Making sleep behaviors interpretable: adapting the two-process model of sleep regulation to longitudinal Fitbit sleep and activity behaviors for health insights

이 논문은 All of Us 연구 프로그램의 대규모 Fitbit 데이터를 활용하여 수면 조절의 두 과정 모델 (circadian 및 homeostatic) 을 적용해 수면 행동을 해석 가능한 점수로 변환함으로써, 우울증 등 다양한 질환과 수면의 연관성을 규명하고 건강 개입에 활용할 수 있는 프레임워크를 제시합니다.

핵심

🌙 수면의 두 가지 엔진: 시계 (C) 와 배터리 (S)

우리의 몸은 잠을 잘 때 두 가지 주요 원리로 작동한다고 합니다. 이 논문은 이 두 원리를 Fitbit 데이터에 적용했습니다.

1. 시계 엔진 (Circadian Process, C): "내 몸의 생체 시계"

   • 비유: 우리 몸에는 태양이 뜨고 지는 리듬에 맞춰 작동하는 내부 시계가 있습니다. 아침에 햇빛을 보면 "일어나야지!"라고 신호를 보내고, 밤이 되면 "잠자야지!"라고 신호를 보냅니다.
   • Fitbit 데이터: 자고 일어난 시간, 햇빛이 뜨는 시간과의 차이, 주말과 평일의 수면 시간 차이 등을 통해 이 '시계'가 잘 맞는지 확인합니다.

2. 배터리 엔진 (Homeostatic Process, S): "수면 압력 (배터리 방전)"

   • 비유: 깨어 있는 동안 우리 뇌는 에너지를 소모하며 **'수면 압력 (피로)'**이라는 배터리를 방전시킵니다. 낮 동안 많이 움직이고 깨어 있을수록 배터리는 더 많이 방전되어, 밤에 잠이 더 깊고 단단하게 옵니다. 반대로 낮에 낮잠을 많이 자거나 활동이 적으면 배터리가 방전되지 않아 밤에 잠이 오지 않거나 얕아집니다.
   • Fitbit 데이터: 하루 동안 걸은 걸음 수, 활동 강도, 그리고 낮잠 여부 등을 통해 이 '배터리'가 제대로 방전되었는지 확인합니다.

---

🔍 연구가 한 일: "데이터를 해독하는 번역기" 만들기

연구진은 3 만 명 이상의 사람들이 1500 만 일 동안 기록한 방대한 Fitbit 데이터를 분석했습니다. 하지만 단순히 "어제 7 시간 잤다"는 정보만으로는 부족합니다.

그래서 연구진은 **통계적 방법 (요인 분석)**을 이용해 각 데이터에 가중치를 두어 두 가지 점수를 만들었습니다.

• Cb 점수 (시계 점수): 수면 시간이 불규칙하거나 햇빛 리듬과 맞지 않을수록 점수가 높아집니다 (점수가 높을수록 나쁨).
• Sb 점수 (배터리 점수): 낮에 활동이 적거나 낮잠을 많이 자서 '수면 압력'이 부족할수록 점수가 높아집니다 (점수가 높을수록 나쁨).

이 점수들은 하루하루의 변화를 추적할 수 있게 해줍니다. 예를 들어, "화요일에 점수가 높았던 이유는 밤늦게까지 일해서 시계가 망가졌기 때문이야"라고 해석할 수 있는 것입니다.

---

🩺 실제 적용: 우울증과의 관계

이 번역기가 얼마나 유용한지 확인하기 위해 우울증 환자들을 분석했습니다.

1. 진단 (질병 유무):

   • '배터리 엔진 (Sb)'이 고장 난 사람이 우울증 진단을 받을 확률이 훨씬 높았습니다. 즉, 낮에 활동이 부족하고 피로가 쌓이지 않아 밤에 잠을 못 자는 패턴이 우울증과 깊은 연관이 있었습니다.
   • '시계 엔진 (Cb)'도 영향을 미쳤지만, '배터리'의 영향이 더 컸습니다.

