파일 목록으로

간질 발작 예측

웨어러블 센서의 HRV 급변, EDA 변화, 가속도계 패턴 데이터를 활용하여 간질 발작을 사전에 예측하고 EEG 모니터링을 보완 또는 대체하는 기술

개요

  • 입력 시그널: HRV 급변, EDA (피부전도 반응) 변화, 가속도계(ACC) 운동 패턴
  • 대체 대상: EEG(뇌파) 모니터링
  • 현재 성숙도: 상용화 단계 진입. Empatica EpiMonitor가 FDA 승인 발작 감지 기기로 출시. 발작 '감지'는 상용화되었으나 '예측'은 아직 연구 단계 (AUC 0.80, 시간별 예측 정확도 86%). 전두엽 EEG 대비 비침습적 대안으로 주목

주요 연구 및 논문

1. Wearable Artificial Intelligence for Epilepsy: Scoping Review (JMIR, 2025)

  • 출처: Journal of Medical Internet Research
  • 핵심 내용: 전 세계 약 5천만 명이 영향을 받는 간질에 대해 웨어러블 AI 기기를 활용한 발작 감지/예측 연구 67건을 분석한 스코핑 리뷰. 2021~2023년 사이 해당 분야 연구가 급증했으며, 인도, 미국, 중국이 주도국이다.
  • 방법론: 67개 연구 체계적 분석, 바이오신호 모달리티(EEG, PPG, EDA, 가속도계)별 및 AI 기법(ML, DL)별 분류
  • 주요 결과: 다중 모달 바이오신호 융합(활동, 심혈관, 피부전도 데이터)과 해석 가능한 AI 모델이 임상 설명 가능한 AI 시스템 개발을 가능하게 함
  • 의의: 웨어러블 AI 기반 간질 관리의 가장 포괄적인 최신 리뷰로, 기술 현황과 미래 방향을 종합 정리

2. Feasibility of Cardiac-Based Seizure Detection and Prediction: Systematic Review (Seth et al., Epilepsia Open, 2024)

  • 출처: Epilepsia Open
  • 핵심 내용: 심장 파라미터 기반 비침습적 웨어러블을 활용한 발작 감지/예측의 실현 가능성을 체계적으로 검토한 연구. 발작 중 심장 활동 변화가 관찰된다는 기존 연구를 기반으로, ECG/ACC/EDA/EMG 등 비뇌파 신호의 ML 활용 가능성을 분석했다.
  • 방법론: 체계적 문헌 고찰, 심장 기반 비침습적 웨어러블 연구 분석
  • 주요 결과: 시간별 예측 정확도 중앙값 86%, 발작 발생 전 평균 예측 시간 37분. 일별 예측 정확도 83%, 발작 전 평균 예측 시간 3일
  • 의의: 심장 기반 비침습적 발작 예측이 실현 가능함을 정량적으로 입증한 첫 번째 체계적 리뷰

3. Heart Rate Variability as a Tool for Seizure Prediction: Scoping Review (PMC, 2024)

  • 출처: PMC
  • 핵심 내용: 발작 발생 전 자율신경 심장 조절에 유의한 변화가 나타나며, HRV가 이를 평가할 수 있는 바이오마커로 활용될 수 있음을 보여주는 스코핑 리뷰. 특히 근육 수축이 미미한 비운동성 발작에서 가속도계로 감지할 수 없는 발작도 HRV로 감지 가능하다는 점이 핵심이다.
  • 방법론: HRV 기반 발작 감지/예측 연구의 체계적 문헌 검색
  • 주요 결과: 발작 전 심장 자율신경 변화가 HRV를 통해 평가 가능하며, 비운동성 발작의 감지에서 HRV가 특히 유용
  • 의의: HRV가 가속도계/EMG의 한계를 보완하는 핵심 바이오마커임을 확인

4. Improving Wearable-Based Seizure Prediction by Feature Fusion Using Growing Network (bioRxiv, 2025)

  • 출처: bioRxiv
  • 핵심 내용: 웨어러블 기기에서 HR, EDA, 피부 온도 등 자율신경계 데이터를 수집하여, 지도학습 LSTM + 비지도학습 DCCAE + 24시간 패턴(시간대 정보)을 성장 신경망으로 융합하는 환자 비특이적(patient-agnostic) 발작 예측 방법을 제안했다.
  • 방법론: LSTM + DCCAE + 시간대 정보 융합, ACC/PPG/ECG/EDA 센서 데이터, 성장 신경망
  • 주요 결과: 기준 LSTM 대비 예측 정확도 7.3% 향상 (74.4% -> 81.7%), 84% 환자에서 LSTM 대비 우수 성능
  • 의의: 환자 비특이적 모델에서 피처 융합의 효과를 정량적으로 입증. 개인화 없이도 활용 가능한 범용 예측 모델 개발 방향 제시

