[NEW TECH]머신러닝 적용해 노인 낙상 위험 평가
[NEW TECH]머신러닝 적용해 노인 낙상 위험 평가
  • 최창현 기자
  • 승인 2019.10.01 06:45
  • 댓글 0
이 기사를 공유합니다

솔루션은 환자의 다리에 배치된 무선 관성 센서의 데이터를 사용하며, MATLAB에서 개발된 신호 처리 알고리즘 및 머신러닝 기반 분류기는 센서에서 수집한 데이터와 일반적인 낙상 위험 요인에 대한에 대한 환자의 반응(설문지)을 바탕으로 낙상 위험 추정치(FRE) 및 약점 지수(FI)를 계산
센서와 머신러닝을 통한 노인의 낙상 위험 평가
센서와 머신러닝을 통한 노인의 낙상 위험 평가

매년 65 세 이상의 성인 3 명 중 거의 1 명이 낙상으로 이 연령 그룹에서 치명적 및 비치명적 부상의 주요 원인으로 미국노인학회(American Geriatrics Society)에 따르면 미국에서만 노인의 낙상으로 인한 부상의 연간 의료비는 500 억 달러(약 60조원) 라고 한다.

환자의 낙상 위험을 평가하고 위험이 확인되면 적절한 조치를 취하는 것이 낙상 관련 부상을 줄이는 데 필수적이다. 그러나 전통적으로 낙상 위험 평가에 사용된 많은 방법은 주관적 평가에 의존하거나 전문적인 임상 전문 지식이 필요한 사항이다.

최근 키네시스 헬스(Kinesis Health Technologies)의 엔지니어링 팀은 기존 방법보다 15 % ~ 27 % 더 정확한 낙상 위험, 허약성 및 이동성 장애에 대한 객관적이고 정량적인 선별 방법을 개발했다.

개발된 QTUG(Quantitative Timed Up and Go) 시스템은 환자의 다리에 배치된 무선 관성 센서의 데이터를 사용하며, 매스웍스의 MATLAB에서 개발된 신호 처리 알고리즘 및 머신러닝 기반 분류기는 센서에서 수집한 데이터와 일반적인 낙상 위험 요인에 대한에 대한 환자의 반응(설문지)을 바탕으로 낙상 위험 추정치(FRE) 및 약점 지수(FI)를 계산한다.

그림 1. 임상 소프트웨어 (왼쪽)와 센서 (오른쪽)가있는 Kinesis QTUG 시스템.
임상 소프트웨어 (왼쪽)와 센서(오른쪽)가 있는 Kinesis QTUG 시스템(사진:키네시스)

또한 MATLAB과 QTUG 소프트웨어를 개발하는 것은 2 ~ 3 배 더 빠른 자바로 완전히 개발해 불가능했을 것보다 QTUG을 제공할 수 있다. 이를 통해 QTUG를 시장에 출시하는 데 필요한 시간을 단축하고 FDA, Health Canada 및 EU의 클래스 I 의료기기로 등록할 수 있었다고 한다.

전통적으로 낙상 위험과 이동성을 평가하는 가장 일반적인 두 가지 방법은 TIG(Timed Up and Go) 테스트와 BBS(Berb Balance Scale)이다. TUG 테스트에서 임상의는 스톱워치를 사용하여 환자가 의자에 앉은 자세에서 일어서서 3 미터를 걸어서 다시 의자로 돌아와 앉는 데 걸리는 시간을 측정한다. 그러나 환자가 일련의 균형 관련 작업을 완료하도록 요구하는 BBS 테스트가 더 복잡하다.

임상의는 환자가 각 하위 작업을 완료할 수 있는 능력을 0에서 4까지의 등급으로 평가한다. 또한 BBS 검사는 임상의가 환자가 각 작업을 얼마나 잘 수행하는지에 대한 주관적인 판단을 내릴 것을 요구하고 있다.