2. 심각도 (증상의 정도):

   • 흥미롭게도, **두 엔진 모두 (시계와 배터리)**가 우울증의 증상 심한 정도에는 똑같이 큰 영향을 미쳤습니다.
   • 즉, 수면 리듬이 깨지거나 낮에 활동이 부족하면 우울증이 더 심해질 수 있다는 뜻입니다.

---

💡 이 연구가 우리에게 주는 교훈

이 연구는 단순히 "잠을 더 자라"라고 말하는 것이 아니라, 어떤 수면 습관이 문제인지 구체적으로 알려줍니다.

• 예를 들어: 만약 당신의 '배터리 점수 (Sb)'가 높다면 (즉, 낮에 활동이 부족하고 낮잠을 많이 잤다면), 의사나 코치는 "낮잠을 줄이고 낮에 더 많이 움직여라"라고 조언할 수 있습니다.
• 반대로: '시계 점수 (Cb)'가 높다면 (수면 시간이 불규칙하다면), "매일 같은 시간에 자고 일어나라"는 조언이 더 효과적입니다.

결론적으로, 이 논문은 우리가 가진 거대한 수면 데이터를 **생물학적 원리 (시계와 배터리)**에 맞춰 해석함으로써, 개인에게 맞는 맞춤형 수면 처방을 가능하게 하는 길을 열었습니다. 이제 스마트워치는 단순한 기록 장치가 아니라, 우리 건강을 지키는 생물학적 나침반이 될 수 있습니다.

기술 요약

이 논문은 웨어러블 기기 (Fitbit) 로부터 수집된 대규모 수면 데이터를 생물학적 틀 (이중 과정 모델) 에 맞춰 해석 가능한 지표로 변환하는 프레임워크를 제안하고 검증한 연구입니다. 주요 내용은 다음과 같습니다.

1. 연구 배경 및 문제 제기 (Problem)

• 배경: 웨어러블 기기를 통해 수백만 건의 장기 수면 데이터가 축적되면서, 이를 질병의 수정 가능한 위험 인자로 이해할 수 있는 기회가 생겼습니다.
• 문제: 그러나 방대한 양의 일일 행동 데이터를 생물학적 관련성 (biological relevance) 과 수정 가능성 (modifiability) 을 유지하면서 해석하고 우선순위를 정하는 것은 매우 어렵습니다. 기존의 수면 데이터는 단순히 '수면 시간'이나 '수면 효율'과 같은 단순 지표에 그쳐, 어떤 생리적 과정 (일주기 리듬 vs. 항상성) 이 손상되었는지 파악하기 어렵습니다.
• 목표: 신경생물학적으로 잘 정립된 **수면 조절의 이중 과정 모델 (Two-Process Model of Sleep Regulation)**을 활용하여 Fitbit 데이터를 해석 가능한 지표로 변환하고, 이를 통해 건강 통찰력을 도출하는 프레임워크를 구축하는 것입니다.

2. 방법론 (Methodology)

• 데이터 소스: 'All of Us' 연구 프로그램의 32,292 명 참가자 (총 15,754,893 일) 의 전자 건강 기록 (EHR) 과 수동 수집된 Fitbit 데이터를 활용했습니다.
• 이중 과정 모델 매핑:
  • 일주기 과정 (Process C, Circadian): 생체 시계와 관련된 행동 (취침/기상 시간, 일출/일몰과의 정렬도, 사회적 시차, 수면 시간의 일관성 등) 을 추출하여 Cb 점수로 변환.
  • 항상성 과정 (Process S, Homeostatic): 각성 중 축적된 수면 압력과 관련된 행동 (전일 각성 시간, 일일 걸음 수 및 강도, 수면 단계 패턴 (깊은 수면 등)) 을 추출하여 Sb 점수로 변환.
• 점수 산출 (Factor Scoring):
  • 각 행동 변수들을 표준화 (Z-score) 하고, 5,000 번의 반복적 탐색적 요인 분석 (Exploratory Factor Analysis) 을 수행하여 각 행동이 C 또는 S 과정에 기여하는 가중치 (factor loading) 를 도출했습니다.
  • 이를 통해 하루 단위의 가중치 Cb 점수와 Sb 점수를 생성했습니다. (점수가 높을수록 해당 과정의 조절이 더 나쁨을 의미).
• 검증: 생성된 점수가 실제 세계의 현상 (나이, 계절, 교대 근무, 낮잠 등) 과 일치하는지 확인하고, 우울증 진단 및 중증도와의 연관성을 회귀 분석을 통해 평가했습니다.

