Protocol for the REVELIO test-track pilot study: a randomised, controlled, single-centre trial in healthy recreational cannabis users investigating real-time in-vehicle detection of cannabis-impaired driving

REVELIO 프로토콜은 통제된 THC 투여 후 차량, 운전자 및 생체 데이터를 상관관계 분석함으로써 건강한 레크리에이션 사용자에서 대마초로 인한 운전 장애를 탐지하는 다중 모드 차량 내 시스템의 실현 가능성을 평가하기 위해 폐쇄된 시험 트랙에서 설계된 무작위 대조 파일럿 연구를 개요로 제시합니다.

핵심

자동차의 "두뇌"가 운전자가 피곤하거나 산만해서가 아니라, 구체적으로 대마초를 최근 섭취했기 때문에 운전 중 "나쁜 날"을 보내고 있는지 판단하는 법을 가르친다고 상상해 보세요.

REVELIO 연구는 자동차의 두뇌가 이 기술을 습득하는 데 필요한 "교과서"를 구축하도록 설계된 신중하게 계획된 실험입니다. 연구가 어떻게 진행되는지 간단한 개념으로 나누어 설명하면 다음과 같습니다:

큰 문제: 대마초 운전의 "블랙박스"

알코올이 운전을 위험하게 만든다는 것은 알려져 있으며, 이를 포착하는 간단한 호기측정기가 있습니다. 하지만 대마초는 더 교묘합니다. 사람마다 다르게 영향을 미치며, 알코올과 달리 혈액이나 숨을 단순히 확인하는 것만으로는 현재 운전하기에 너무 심하게 기능이 저하되었는지 알려주는 "일률적인" 간단한 테스트가 없습니다.

현재 경찰은 사고 후나 단속 중에만 대마초의 존재를 확인하며, 그 순간 운전자가 실제로 얼마나 잘 운전하고 있는지는 확인하지 못합니다. REVELIO 팀은 실시간으로 자동차와 운전자를 관찰하여 기능 저하가 발생하는 순간을 포착하는 시스템을 만들어 이를 바꾸고자 합니다.

실험: AI 를 위한 "운전 학교"

이 연구를 첨단 운전 학교로 생각하세요. 다만 인간에게 운전하는 법을 가르치는 대신, 컴퓨터에게 "마약 복용" 운전자를 포착하는 법을 가르치는 것입니다.

1. 학생들 (참가자)
이미 레크리에이션 목적으로 대마초를 사용하는 (가끔 와인 한 잔을 즐기는 사람처럼) 건강한 성인 45 명을 모집합니다. 이들은 두 그룹으로 나뉩니다:

• "테스트" 그룹 (33 명): 이 참가자들은 운전 시작 직전 정확히 측정된 양의 대마초 (정확한 용량의 약물처럼) 를 흡연합니다.
• "대조" 그룹 (12 명): 이 참가자들은 정확히 같은 하루를 보내지만 무엇도 흡연하지 않습니다. 이들은 비교 대상이 되는 "기준선" 또는 "청정" 예시 역할을 합니다.

2. 교실 (시험 주행 코스)
모든 사람의 안전을 위해 실제 공공 도로에서는 운전하지 않습니다. 폐쇄된 사설 시험 주행 코스에서 진행됩니다.

• 자동차: 표준 7 인승 밴을 운전하지만, 운전석 옆에 인증된 운전 강사가 앉는 "코파일럿" 좌석이 있습니다. 운전자가 차선을 이탈하거나 공황 상태에 빠지면 강사가 즉시 브레이크를 밟을 수 있습니다.
• 일정: 모든 사람은 평소 운전 방식을 보기 위해 " sober( sober)" 상태로 먼저 운전을 시작합니다. 그런 다음 "테스트" 그룹이 대마초를 흡연합니다. 이후 모든 참가자는 다음 6 시간 동안 세 번 더 운전을 합니다. 이를 통해 연구자들은 대마초의 효과가 시간이 지남에 따라 어떻게 변하는지 시간별로 확인할 수 있습니다.

