AIOSA: 심층 학습 기반의 방해성 수면 무호흡 사건 자동 식별을 위한 접근법

폐쇄성 수면 무호흡 증후군(Obstructive Sleep Apnea Syndrome, OSAS)은 가장 흔한 수면 관련 호흡장애이다. 이는 수면 중 상부 기도 저항이 증가함에 따라 공기 흐름의 부분적 또는 완전한 중단이 반복되는 상태로 인해 발생한다. 뇌졸중 환자에서 OSAS의 조기 진단 및 치료는 특히 중요하다. 왜냐하면 중증 OSAS의 존재는 높은 사망률, 더 심각한 신경학적 손상, 재활 후 더 나쁜 기능적 회복 상태, 그리고 통제되지 않은 고혈압 발생 가능성 증가와 관련되어 있기 때문이다. OSAS를 진단하기 위한 금융 기준 검사는 다채널 수면다원검사(Polysomnography, PSG)이다. 그러나 신경학적으로 손상된 환자들이 입원한 뇌졸중 병동과 같이 전기적 간섭이 심한 환경에서 PSG를 시행하는 것은 매우 어렵다. 또한 하루에 발생하는 뇌졸중 환자 수는 수면다원검사 장비와 전문 의료 인력의 수를 훨씬 초과하고 있다. 따라서 일반적으로 기록되는 생체 신호를 기반으로 간단하고 자동화된 시스템을 통해 급성 뇌졸중 환자 중 OSAS를 식별할 수 있는 방법이 매우 시급하다. 기존의 대부분의 연구는 이상적인 조건에서 기록된 데이터와 매우 엄격하게 선별된 환자들을 대상으로 수행되었으며, 현실적인 임상 환경에서는 거의 활용할 수 없는 한계가 있다. 본 논문에서는 원시 파형 데이터(예: 생리 신호)의 시간 해상도를 감소시키면서 핵심 특징을 추출할 수 있는 컨볼루셔널 딥러닝 아키텍처를 제안한다. 이러한 아키텍처 기반 모델을 활용하여, 선택되지 않은 환자들을 대상으로 뇌졸중 병동에서 기록된 모니터링 데이터에서 OSAS 사건을 탐지한다. 기존의 접근 방식과 달리, 본 연구에서는 1초 단위의 세밀한 주석(annotation)을 수행함으로써 의사들이 모델의 결과를 보다 정확히 해석할 수 있도록 하였다. 전문가들의 평가에 따르면, 결과는 만족스럽다고 판단되었다. 또한 널리 사용되는 기준 데이터셋을 기반으로 제안하는 방법이 현재 최고 수준의 기술보다 우수함을 입증하였다.