5. Mixture of Checkpoint Experts for Explainable Seizure Detection (Scientific Reports, 2025)

  • 출처: Nature Scientific Reports
  • 핵심 내용: 손목 착용 웨어러블에서 BVP, HR, HRV, ACC, 피부 온도, EDA 등 다중 모달 생리 신호를 수집하여 발작을 감지하는 설명 가능한 ML 프레임워크를 제안했다. 전신 긴장-간대 발작(GTCS) 감지에서 유망한 성능을 보였다.
  • 방법론: 체크포인트 전문가 혼합(Mixture of Checkpoint Experts) 앙상블, 다중 모달 손목 웨어러블 데이터
  • 주요 결과: 설명가능 AI로 어떤 생리 신호가 발작 감지에 가장 기여하는지 해석 가능
  • 의의: 임상 적용을 위한 설명가능 AI 접근법으로 의료진의 모델 신뢰도 향상에 기여

6. The Present and Future of Seizure Detection, Prediction, and Forecasting with ML (Frontiers in Neurology, 2024)

  • 출처: Frontiers in Neurology
  • 핵심 내용: 가속도계, EMG, 심장 모니터링, EDA, PPG 등 비전기생리학적 방법을 포함한 발작 감지/예측/예보의 현재와 미래를 종합 검토했다. 발작 '예측'(다음 발작 발생 여부)과 '예보'(발작 확률이 높은/낮은 기간 식별)를 구별하여 분석했다.
  • 방법론: 포괄적 리뷰, ML/AI + 신경진단 모니터링 기술 통합 분석
  • 주요 결과: 민감도, 위양성률, 결핍 시간이 핵심 평가 지표. 운동성 발작에는 ACC/EMG, 비운동성에는 HRV/EDA가 효과적
  • 의의: 발작 감지-예측-예보의 개념적 프레임워크를 명확히 하고, 각 접근법의 장단점을 체계적으로 정리

7. Ambulatory Seizure Forecasting with Wrist-Worn Device Using LSTM (Nasseri et al., Scientific Reports)

  • 출처: Nature Scientific Reports
  • 핵심 내용: Empatica E4 손목 착용 기기로 ACC, BVP(PPG), EDA, 온도 데이터를 수집하여 LSTM 딥러닝으로 외래 환경에서 발작을 예측한 연구. 장기간 외래 환경에서의 첫 발작 예측 실증 연구이다.
  • 방법론: Empatica E4, LSTM RNN, 외래 환경 장기 모니터링
  • 주요 결과: 평균 AUC-ROC 0.80 (범위 0.72~0.92)
  • 의의: 비침습적 웨어러블로 실제 외래 환경에서 발작 예측이 가능하다는 첫 명확한 증거 제공

상용화 동향

  • Empatica EpiMonitor (2024): Embrace2의 후속 제품으로, FDA 승인 차세대 간질 모니터링 시스템. 98% 정확도의 발작 감지 알고리즘, 최대 1주 배터리, 6세 이상 사용 가능. EDA + 운동 데이터로 GTCS 감지 시 보호자에게 전화/SMS 알림 발송. EpiAlgo v2.1로 2025년 6월 업데이트 FDA 승인(K250515)
  • Empatica FORESIGHT Study: 세계 최대 간질 환자 실사용 데이터셋 기반 발작 예보 알고리즘 개발 연구 (2023년 12월 발표)
  • Brain Sentinel SPEAC: FDA 승인 표면 EMG 기반 발작 모니터링 시스템. Empatica 외 유일한 FDA 승인 비EEG 발작 모니터링 기기
  • Nelli (Epi-Minder): 피하 이식형 EEG 센서 기반 발작 예측 시스템. 임상 시험 진행 중
  • Samsung/Fitbit: 아직 전용 발작 감지 기능 미출시이나, 연속 HRV/운동 데이터 연구에 활용 중

한계 및 과제

  • 감지 vs 예측의 격차: 상용화된 기기는 발작 '감지'(발생 중/직후 알림)에 집중. 발작 '예측'(발생 전 경고)은 AUC 0.80 수준으로 아직 연구 단계
  • GTCS 한정: 현재 FDA 승인 기기(EpiMonitor)는 20초 이상의 전신 긴장-간대 발작만 감지. 복잡 부분 발작, 결신 발작 등 비운동성 발작은 감지 불가
  • 위양성률: 일상 활동(운동, 수면 중 뒤척임)에서 발생하는 위양성이 사용자 피로를 유발. 고감도 vs 저위양성의 트레이드오프
  • 환자 특이성 vs 범용성: 개인 맞춤 모델이 우수하나 초기 데이터 수집 기간이 필요. 범용 모델은 환자 간 변이에 취약
  • 데이터 품질: 실생활 환경에서의 움직임 아티팩트, 센서 탈착, 배터리 소모 문제
  • 규제 요건: 발작 예측 기기는 발작 감지보다 높은 규제 기준 요구. 위양성/위음성의 안전 영향이 크므로 임상 시험 규모와 기간이 광범위해야 함

참고 자료

0 / 73