3. 센서들 ("눈"과 "귀")
가장 첨단 기술이 적용된 부분입니다. 자동차와 운전자는 거대한 데이터 수집망처럼 작동하는 센서로 덮여 있습니다:

• 자동차의 신경계 (CAN 데이터): 컴퓨터는 운전자가 스티어링 휠을 어떻게 잡는지, 가속페달이나 브레이크를 얼마나 세게 밟는지, 그리고 차선을 어떻게 유지하는지 정확히 기록합니다.
• 운전자의 얼굴 (카메라): 카메라는 운전자의 눈과 머리 움직임을 관찰하여 주변을 둘러보는지 아니면 멍하니 있는지를 확인합니다.
• 신체 (웨어러블 기기): 운전자는 심박수와 호흡을 추적하는 스마트워치를 착용합니다.
• 화학 실험실: 하루 종일 연구자들은 혈액, 침, 숨의 미세한 샘플을 채취하여 매 순간 체내에 존재하는 THC(대마초의 활성 성분) 의 양을 정확히 측정합니다.

목표: 컴퓨터에게 가르치기

연구자들은 단순히 데이터를 수집하는 것이 아니라, 이를 머신러닝(예를 통해 학습하는 컴퓨터 프로그램의 일종) 에 입력합니다.

아이에게 "빨간" 사과를 식별하는 법을 가르친다고 상상해 보세요. 당신은 그들에게 많은 빨간 사과와 많은 초록 사과를 보여줍니다. 결국 아이는 패턴을 학습합니다.

• 빨간 사과: 대마초를 흡연한 운전자의 데이터.
• 초록 사과: sober 상태 운전자의 데이터.

컴퓨터의 역할은 스티어링 휠 움직임, 눈 추적, 심박수를 살펴보고 "아, 이 패턴은 '빨간 사과'(기능 저하) 그룹처럼 보인다"거나 "이것은 '초록 사과'(sober) 그룹처럼 보인다"고 말하는 것입니다.

이것이 중요한 이유 (논문 내용에 따르면)

논문에 따르면 주요 목표는 이 "컴퓨터 교사"가 자동차와 운전자의 신체 데이터만을 사용하여 sober 운전자와 기능 저하 운전자의 차이를 실제로 학습할 수 있는지 확인하는 것입니다.

• 파일럿 프로젝트: 이는 "테스트 주행"입니다. 연구자들은 이것이 첫 단계임을 알고 있습니다. 이 방법이 작동하는지, 그리고 나중에 실제 시스템을 구축하기에 데이터가 충분한지 확인하고 있습니다.
• 안전 최우선: 폐쇄된 코스에서 안전 강사와 함께하기 때문에 실제 교통사고 위험 없이 이를 테스트할 수 있습니다.
• 미래 비전: 논문에서 언급된 궁극적인 희망은 결국 "운전 적합" 시스템을 구축하는 것입니다. 이는 대마초뿐만 아니라 알코올, 저혈당, 또는 대마초 등 어떤 기능 저하든 포착하여 운전자가 차량을 조작하기에 안전하지 않을 경우 자동차에 경고하는 시스템이 될 것입니다.

논문이 말하지 않는 것

논문의 실제 주장에 충실하는 것이 중요합니다:

• 이 연구는 아직 자동차 회사에 판매할 준비가 된 작동하는 제품을 가지고 있지 않습니다.
• 대마초 기능 저하 운전 감지가 현재 실제 도로 교통에서 가능하다고 말하지 않습니다.
• 참가자에게 법적 결과가 따르는 것은 아니며, 순수한 연구 실험입니다.
• 참가자들은 경찰 단속을 위해 테스트받는 것이 아닙니다. 그들은 문제를 더 잘 이해하는 데 필요한 데이터를 구축하는 데 도움을 주고 있습니다.

간단히 말해, REVELIO 연구는 위험한 산길의 상세한 지도를 만드는 것과 같습니다. 그들은 아직 그 길을 자동차로 주행하지 않고 있습니다. 자율주행 자동차의 컴퓨터가 결국 그 길을 스스로 안전하게 주행할 수 있는지 확인하기 위해 데이터를 수집하고 있는 것입니다.

