A Multi-site Dashboard for Evaluating HiGHmed Cardiovascular Sensor Data from Apple Watch

기술 요약: Apple Watch의 HiGHmed 심혈관 센서 데이터 평가를 위한 다기관 대시보드

문제 정의
만성 심부전 관리는 입원을 방지하기 위해 임상적 악화를 적시에 감지하는 것을 필요로 합니다. 전자 건강 기록(EHR)과 인구 수준의 지표를 시각화하는 의료 대시보드는 존재하지만, 외래 환자를 지속적인 보행 데이터로 모니터링하는 데에는 상당한 격차가 존재합니다. 웨어러블 기기(예: Apple Watch)가 생성하는 데이터 양의 증가는 데이터 품질, 순응도, 그리고 이러한 스트림을 전통적인 임상 기록과 통합하는 문제에 대한 과제를 제기합니다. 또한, HiGHmed 심장학 연구의 다기관 특성은 데이터 보안이나 사용성을 저해하지 않으면서도 서로 다른 기관의 임상의들이 통합된 데이터 세트에 접근하고 분석할 수 있도록 하는 통일되고 협력적인 도구에 대한 필요성을 창출합니다.

방법론
저자들은 HiGHmed 유스케이스 심장 센서 하위 연구의 데이터를 집계하고 시각화하도록 설계된 중앙 집중형 R Shiny 대시보드를 개발했습니다. 방법론은 네 가지 주요 단계로 구성됩니다:

1. 데이터 수집 및 소스:

   • 참가자: 데이터는 4개 연구 사이트(괴팅겐, 하노버, 코트부스, 뷔르츠부르크)에 걸친 93명의 참가자로부터 수집되었습니다. 초기 분석은 연구 기간 동안 입원 이벤트를 경험한 12명의 참가자에 초점을 맞추었습니다.
   • 센서 데이터: Apple Watch는 걸음 수(가속도계 활용)와 기기 심박수(HR)를 지속적으로 기록했습니다.
   • 환자 보고 결과(PROs): 통합 앱(medPower®)을 통해 휴식 시 심박수, 체중, 혈압 및 Kansas City Cardiomyopathy Questionnaire (KCCQ-12) 점수의 수동 측정을 캡처했습니다.
   • 임상 데이터: 입원 기록(입원/퇴원 날짜 및 의학적 적응증 코드)이 통합되어 심혈관 이벤트와 비심혈관 이벤트를 구분했습니다.
   • 상호운용성: 데이터는 Fast Healthcare Interoperability Resources (FHIR)를 사용하여 표준화되었습니다. 두 곳의 의료 데이터 통합 센터(MeDICs)는 번들 형태의 FHFHIR 바이너리로 데이터를 수신하였고, 나머지 두 곳은 FHIR 리소스를 openEHR 컴포지션으로 매핑했습니다.

2. 데이터 처리 파이프라인:

   • R (버전 4.5.0) 기반의 전처리 파이프라인을 통해 FHIR 문서와 openEHR 컴포지션의 데이터를 조화시켰습니다.
   • 집계: 기기 심박수는 일일 평균으로 집계되었으며, 걸음 수는 일일 총합으로 합산되었습니다. 리듬 분석을 위해 시간당 심박수는 보존되었습니다. 수동 측정값은 개별 일일 관측치로 유지되었습니다.
   • 점수 산출: KCCQ-12 요약 점수는 특정 간격(기초선, 4, 8, 12주, 그리고 그 후 3개월마다)으로 표준 알고리즘을 사용하여 계산되었습니다.
   • 통합: 모든 데이터 세트는 입원 타임스탬프와 병합되어 시간적 정렬이 가능하도록 했습니다.

