웨어러블 심박수 데이터로 갑상선중독증을 예측할 수 있을까?

기본 정보

제목: A Machine Learning-Assisted System to Predict Thyrotoxicosis Using Heart Rate Monitoring Data
저자: Shin et al.
저널: Nature Scientific Reports
출판연도: 2023
DOI: 10.1038/s41598-023-48199-x
PMID: -
근거 수준: 코호트 연구 (전향적)

이 연구는 175명의 갑상선 기능 이상 환자를 4개월간 추적하여, 웨어러블에서 수집한 심박수 데이터로 갑상선중독증(thyrotoxicosis) 발생을 예측하는 ML 시스템을 개발했다. 민감도 86%, 특이도 86%, 음성예측도 97%를 달성했으며, 무증상 갑상선중독증을 제외하면 특이도 98%, 양성예측도 95%까지 향상되었다. 웨어러블 심박수 데이터만으로 갑상선중독증을 높은 정확도로 예측할 수 있음을 대규모로 처음 입증한 연구이다.

1. 이 연구는 왜 필요했을까

갑상선중독증은 갑상선 호르몬이 과다하게 분비되어 심박수 증가, 체중 감소, 불안 등을 유발하는 질환이다. 치료 후에도 재발이 빈번하여 정기적인 혈액검사(TSH, free T4)가 필요하지만, 병원 방문 간격 사이에 발생하는 재발은 놓칠 수 있다.

심박수 증가는 갑상선중독증의 가장 특징적인 증상 중 하나이며, 웨어러블로 24시간 연속 모니터링이 가능하다. 혈액검사 사이의 공백을 웨어러블 심박수 모니터링으로 채울 수 있다면, 갑상선중독증의 조기 발견과 적시 치료가 가능해진다.

2. 어떻게 연구했을까

175명의 갑상선 기능 이상 환자를 4개월간 추적하면서, 웨어러블 디바이스로 심박수를 연속 측정했다. 동시에 환자당 3-4회의 갑상선 기능검사(TFT)를 시행하여 총 662개의 데이터 쌍(TFT 결과 + 그 10일 전 심박수 데이터)을 구성했다.

수면 중 평균 심박수, 상대 표준편차, 왜도(skewness), 첨도(kurtosis) 등의 피처를 심박수 데이터에서 추출하여 ML 모델을 훈련했다. 이전 갑상선 기능검사 결과의 free T4 수준도 피처로 포함하여, 환자의 기존 갑상선 상태 정보를 활용했다.

3. 무엇을 발견했을까

전체 모델은 민감도 86.14%, 특이도 85.92%, 양성예측도(PPV) 52.41%, 음성예측도(NPV) 97.18%를 달성했다.

97%라는 높은 음성예측도는 모델이 "갑상선중독증 아님"으로 예측한 경우 실제로 갑상선중독증이 아닐 확률이 매우 높다는 것을 의미하며, 스크리닝 도구로서 우수한 특성이다. 무증상 갑상선중독증(subclinical thyrotoxicosis)을 제외하면 특이도가 98.28%, 양성예측도가 94.57%까지 향상되었다.

가장 중요한 피처는 이전 TFT의 free T4 수준(평균 순위 1.01)이었고, 그 다음이 평균 심박수 변화량(평균 순위 2.51)이었다. 이는 기존 의료 정보와 웨어러블 데이터의 결합이 최적의 성능을 제공함을 보여준다.

4. 우리 서비스에 어떻게 쓸까

제품 기능

갑상선 질환 관리에 특화된 모듈을 FastingWorks에 추가하여, 웨어러블 심박수의 장기 트렌드 변화를 모니터링하고 이상 징후를 알리는 기능을 구현할 수 있다. 특히 안정시 심박수가 지속적으로 상승하는 패턴이 감지되면 갑상선 기능 검사를 권유하는 알림을 제공할 수 있다.

콘텐츠 활용

"스마트워치 심박수로 갑상선 기능 이상을 조기에 발견할 수 있을까?"
"수면 중 심박수 변화가 갑상선 건강에 대해 말해주는 것"
"갑상선 환자를 위한 웨어러블 모니터링의 가능성"

적용 시 주의사항

이 연구는 이미 갑상선 질환으로 진단된 환자를 대상으로 한 것이므로, 건강한 사용자의 갑상선 기능 이상 최초 발견에 직접 적용하기 어렵다. 또한 양성예측도가 52%(전체 모델 기준)로 위양성 비율이 높으므로, "갑상선 이상이 의심된다"는 알림의 정확도에 대한 사용자 기대를 적절히 관리해야 한다.

5. 한계점

이미 진단된 환자 대상 연구이므로, 일반 인구에서의 최초 감지 성능은 검증되지 않았다. 무증상 갑상선중독증의 감지가 어려웠다는 점은 심박수 변화가 미미한 초기 또는 경미한 갑상선 이상에 대한 한계를 보여준다.

또한 심박수 증가는 운동, 카페인, 불안, 감염 등 다양한 원인으로 발생할 수 있어, 갑상선 특이적 신호로 해석하기 위해서는 다른 원인을 배제하는 추가 분석이 필요하다. 앱에서 이 기능을 제공할 때는 "의료 진단이 아닌 참고 정보"임을 명확히 해야 한다.

마무리

이 연구는 웨어러블 심박수 데이터로 갑상선중독증을 높은 정확도로 예측할 수 있음을 175명 규모의 전향적 연구로 처음 입증했다. 특히 97%의 높은 음성예측도는 스크리닝 도구로서의 잠재력을 보여주며, 혈액검사 간격 사이의 모니터링 공백을 채울 수 있는 가능성을 제시한다.