3. 주요 기여 (Key Contributions)

• 해석 가능한 지표 개발: 웨어러블 데이터의 원시 행동을 신경생물학적 과정 (일주기/항상성) 에 기반한 Cb 및 Sb 점수로 변환하여, 임상적으로 실행 가능한 통찰을 제공할 수 있게 했습니다.
• 대규모 종단 분석 프레임워크: 수천 명의 참가자에 대한 장기 데이터를 일일 단위로 분석하여, 수면 조절 메커니즘의 개인별 차이를 대규모로 연구할 수 있는 방법을 제시했습니다.
• 행동 개입 가이드: 특정 과정 (예: Sb) 의 손상을 식별함으로써, 낮잠 감소나 활동량 증가와 같은 구체적인 행동 수정을 통해 수면 건강을 개선할 수 있는 방향을 제시합니다.

4. 주요 결과 (Results)

• 점수의 타당성 검증:
  • Cb 점수: 나이가 들수록 감소 (더 안정적인 수면 패턴), 교대 근무자에서 높음 (수면 패턴 불규칙), 겨울철에 높음 (일몰/취침 시간 불일치) 등 이론적 기대와 일치하는 패턴을 보였습니다.
  • Sb 점수: 고령에서 급격히 증가 (수면 질 저하), 낮잠을 자는 날에는 점수가 높아짐 (수면 압력 감소), 오후 늦은 시간의 낮잠일수록 더 높음 등 예상과 부합했습니다.
• 우울증과의 연관성:
  • 진단 (Diagnosis): Sb 점수가 우울증 진단 가능성과 가장 강력하게 연관되었습니다 (OR = 1.5). 이는 우울증의 핵심인 '활동 감소'와 '세로토닌계 교란'으로 인한 수면 압력 (Process S) 부족 가설을 지지합니다.
  • 중증도 (Severity): 우울증의 심각도 (PHQ-9 점수) 에 대해서는 Cb 점수와 Sb 점수가 모두 유사한 영향력을 미쳤습니다 (β ≈ 0.2). 이는 수면 조절의 두 과정 모두 우울증의 중증도에 중요한 역할을 함을 시사합니다.

5. 의의 및 결론 (Significance)

• 임상적 활용성: 이 프레임워크는 단순히 "잠을 잘 자지 못했다"는 것을 넘어, "일주기 리듬이 깨졌다"거나 "수면 압력이 부족하다"는 식으로 원인을 규명하여 맞춤형 치료 (예: 빛 치료, 수면 제한 요법, 활동량 증가 등) 를 제안할 수 있게 합니다.
• 연구 확장: 수면의 생물학적 기반을 대규모 인구 집단에서 연구할 수 있는 길을 열었으며, 향후 약물 치료 전후의 수면 행동 변화 추적이나 다양한 질환과의 연관성 연구에 활용될 수 있습니다.
• 한계 및 향후 과제: Fitbit 의 수면 단계 (수면 스테이징) 측정 정확도 한계 (깊은 수면 과소평가 등) 가 존재하지만, 이를 보완하기 위해 여러 지표를 조합하여 최적의 패턴을 찾았습니다. 향후 웨어러블 기술이 발전하면 더 정교한 분석이 가능할 것입니다.

요약하자면, 이 연구는 웨어러블 데이터를 단순한 행동 기록이 아닌, 신경생물학적 메커니즘 (일주기/항상성) 을 반영하는 해석 가능한 지표로 변환함으로써, 수면과 건강의 관계를 더 깊이 이해하고 개인화된 건강 개입을 가능하게 하는 중요한 도구를 제시했습니다.