손목 착용 기기로 일상에서 발작을 예측한 첫 번째 연구

기본 정보

제목: Ambulatory Seizure Forecasting with a Wrist-Worn Device Using Long-Short Term Memory Deep Learning
저자: Mona Nasseri, Tal Pal Attia, Boney Joseph, Nicholas M Gregg, Ewan S Nurse, Pedro F Viana, Gregory Worrell, Matthias Dumpelmann, Mark P Richardson, Dean R Freestone, Benjamin H Brinkmann
저널: Scientific Reports
출판연도: 2021
DOI: 10.1038/s41598-021-01449-2
PMID: 34754043
근거 수준: 코호트 연구 (탐색적)

이 연구는 Empatica E4 손목 착용 기기로 가속도계, 피부전도, 온도, 혈액량 맥파 데이터를 수집하고, LSTM 딥러닝으로 외래 환경에서 발작을 예측했다. 6명의 간질 환자 중 5명에서 우연 예측기보다 유의하게 높은 성능을 보였으며, 평균 AUC-ROC 0.80(범위 0.72에서 0.92)을 달성했다. 비침습적 웨어러블로 실제 외래 환경에서 발작 예측이 가능하다는 최초의 명확한 증거를 제공한 연구다.

1. 이 연구는 왜 필요했을까

발작 예측 연구의 대부분은 병원 내 EEG 모니터링 환경에서 수행되어 왔다. 그러나 실제로 발작 예측이 필요한 것은 환자가 일상생활을 하는 외래 환경이다. 병원 내 환경과 일상 환경은 활동 수준, 수면 패턴, 스트레스 등에서 크게 다르기 때문에, 병원에서 개발된 모델이 실생활에서도 작동하는지는 별도의 검증이 필요했다.

비침습적 손목 착용 웨어러블로 실제 외래 환경에서 발작 예측이 가능하다는 첫 번째 명확한 증거를 제공했다.

또한 기존 연구들은 주로 EEG(뇌파) 데이터를 사용했는데, 이는 두피에 전극을 부착해야 하므로 일상생활에서의 장기 사용에 적합하지 않다. 이 연구는 손목에 착용하는 비침습적 웨어러블만으로 외래 환경에서 발작을 예측할 수 있는지를 최초로 검증했다.

2. 어떻게 연구했을까

연구팀은 6명의 간질 환자에게 Empatica E4 손목 착용 연구용 기기를 착용시키고 장기간 외래 환경에서 데이터를 수집했다. E4 기기는 가속도계(ACC), 피부전도(EDA), 피부 온도, 혈액량 맥파(BVP, PPG 기반) 등 4가지 생리 신호를 동시에 측정한다.

수집된 데이터로 LSTM(장단기 기억) 순환신경망을 훈련시켰다. LSTM은 4개 레이어, 128개 은닉 노드로 구성되었다. 발작 검증은 동시에 이식된 뇌 기록 장치의 데이터와 대조하여 수행했는데, 이 동시 검증 방식이 이 연구의 중요한 강점이다. 성능은 AUC-ROC와 우연 예측기 대비 통계적 유의성으로 평가했다.

3. 무엇을 발견했을까

6명의 환자 중 5명에서 우연 예측기(chance predictor)보다 통계적으로 유의하게 높은 예측 성능이 확인되었다. 평균 AUC-ROC는 0.80이었으며, 환자별로 0.72에서 0.92까지 범위를 보였다. 이는 비침습적 손목 기기만으로도 상당한 수준의 발작 예측이 가능함을 의미한다.

6명 중 5명에서 평균 AUC-ROC 0.80(범위 0.72~0.92)으로 우연 예측기보다 유의하게 높은 발작 예측 성능을 달성했다.

발작 예측 시스템은 발작 발생 수분에서 수시간 전에 경고를 제공할 수 있었다. 이는 환자가 안전 조치를 취하기에 충분한 시간적 여유를 제공한다. 동시 이식 기기와의 교차 검증을 통해 예측 결과의 신뢰성도 확인되었다.

4. 우리 서비스에 어떻게 쓸까

제품 기능

이 연구에서 사용된 Empatica E4의 센서 모달리티(가속도계, 심박, 피부온도) 중 가속도계와 심박은 Apple Watch에서도 수집 가능하다. FastingWorks 앱에서 이 데이터를 장기간 수집하여 LSTM 기반 패턴 분석을 적용하면, 자율신경 패턴의 이상 변화를 감지하는 기능을 구현할 수 있다. 다만 직접적인 발작 예측이 아닌, 자율신경 상태 모니터링 차원으로 제공해야 한다.

콘텐츠 활용

손목 시계 하나로 발작을 예측하다: AUC 0.80의 실제 외래 환경 연구
병원 밖에서도 작동하는 발작 예측 AI: Empatica E4 연구가 보여준 가능성
EEG 없이 발작을 예측하는 시대: LSTM 딥러닝과 웨어러블의 만남

적용 시 주의사항

이 연구는 6명이라는 매우 작은 표본을 대상으로 한 탐색적 연구이므로, "~할 가능성이 있다는 초기 근거가 있다" 수준의 표현만 사용해야 한다. AUC 0.80은 유망하지만, 임상적 활용을 위해서는 대규모 검증이 필수적이다. 1명의 환자에서 유의한 결과를 보이지 않았다는 점도 개인 간 변이의 중요성을 시사한다.

5. 한계점

가장 큰 한계는 6명이라는 극히 작은 표본 크기다. 이 규모로는 결과의 일반화가 매우 제한적이며, 환자 특성(발작 유형, 빈도, 약물 등)에 따른 성능 차이를 분석하기도 어렵다. 대규모 다기관 연구를 통한 재현성 검증이 반드시 필요하다.

또한 Empatica E4는 연구용 기기로서 소비자용 Apple Watch와는 센서 사양과 데이터 접근성이 다르다. 특히 EDA(피부전도) 센서는 Apple Watch에는 포함되어 있지 않으므로, 이 모달리티를 제외했을 때의 성능 저하 정도를 파악하는 것이 중요하다.

마무리

이 연구는 비침습적 손목 착용 웨어러블로 실제 외래 환경에서 발작을 예측할 수 있다는 최초의 명확한 증거를 제공한 개척적 연구다. 6명이라는 작은 규모에도 불구하고 AUC 0.80이라는 의미 있는 성능을 달성한 것은, 향후 대규모 연구의 토대를 마련한 중요한 이정표다.