기술 요약: 스마트폰을 이용한 30초 의자 일어서기 검사의 신체 구성 및 근력 바이오마커 회복

문제 제기

30초 의자 일어서기 검사(30s CST)는 노인 및 근감소증 평가를 위한 표준 도구이지만, 임상 현장에서는 이 테스트를 단순히 반복 횟수라는 하나의 정수로 축소하여 처리합니다. 이러한 접근 방식은 각 스탠드-시트(stand–sit) 주기 내에 포함된 속도, 부드러움, 대칭성, 점진적 피로도와 같은 풍부한 시간적 신호를 버리는 결과를 초래합니다. 이렇게 버려지는 지표들은 근감소증에 의해 침식되는 근육의 질과 기능적 예비력을 반영합니다. 또한, 총 제지방량(Total Lean Mass)을 정량화하는 기존 방식인 이중 에너지 X선 흡수 계측법(DXA)은 정확하지만 비용이 많이 들고 장비 의존적이며 임상 환경에 국한되어 있어, 종단적 모니터링에 장벽을 형성합니다. 힘 판(force plates)이나 모션 캡처 시스템을 사용한 선행 연구들이 근감소증과 관련된 운동학적 특징들을 식별해 왔으나, 이러한 방식은 일반적인 진료 현장에서 사용할 수 없는 특수 인프라를 필요로 합니다.

방법론

본 연구는 표준 임상 워크플로우를 변경하지 않으면서 30s CST로부터 움직임 정보를 회복하기 위해 스마트폰 기반 접근 방식을 활용하였습니다.

데이터 수집:

• 참가자: 임상 DXA 센터에서 모집된 성인 78명 (평균 연령 51.5 ± 16.4세, 여성 73.1%).
• 프로토콜: 참가자들은 양팔을 교차하여 가슴 부위에 스마트폰(Google Pixel 8)을 밀착시킨 상태로 표준 30s CST를 수행하였습니다.
• 그라운드 트루스(Ground Truth): 결과값은 다음의 임상 측정치와 비교 검증되었습니다:
  • 근력: Jamar Plus+ 악력계를 이용한 우측 손 악력(HGS).
  • 신체 구성: DXA(Hologic Discovery W 또는 GE Lunar Prodigy)를 통한 총 제지방량 및 체지방률.
• 제외 기준: 신경근 질환, 손 기능 저하 조건, 또는 최근 상지 부상이 있는 참가자는 제외되었습니다.

신호 처리 및 특징 공학:

• 센서 데이터: 고충실도의 3축 가속도 및 각속도를 기록하였습니다.
• 전처리: 신호를 중력 방향에 맞춰 재정렬하고, 중심을 0으로 맞춘 후(zero-centered), 2Hz 차단 주파수를 적용하여 저역 통과 필터링을 수행하였습니다. 속도와 위치는 드리프트 보정을 포함한 수치 적분을 통해 추정되었습니다.
• 주기 탐지: 스탠드 주기는 결과 위치 신호의 피크(peak)로 식별되었습니다.
• 특징 추출: 특징들은 시도(trial) 수준과 주기(cycle) 수준에서 추출되었으며, 다음 6가지 그룹으로 분류되었습니다:
  1. 속도(Speed): 상승/하강 시간, 속도 백분위수.
  2. 파워/충격량(Power/Impulse): 힘의 대용치(질량 $\times$ 가속도), 기계적 파워 및 충격량.
  3. 부드러움(Smoothness): 저크(jerk, 가속도의 변화율), 속도 제로 크로싱(zero-crossings).
  4. 피로(Fatigue): 30초 동안의 속도 감소 또는 주기 시간의 증가.
  5. 운동학(Kinematics): 2링크 평면 모델(대퇴 및 몸통 길이를 고정된 인구 평균 키인 1.75m로 스케일링하여 인구 통계적 의존성 제거)로부터 유도된 역운동학(IK) 기반 무릎 및 고관절 각도.
  6. 주기 일관성(Cycle Consistency): 상승 및 하강 시간 사이의 비대칭성.

예측 모델링:
네 가지 예측 조건을 Leave-One-Out (LOO) 교차 검증을 통해 평가하였습니다:

1. IMU 전용: 인구 통계 독립적 움직임 특징 (힘/파워 특징에서 체질량 제거, IK에 고정된 키 사용). 특징 간 공선성으로 인해 Ridge 회귀를 사용하였습니다.
2. 모든 특징: IMU 특징과 키, 몸무게, BMI를 결합. ElasticNet 회귀를 사용하였습니다.
3. 횟수 전용: 표준 반복 횟수.
4. 키 + 몸무게: 인체 측정치만 사용.

주요 결과

본 연구는 스마트폰 유래 움직임 특징이 반복 횟수 단독보다 임상적 바이오마커를 훨씬 더 잘 예측함을 입증하였습니다.

