최신 기술 기반 수면 각성 탐지: 포괄적인 임상 데이터셋을 기반으로 한 평가

수면 실험실에서 자동 각성 탐지 기술을 적용하기 위해, 우리 대학병원 수면실의 일상적인 임상 데이터를 활용하여 최적화된 최신 기술 접근법을 평가하였다. 이를 위해 다양한 수면 장애를 가진 환자 3,423명의 다중수면도(полисомн그램, polysomnogram) 데이터를 기반으로 머신러닝 알고리즘을 훈련 및 평가하였다. 모델 아키텍처는 50Hz 신호를 입력으로 받는 U-net 구조를 채택하였다. 이 알고리즘은 공개된 데이터셋을 기반으로 훈련된 모델들과 비교하여, 특히 다양한 수면 장애가 모델 성능에 미치는 영향을 우리 임상 데이터셋을 통해 평가하였다. 임상적 의미를 평가하기 위해 예측된 각성 지수의 오차를 기반으로 한 새로운 지표를 설계하였다. 결과적으로, 본 모델은 정밀도-재현율 곡선 아래 면적(AUPRC) 최대 0.83, F1 스코어 최대 0.81을 달성하였다. 특히, 우리 데이터셋으로 훈련된 모델은 연령 또는 성별에 대한 편향이 없었으며, 건강한 수면 상태와 비교했을 때 수면 장애가 모델 성능에 유의미한 부정적 영향을 미치지 않았다. 반면, 공개 데이터셋으로 훈련된 모델들은 수면 장애가 모델 성능에 소규모에서 중간 정도의 부정적 영향을 미쳤으며(코헨의 d를 활용하여 계산), 이는 통계적으로 유의미하였다. 따라서 본 연구는 본 연구에서 제안한 모델 아키텍처를 통해 임상 데이터 기반의 최신 기술 수준의 각성 탐지가 가능하다는 결론을 도출하였다. 이러한 결과는 모델을 임상 환경에 적용할 경우, 공개 데이터셋보다는 임상 데이터셋을 활용하여 훈련하는 것이 일반적으로 더 바람직하다는 권고를 뒷받침한다.