[논문 리뷰] Individual-level Anxiety Detection and Prediction from Longitudinal YouTube and Google Search Engagement Logs

Anis Zaman, Boyu Zhang외 3명|arXiv (Cornell University)|2020. 07. 01.

Digital Mental Health Interventions참고 문헌 77인용 수 6

한 줄 요약

이 논문은 익명화된 종단적 유튜브 및 구글 검색 이용 기록을 활용하여 개인 수준에서 불안 장애를 탐지하고 불안 심각도를 예측하는 프라이버시 보장형이고 확장 가능한 프레임워크를 제안한다. 온라인 활동에서 추출한 설명 가능한 행동 특징을 바탕으로, 모델은 불안 장애 탐지에서 F1 스코어 0.83±0.09를 달성하고, GAD-7 점수 예측에서 평균 제곱오차 1.87±0.15를 기록하여 임상 모니터링을 위한 저비용이고 침습성이 없는 도구를 제공한다.

ABSTRACT

Anxiety disorder is one of the world's most prevalent mental health conditions, arising from complex interactions of biological and environmental factors and severely interfering one's ability to lead normal life activities. Current methods for detecting anxiety heavily rely on in-person interviews, which can be expensive, time-consuming, and blocked by social stigmas. In this work, we propose an alternative method to identify individuals with anxiety and further estimate their levels of anxiety using personal online activity histories from YouTube and the Google Search engine, platforms that are used by millions of people daily. We ran a longitudinal study and collected multiple rounds of anonymized YouTube and Google Search logs from volunteering participants, along with their clinically validated ground-truth anxiety assessment scores. We then developed explainable features that capture both the temporal and contextual aspects of online behaviors. Using those, we were able to train models that (i) identify individuals having anxiety disorder with an average F1 score of 0.83 and (ii) assess the level of anxiety by predicting the gold standard Generalized Anxiety Disorder 7-item scores (ranges from 0 to 21) with a mean square error of 1.87 based on the ubiquitous individual-level online engagement data. Our proposed anxiety assessment framework is cost-effective, time-saving, scalable, and opens the door for it to be deployed in real-world clinical settings, empowering care providers and therapists to learn about anxiety disorders of patients non-invasively at any moment in time.

연구 동기 및 목표

• 비용이 많이 들고 사회적 낙인을 동반하는 대면 평가에 대한 의존도를 줄임으로써, 특히 대학생들 사이에서 퍼진 불안 장애의 높은 유병률과 진단 누락 문제를 해결하고자 한다.
• 자기 검열, 낮은 프라이버시, 비활성 사용자를 위한 범위 제한 등의 문제로 인해 공개 소셜 미디어 기반 정신건강 탐지 기술의 한계를 극복하고자 한다.
• 유튜브 및 구글 검색에서의 광범위하고 기밀성이 보장된 온라인 활동 기록을 정신건강 상태의 대체 지표로 활용하여, 지속적이고 침입성이 없는 모니터링을 가능하게 하고자 한다.
• 임상적으로 유의미하고 설명 가능하며 확장 가능한 프레임워크를 개발하여 실제 의료 환경에서 불안의 조기 탐지 및 종단적 추적을 지원하고자 한다.

제안 방법

• 대학생 참가자들이 익명화된 유튜브 및 구글 검색 기록을 공유한 종단적 연구를 실시하였으며, 두 번의 데이터 수집 라운드 간격은 5개월이었다.
• 불안 심각도의 기준이 되는 임상적으로 검증된 GAD-7 점수(0–21)를 확보하여 기존 정신의학 기준과의 일치를 보장하였다.
• 온라인 행동에서 시간적 패턴(예: 검색 빈도, 세션 지속 시간)과 맥락적 신호(예: 주제 군집, 쿼리의 정서적 밸런스)를 반영하는 설명 가능한 저차원 특징 벡터를 설계하였다.
• 유도된 특징을 기반으로 이진 분류(불안 유무) 및 회귀(GAD-7 점수 예측)를 위한 지도 학습 모델을 훈련시켰다.
• 해석 가능성 확보를 위해 특징 기여도 분석을 적용하여 임상의가 예측에 기여한 행동 패턴을 이해할 수 있도록 하였다.
• 참가자 전체의 통제를 보장하는 옵트인, IRB 승인을 받은 데이터 수집 프로토콜을 구현하여 윤리적 준수와 프라이버시 보호를 확보하였다.

실험 결과

연구 질문

• RQ1 유튜브 및 구글 검색의 개인 수준 온라인 이용 기록은 개인 수준에서 불안 장애를 신뢰성 있게 예측할 수 있는가?
• RQ2 검색 및 시청 행동의 시간적 및 맥락적 패턴은 불안 심각도의 대체 지표로 어느 정도 유용한가?
• RQ3 익명화되고 기밀성이 보장된 온라인 이용 기록을 기반으로 훈련된 모델은 임상 평가와 비교해 골드스탠다드 GAD-7 점수를 얼마나 정확하게 예측할 수 있는가?
• RQ4 불안 상태와 가장 강하게 상관관계가 있는 주요 행동 특징는 무엇이며, 임상적 활용을 위해 설명 가능하게 만들 수 있는가?
• RQ5 이러한 시스템을 실제 임상 환경에 도입할 경우 윤리적 및 실용적 영향은 어떠한가?

주요 결과

• 모델은 유튜브 및 구글 검색 기록만을 사용하여 불안 장애가 있는 개인을 식별하는 데 평균 F1 스코어 0.83±0.09를 달성하였다.
• GAD-7 점수(0–21)의 연속적 예측을 위해 모델은 평균 제곱오차 1.87±0.15를 기록하여 강력한 회귀 성능을 보였다.
• 이 프레임워크는 높은 확장성과 비용 효율성을 입증하여, 임상 방문 간의 원격 및 비침습적 불안 수준 모니터링을 가능하게 하였다.
• 설명 가능한 특징들 — 예를 들어 건강 관련 용어에 대한 검색 빈도 증가, 불안 관련 콘텐츠에 대한 유튜브 시청 시간 연장 — 은 높은 불안 수준과 강하게 상관관계가 있었다.
• 종단적 분석을 통해 두 번째 데이터 수집 라운드에서 행동 패턴이 유의미하게 변화한 것으로 나타나, 모델이 역동적인 불안 상태를 추적할 수 있는 능력을 입증하였다.
• 이 시스템은 임상 워크플로우에 통합되어 불안 수치가 급격히 상승하는 환자를 선별하고, 조기에 치료사의 간섭과 개인 맞춤형 간병 계획 수립을 가능하게 할 수 있다.