📄 health informatics

A foundation model of wearable pulse oximetry reveals physiological signatures of health and cardiometabolic risk

이 논문은 수백만 개의 웨어러블 맥박 산소 측정 세그먼트로 학습된 자기지도 학습 기반 파운데이션 모델인 PulseOx-FM을 소개하며, 이는 미래의 고혈압 및 익일 혈당 상태를 포함한 다양한 심혈관계 및 신경정신계 건강 위험을 예측하는 데 있어 기존 방식들을 능가함으로써 글로벌 건강 위험 계층화를 위한 강력한 비침습적 도구를 확립한다.

원저자: Kohn, S., Lutsker, G., Diament, A., Shilo, S., Gabet, A., Sasson, G., Wolf, G., Wolf, A., Godneva, A., Weinberger, A., Rossman, H., Segal, E.

게시일 2026-07-02

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Kohn, S., Lutsker, G., Diament, A., Shilo, S., Gabet, A., Sasson, G., Wolf, G., Wolf, A., Godneva, A., Weinberger, A., Rossman, H., Segal, E.

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ⚕️ 이것은 동료 심사를 거치지 않은 프리프린트의 AI 생성 설명입니다. 의학적 조언이 아닙니다. 이 내용을 바탕으로 건강 관련 결정을 내리지 마세요. 전체 면책 조항 읽기

당신의 몸이 끊임없이 연주되는, 소리 없는 정교한 교향곡을 연주하는 복잡한 오케스트라라고 상상해 보십시오. 당신이 잠들어 있고 움직임이 없을 때조차도 심장, 혈관, 그리고 신경계는 이 음악의 템포, 음량, 그리고 리듬을 끊임없이 조절하고 있습니다. 수년 동안 의사들은 심장 박동과 산소 수치라는 가장 큰 악기 소리만을 들을 수 있었습니다. 하지만 당신의 혈류 방식에는 그동안 대체로 무시되어 온, 미세하고 고해상도의 숨겨진 음악 층이 존재합니다.

이 논문은 이 숨겨진 음악의 층을 읽어내는 법을 배우는 새로운 "음악 번역기"(파운데이션 모델)인 PulseOx-FM을 소개합니다. 이 모델은 표준 웨어러블 맥박 산소 측정기(심박수와 산소를 측정하는 작은 클립이나 시계)의 데이터를 사용합니다.

연구진이 수행한 작업과 발견한 내용을 쉬운 비유를 통해 정리했습니다.

1. "슈퍼 리스너(Super-Listener)" 훈련

연구진은 AI에게 교과서의 규칙을 가르치는 대신 "자기 지도 학습(self-supervised learning)"이라는 방법을 사용했습니다.

비유: 학생에게 강물이 흐르는 짧은 오디오 클립 700만 개를 주되, 그 강물이 무엇인지 알려주지 않는다고 상상해 보십시오. 학생은 스스로 패턴을 찾고 다음에 올 흐름을 예측하며 강물의 본질을 배워야 합니다. 결국 학생은 물소리만 듣고도 강의 건강 상태, 속도, 심지어 그 아래에 있는 바위의 종류까지 설명할 수 있을 정도로 강의 본질을 이해하게 됩니다.
실제: AI(PulseOx-FM)는 1만 명 이상의 사람들로부터 얻은 690만 개의 수면 데이터 세그먼트를 통해 훈련되었습니다. 이 AI는 스스로 원시 혈류 파형을 재구성하는 법을 배웠으며, 인간 전문가들이 놓쳤던 깊은 패턴들을 발견해 냈습니다.

2. "생물학적 연령" 테스트

AI가 실제로 유용한 것을 배웠는지 확인하기 위해, 연구진은 AI에게 사람의 나이를 추측하도록 요청했습니다.

비유: 당신의 혈관을 고무줄이라고 생각해 보십시오. 나이가 들수록 고무줄은 뻣뻣해지고 탄력을 잃습니다. 이 현상을 측정하는 기존 방식이 자를 가지고 고무줄의 특정 지점을 측정하는 것이라면, 새로운 AI는 숙련된 장인이 고무줄을 집어 들어 그 긴장감을 느끼고, 고무줄이 특이하게 늘어나 있더라도 즉각적으로 그 고무줄이 정확히 몇 살인지 알아내는 것과 같습니다.
결과: AI는 기존 방식보다 훨씬 더 정확하게 사람의 나이를 맞혔습니다. 결정적으로, 이 AI는 재학습 없이도 완전히 다른 환경(마취 상태의 수술 환자)의 환자 나이를 매우 잘 맞혔습니다. 이는 AI가 단순히 잠자는 사람들의 특정한 "소리"를 배운 것이 아니라, 인간 혈류의 "근본적인 물리 법칙"을 배웠음을 증 proves 합니다.

