;Mobile sensing and support for people with depression: a pilot trial in the wild. JMIR mHealth and uHealth. 4:e111.ArticlePubMedPMC
• Watts S, Mackenzie A, Thomas C, et al. 2013;CBT for depression: a pilot RCT comparing mobile phone vs. computer. BMC Psychiatry. 13:49-58. .ArticlePubMedPMC
• Won HH, Myung WJ, Song GY, et al. 2013;Predicting national suicide numbers with social media data. PLoS One. 8:e61809.ArticlePubMedPMC

Figure & Data

References

Citations

Citations to this article as recorded by  

• Effects of Mobile-Based Forest-Therapy Programs Using Urban Forests for Symptoms of Depressed Patients
  Poung-Sik Yeon, In-Ok Kim, Si-Nae Kang, Nee-Eun Lee, Ga-Yeon Kim, Ha-Rim Shim, Chung-Yeub Chung, Jung-Sok Lee, Jin-Young Jeon, Won-Sop Shin
  Healthcare.2023; 11(23): 3039.     CrossRef
• A smart healthcare-based system for classification of dementia using deep learning
  Jihye Lim
  DIGITAL HEALTH.2022; 8: 205520762211316.     CrossRef
• Research Trends on Mobile Mental Health Application for General Population: A Scoping Review
  Won Ju Hwang, Ji Sun Ha, Mi Jeong Kim
  International Journal of Environmental Research and Public Health.2021; 18(5): 2459.     CrossRef
• The Ways of College Mental Health Education Based on Big Data
  Xiaoxiao Zhang, Suning Jia
  Journal of Physics: Conference Series.2021; 1852(3): 032030.     CrossRef
• Development and Assessment of a Social Network Service-Based Lifestyle-Modification Program for Workers at High Risk of Developing Cardiovascular Disease
  Soo Hee Woo, Eui Geum Oh, Kyung-SOO Kim, Sang Hui Chu, Gwang Suk Kim, Chung Mo Nam
  Workplace Health & Safety.2020; 68(3): 109.     CrossRef
• Analysis of Health Insurance Big Data for Early Detection of Disabilities: Algorithm Development and Validation
  Seung-Hyun Jeong, Tae Rim Lee, Jung Bae Kang, Mun-Taek Choi
  JMIR Medical Informatics.2020; 8(11): e19679.     CrossRef
• Use of Mobile Mental Health Application for Mental Health Promotion : Based on the Information-Motivation-Behavioral Skills Model
  Soontae An, Hannah Lee
  Korean Journal of Journalism & Communication Studies.2018; 62(6): 167.     CrossRef