[논문 리뷰] Anticipatory Mobile Digital Health: Towards Personalised Proactive Therapies and Prevention Strategies

Veljko Pejović, Abhinav Mehrotra외 1명|arXiv (Cornell University)|2015. 08. 15.

Mobile Health and mHealth Applications참고 문헌 25인용 수 7

한 줄 요약

이 논문은 모바일 및 웨어러블 센서, 머신러닝, 실시간 컨텍스트 인식 기술을 활용해 건강 문제 발생 이전에 예측하고 방지하는 개인화된 프로액티브 헬스케어 패러다임인 예측형 모바일 디지털 헬스를 제안한다. 개인의 행동, 생리적, 유전적 데이터를 통합함으로써 시기적절하고 맞춤형 간병 조치를 가능하게 하여 지속적이고 비침습적인 모니터링과 예측 모델링을 통해 정밀의료를 발전시킨다.

ABSTRACT

The last two centuries saw groundbreaking advances in the field of healthcare: from the invention of the vaccine to organ transplant, and eradication of numerous deadly diseases. Yet, these breakthroughs have only illuminated the role that individual traits and behaviours play in the health state of a person. Continuous patient monitoring and individually-tailored therapies can help in early detection and efficient tackling of health issues. However, even the most developed nations cannot afford proactive personalised healthcare at scale. Mobile computing devices, nowadays equipped with an array of sensors, high-performance computing power, and carried by their owners at all time, promise to revolutionise modern healthcare. These devices can enable continuous patient monitoring, and, with the help of machine learning, can build predictive models of patient's health and behaviour. Finally, through their close integration with a user's lifestyle mobiles can be used to deliver personalised proactive therapies. In this article, we develop the concept of anticipatory mobile-based healthcare - anticipatory mobile digital health - and examine the opportunities and challenges associated with its practical realisation.

연구 동기 및 목표

• 건강 문제가 나타나기 전에 건강 위험을 예측하기 위해 모바일 및 웨어러블 센서를 활용한 프로액티브이고 개인화된 헬스케어 프레임워크를 개발하는 것.
• 보편적인 모바일 기기들을 활용해 기존의 프로액티브 헬스케어 모델의 확장성과 비용 장벽을 해결하는 것.
• 지속적인 모니터링과 개인 건강 상태의 예측 모델링을 통해 조기 진단과 간병 조치를 가능하게 하는 것.
• 개인화를 향상시키기 위해 예측 모델에 유전적 데이터와 행동 패턴을 통합하는 것의 탐색.
• 자율적이고 예측형 헬스 시스템을 구현할 때 발생하는 윤리적, 개인정보 보호 및 인간-컴퓨터 상호작용 도전 과제를 검토하는 것.

제안 방법

• GPS, 가속도계, 심박수, GSR 등의 모바일 및 웨어러블 센서를 활용해 실시간 생리적 및 행동 데이터를 수집한다.
• 이력 및 실시간 센서 데이터와 사용자 컨텍스트를 기반으로 미래의 건강 상태를 예측하기 위해 머신러닝 모델을 적용한다.
• 개별 사용자에 대한 간병 조치의 영향을 평가하기 위해 예측 모델링을 적용함으로써 개인화된 치료 최적화를 가능하게 한다.
• 위치, 활동, 참여도 등의 사용자 컨텍스트를 적용해 간병 조치를 제공할 최적의 시점을 결정한다.
• 간섭에 대한 사용자 수용 가능성을 모델링하여, 사용자가 가장 적절한 순간에 메시지를 수신할 수 있도록 함으로써 간병 조치의 효과를 극대화하고 불편을 최소화한다.
• 특히 민감한 건강 정보의 경우 유출 위험을 줄이기 위해 장치 내 데이터 처리를 고려한다.

실험 결과

연구 질문

• RQ1 다양한 센서를 탑재한 모바일 및 웨어러블 기기들을 어떻게 활용하여 높은 정확도로 개인의 미래 건강 상태를 예측할 수 있는가?
• RQ2 개인화된 맥락에서 건강 결과와 간병 조치 영향을 효과적으로 예측하기 위해 어떤 머신러닝 기법이 유용한가?
• RQ3 실시간 사용자 컨텍스트를 기반으로 간병 조치를 최적의 시점에 제공하여 순응도와 효과를 극대화할 수 있는가?
• RQ4 자율적이고 예측형 헬스 시스템을 구현할 때 발생하는 윤리적 문제와 책임 소재 불명확성은 무엇인가?
• RQ5 유전적 데이터와 행동 패턴을 예측 모델에 통합하면 개인화와 치료 결과를 향상시키는 데 어떤 잠재력을 지닐 수 있는가?

주요 결과

• 다양한 센서를 탑재한 모바일 및 웨어러블 기기들은 건강 상태와 관련된 생리적 및 행동 지표를 지속적이고 비침습적으로 모니터링할 수 있다.
• 센서 데이터를 기반으로 훈련된 머신러닝 모델은 정신 건강 문제와 신체적 질환을 포함한 미래의 건강 상태를 점점 더 정확하게 예측할 수 있다.
• 컨텍스트 인식 센서를 활용해 사용자 간섭 수용 가능성에 대한 예측 모델을 구축할 수 있으며, 이는 디지털 헬스 간병 조치의 시기와 효과를 향상시킨다.
• 개인정보 보호 위험과 명확하지 않은 책임 소재 체계 등 윤리적 과제는 예측형 헬스 시스템의 구현에 있어 주요 장벽이다.
• 유전적 데이터와 행동 패턴을 예측 모델에 통합하면 새로운 치료적 통찰을 발견하고 개인화를 향상시킬 잠재력이 있다.
• 예측형 모바일 디지털 헬스는 조기 개인화 예방 전략을 통해 의료 비용을 줄이고 결과를 향상시킬 잠재력을 지닌다.