QTUG는 이러한 방법에 대한보다 상세하고 객관적이고 정확한 대안을 제공한다. QTUG 테스트에서 환자에게는 무릎 아래 각 다리에 하나씩 두 개의 무선 관성 센서가 장착되어 있다. 각 센서에는 가속도계와 자이로스코프가 포함되어 있다. 환자가 의자에 앉은 자세에서 일어서서 3 미터를 걸어서 다시 의자로 돌아와 앉는 동안 센서 데이터는 블루투스를 통해 QTUG 소프트웨어로 전송된다.

그림 2. TUG 테스트 이동을 수행하는 관성 센서가 장착 된 환자.
 TUG 테스트 이동을 수행하는 관성 센서가 장착된 환자.

각 다리에 착용된 센서 장치에는 3 축 가속도계와 3 축 자이로스코프가 있다. 각 가속도계는 x, y 및 z 축을 따라 이동하는 것을 반영하는 세 가지 신호를 생성한다. 각 자이로스코프는 또한 3 차원에서 회전 운동을 반영하는 3 개의 신호를 생성하며, 12 개 신호 모두에 대한 센서 데이터는 102.4Hz의 속도로 샘플링 된다.

이 데이터에서 고주파 노이즈를 제거하기 위해 Signal Processing Toolbox의 필터 디자이너를 사용해 디자인한 디지털 필터를 사용한다. 초기 개발 과정에서 체비쇼프(Chebyshev) 및 버터워스(Butterworth) 필터를 평가해 코너 주파수가 20Hz 인 0 상 2 차 버터워스 필터가 가장 효과적이라는 것이라고 한다.

필터를 설계하는 동안 센서 교정을 위한 MATLAB 알고리즘도 개발했다. 이러한 현장 교정 알고리즘은 센서 신호에서 바이어스를 제거하고 센서에서 일관된 신호 데이터를 얻는 데 필수적이다. 교정 알고리즘은 센서에서 생성된 원시 32 비트 신호 값을 m/s2 (초당 제곱미터) 와 같은 의미있는 단위로 변환하는 역할도 한다.

특징 및 훈련 분류기 추출은 MATLAB에서 필터링 된 신호 데이터를 탐색하여 약점 및 낙상 위험과 관련된 특징 및 속성을 식별했다. 예를 들어, 시간이 지남에 따라 각속도를 표시하고 걷는 동안 환자의 중간 스윙, 발뒤꿈치 스트라이크 및 발가락 끝 지점에 해당하는 피크를 감지했다. 이러한 특징 점을 통해 TUG 테스트를 수행하는 동안 보행과 회전을 구별할 수 있다(아래 그림 참조).

TUG 테스트 중 피크 각속도를 보여주는 플롯.
TUG 테스트 중 피크 각속도를 보여주는 플롯.

아울러 감독된 분류기를 훈련시키기 위해 환자의 예상 또는 과거 추락 데이터와 함께 사용할 수 있는 70 개 이상의 정량적 TUG 매개 변수를 식별했다. 이러한 기능에는 평균 보폭과 길이, 서서 앉는 데 걸리는 시간, 회전하는 데 필요한 걸음 수, 보행 중 1 피트 및 2 피트에 소요 된 시간이 포함된다(아래 그림 참조).

일반적인 TUG 테스트 중에 캡처 된 데이터에서 추출 된 정량적 지표를 보여주는 차트(출처:
일반적인 TUG 테스트 중에 캡처 된 데이터에서 추출 된 정량적 지표를 보여주는 차트(출처:키네시스)

결론적으로 통계 및 머신러닝 도구(Toolbox ™)에서 교차 검증 및 순차적 특징 선택 함수를 이용해 예측값이 가장 높은 특징의 부분집합을 선택하고, MATLAB에서 구현한 정규화된 판별분류기 모델을 검증했다.

