목적: 중독은 최근 물질사용장애(substance use disorder, SUD)와 행동중독(behavioral addiction, BA)으로 분류되었으나, BA 개념은 여전히 논쟁적이다. 따라서 BA의 기전을 SUD와 동일한 수준으로 이해하기 위해 추가적인 신경과학적 연구가 필요하다. 본 연구는 인터넷 게임장애(internet gaming disorder, IGD)와 알코올사용장애(alcohol use disorder, AUD)를 가진 개인에서 중독의 신경심리학적 및 신경생리학적 양상을 규명하기 위해 머신러닝(machine learning, ML) 알고리즘을 사용하였다. 방법: 우리는 L1-norm 지지벡터머신(L1-norm support vector machine), 랜덤 포레스트(random forest), L1-norm 로지스틱 회귀(L1-norm logistic regression, LR)를 포함하는 ML 알고리즘을 사용하여 IGD 환자와 AUD 환자, IGD 환자와 건강대조군(healthy controls, HCs), 그리고 AUD 환자와 HCs를 구분하는 세 가지 모델을 개발하였다. 모델 학습에는 세 가지 서로 다른 특성 집합을 사용하였다. 즉, 센서 수준 및 소스 수준 특징을 결합한 단일모달 뇌파(electroencephalography, EEG) 특성 집합, 성별·연령·우울·불안·충동성·전반적 인지기능을 포함한 단일모달 신경심리 특성(neuropsychological feature, NF) 집합, 그리고 다중모달(EEG + NF) 특성 집합이다. 결과: IGD와 AUD 분류에 다중모달 특성 집합을 사용한 LR 모델이 다른 모델보다 우수한 성능을 보였다(정확도: 0.712). 모델이 선택한 중요한 특성에 따르면, IGD 집단은 우측 반구내(right intrahemispheric) 영역들 사이의 델타 및 베타 소스 연결성과 구별되는 센서 수준 EEG 활동의 차이를 보였다. NFs 가운데에서는 성별과 연령이 양호한 모델 성능을 위한 중요한 특성이었다. 결론: ML 기법을 활용하여 IGD(BA)와 AUD(SUD) 간의 신경생리학적 및 신경심리학적 유사점과 차이점을 입증하였다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.