3. 대시보드 아키텍처:

   • R Shiny 프레임워크를 사용하여 개발되었으며, 세 명의 심장 전문의와의 반복적인 피드백 세션을 통해 정교화되었습니다.
   • 개인정보 보호: 데이터 보호를 보장하기 위해, 대시보드는 로컬 설정을 위한 종속성이 포함된 번들 패키지로 배포되었습니다. 환자 ID는 마지막 세 글자로 제한되었습니다.
   • 모듈: 인터페이스는 세 가지 주요 분석 모듈을 특징으로 합니다:
     • 관찰 개요(Observation Overview): 모든 지표(기기 심박수, 걸음 수, 수동 활력 징후, KCCQ-12)의 누적 트렌드를 입원 이벤트와 함께 겹쳐서 표시합니다. 이를 통해 다중 지표 일일 뷰와 상세 KCCQ-12 응답 간의 전환이 가능합니다.
     • 심장 리듬 분석기(Heart Rhythm Analyzer): 선택된 날과 이전 이틀을 포함하는 3일 이동 창(rolling window)을 사용하여 시간당 기기 심박수 패턴을 제시하며, 참조점으로 수동 휴식 심박수를 중첩하여 보여줍니다.
     • 상관관계 모듈(Correlation Module): 14일 슬라이딩 윈도우를 사용하여 지표 간의 쌍별 피어슨 상관관계를 시각화하며, 임상의가 시간에 따른 변화하는 관계를 탐색할 수 있도록 합니다.

주요 결과

• 악화의 시각화: 대시보드는 입원한 12명의 환자에게서 나타나는 입원 전 패턴을 성공적으로 식별했습니다. 이러한 패턴에는 감소하는 KCCQ-12 점수(35~55 사이 유지)와 감소하는 신체 활동량(일일 걸음 수가 빈번하게 2,000 미만으로 하락)이 포함되었습니다.
• 심장 리듬 분석: 시간당 분석 결과, 입원 당일에는 기초선 수준(50~70 bpm)에 비해 기기 및 수동 심박수가 모두 감소(50 bpm 미만으로 하락)하는 것이 드러났습니다.
• 상관관계 발견: 상관관계 모듈는 걸음 수와 기기 심박수 사이의 강한 양의 상관관계($r \approx 0.8$)와 같은 예상된 생리학적 관계를 확인했습니다. 또한 다른 파라미터(예: 체중과 심박수) 사이의 약하거나 중간 정도의 상관관계도 강조했습니다.
• 데이터 품질 인사이트: 시각화는 센서 기록의 상당한 공백과 수동 측정(예: 혈압 및 체중 입력 누락)에 대한 불일치된 순응도를 노출하였으며, 이는 실시간으로 데이터 품질 문제를 식별하는 데 있어 대시보드의 유용성을 입증했습니다.

의의 및 주장
본 논문은 이 대시보드가 실용적이고 통합된 도구로서 다기관 심혈관 데이터 평가를 제공한다고 주장합니다. 이 도구의 주요 의의는 다음과 같습니다:

• 통합: 지속적인 보행 웨어러블 데이터, 수동 임상 측정, 환자 보고 결과, 그리고 입원 기록 사이의 간극을 메웁니다.
• 협업: 임상의들이 개별 사례별로 파라미터를 검토하는 대신, 환자의 궤적을 공동으로 평가할 수 있도록 합니다.
• 패턴 인식: 고립된 파라미터 검토에서 체계적인 다중 지표 평가로의 전환을 용이하게 하며, 이는 입원 전 임상적 악화 패턴(예: 활동량 및 KCCQ 점수 감소)을 식별하는 데 도움을 줍니다.
• 데이터 품질 모니터링: 비순응 또는 기기 결함을 즉각적으로 감지하는 메커니즘 역할을 하여, 사후적인 데이터 손실을 방지합니다.

저자들은 이 도구를 탐색적 분석 및 회고적 패턴 인식을 위한 도구로 포지셔닝합니다. 그들은 이 대시보드가 현재의 임상 감독을 지원하지만, 개인화된 기초선을 설정하기 위한 임계값 기반 알림 메커니즘 및 머신러닝 접근 방식의 통합이 향후 전향적 평가를 위해 필요하다는 점을 겸허히 언급했습니다.