6분 보행 테스트와 머신러닝으로 허약을 예측할 수 있을까?

기본 정보

제목: Digital Health Technology Combining Wearable Gait Sensors and Machine Learning Improve the Accuracy in Prediction of Frailty
저자: (저자 미상, 2023)
저널: Frontiers in Public Health
출판연도: 2023
DOI: 10.3389/fpubh.2023.1169083
근거 수준: 횡단 연구 (머신러닝 모델 개발)

이 연구는 웨어러블 센서 기반 6분 보행 테스트(6MWT)와 5개 머신러닝 알고리즘을 결합한 디지털 도구상자를 개발했다. 포괄적 노인 평가(CGA)와 보행 파라미터를 결합한 모델이 허약 예측에 성공했으며, 보행 속도가 가장 중요한 단일 예측 변수임을 재확인하면서 추가 feature selection으로 4-11% 성능 향상을 달성했다.

1. 이 연구는 왜 필요했을까

포괄적 노인 평가(Comprehensive Geriatric Assessment, CGA)는 허약 평가의 금표준이지만, 시간이 오래 걸리고 전문 인력이 필요하다. 반면 웨어러블 센서만으로는 CGA가 포함하는 인지 기능, 영양 상태, 사회적 요인 등을 포착하기 어렵다.

연구진은 이 두 접근의 장점을 결합하여, CGA의 핵심 변수와 웨어러블 보행 데이터를 함께 머신러닝 모델에 입력하면 허약 예측 정확도가 크게 개선될 수 있다는 가설을 세웠다. 특히 어떤 보행 파라미터가 CGA 변수 위에 추가적 예측력을 제공하는지를 체계적으로 평가하고자 했다.

2. 어떻게 연구했을까

참가자들에게 웨어러블 보행 센서를 착용시킨 상태에서 6분 보행 테스트(6MWT)를 수행하게 했다. 이 테스트는 6분간 가능한 빨리 걷는 표준화된 기능 평가 방법이다. 센서에서 보행 속도, 보폭 크기, 보폭 변동성, 총 보행 거리 등의 파라미터를 추출했다.

동시에 CGA를 수행하여 MMSE 점수(인지 기능), 일상 활동 능력, 영양 상태 등의 임상 변수를 수집했다. CGA 변수만, 보행 변수만, 그리고 두 가지를 결합한 세 가지 모델을 5개 머신러닝 알고리즘(Random Forest, SVM, Logistic Regression 등)으로 각각 구축하고 비교했다. Feature selection을 추가로 적용하여 최적 변수 조합을 탐색했다.

3. 무엇을 발견했을까

CGA와 보행 파라미터를 결합한 모델이 각각 단독 모델보다 우수한 예측 성능을 보였다. Feature selection을 적용한 후에는 모델 성능이 4.3-11.4% 추가 향상되었다.

"허약 예측에서 가장 중요한 변수는 대보행 속도, 평균 보폭 크기, 나이, 총 보행 거리, MMSE 점수였다."

보행 속도가 가장 중요한 단일 예측 변수로 재확인되었으며, 보폭 크기와 총 보행 거리가 뒤를 이었다. 흥미롭게도 나이와 MMSE 점수(인지 기능)도 상위 예측 변수에 포함되었는데, 이는 허약이 단순한 신체적 문제가 아니라 인지 기능과도 밀접하게 연관됨을 시사한다.

4. 우리 서비스에 어떻게 쓸까

제품 기능

FastingWorks에서 사용자의 보행 데이터(보행 속도, 걸음 수, 보행 거리)를 나이와 함께 분석하여 체력 추세를 모니터링하는 기능을 구현할 수 있다. 이 연구에서 보행 속도가 핵심 변수로 확인되었으므로, 보행 속도의 장기 추세를 메인 지표로 제공하는 것이 합리적이다. 6분 보행 테스트를 앱 내 자가 체력 측정 도구로 가이드하는 것도 고려할 수 있다.

콘텐츠 활용

"걷는 속도가 건강의 바로미터: 보행 속도와 허약 예측의 과학"
"6분 보행 테스트를 집에서 해보세요: AI가 분석하는 체력 수준"

적용 시 주의사항

횡단 연구이므로 "보행 속도와 허약 상태 사이에 연관이 있는 것으로 나타났다" 수준의 표현이 적절하다. 6분 보행 테스트는 표준화된 환경에서 수행해야 정확한 결과를 얻을 수 있으므로, 앱에서 가이드할 때 측정 조건(평탄한 실내, 방해 없는 환경 등)을 명시해야 한다.

5. 한계점

6분 보행 테스트는 참가자의 동기 부여와 노력 수준에 영향받을 수 있다. 일상적 보행과 달리 최대 속도로 걷는 테스트이므로, 일상 보행 데이터와 직접 비교하기 어렵다. 앱에서 일상 보행 데이터를 수집하면서 6MWT 기반 연구의 절단값을 적용하는 것은 부적절하다.

또한 CGA 변수(MMSE 등)는 웨어러블만으로 측정할 수 없으므로, 보행 데이터만으로 CGA+보행 결합 모델의 성능을 기대할 수 없다. 보행 변수만의 예측력은 결합 모델보다 낮다는 점을 인지해야 한다.

마무리

이 연구는 웨어러블 보행 데이터와 임상 평가의 결합이 허약 예측 정확도를 유의하게 개선함을 입증하면서, 보행 속도가 가장 중요한 단일 예측 변수임을 재확인했다. FastingWorks에서 보행 속도를 핵심 건강 지표로 채택하는 것의 과학적 타당성을 뒷받침하는 근거이다.