기술 요약

제공된 프로토콜 논문을 바탕으로 REVELIO 시험 주행 파일럿 연구에 대한 상세한 기술적 요약은 다음과 같습니다.

1. 문제 제기

대마초 섭취 후 운전은 인지 및 심리운동 기능 저하와 사고 위험 증가와 연관되어 있는 글로벌 안전 위협으로 커지고 있습니다. 알코올의 경우 기능적 장애가 혈중 알코올 농도 (BAC) 와 비교적 잘 상관관계를 보이지만, 대마초는 다음과 같은 독특한 탐지 과제를 제시합니다:

• 약동학적 복잡성: 생물학적 THC 농도 (혈액, 호기, 구강액 내) 와 기능적 운전 장애 간의 관계는 일관성이 없으며 개인 간에 매우 다양합니다.
• 실시간 시스템 부재: 현재 탐지 방법은 생물학적 시료의 사후 노변 검사나 실험실 분석에 의존하며, 이는 물질의 존재를 평가할 뿐 실시간 기능적 장애를 평가하지는 못합니다.
• 기술적 격차: 졸음이나 알코올 장애를 탐지하는 차량 내 시스템은 존재하지만, 다중 모달 센서 데이터를 사용하여 대마초로 인한 운전 장애를 탐지하도록 특별히 설계된 확장 가능하고 실시간인 차량 내 시스템은 체계적으로 개발되거나 평가된 바가 없습니다.

2. 방법론

REVELIO 연구는 머신러닝 모델 훈련을 위한 표준화된 다중 모달 데이터를 생성하도록 설계된 무작위 대조 개방형 단일 센터 파일럿 시험입니다.

• 연구 설계 및 참가자:

  • 대상 집단: 유효한 운전 면허를 소지한 45 명의 건강한 레크리에이션 대마초 사용자 (월 1 회 이상 사용, CUDIT-R 점수 ≤7).
  • 배정: 참가자들은 3:1 비율로 중재군($n=33$) 또는 대조군($n=12$) 에 무작위 배정됩니다.
  • 환경: 스위스 투른에 위치한 보안이 강화된 폐쇄된 시험 주행 트랙에서, 인증된 운전 강사가 동승하는 듀얼 페달 2020 년식 폭스바겐 투란을 사용합니다.

• 중재:

  • 중재군: 표준화된 재즈 (15–18% THC 함량) 를 통해 단일 조절 흡입 용량의 대마초를 투여받습니다 (목표: 체중 kg 당 0.67 mg THC).
  • 대조군: 대마초 노출 없이 동일한 절차를 거칩니다.
  • 일정: 모든 참가자는 투여 전 sober( sober) 기저선 운전 세션을 완료한 후, 투여 후 1–2 시간, 3–4 시간, 5–6 시간에 각각 3 회의 표준화된 50 분 운전 세션을 추가로 완료합니다.

• 데이터 수집 (다중 모달):
  이 연구는 sober 상태와 장애 상태를 구별하기 위해 동기화된 데이터 스트림을 포착합니다:

  1. 차량 데이터: 컨트롤러 영역 네트워크 (CAN) 신호 (조향, 제동, 가속, 속도, 차선 위치).
  2. 운전자 모니터링: 운전자 모니터링 카메라 (DMC) 데이터 (시선, 머리 움직임, 깜빡임 빈도).
  3. 생리학적 신호: 웨어러블 센서 (심박수, HRV, 산소 포화도, 호흡).
  4. 생물학적 시료: THC 와 대사산물을 측정하기 위해 여러 시점에 모세혈관 혈액, 구강액, 호기 시료를 채취합니다.
  5. 기능적 평가: 교통의학적/심리학적 검사, 동공 측정법, 그리고 자가 보고된 졸음/중독 수준.

