Estimation of biological age using HRV data: comparison of the Klemera-Dubal method with the multiple linear regression method

당신의 몸을 최첨단 자동차라고 상상해 보세요. 주행거리를 보고 자동차가 얼마나 달렸는지 확인할 수 있는데, 이것이 바로 당신의 연대기적 연령(chronological age), 즉 당신이 살아온 햇수입니다. 하지만 주행거리가 같은 두 대의 자동차라도 상태는 완전히 다를 수 있습니다. 한 대는 반짝이고 잘 조율된 기계일 수 있지만, 다른 한 대는 녹슬고 엔진이 덜컥거릴 수도 있죠. 과학자들은 이 두 번째 척도를 **생물학적 연령(biological age)**이라고 부릅니다. 이것은 당신의 몸이 실제로는 얼마나 '늙었는지', 그리고 당신의 연령대 평균과 비교했을 때 어떻게 기능하는지를 추측하는 방법입니다.

엔진을 분해하지 않고도 점검하기 위해, 의사들은 종종 **심박 변이도(Heart Rate Variability, HRV)**를 살펴봅니다. HRV는 단순히 심장이 얼마나 빨리 뛰는지를 세는 것이 아니라, 각 박동 사이의 미세하고 리드미컬한 간격을 측정합니다. 이것을 밴드의 드러머에 비유해 봅시다. 완벽한 로봇 드러머는 매번 정확히 똑같은 찰나의 순간에 스네어를 칩니다. 하지만 인간 드러머는 음악에 생동감과 반응성을 불어넣기 위해 미세하고 자연스러운 변화를 줍니다. 건강하고 젊은 심장은 숙련된 재즈 드러머와 같아서 스트레스, 휴식, 움직임에 맞춰 끊임없이 리듬을 조절합니다. 우리가 나이가 들거나 건강이 악화되면, 심장은 마치 음악을 따라가지 못하는 메트로놈처럼 더 경직될 수 있습니다. 연구자들은 이러한 미세한 리듬을 분석함으로써, 우리의 내부 엔진이 실제 생일과 상관없이 25세의 엔진처럼 돌아가는지 아니면 70세의 엔진처럼 돌아가는지를 알려주는 '건강 점수'를 구축하고자 합니다.

---

위대한 심장 박동 탐정 이야기

이 연구에서 피사루크(Pysaruk)라는 연구자는 까다로운 퍼즐을 풀려는 탐정 역할을 맡았습니다. 그 퍼즐은 바로 **'사람의 심장 리듬을 듣는 것만으로 그 사람의 생물학적 연령을 가장 잘 추측하는 수학적 방법은 무엇인가?'**였습니다.

탐정은 20세부터 90세까지의 자원봉사자 343명(여성 193명, 남성 150명)이라는 팀을 꾸렸습니다. 그는 사람들이 등을 대고 가만히 누워 있는 동안 그들의 심장 박동을 기록하며, 그들의 심장 교향곡에서 아홉 가지 서로 다른 '음표'를 포착했습니다. 그런 다음, 그는 어떤 '추측 기계'가 연령을 가장 정확하게 예측하는지 확인하기 위해 세 가지 서로 다른 수학적 모델을 테스트했습니다.

세 가지 추측 기계

1. 표준 계산기 (다중 선형 회귀 또는 MLR): 이것은 구식 방법입니다. 심장 데이터를 보고 직선을 그려서 나이를 추측합니다. 문제는? 이 기계는 약간 게으른 경향이 있습니다. 젊은 사람을 실제보다 더 늙게, 노인을 실제보다 더 젊게 추측하곤 하는데, 이는 마치 안전하게 가려고 모두에게 그냥 'C' 학점을 주는 선생님과 같습니다.
2. 교정된 계산기 (Dubina 보정이 적용된 MLR): 이것은 동일한 표준 계산기이지만, 수동으로 미세 조정된 것입니다. 연구자는 기계가 게으름을 피우지 못하도록 규칙을 추가하여 스스로의 실수를 바로잡게 했습니다. 하지만 이를 위해 기계는 추측을 하는 동안 그 사람의 실제 생일(연대기적 연령)을 훔쳐봐야 했습니다. 이것은 마치 학생이 시험을 치르면서 답안지를 훔쳐보며 틀린 답을 고치는 것과 같습니다. 점수는 맞게 나오겠지만, 그것은 정말로 지식을 테스트하는 공정한 시험이 아닙니다.
3. 스마트 AI (Klemera-Doubal 방법 또는 KDM): 이것은 아주 멋진 새로운 접근 방식입니다. 단순히 직선을 긋는 대신, 이 방식은 모든 심장 박동 음표의 신뢰도에 따라 가중치를 둡니다. 만약 어떤 음표가 흔들리고 신뢰할 수 없다면, AI는 그 음표에 적은 무게를 둡니다. 반면 어떤 음표가 매우 명확하다면, 그 소리에 귀를 기울입니다. 결정적으로, 이 방식은 추측을 할 때 사람의 실제 생일을 훔쳐보지 않고, 오로지 심장 데이터만을 통해 연령을 알아냅니다.