3. "건강 스냅샷"

연구진은 잠자는 동안의 맥박을 듣는 것만으로 사람의 현재 건강 상태를 알 수 있는지 테스트했습니다.

비유: 어떤 집에 들어갔을 때 바닥판이 삐걱거리는 소리, 냉장고의 웅웅거리는 소리, 문틈으로 들어오는 외풍 소리를 듣는다면, 당신은 그 집이 오래되었는지, 지붕이 새고 있는지, 혹은 파이프가 녹슬었는지 짐작할 수 있습니다. 집 주인을 직접 보지 않고도 그 집의 상태를 알 수 있는 것입니다.
결과: AI는 다음과 같은 광범위한 건강 문제를 예측할 수 있었습니다:
- 심장 및 혈압: 고혈압과 심장 판막 질환의 징후를 포착하는 데 매우 뛰어났습니다.
- 수면 무호흡증: 일반적인 수면 추적기보다 수면 중 호흡 중단을 더 잘 감지했습니다.
- 정신 건강: 놀랍게도 불안과 우울증의 징후도 감지할 수 있었는데, 이는 이러한 상태가 신경계가 심장을 조절하는 방식을 변화시키기 때문인 것으로 보입니다.
- 약물: 특정 심장 약이나 혈압약을 복용 중인지도 구별해 낼 수 있었습니다. 이는 약물이 혈류 리듬을 어떻게 변화시키는지에 기반하여 작동하는 "약물 탐지기" 역할을 한 것입니다.

4. "내일의 날씨" 예보

가장 흥고한 발견 중 하나는 다음 날 일어날 일을 예측하는 것에 관한 것이었습니다.

비유: 보통의 날씨 앱은 오늘 나타나는 구름을 보고 내일의 비를 예측합니다. 이 AI는 오늘 밤 토양의 수분과 바람의 방향을 보고, 해가 뜨기도 전에 내일 아침 작물들이 얼마나 목말라 할지를 정확히 예측하는 농부와 같습니다.
결과: AI는 오직 수면 맥박만을 바탕으로 다음 날의 혈당 수치, 에너지 소비량(칼로리 소모량), 심지어 당신이 무엇을 먹을 것인지까지 예측할 수 있었습니다.
중대한 발견: 연구진은 "AI가 단순히 당신이 아침 식사로 무엇을 먹었을지 추측하는 것인가?"라는 질문을 던졌습니다. 그들은 특별한 "탐정" 시스템(AI 에이전트)을 사용하여 이 신호가 직접적이라는 것을 입증했습니다. 수면 맥박은 식단의 그림자가 아니라, 당신이 무엇을 먹든 상관없이 당신의 혈당이 어떻게 행동할지를 알려주는 당신의 몸으로부터 오는 직접적인 생리학적 신호였습니다.

5. "만능 번역기"

마지막으로, 이 논문은 이 도구가 생리학의 다양한 "방언"을 가로질러 작동함을 보여줍니다.

비유: 대부분의 도구는 영어에서 프랑스어로만 번역하는 사전와 같습니다. 하지만 PulseOx-FM은 영어(잠자는 사람들)를 배웠지만, 새로운 사전을 새로 만들 필요 없이 일본어(수술 중인 환자)를 즉시 이해하고 번역할 수 있는 만능 번역기와 같습니다.
결과: 집에서 건강하게 잠을 자는 사람들을 대상으로 훈련된 모델이 병원 수술실의 환자들에게도 똑같이 잘 작동했습니다. 이는 모델이 인간 혈류의 "보편적인 문법"을 학습했음을 시사합니다.

요약

요약하자면, 이 논문은 방대한 AI를 사용하여 수면 중 혈류의 미세하고 고해상도인 "음악"을 경청함으로써, 이제 우리가 다음과 같은 일을 할 수 있다고 주장합니다:

그 어느 때보다 정확하게 생물학적 연령을 측정할 수 있습니다.
침습적인 검사 없이도 숨겨진 건강 위험(심장 질환, 수면 무호흡증, 불안 등)을 감지할 수 있습니다.
밤 동안의 데이터를 통해 다음 날의 대사 상태(혈당 등)를 직접 예측할 수 있습니다.

저자들은 이것이 강력한 엔진인 파운데이션 모델임을 강조합니다. 이 모델은 생리학의 근본적인 규칙을 학습했습니다. 저자들은 이것이 저렴하고 단순한 웨어러블 기기를 사용하여, 이전에는 값비싸고 복잡한 병원 장비로만 가능했던 방식으로 전 세계적인 건강 위험을 모니터링할 수 있는 길을 열어준다고 말합니다. 다만, 이 도구가 매우 강력하긴 하지만 현재 질병의 신호와 약물의 신호가 혼재되어 있으므로, 표준 의료 진단 도구로 사용되기 위해서는 더 많은 테스트가 필요하다는 점도 언급했습니다.

