A Deep Set-Based Aggregation Approach for Repeated Measurements: Insights from Variable-Length Wearable Device-Measured Physical Activity Data

기술 요약: 반복 측정치를 위한 심층 집합 기반 집계 접근 방식 (A Deep Set-Based Aggregation Approach for Repeated Measurements)

문제 정의
웨어러블 기기의 급격한 디지털 헬스케어 통합은 환자의 신체 활동(PA)과 같은 지표에 대한 지속적이고 실시간적인 모니터링을 가능하게 했습니다. 그러나 이러한 데이터를 예측 모델링에 활용하는 데는 상당한 어려움이 따릅니다. 웨어러블에서 얻은 반복 측정치는 결측치나 순응도 차이로 인해 개인마다 길이가 다를 수 있으며, 이는 표준 머신러닝 알고리즘이 직접 처리할 수 없는 "가변 길이(variable-length)" 입력을 생성합니다. 표준 알고리즘은 일반적으로 고정된 길이의 특징 벡터를 요구하기 때문입니다.

기존의 해결책들은 이러한 반복 관측치들을 요약 통계량(예: 평균)으로 집계하여 차원을 고정하는 방식을 사용해 왔습니다. 이러한 방식은 차원 축소에는 효과적이지만, 단순 집계는 종종 귀중한 시간적 역동성(temporal dynamics)과 관측치 간의 상호작용 패턴을 소실시킵니다. 또한, 기존의 딥러닝 아키텍처(예: CNN, RNN)는 특징 벡터와 결과 사이의 일대일 대응 관계를 가정하는 경우가 많아, 여러 시계열 관측치를 단일 임상 결과로 매핑할 때 엄격한 독립성 가정을 피하기 어렵습니다.

방법론
본 연구는 2011~2014년 국민건강영양조사(NHANES) 데이터를 활용하였으며, 관절염을 앓고 있는 성인에 초점을 맞추었습니다. 데이터셋에는 다일(multi-day) 가속도계 기반 PA 측정치(MIMS 단위로 기록됨)와 일회성 공변량(인구통계학적 특성, 자기 보고식 PA, 질환 상태)이 포함되었습니다. 본 연구는 두 가지 이진 결과(보행을 위한 특수 장비 필요 여부, 열악한 신체 기능 존재 여부)를 평가하였습니다.

가변 길이의 PA 데이터를 고정 길이의 예측 변수로 변환하기 위해 세 가지 집계 전략을 비교하였습니다.

1. 단순 집계 (방법 1): 각 참가자의 일일 PA 측정값에 대한 산술 평균을 계산했습니다. 이는 평균값이 개인의 활동 프로필을 충분히 대표한다는 가정을 바탕으로 하는 베이스라인 역할을 합니다.
2. 분산 조정 집계 (방법 2): 측정치의 신뢰도를 바탕으로 단순 평균을 조정하는 통계적 접근 방식을 채택했습니다. 이 방법은 분산을 개인 간 분산과 개인 내 분산으로 분해합니다. 이후 모집단 평균, 개인의 관측 평균, 그리고 일회성 공변량에 가중치를 적용합니다. 이 가중치 체계는 개인 내 분산이 낮고 관측 횟수가 많을 때는 반복 측정값에 더 높은 비중을 두는 반면, 측정치가 희소하거나 변동성이 클 때는 공변량에 더 많은 비중을 두도록 설계되었습니다.
3. Deep Set 접근 방식 (방법 3): 집합 기반의 가변 길이 입력을 위해 특별히 설계된 딥러닝 아키텍처를 구현했습니다. 이 방식은 두 가지 핵심 속성인 *순열 불변성(permutation invariance, 출력값이 입력 요소의 순서와 무관함)*과 *순열 등변성(permutation equivariance)*을 활용합니다.
   • 아키텍처: 모델은 각 참가자의 PA 이력을 하나의 '집합(set)'으로 취급합니다. 일 단위(day-level) 데이터의 경우, 모델은 셀프 어텐션(self-attention) 메커니즘을 사용하여 명시적인 특징 공학 없이도 일자 간의 시간적 의존성과 상호작용을 포착합니다. 분 단위(minute-level)의 고빈도 복잡한 입력의 경우, 아키텍처는 집계 전 특징 추출을 위해 합성곱 신경망(CNN) 계층을 포함합니다.
   • 학습: 모델은 특징 추출과 집계를 공동으로 학습하도록 훈련되어, 전통적인 방식이 놓칠 수 있는 반복 관측치 간의 비선형 패턴을 발견할 수 있습니다.

