이전 연구들은 대기오염, 특히 PM 2.5와 다양한 질환 및 사망률 증가 간에 유의미한 상관관계가 일관되게 존재함을 보여주었다. 본 연구는 GPS 추적 데이터와 시간-활동 일지(time–activity diary)를 사용하여 개인의 이동 경로와 활동 공간을 반영함으로써, 시간대별 실내 PM 2.5 노출을 예측하기 위한 새로운 접근법을 제시한다. 모델은 하루 중 각 시간(예: 0:00–0:59, 1:00–1:59)마다 별도로 학습하였으며, 총 24개의 모델을 구축하였다. 실제 참여자로부터 수집한 데이터를 통해 이들의 적용 가능성을 입증하였다. 또한 예측 성능을 최적화하기 위해 자동화된 기계학습(AutoML)을 활용하였다. 결과는 제안된 모델이 실외 PM 2.5 농도와 기상 요인의 영향을 효과적으로 반영함을 보여주었다. 성능은 서로 다른 실내 환경에 따라 달라졌으며, 지하철역 모델이 가장 높은 예측 정확도를 보였다. 향후 연구에서는 이러한 불확실성을 다루고 더 고도화된 모델링 기법을 채택하며, 포괄적인 이해를 위해 다양한 실내 변수를 고려해야 한다. 본 연구의 통찰은 미세입자상 물질 노출과 관련된 건강 위험 평가를 크게 향상시킬 수 있다.

배경 미세먼지(PM2.5)는 소아 천식 악화의 주요 유발 요인이지만, 개인별 감수성은 상당한 차이를 보인다. 기존의 중재는 이러한 이질성을 고려하지 않고 대체로 획일적인 접근을 채택하는 경우가 많다. 목적 본 연구는 개인별 PM2.5 모니터링, 딥러닝(DL) 기반 예측, 그리고 맞춤형 행동 권고를 통합하는 모바일 헬스(mHealth) 중재의 파일럿 연구로서의 실행 가능성과 효과를 평가하고자 하였다. 방법 본 3년 간의 파일럿 연구에는 한국의 9개 상급(3차) 병원에서 소아 천식 환자 272명이 등록되었다. 천식 증상 보고와 스마트폰 및 휴대용 기기를 통해 수집한 개인적 PM 모니터링 데이터를 이용하여, PM에 민감한 환자를 식별하고 악화를 예측하기 위한 1D CNN–LSTM 모델을 개발하였다. 모델 구축 후 109명의 참여자가 중재 단계에 들어갔으며, 초기 선별과 모델 기반 분류를 통해 세 그룹(모델 기반 중재, 예측 기반 중재, 중재 없음)으로 배정되었다. 모델 기반 그룹은 DL 예측에 기반한 행동 권고와 함께 개별화된 경고를 제공받았고, 예측 기반 그룹은 지역 대기질 예측에 기반하여 동일한 권고를 제공받았다. 주요 결과는 천식 악화율의 변화였으며(중재 효과 비율, IER로 측정), IER는 Intervention Effectiveness Ratio로 정의하였다. 결과 모델 기반 그룹은 악화율에서 유의한 감소를 보였다(중앙값 IER 감소: 6.6%; 평균 IER 감소: 11.5%; P < 0.05). 반면 다른 그룹에서는 유의한 변화가 관찰되지 않았다. 오즈비 분석 결과, 모델 기반 그룹은 중재 없음 그룹 및 예측 기반 그룹과 비교하여 PM2.5 관련 악화의 오즈가 각각 5.92배 및 4.22배 더 낮았다. 계층화 분석과 보정 분석에서는, 천식의 기저 중증도 및 조절 상태의 차이가 있음에도 불구하고 모델 기반 경고의 이점이 견고하게 유지됨을 확인하였다. 결론 본 파일럿 연구는 소아 천식에서 개인별 PM 모니터링, DL 기반 예측, 맞춤형 행동 권고를 통합하는 mHealth 중재의 실행 가능성과 잠재적 효과를 보여주었다. 이 접근은 PM 관련 악화를 감소시킬 가능성을 시사하며, 더 큰 규모의 장기 연구에서의 검증이 필요하다. 임상시험 Clinical Research Information Service KCT0010530; https://cris.nih.go.kr/cris/search/detailSearch.do?seq=30032&search_page=L