기술 요약: 웨어러블 맥박 산소 포화도 측정을 위한 파운데이션 모델

문제 제기
광혈류측정(PPG)은 소비자용 웨어러블 및 임상 기기에서 심박수와 산소 포화도를 모니터링하는 데 사용되는 보편적이고 비침습적인 광학 기술이다. 원시 PPG 파형은 심혈관, 자율 신경 및 호흡 상태를 인코딩하는 풍부한 생리학적 데이터를 포함하고 있지만, 이 정보는 여전히 해석되지 않은 채 남아 있다. 현재 PPG를 활용한 딥러닝 응용 분야는 특정 작업 중심의 지도 학습(예: 수면 단계 분류)에 국한되거나, 무호흡-저호흡 지수(AHI)와 같은 특정 진단 목표에 과적합되기 쉬운 수작업 기반 특징점(예: 피듀셜 포인트)에 의존한다. 결과적으로 기술적 격차가 존재한다. 즉, 확장 가능한 PPG 모델은 광범위한 예측력이 부족하며, 종합적인 생리학적 모델(예: 전체 다원 수면 검사를 사용하는 모델)은 인구 건강 관리를 위해 규모를 키우기가 어렵다. 저자들은 대규모 미라벨링 PPG 데이터를 기반으로 훈련된 파운데이션 모델이 글로벌 건강 위험 계층화를 위한 고유한 생리학적 시그니처를 밝혀낼 수 있다고 주장한다.

방법론
본 연구는 말초 맥박 산소 포화도 신호로부터 잠재 표현(latent representations)을 학습하도록 설계된 트랜스포머 기반 파운데이션 모델인 PulseOx-FM을 소개한다.

데이터 소스: 모델은 11,311명의 참가자가 참여한 대규모 종단 연구인 Human Phenotype Project(HPP)를 통해 사전 훈련되었다. 이 데이터셋은 WatchPAT 장치를 통해 수집된 45,068회의 야간 수면 모니터링 기록(310,264시간)으로 구성되며, SpO2, 맥박률 및 말초 혈류 파형(말초 동맥 혈관 투과법, PAT를 통해 획득)을 포함한다.
사전 훈련: PulseOx-FM은 마스크드 오토인코더(Masked Auto-Encoder, MAE) 목적 함수를 활용한다. 모델은 6,995,558개의 2분 단위 맥박 산소 포화도 세그먼트로 사전 훈련되었다. 이러한 자기 지도 학습 방식은 입력 신호의 마스킹된 부분을 재구성함으로써 수동 라벨 없이도 생리학적 표현을 학습할 수 있게 한다.
아키텍처: 모델은 256차원의 잠재 임베딩을 생성하기 위해 트랜스포머 인코더-디코더 구조를 채택한다. 이 임베딩들은 야간당 여러 세그먼트에 걸쳐 풀링(pooling)된 후, 경량화된 작업별 예측 헤드로 전달된다.
평가 전략:
- 벤치마킹: 성능은 오픈 소스 특징 추출 도구(PyPPG) 및 독점 장치 알고리즘(WatchPAT)을 포함한 기존 베이스라인과 비교되었다.
- 다운스트림 작업: 고정된(frozen) 임베딩은 연속적 측정값(혈액 검사, 체성분, 수면 파라미터) 및 이진 결과(진단명, 약물 복용)를 포함한 64가지 표현형 타겟에 대해 평가되었다.
- 일반화: 모델은 전신 마취 하에 수술 중 모니터링을 받는 6,156명의 참가자로 구성된 외부 분포 외(out-of-distribution) 코호트인 VitalDB에서 테스트되었다. 이는 훈련 데이터와 매우 다른 맥락이다.
- 종단적 분석: 연구는 시간 경과에 따른 개인 내 안정성(연속적인 밤 vs 2년 간격)과 수면 구조 및 식이 섭취를 통제한 상태에서 다음 날의 대사 상태(포도당, 식단, 활동량)를 예측하는 능력을 분석하였다.