예측 성능 (Pearson $R$):

• 우측 손 악력:
  • 모든 특징: $R = 0.85$
  • 키 + 몸무게: $R = 0.77$
  • IMU 전용: $R = 0.52$ (횟수 전용보다 유의미하게 높음, $p=0.019$)
• 체지방률:
  • 모든 특징: $R = 0.63$
  • 키 + 몸무게: $R = 0.34$
  • IMU 전용: $R = 0.50$ (횟수 전용보다 유의미하게 높음, $p < 0.001$; 키 + 몸무게보다 수치적으로는 높으나 $N=78$에서 통계적으로 유의미하지 않음)
• 총 제지방량:
  • 모든 특징: $R = 0.92$
  • 키 + 몸무게: $R = 0.90$
  • IMU 전용: $R = 0.48$ (횟수 전용보다 유의미하게 높음, $p=0.007$)

핵심 발견:

• 정보 회복: "횟수 전용" 베이스라인은 모든 결과에서 낮은 성능($|R| \le 0.25$)을 보였으며, 이는 반복 횟수가 회복 가능한 대부분의 정보를 버리고 있음을 확인시켜 줍니다.
• 신체 크기 vs 움직임: 제지방량의 경우 신체 크기(키/몸무게)가 지배적인 예측 변수($R=0.90$)이며, 움직임이 추가적인 가치를 거의 제공하지 않습니다. 반대로, 체지방률의 경우 움직임 특징($R=0.50$)이 신체 크기 단독($R=0.34$)보다 우수한 성능을 보였는데, 이는 의자 일어서기 움직임 신호가 지방 축적에 관한 독특한 정보를 담고 있음을 나타냅니다.
• 최소 특징 세트: 전방 단계적 선택법(Forward stepwise selection)을 통해 소수의 특징(1~4개)만으로도 대부분의 예측 신호를 포착할 수 있음을 확인하였습니다. 악력의 경우, 단일 "주기 피크 파워 대용치" 특징만으로 $R=0.60$을 달성하였습니다.
• 일치도: Bland-Altman 분석 결과 IMU 전용 예측의 평균 편향(mean bias)은 거의 0에 가까웠으나, 일치 한계(limits of agreement)는 넓게 나타났습니다. 이는 본 표본 크기에서 정밀한 개인 진단보다는 코호트 수준의 효과에 적합함을 시사합니다.

의의 및 주장

본 논문은 표준 30s CST 점수화 과정에서 일상적으로 버려지는 정보가 스마트폰을 통해 회복 가능하며, 임상적으로 의미 있는 신호를 포함하고 있다고 주장합니다.

• 확장성: 스마트폰 애플리케이션은 추가 장비나 임상 인프라 없이도 30s CST를 실시하고, 데이터를 수집하며, 추가적인 바이오마커를 생성할 수 있는 최초의 매우 확장 가능한 수단을 제공합니다.
• 바이오마커 회복: 움직임 정보가 반복 횟수 단독보다 근력 및 신체 구성과 훨씬 더 강력한 관계를 가진 바이오마커로 변환될 수 있음을 입증하였습니다.
• 부담 없는 추가 기능: 이러한 바이오마커들은 이미 수백만 건의 임상 사례에서 수행되고 있는 30s CST에 수동적으로 추가하여 수집될 수 있습니다.
• 특정 유용성: 저자들은 체지방과 악력을 의자 일어서기 움직임 신호가 신체 크기와 독립적인 진정한 정보를 담고 있는 주요 결과물로 식별하였으며, 이를 스마트폰 기반의 기능적 바이오마커로서 가장 유망한 타겟으로 꼽았습니다.

인정된 한계점

저자들은 다음과 같은 한계점을 명시하였습니다:

• 인구 통계: 코호트가 전형적인 근감소증 인구보다 젊었으며, IMU 전용 성능의 95% 신뢰 구간이 넓습니다 ($N=78$). 임상적 유용성을 주장하기 전 근감소증 코호트에 대한 검증이 필요합니다.
• 측정 변동성: DXA 측정이 두 가지 다른 장비 모델(Hologic 및 GE)에서 수행되어 변동성이 발생했을 수 있습니다.
• 운동학 모델: 역운동학 모델이 모션 캡처를 통해 검증되지 않았으므로, 관절 각도는 해부학적으로 정밀한 값이라기보다 움직임 품질의 지표로 취급되어야 합니다.
• 횡단적 설계: 본 연구는 단일 방문 연구입니다. 종단적 타당성(시간 경과에 따른 변화 추적)은 알려지지 않았습니다.
• 횟수 탐지: 자동 주기 탐지는 경계 주기 탐지 문제로 인해 인간의 측정치와 비교하여 평균 절대 오차가 2.2회 발생하였으나, 본 연구의 베이스라인 비교에는 인간의 측정치가 사용되었습니다.