주요 결과
연구는 80/20 훈련-테스트 분할을 100회 반복 수행하여 AUC, 정확도(accuracy), 정밀도(precision), 재현율(recall), F1 점수를 평가했습니다.

• 일 단위 데이터: 일 단위 PA 요약에 대해 Deep Set 방식은 일반적으로 단순 집계 및 분산 조정 집계보다 정확도와 F1 점수에서 개선된 성능을 보였습니다. 그러나 특히 관측 횟수가 적은(< 6일) 참가자 그룹에서는 AUC 점수가 낮게 나타났습니다. 이 저관측 하위 그룹에서 Deep Set 모델은 성능이 저하되었는데, 이는 해당 그룹의 표본 크기가 작고 단기 데이터에서는 의미 있는 시간적 상호작용이 부족하기 때문인 것으로 보입니다. 반면, 6~7일의 데이터를 가진 참가자들에 대해서는 방법론 간의 성능 차이가 좁혀졌습니다.
• 분 단위 데이터: 분 단위 PA 데이터에 적용했을 때, Deep Set 방식은 두 가지 결과 모두에서 가장 높은 AUC, 정확도, F1 점수를 달성하며 탁월한 전체 성능을 보여주었습니다. 이는 모델이 고빈도의 복잡한 시간적 역동성을 추출하고 모델링할 수 있는 능력이 데이터 해상도가 높을 때 상당한 이점을 제공함을 시사합니다.
• 분산 조정: 본 데이터셋에서 분산 조정 방식은 단순 집계에 비해 실질적인 개선 효과가 미미했습니다. 이는 대부분의 참가자가 충분한 관측치(6~7일)를 보유하고 있어 개인 내 분산이 낮았고, 따라서 조정 가중치가 작았기 때문입니다.

의의 및 기여
본 논문은 데이터의 복잡성, 변동성, 샘플 크기에 따라 최적의 집계 전략을 선택하기 위한 비교 프레임워크를 제공하며, 디지털 헬스케어에서의 집계 방식 선택의 중요성을 강조합니다.

• 맥락 의존적 선택: 저자들은 상대적으로 안정적이고 저빈도인 반복 측정치(예: 일정한 패턴을 보이는 일 단위 PA)의 경우 단순 집계만으로도 충분하다는 것을 제안합니다. 반면, 복잡하고 고빈도인 데이터(예: 분 단위 스트림)의 경우 Deep Set 기반 접근 방식이 훨씬 더 유익합니다.
• 가변 길이 처리: 본 연구는 불완전한 데이터를 가진 참가자를 제외하거나 시간적 뉘앙스를 손실시키지 않고도, 가변 길이의 웨어러블 데이터를 임상 모델에 통합할 수 있는 유효한 솔루션으로서 Deep Set 아키텍처를 검증했습니다.
• 실무 가이드라인: 본 연구의 결과는 연구자들에게 로드맵을 제공합니다. 만약 데이터셋이 수많은 복잡하고 역동적인 관측치를 가진 참가자들로 구성되어 있다면 Deep Set이 유리합니다. 그러나 데이터가 희소하거나 단순한 지표를 다루는 경우에는 전통적인 통계적 집계가 과적합(overfitting) 위험이 적고 더 견고할 수 있습니다.

저자들은 Deep Set이 복잡한 데이터 스트림을 다루는 실제 디지털 의학 응용 분야에서 탁월한 유연성을 제공하지만, 그 성능은 의미 있는 상호작용을 학습하기 위한 충분한 데이터 양과 관측 밀도에 달려 있다고 결론지었습니다.