주요 결과

건강 벤치마크로서의 연령 예측:
- PulseOx-FM은 전반적인 건강의 대리 지표인 연령을 예측하는 데 있어 PyPPG(수작업 특징) 및 WatchPAT 독점 특징보다 유의미하게 우수한 성능을 보였다.
- HPP 테스트 세트에서 PulseOx-FM은 피어슨 상관계수( $r$ ) 0.69를 달성하였으며, 이는 PyPPG(0.65) 및 Watch-PAT(0.64)보다 높은 수치이다.
- 결정적으로, 모델은 외부 데이터인 VitalDB 수술 코호트에서도 견고한 성능( $r=0.70$ )을 유지하였으며, 이는 미세 조정(fine-tuning) 없이도 보행 중 수면 상태에서 급성 수술 중 상태로 학습된 표현이 일반화될 수 있음을 입증한다.
광범위한 표현형 예측:
- 인구통계학적 베이스라인(연령, 성별, BMI)에 PulseOx-FM 임베딩을 추가했을 때 64가지 타겟에 대한 예측력이 유의미하게 향상되었다.
- 심혈관계 대사 영역: 호흡 장애 지수( $r: 0.36 \to 0.76$ ), AHI( $0.43 \to 0.70$ ), 수축기/이완기 혈압, 중성지방, 경동맥 내중막 두께에서 가장 큰 개선이 관찰되었다.
- 약물 탐지: 모델은 정신 자극제(psychoanaleptics, AUC $0.49 \to 0.70$ ) 및 항고혈압제(베타 차단제, RAAS 억제제, 칼슘 채널 차단제)를 포함한 약물 클래스 탐지에서 상당한 개선을 보여, 임베딩이 혈관 내 약리학적 시그니처를 포착하고 있음을 시사했다.
- 수면 구조: 모델은 인구통계학적 정보만으로는 예측할 수 없었던 수면 파라미터(예: 수면 효율, 총 각성 시간)를 복원해 냈으며, 이는 모델이 원시 파형으로부터 개인 수준의 수면 구조를 내재화하고 있음을 나타낸다.
종단적 및 익일 예측:
- 고혈압 위험: 모델은 정상 혈압을 가진 개인의 2년 후 고혈압 발생 가능성을 전향적으로 식별하였으며(AUC $0.51 \to 0.64$ ), 이는 모델이 전임상 단계의 혈관 시그니처를 포착하고 있음을 시사한다.
- 개인 내 안정성: 동일 인물의 연속적인 밤 동안의 임베딩은 인구통계학적으로 매칭된 타인들보다 유의미하게 가까웠으며(중앙값 L2 거리 0.68 vs 1.55), 이는 안정적이고 개인 특유적인 생리학적 지문을 확인시켜 준다.
- 익일 대사 상태: 임베딩은 수면 구조 특징만을 사용했을 때보다 다음 날의 당화혈색소 지표(GMI), 에너지 소비량 및 활동 수준을 예측하는 데 크게 기여하였다.
- 식단과 독립적인 혈당 신호: 문헌 기반의 에이전트 분석 시스템을 사용하여 저자들은 인과 매개 분석을 수행하였다. 분석 결과, 야간 임베딩과 익일 혈당 사이의 연관성은 주로 직접적인 생리학적 효과(전체 효과의 약 100%)에 의한 것이며, 다음 날의 식이 섭취에 의해 매개되지 않는다는 것을 발견하였다.

의의 및 주장
본 논문은 Pulse-FM이 단일한 확장 가능한 광학 신호만을 사용하여 수면으로부터 생리학적 패턴을 인코딩하는 일반화 가능한 프레임워크를 구축했음을 주장한다. 본 연구의 의의는 소비자용 웨어러블의 접근성과 종합적인 생리학적 모델링의 예측적 깊이 사이의 간극을 메우는 데 있다.

내재적 생리학적 학습: 미세 조정 없이 수면에서 마취 상태로 전이되는 모델의 능력은, 모델이 데이터셋 특유의 아티팩트가 아닌 인간 혈관 생리학의 내재적이고 체계적인 속성을 학습했음을 시사한다.
바이탈 사인 그 이상: 연구 결과는 원시 PPG 파형이 심박수와 SpO2를 훨씬 넘어 혈관 노화, 심혈관계 대사 위험 및 자율 신경 조절에 관한 정보를 포함하고 있음을 입증한다.
정밀 의료의 잠재력: 하위 임상적 혈관 신호(예: 미래의 고혈압 위험)와 식단과 독립적인 대사 상태를 식별함으로써, Pulse-FM은 글로벌 위험 계층화를 위한 수동적이고 지속적이며 접근 가능한 종단적 건강 모니터링의 경로를 제시한다.

저자들은 이 모델이 임상적 전환을 위한 유망함을 보여주지만, 임상 배포 전 다양한 인구 집단에 대한 전향적 검증과 질병 시그니처와 약리학적 효과를 분리하기 위한 추가적인 연구가 필요하다고 결론지었다.