움직임 데이터만으로 범불안장애를 예측할 수 있을까?

기본 정보

제목: Digital phenotyping of generalized anxiety disorder: using artificial intelligence to accurately predict symptom severity using wearable sensors in daily life
저자: Nicholas C Jacobson, Brandon Feng
저널: Translational Psychiatry
출판연도: 2022
DOI: 10.1038/s41398-022-02038-1
PMID: 35977932
근거 수준: 코호트 연구

264명의 국가 코호트 참여자가 1주간 착용한 가속도계의 수동 움직임 데이터를 ML 모델로 분석하여 범불안장애(GAD) 증상을 예측한 연구다. AUC 0.892, 민감도 70.0%, 특이도 95.5%를 달성하여, 가속도계 단독으로도 불안 선별검사 도구로 활용될 수 있음을 입증했다. 위험도 상위 90백분위 집단이 하위 집단 대비 GAD 증상 위험이 21배 높았다.

1. 이 연구는 왜 필요했을까

범불안장애(GAD)는 평생 유병률이 약 5.7%에 달하지만, 진단까지 평균 수년이 걸리는 경우가 많다. 기존 진단은 임상 면담에 의존하며, 일상 생활에서의 지속적 모니터링은 어렵다. 웨어러블 센서가 일상에서 수동적으로 수집하는 움직임 데이터만으로 GAD 증상의 심각도를 추론할 수 있다면, 접근성 높은 선별검사 도구가 될 수 있다.

웨어러블 움직임 데이터만으로 일상 생활에서 GAD 증상 위험을 정확하게 추론할 수 있다면, 임상 면담 없이도 대규모 인구 선별이 가능해진다.

특히 이 연구는 소규모 편의 표본이 아닌 국가 대표 코호트(NHANES)를 활용했다는 점에서, 기존 소규모 연구의 외적 타당성 한계를 극복하고자 했다.

2. 어떻게 연구했을까

미국 국가건강영양조사(NHANES, 2003~2004년)에 참여한 264명의 데이터를 분석했다. 참여자들은 ActiGraph 액티그래프를 손목에 1주간 착용하여 수동 움직임 데이터를 수집했다. GAD 증상은 복합 국제 진단 면담(CIDI)으로 평가했다.

움직임 시계열 데이터에서 100개 이상의 피처를 추출하고, 앙상블 ML 모델을 4-fold 교차검증으로 학습시켰다. 연속 스펙트럼 예측(GAD 증상 심각도)과 이진 분류(GAD 증상 유무) 두 가지 과제를 수행했다.

3. 무엇을 발견했을까

연속 스펙트럼 예측에서 예측값과 관찰값 간 상관관계 r=0.511을 달성했다. 이진 분류에서는 AUC 0.892로 높은 판별력을 보였으며, 민감도 70.0%, 특이도 95.5%를 기록했다.

위험도 상위 90백분위의 참여자는 GAD 증상이 나타날 확률이 하위 집단 대비 21배 높았다.

개별 GAD 증상 중에서는 과민성(irritability), 걱정 통제 어려움(worry controllability), 안절부절못함(restlessness)이 움직임 데이터와 가장 강한 상관관계(개별 r > 0.5)를 보였다. 반면, 복수의 걱정 주제를 감지하는 것은 어려웠는데, 이는 GAD의 핵심 진단 기준 중 하나인 다중 영역 걱정이 운동 패턴에 명확히 반영되지 않기 때문이다.

4. 우리 서비스에 어떻게 쓸까

제품 기능

FastingWorks 앱에서 Apple Watch의 가속도계를 통해 이미 수집 중인 움직임 데이터를 활용하여, 1주간의 활동 패턴 분석으로 스트레스/불안 수준의 변화를 추적할 수 있다. 특히 안절부절못함과 관련된 미세 움직임 패턴의 변화를 감지하는 알고리즘을 개발하면, 불안 수준의 간접적 모니터링이 가능해진다.

콘텐츠 활용

"당신의 움직임 패턴이 불안 수준을 말해준다: 264명 코호트 연구"
"가속도계 하나로 범불안장애를 선별할 수 있을까"
"21배의 차이: 움직임 데이터로 본 불안 위험 계층화"

적용 시 주의사항

264명 규모의 국가 코호트 연구이므로 "움직임 패턴과 불안 증상 간에 유의한 관련이 있는 것으로 보인다" 수준의 표현이 적절하다. 높은 특이도(95.5%)는 위양성이 적다는 의미이지만, 민감도(70.0%)는 위음성 가능성이 있으므로 선별검사 목적으로의 한계가 있다.

5. 한계점

2003~2004년 NHANES 데이터를 사용했으므로 데이터가 다소 오래되었다. 1주간의 모니터링으로 GAD의 만성적 특성을 충분히 포착했는지 의문이 남는다. 또한 움직임 데이터만 사용했으므로 심박수, HRV, 수면 데이터를 추가하면 성능이 향상될 수 있다. 앱에서 이 연구를 참고할 때는 움직임 데이터의 한계를 인식하고, 다른 생리 지표와 결합하는 멀티모달 접근법을 고려해야 한다.

마무리

이 연구는 국가 대표 코호트에서 가속도계 움직임 데이터만으로 GAD 증상을 AUC 0.892로 예측할 수 있음을 보여준 의미 있는 결과다. 가장 기본적인 웨어러블 센서만으로도 불안 선별이 가능하다는 것은, Apple Watch를 비롯한 소비자용 기기의 정신건강 활용 가능성을 뒷받침한다.