Beyond AHI: An Interpretable Causal-Discovery-Guided Framework for Sleep Recovery in Connected Health

기술 요약: AHI를 넘어: 연결된 헬스케어를 위한 수면 회복의 해석 가능한 인과 발견 가이드 프레임워크

문제 정의
현재의 임상적 수면 평가는 수면다원검사(PSG)에서 도출된 무호흡-저호흡 지수(AHI) 및 기타 요약 지수에 크게 의존하고 있다. 이러한 지표들은 특정 수면 장애를 진단하는 데는 유용하지만, 기능적 회복을 뒷받ing는 통합적인 생리적 부담을 포착하는 데는 한계가 있는 경우가 많다. 결과적으로, 객관적인 수면 생리학과 주간 졸음, 피로도, 인지된 수면 질과 같은 환자 보고 결과(PRO) 사이에는 지속적인 괴리가 존재한다. 또한, PSG 분석을 위한 기존의 머신러닝 접근 방식은 예측적 연관성(predictive association)에 최적화되어 있을 뿐 기계론적 해석 가능성(mechanistic interpretability)은 부족한 "블랙박스"로 작동하는 경우가 많아, 임상적 신뢰와 연결된 헬스케어 기술로의 전환을 제한한다. 과제는 연속적인 다중 모드 생체 신호를 단순한 이벤트 횟수가 아닌, 다중 영역 생리학을 반영하는 임상적으로 해석 가능한 회복 지표로 변환하는 데 있다.

방법론
저자들은 다중 모드 PSG 데이터로부터 계층적 **수면 회복 점수(Sleep Recovery Score, SRS)**를 도출하기 위한 인과 발견 가이드 프레임워크를 제안한다. 이 프레임워크는 두 개의 독립적인 인구 코호트인 MESA($n=1,540$)와 MrOS($n=825$)에 적용되는 구조화된 5단계 파이프라인을 통해 작동한다.

1. 특징 구축 및 결과 선택: 연구는 호흡 부담, 저산소 부담, 수면 파편화, 수면 구조, 자율 신경 조절의 다섯 가지 영역에 걸친 광범위한 생리적 특징 세트를 활용한다. 이는 회복 관련 PRO(예: 에프워스 졸음 척도, 피로도, 인지된 수면 질)와 연결된다.
2. 인과 그래프 추정: 저자들은 선형 NOTEARS 알고리즘을 사용하여 희소한 방향성 비순환 그래프(Directed Acyclic Graph, DAG)를 추정함으로써 각 PRO에 대한 후보 생리적 동인을 식별한다. 견고성을 보장하기 위해 부트스트랩 안정성 선택(500회 재표집)을 채택하며, 선택 빈도가 $\ge 0.6$인 엣지만 유지한다.
3. 2단계 후보 스크리닝: 관찰 데이터의 한계를 해결하고 생리학적 타당성을 확보하기 위해 엄격한 스크리닝 프로세스를 적용한다:
   • 1단계 (생리학 기반): 확립된 수면 메커즘과 일치하지 않는 엣지(예: 구조적 혼란 변수로 작용하는 연령이나 인종과 같은 인구통계학적 대리 지표)를 필터링하여 제거한다.
   • 2단계 (제약된 LLM 지원 감사): 남은 후보들은 제약된 대규모 언어 모델(LLM)을 사용하는 구조화된 분류 프로토콜을 거친다. 특징들은 타당한 기계론적 동인, 구조적 혼란 변수, 또는 구성 개념이 중첩되는 누출 변수(예: 구성상 대상 변수와 상관관계가 있는 주관적 척도)로 분류된다. 두 레이어 모두에서 타당한 동인으로 분류된 특징만이 다음 단계로 진행된다.
4. 합의 집계(Consensus Aggregation): 추출된 메커니즘은 적어도 두 개 이상의 서로 다른 회복 결과에서 나타나는 경우에만 유지되며, 이를 통해 결과 특이적 노이즈를 줄인다.
5. 계층적 점수 합성: 유지된 특징들은 다섯 가지 생리적 영역으로 그룹화된다. 영역 점수는 정규화된 특징들의 가중 합으로 계산되며, 여기서 가중치는 엣지의 크기와 안정성에 비례한다. 최종 SRS는 각 영역 점수의 계층적 집합이며, 각 코호트 내에서 표준화된다.

