서론: 폐쇄성 수면무호흡증(obstructive sleep apnea, OSA) 진단은 전통적으로 수면다원검사(polysomnography, PSG)에 의존해 왔으나, PSG는 비용이 높고 불편하며 수면검사실 필요 및 긴 대기시간으로 인해 접근성이 제한적이다. 스마트워치, 링, 흉부 착용 센서와 같은 인공지능(AI) 기반 무선 웨어러블 기기들이 이러한 제한을 해결하기 위한 유망한 대안으로 부상하고 있다. 그러나 대부분의 웨어러블 기기에는 정확한 OSA 사건(event) 탐지의 핵심 지표인 호흡 신호, 체위, 움직임에 대한 직접 측정이 결여되어 있다. 본 연구는 무선 복부 착용 센서(Soomirang 기기)가 수집한 데이터를 이용하여 중등도~중증 OSA를 탐지하기 위한 자동화된 딥러닝 기반 알고리즘을 제시한다. 해당 기기는 호흡 노력과 유사한 데이터 측정을 위한 용량성(captitive) 센서와 3축 가속도계를 통합한다. 방법: OSA가 의심되는 200명의 참가자가 하룻밤 동안 검사실 내 PSG를 시행받았고, 복부 착용 센서에서 동시에 데이터를 수집하였다(샘플링 레이트: 5 Hz). 수면 전문 임상의가 PSG 데이터를 수기 채점하였으며, OSA 중증도는 무호흡-저호흡 지수(apnea-hypopnea index, AHI)에 따라 분류하였다. 중등도~중증 OSA는 AHI ≥ 15로 정의하였다. 호흡 노력과 유사한 신호와 3축 가속도계 데이터를 PSG 데이터와 동기화한 뒤 전처리하고 무호흡 또는 정상으로 라벨링하였다. MLP-Mixer 모델은 트랜스포머 및 장단기메모리(long short-term memory, LSTM) 모델 대비 우수한 성능을 보였기 때문에 자동 무호흡/정상 분류에 사용되었다. 분류된 무호흡/정상 결과는 호흡 사건 지수(respiratory event index, REI)를 계산하는 데 사용되었고, REI ≥ 15는 중등도~중증 OSA를 나타낸다. 저품질 데이터로 인해 7개 기록이 제외되었으며, 그 결과 훈련 및 검증에 100명, 테스트에 93명이 사용되었다. 모델 성능은 민감도, 특이도, 정확도 및 F1-score로 평가하였다. AHI와 REI 간의 일치는 Pearson 상관분석과 Bland-Altman 분석으로 평가하였다. 결과: 본 모델은 중등도~중증 OSA 탐지에서 89%의 정확도, 92.5%의 민감도, 81.8%의 특이도, 91.9%의 F1-score를 달성하였다. AHI와 REI 간의 상관계수는 0.92였다. Bland-Altman 분석에서는 AHI와 REI의 평균 차이가 3으로 나타났으며, 동의 한계(limit of agreement)는 평균 34였다. 결론: 복부 착용 기기 데이터를 활용한 딥러닝 기반 알고리즘은 중등도~중증 OSA 탐지에서 강한 성능을 보였다. 이러한 결과는 이 단순한 AI 기반 무선 웨어러블 기기가 OSA 선별(sクリーニング)을 위한 접근 가능하고 효과적인 도구가 될 잠재력을 지님을 시사한다. 지원(해당 시): SB Solutions Inc.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.