결과: 누가 경주에서 승리했는가?

연구는 **평균 절대 오차(Mean Absolute Error, MAE)**라는 점수를 사용하여 각 기계가 진실로부터 얼마나 멀어졌는지 측정했습니다. 이것을 '실수 거리'라고 생각하세요. 만약 기계가 당신을 45세라고 추측했는데 실제로는 40세라면, 실수 거리는 5년입니다. 이 숫자가 낮을수록 더 뛰어난 탐정입니다.

기계들의 성적은 다음과 같습니다:

• 표준 계산기 (MLR): 가장 형편없는 탐정이었습니다.

  • 여성의 경우, 평균 6.57년의 오차가 있었습니다.
  • 남성의 경우, 7.47년의 오차가 있었습니다.
  • 판결: 너무 많이 추측했고, 실수가 너무 많았습니다.

• 교정된 계산기 (MLR + Dubina): 훨씬 좋아졌지만, 부정행위를 했습니다.

  • 여성의 경우, 오차가 4.79년으로 줄었습니다.
  • 남성의 경우, 5.90년으로 줄었습니다.
  • 판결: 정확하긴 했지만, 오류를 수정하기 위해 정답을 미리 알고 의존했습니다.

• 스마트 AI (KDM): 명백한 승자였지만, 매우 중요한 단서가 있었습니다.

  • 여성의 경우, 오차가 4.34년에 불과했습니다.
  • 남성의 경우, 놀랍게도 3.67년으로 매우 근접했습니다.
  • 단서: 이 AI는 어떤 '음표'에 귀를 기울이느냐에 따라 매우 민감합니다. 연구자들이 기본적인 심박 간격(NN 간격이라고 불림)을 남성 모델에 포함시키려 했을 때, 전체 시스템이 무너졌습니다. 수학적으로 불가능한 결과가 나오거나, 단순히 사람의 실제 연령을 그대로 복사해버려 '생물학적' 추측으로서의 가치가 없어졌습니다. AI가 남성에게도 작동했던 이유는 연구자들이 그 신뢰할 수 없는 특정 음표를 주의 깊게 제외했기 때문입니다.
  • 판결: 레시피의 재료를 올바르게 선택하기만 한다면, 정답을 훔쳐보지 않고도 가장 정확한 답을 찾아냈습니다.

성별에 따른 차이

연구는 또한 남성과 여성의 '심장 음악'에 관한 흥미로운 사실을 발견했습니다. 여성의 심장 리듬은 훨씬 일관적이었고 노화와 관련하여 읽기가 더 쉬웠습니다. '탐정'은 노화에 따른 변화를 명확하게 들을 수 있었습니다.

남성의 경우, 심장 리듬이 다소 소란스러웠습니다. 연구는 남성의 심박수가 생활 방식, 흡연 또는 신체 활동과 같은 다른 요인들의 영향을 받을 수 있으며, 이로 인해 '연령 신호'를 듣기가 더 어려워진다고 시사합니다. 이 때문에 모든 방법론에서 남성의 실수 거리가 일반적으로 더 높았지만, KDM 방식은 (불확실한 NN 간격을 사용하지 않는다는 조건 하에) 노이즈가 많은 데이터 속에서도 여전히 가장 정밀한 결과를 보여주었습니다.

주의점과 미래

**Klemera-Doubal 방법(KDM)**이 주인공이긴 하지만, 연구자는 이것이 마법이 아니라고 경고합니다. 이 방법은 어떤 심장 음표에 귀를 기울일지 매우 신중하게 선택해야 합니다. 만약 잘못된 음표(예를 들어, 남성에게 너무 신뢰할 수 없었던 기본 심박 간격)를 선택하면, 전체 시스템이 망가지거나 터무니없는 결과를 낼 수 있습니다.

또한, 이 연구는 특정 시점의 스냅샷이었습니다. 연구자들은 모델을 구축하는 데 사용했던 동일한 집단을 대상으로 이 방법들을 테스트했습니다. 이것은 마치 요리사가 자신이 만든 국이 맛있는지 확인하기 위해 직접 맛을 보는 것과 같습니다. 자기 입에는 맛있을 수 있지만, 정말로 맛있는지 확인하려면 낯선 이들에게 대접해봐야 합니다. 연구는 KDM이 현재 가장 유망하고 과학적으로 타당한 방법이지만, 현실 세계에서도 통용되는지 확인하기 위해 새로운 집단에 대한 테스트가 필요하다고 제안합니다.

핵 밑줄: 만약 생일 증명서를 훔쳐보지 않고 심장 박동만으로 당신의 생물학적 연령을 알고 싶다면, 현재 가장 좋은 도구는 Klemera-Doubal 방법입니다. 이 방법은 가장 정확하고, 가장 정직하며, 인간 심장의 복잡한 현실에 혼란을 느낄 가능성이 가장 적습니다. 단, 당신이 듣기에 적절한 심장 음표를 골라낼 만큼 충분히 주의 깊다는 조건 하에 말입니다.