수면 데이터 기반 질병 위험 예측 파운데이션 모델 개발

주장기존의 수면 무호흡-저호흡 지수(AHI)는 수면 생리학의 복잡한 양상을 충분히 반영하지 못합니다. 해당 지표는 환자의 예후를 예측하는 데 제한적인 정보만을 제공합니다.

주장연구진은 파운데이션 모델을 활용해 기존 지표가 포착하지 못하는 잠재적 위험 구조를 파악해야 한다고 강조합니다. 인공지능 파운데이션 모델은 수면 다원 검사 데이터에 내재된 복잡한 신호를 분석하여 정밀 수면 의학으로 나아가는 확장 가능한 경로를 제시합니다.

팩트연구진은 1만 건 이상의 임상 수면 기록과 전자 의무 기록(EMR)을 결합하여 수면 생리학을 학습하는 파운데이션 모델을 구축했습니다. 이 모델은 수면 중 발생하는 생리학적 패턴을 고차원 임베딩으로 변환하여 환자를 5개의 위험 그룹으로 분류합니다.

팩트모델은 트랜스포머 기반의 아키텍처를 사용하며 뇌파(EEG), 안전도(EOG), 근전도(EMG), 심전도(ECG) 및 산소 포화도 등 다중 모달 시계열 데이터를 입력값으로 활용합니다. 연구진은 로버타(RoBERTa) 기반의 구조를 수면 데이터 특성에 맞게 조정하여 생리학적 특징을 학습시켰습니다.

팩트연구진은 수면 단계, 호흡 이벤트, 산소 탈포화 등 다양한 생리학적 과제를 동시에 학습시켜 모델이 범용적인 생리학적 표현을 생성하도록 설계했습니다. 이를 통해 모델은 단순한 호흡 신호를 넘어 수면 전반의 생리학적 지형을 포착합니다.

팩트가장 높은 위험군에 속한 환자는 가장 낮은 위험군보다 사망 위험이 2배 이상 높게 나타났습니다. 반면, 기존의 AHI 기반 중증도 분류는 이러한 임상적 예후를 예측하는 데 한계를 보였습니다.

주장이번 연구는 특정 질환에 국한되지 않고 심혈관, 신경계, 정신 질환 등 다양한 예후를 예측하는 데 활용될 수 있습니다. 수면 장애는 전 세계적으로 10억 명 이상이 겪는 공중 보건 문제이므로 단순한 지표 해석을 넘어선 정밀한 진단 체계가 필요합니다.

주장이번 연구는 수면 데이터가 단순한 진단 도구를 넘어 장기적인 건강 상태를 예측하는 핵심 지표가 될 수 있음을 시사합니다.

교차검증본 모델은 클리블랜드 클리닉의 스타릿(STARLIT) 레지스트리 데이터를 기반으로 학습되었으며, 독립적인 코호트인 수면 심장 건강 연구(SHHS) 데이터에서도 외부 검증을 완료했습니다. 데이터 해상도가 낮은 환경에서도 고위험군과 저위험군을 성공적으로 구분하여 일반화 가능성을 입증했습니다.

교차검증기존의 기계 학습 모델들은 수동으로 설계된 특징(hand-crafted features)에 의존하여 데이터 일반화에 어려움이 있었습니다. 이번 연구는 대규모 데이터를 사전 학습한 파운데이션 모델을 통해 이러한 한계를 극복하고 다양한 임상 환경에 적응할 수 있음을 보여줍니다.

교차검증해당 모델은 독립적인 외부 데이터셋을 통해 검증을 마쳤으나, 실제 임상 현장의 다양한 변수와 데이터 편향성에 따른 추가적인 임상 시험이 필요합니다.

출처네이처 커뮤니케이션즈(Nature Communications)에 게재된 "A foundation model for sleep-based risk stratification and clinical outcomes" 논문을 교차 검증했습니다. 본 연구는 수면 의학 분야에서 인공지능의 활용 범위를 확장하는 중요한 이정표가 될 것으로 평가됩니다.