• 통계 및 분석 접근법:

  • 주요 목표: 운전 상태 (sober 대 대마초 장애) 를 분류하는 머신러닝 (ML) 모델을 개발하고 평가합니다.
  • 모델: 기본 LASSO 로지스틱 회귀를 유연한 분류기 (랜덤 포레스트, SVM, 그래디언트 부스팅, 베이지안 네트워크) 와 딥러닝 접근법 (CNN, RNN) 과 비교합니다.
  • 검증: 정보 유출을 방지하기 위한 엄격한 참가자 수준 데이터 분할; 하이퍼파라미터 조정을 위한 중첩 교차 검증.
  • 지표: 주요 결과는 AUROC(수신자 작동 특성 곡선 아래 면적) 이며, 정확도, 민감도, 특이도, 정밀도가 이를 지원합니다.

3. 주요 기여

• 표준화된 다중 모달 데이터셋: 통제된 조건 하에서 차량 내 센서 데이터, 운전자 행동, 생리학적 상태, 그리고 생물학적 THC 농도를 연결하는 고정밀 시간 동기화 데이터셋을 생성합니다.
• 대마초 탐지를 위한 방법론적 프레임워크: 실시간 차량 데이터를 사용하여 "단순 농도 (per se)" 기반 법률을 넘어 기능적 장애 탐지로 전환하기 위한 프로토콜을 확립합니다.
• "운전 적합성 (Fit-to-Drive)" 모델의 기반: 이 연구는 동일한 그룹의 이전 데이터셋 (알코올 및 저혈당 장애 연구) 과 통합되어 근본 원인과 무관하게 기능적 장애를 식별하는 원인 독립적 탐지 모델을 개발하기 위해 설계되었습니다.
• 안전 최우선 파일럿: 통제된 대마초 투여 연구를 운전 맥락에서 수행하기 위한 엄격한 안전 프레임워크 (폐쇄된 트랙, 듀얼 컨트롤 차량, 의학적 모니터링) 를 입증합니다.

4. 결과

• 참고: 이는 연구 프로토콜(프리린트로 출판됨) 이므로, 어떠한 경험적 결과나 성능 지표 (예: 특정 AUROC 값) 도 아직 보고되지 않았습니다.
• 본 논문은 계획된 분석과 표본 크기에 대한 근거 (초기 모델 구분을 위해 $n=25$가 충분하다는 이전 저혈당 및 알코올 연구에 기반) 를 제시합니다.
• 해당 연구는 현재 모집 및 데이터 수집 단계에 있으며 (예상 완료: 2026 년 6 월) 진행 중입니다.

5. 중요성

• 도로 안전 혁신: 성공할 경우, 이 연구는 사고 발생 전에 대마초 장애를 탐지하는 실시간 차량 내 경고 시스템 개발로 이어져 사후 경찰 검사보다 우월한 예방적 안전 조치를 제공할 수 있습니다.
• 정책적 함의: 장애와 상관관계가 없을 수 있는 경직된 THC 농도 임계값에서 기능적 운전 능력 평가로 전환하는 것을 뒷받침하는 증거를 제공합니다.
• 과학적 진보: 대마초 장애의 시간적 역동성 (초기, 중기, 후기 단계) 과 이러한 요소가 특정 운전 행동 및 생리학적 신호에 어떻게 나타나는지 이해하는 데 있어 중요한 격차를 해소합니다.
• 확장성: 이 방법론은 향후 대규모 실증 검증 연구를 위해 적응 가능하도록 설계되었으며, 상업용 및 개인 차량의 자동화된 운전 제한 또는 중재 시스템으로 이어질 수 있는 길을 열 수 있습니다.

윤리적 및 규제적 맥락:
본 연구는 베른 주 윤리 위원회 (BASEC ID: 2025-01590) 의 승인을 받았으며 ClinicalTrials.gov(NCT07401628) 에 등록되었습니다. 엄격한 배제 기준, 의학적 모니터링, 그리고 연구 기간 중 참가자에 대한 자동화된 법적 결과의 부재를 통해 참가자 안전을 보장하는 ICH-GCP 및 스위스 인간 연구법 규정을 준수합니다.