환자마다 다른 발작, 범용 모델로 예측할 수 있을까?

기본 정보

제목: Improving Wearable-Based Seizure Prediction by Feature Fusion Using Growing Network
저자: Tanuj Hasija, Maurice Kuschel, Michele Jackson, Stephanie Dailey, Henric Menne, Claus Reinsberger, Solveig Vieluf, Tobias Loddenkemper
저널: bioRxiv (프리프린트)
출판연도: 2025
DOI: 10.1101/2025.01.28.635212
PMID: -
근거 수준: 프리프린트

이 연구는 웨어러블 기기에서 수집한 심박, 피부전도, 피부 온도 등 자율신경계 데이터를 활용하여 환자 비특이적(patient-agnostic) 발작 예측 모델을 개발했다. 지도학습 LSTM, 비지도학습 DCCAE, 24시간 시간대 정보를 성장 신경망으로 융합하여 기준 LSTM 대비 7.3% 향상된 81.7% 정확도를 달성했으며, 84% 환자에서 개선된 성능을 보였다.

1. 이 연구는 왜 필요했을까

발작 예측 모델의 가장 큰 과제 중 하나는 환자 간 변이다. 개인 맞춤형 모델은 우수한 성능을 보이지만, 새로운 환자에게 적용하려면 초기 데이터 수집 기간이 필요하다. 이 기간 동안 환자는 예측 시스템의 보호를 받지 못하게 된다. 따라서 개인화 없이도 즉시 활용 가능한 범용(patient-agnostic) 모델의 개발이 중요한 연구 과제였다.

지도학습과 비지도학습을 성장 신경망으로 결합하여, 개인화 없이도 84%의 환자에서 기존 모델을 능가하는 범용 발작 예측 모델을 구현했다.

기존의 범용 모델은 환자 간 생리적 차이 때문에 개인 맞춤 모델에 비해 성능이 떨어지는 경향이 있었다. 이 연구는 다양한 학습 방법과 시간대 정보를 피처 수준에서 융합함으로써 이 격차를 줄이고자 했다.

2. 어떻게 연구했을까

연구팀은 소아 간질 환자 38명(59회의 강직-간대 발작)을 대상으로 Empatica E4 웨어러블 기기를 착용시켜 피부전도(EDA), 심박(HR), 피부 온도 데이터를 수집했다. 피처 추출에는 세 가지 상호보완적 접근법을 사용했다.

지도학습 LSTM 네트워크로 시계열 패턴을 학습하여 발작 관련 피처를 추출했다.
비지도학습 DCCAE(깊은 정준 상관 자동 인코더)로 데이터의 잠재적 구조를 파악했다.
삼각함수 인코딩과 방사기저함수(RBF) 인코딩으로 24시간 주기의 시간대 정보를 피처화했다.

이 세 가지 피처를 성장 신경망(Growing Network)으로 점진적으로 통합하여, 기존 성능을 보존하면서 새로운 피처를 추가하는 방식을 사용했다. 최적 발작 전 데이터 길이는 5분으로 설정했다.

3. 무엇을 발견했을까

성장 신경망을 통한 피처 융합 모델은 RBF 시간 인코딩 조합에서 81.7%의 정확도를 달성했다. 이는 기준 LSTM 모델의 74.4%보다 7.3%포인트 향상된 수치다. 또한 전통적인 일괄 융합(all-at-once fusion) 방식보다 9.5%포인트 우수한 성능을 보여, 성장 신경망 아키텍처의 효과를 입증했다.

성장 신경망 기반 피처 융합이 기존 LSTM 대비 정확도를 74.4%에서 81.7%로 7.3%포인트 향상시켰다.

개별 환자 수준에서도 38명 중 84%에서 기존 LSTM보다 향상된 성능을 보였다. 데이터 품질이 예측 정확도에 유의한 영향을 미치는 것으로 확인되어, 웨어러블 센서의 착용 상태와 데이터 수집 환경의 중요성이 강조되었다.

4. 우리 서비스에 어떻게 쓸까

제품 기능

이 연구의 핵심 시사점은 시간대 정보의 중요성이다. 발작은 24시간 주기에 따른 패턴을 보이는 경우가 많으며, 이 시간 정보를 모델에 반영하면 예측 성능이 향상된다. FastingWorks 앱에서 HRV, 심박, 활동 데이터를 시간대별로 분석하여 자율신경 패턴의 일중 변동을 시각화하는 기능에 이 개념을 적용할 수 있다.

콘텐츠 활용

발작 예측에 시간이 중요하다: 24시간 주기가 AI 정확도를 높이는 방법
개인화 없이도 84% 환자에서 작동하는 범용 발작 예측 모델
지도학습과 비지도학습의 만남: 성장 신경망이 바꾸는 웨어러블 AI

적용 시 주의사항

이 연구는 프리프린트로서 동료 심사를 거치지 않았으므로, "초기 연구에서 ~할 가능성이 있다는 근거가 있다" 수준의 표현만 사용해야 한다. 38명의 소아 환자를 대상으로 한 것이므로 성인이나 다른 발작 유형에 대한 일반화에는 추가 검증이 필요하다.

5. 한계점

가장 큰 한계는 프리프린트로서 아직 동료 심사를 통과하지 않았다는 점이다. 연구 결과의 신뢰성은 향후 심사 과정에서 검증될 필요가 있다. 또한 38명의 소아 환자만을 대상으로 했기 때문에, 표본 크기가 작고 성인 환자에 대한 일반화가 어렵다.

59회의 강직-간대 발작만 분석 대상으로 포함되어, 다른 유형의 발작(결신, 부분 발작 등)에 대한 성능은 알 수 없다. 또한 81.7%의 정확도는 아직 임상 활용에 충분한 수준이라고 보기 어려우며, 18.3%의 오류율은 환자 안전 측면에서 개선이 필요하다.

마무리

이 연구는 다양한 학습 방법과 시간대 정보를 성장 신경망으로 융합하는 새로운 접근법을 통해, 환자 비특이적 발작 예측 모델의 성능을 의미 있게 향상시킬 수 있음을 보여주었다. 프리프린트 단계이므로 추가 검증이 필요하지만, 범용 모델 개발의 유망한 방향을 제시한 연구다.