또 환자 설문지의 데이터에 대해 별도의 로지스틱 회귀 분류기를 훈련했는데, 여기에는 성별, 신장, 체중, 나이, 시력 장애, 다약제(처방약 복용 횟수)와 같은 임상 위험 요소가 포함되며 센서 기반 모델과 설문지기반 모델의 결과를 가중평균으로 하여 전반적인 낙상위험도 추정치를 얻었으며(아래 그림 참조), 환자의 허약도를 통계적으로 추정하기 위해 비슷한 방법을 사용했다.

남성의 낙상 위험 평가 모델에서 얻은 섭동 분석 결과 도표. 섭동 분석은 분류기의 성능을 평가하고 피처 값이 조작 될 때 출력 (떨림 위험 추정치)이 어떻게 변경되는지 결정하는 데 사용
 남성의 추락 위험 평가 모델에서 얻은 섭동(perturbation) 분석 결과의 그림으로. 관성 분석은 분류자의 성능을 평가하고 형상 값이 조작될 때 출력(하강 위험 추정치)이 어떻게 변경되는지 결정하는 데 사용됩니다.(사진:매스웍스)

결과 확인 및 프로덕션 하드웨어에 배포는 수천 명의 환자에 대해 수집된 임상 시험 데이터에 대한 모델을 교육하고 결합된 분류기에 의해 생성 된 결과를 평가했다. 이 분석의 일부로, 두 측정값이 밀접하게 관련되어 있다는 가정을 확인하는 허약 및 추락 위험의 히스토그램 및 산점도를 생성했다(아래 그림 참조).

허약과 낙상 위험 사이의 연관성을 보여주는 히스토그램과 산점도.
허약과 낙상 위험 사이의 연관성을 보여주는 히스토그램과 산점도.

특히 QTUG의 정확성을 특정 환자 그룹에 대한 기존 TUG 테스트 및 버그 밸런스 스케일(Berg Balance Scale)과 비교했다. 예를 들어, 파킨슨 병 환자에 초점을 맞춘 최근 연구에 따르면 QTUG는 TUG 테스트보다 거의 30 % 더 정확하다. 각 방법에 대해 민감도(정확한 비율의 비율)와 특이성(비 점유율의 비율)을 조사했다. 그런 다음 곡선 아래에서 가장 큰 면적을 가진 QTUG를 명확하게 보여주는 모든 방법에 대해 ROC 곡선을 플로팅했다.

터치 스크린 안드로이드 장치에서 QTUG 분류기를 구현하기 위해 자바(Java)로 코딩했으며, 새로운 참조 데이터 세트를 기반으로 분류자 ​​계수를 업데이트 하려면 MATLAB에서 안드로이드 리소스 파일로 내보내고 안드로이드 빌드에 통합한다. 완전한 QTUG 안드로이드 앱은 임상의에게 테스트를 안내하고, 블루투스를 통해 전송된 센서 데이터를 수신하고, 분류기 모델로 데이터를 처리하며, 환자의 결과와 결과를 비교하는 방법을 보여주는 참조와 함께 낙상 위험 및 연약 점수를 표시한다.

현재까지 8 개국의 임상의는 QTUG를 사용하여 20,000 명 이상의 환자를 평가했다. 또한 새로운 결과가 나오면 기준 데이터 세트를 계속 개선하고 있다. 개인이 휴대 전화를 사용하여 추락 위험을 스스로 평가할 수 있는 MATLAB 알고리즘도 개발 중이며, 새로운 알고리즘은 휴대폰 가속도계 및 자이로스코프의 데이터를 처리하기 때문에 병원 방문이 필요하지 않으며 추락 위험 증가를 나타내기 위해 매일 추적할 수 있는 간단한 추락 위험 추정치를 생성한다.(자료인용: 매스웍스, 키네시스 헬스) 


댓글삭제
삭제한 댓글은 다시 복구할 수 없습니다.
그래도 삭제하시겠습니까?
댓글 0
댓글쓰기
계정을 선택하시면 로그인·계정인증을 통해
댓글을 남기실 수 있습니다.