주요 기여

• 해석 가능한 다중 영역 모델링: 본 논문은 단일 호흡 지수(예: AHI)를 넘어, 다중 모드 PSG를 환자 보고 회복 결과와 투명한 도메인 구조 프레임워크를 통해 명시적으로 연결하는 계층적 SRS를 도입한다.
• 인과 발견 가이드 메커니즘 식별: 저자들은 생리학 기반 제약과 제약된 LLM 지원 감사를 적용한 DAG 기반 인과 발견을 통해, 반복적이고 생리학적으로 해석 가능한 회복 영역을 추출한다.
• 연결된 헬스케어를 위한 교차 코호트 증거: 프레임워크는 MESA와 MrOS라는 두 개의 서로 다른 코호트 전반에서 다섯 가지 생리적 영역으로 일관되게 수렴함을 보여주며, AHI보다 인지된 회복과 더 강력하게 일치함을 입 입증한다. 이는 웨어러블 ECG, 산소 포화도 측정과 같이 특정 영역의 하위 집합을 포착하는 분산형 웨어러블 센싱 시스템(예: 웨어러블 기기)으로의 모델링 전송을 지원한다.

결과

• 기계론적 수렴: MESA와 MrOS 모두에서, 프레임워크는 회복 저하와 관련된 다섯 가지 생리적 영역(호흡 부담, 저산소 부담, 수면 파편화, 수면 구조(EEG 역동성 포함), 자율 신경 조절)을 일관되게 식별하였다.
• 특징 정제: MESA에서 프로세스는 초기 53개의 특징을 32개의 합의된 메커니즘으로 정제하였다. MrOS에서는 174개의 특징이 28개로 감소하였다. 구조적 공변량(연령, 성별, 인종) 및 구성 개념 중첩 변수들이 성공적으로 제외되었다.
• 결과와의 연관성: SRS는 5개 중 4개의 회복 결과와 통계적으로 유의미한 연관성을 보인 반면, AHI는 단 하나에 대해서만 유의성을 보였다.
  • MESA에서 SRS는 에프워스 졸음 척도($\rho = 0.098$) 및 주간 졸음($\rho = 0.074$)과 유의미한 상관관계를 보였으나, AHI는 두 항목 모두에서 유의미하지 않았다.
  • MrOS에서 SRS는 인지된 수면 질($\rho = 0.107$) 및 수면 유지 어려움($\rho = 0.111$)과 유의미한 상관관계를 보였으나, AHI는 유의미하지 않았다.
• 성능 향상: SRS는 특정 사례(예: MrOS의 인지된 수면 질)에서 AHI에 비해 최대 2.5배 더 강력한 정렬을 보여주었다.

의의 및 주장
본 논문은 회복적인 수면이 단일 호흡 지수보다는 다중 영역 생리적 구성 요소로서 더 잘 특징지어진다고 주장한다. 제안된 프레임워크는 AHI와 같은 질병 특이적 지표를 대체하려는 것이 아니라, 보다 넓은 생리적 기질을 포착함으로써 이를 보완하고자 한다. 편향을 인식하고 도메인 구조를 갖춘 해석 가능한 프레임워크를 통해 다중 모드 수면 생리학을 환자 중심의 결과와 명시적으로 연결함으로써, 이 연구는 임상 수면 연구와 신흥 스마트/연결된 헬스케어 환경 모두에서 회복 모델링을 위한 실질적인 토대를 제공한다. 저자들은 SRS가 회복 동인(예: 저산소 부담과 자율 신경 조절 장애의 구별)을 분해할 수 있게 하여, 전통적인 AHI 기반 평가가 지원할 수 없는 표적화된 개입을 가능하게 한다고 강조한다.

참고 사항(한계점): 저자들은 본 분석이 횡단적 연구이며 시간적 인과관계를 확립하지는 않는다는 점을 겸허히 인정한다. 또한, 선형 NOTEARS 공식이 비선형 상호작용을 놓칠 수 있으며, LLM 지원 감사는 직접적인 도메인 전문가 검토보다는 제약된 프롬프트에 의존한다는 점을 언급한다. 주관적 결과와의 상관관계는 다요인적인 회복의 특성을 반영하여 완만하게 나타났다.