[논문 리뷰] Passive detection of behavioral shifts for suicide attempt prevention

Pablo Moreno-Muñoz, Lorena Romero-Medrano외 4명|arXiv (Cornell University)|2020. 11. 14.

Suicide and Self-Harm Studies참고 문헌 16인용 수 6

한 줄 요약

이 논문은 정신건강 환자의 행동 변화를 비침습적인 앱 및 센서 데이터를 활용해 조기에 탐지하는 수동적 스마트폰 기반 기계학습 시스템을 제시한다. 베이지안 잠재 클래스 모델을 통해 일일 행동 프로파일을 모델링하고 이러한 프로파일의 변화점(Change-point)을 탐지함으로써, 자살 시도나 응급 간병과 같은 임상 이벤트를 탐지하는 데 AUROC가 0.71에 도달하여, 누락 데이터가 존재하는 상황에서도 강력한 조기 경고 잠재력을 입증한다.

ABSTRACT

More than one million people commit suicide every year worldwide. The costs of daily cares, social stigma and treatment issues are still hard barriers to overcome in mental health. Most symptoms of mental disorders are related to the behavioral state of a patient, such as the mobility or social activity. Mobile-based technologies allow the passive collection of patients data, which supplements conventional assessments that rely on biased questionnaires and occasional medical appointments. In this work, we present a non-invasive machine learning (ML) model to detect behavioral shifts in psychiatric patients from unobtrusive data collected by a smartphone app. Our clinically validated results shed light on the idea of an early detection mobile tool for the task of suicide attempt prevention.

연구 동기 및 목표

• 자살 시도 위험이 있는 정신건강 환자에서 행동 불안정성을 조기에 탐지하기 위한 비침습적, 수동적 모바일 도구 개발.
• 기록 기억 오류 및 드문 평가와 같은 전통적 임상 평가의 한계를 극복하기 위해 지속적인 스마트폰 센서 데이터 활용.
• 이질적인 행동 데이터(이동성, 사회적 활동 등)를 고차원적으로 통합하여 해석 가능한 잠재 행동 프로파일로 모델링.
• 잠재 프로파일을 기반으로 계층적 변화점 탐지 모델을 사용해 행동 패턴의 급격한 변화 탐지.
• 실생활 인구 집단에서 자살 시도 및 응급 간병과 같은 임상 타임스탬프와 비교하여 시스템 성능 검증.

제안 방법

• 시스템은 30분 간격으로 앱 사용 기록, 위치 추적, 블루투스/와이파이 신호, 액티그라피(보행 수) 등의 스마트폰 데이터를 수동으로 수집한다.
• 일일 행동 표현은 실수치(로그 보행 수, 로그 이동 거리) 및 이진 특성(휴대폰 사용 여부, 집에 있는지 여부)을 조합한 고차원 벡터로 구성된다.
• 가우스-베르누이 혼합 모델은 이질적인 일일 관측치에서 이산적인 행동 프로파일(예: '고활동', '저활동')을 추론한다.
• 계층적 베이지안 변화점 모델은 잠재 프로파일의 시계열을 기반으로 각 시간 단계에서 행동 변화가 발생할 조건부 확률을 추정한다.
• 변화점은 현재 행동 프로파일의 시작 시점에 대한 최대사후확률(_MAP_ estimation)을 통해 탐지되며, r* ≈ 0일 경우 새로운 행동 상태로 간주된다.
• 모델이 불완전한 관측치를 처리할 수 있는 능력 덕분에, 데이터셋에서 최대 29%의 누락률이 존재하더라도 시스템이 누락 데이터에 대해 강건하다.

실험 결과

연구 질문

• RQ1 정신건강 환자에서 임상 위기 직전의 조기 행동 변화를 수동적 스마트폰 센싱 데이터로 신뢰성 있게 탐지할 수 있는가?
• RQ2 잠재 클래스 모델은 이질적이고 실생활 센서 데이터에서 이해 가능한 행동 프로파일을 얼마나 효과적으로 포착하는가?
• RQ3 계층적 변화점 탐지 모델은 지속적이고 종단적 모니터링 환경에서 행동 불안정의 시작을 정확히 식별할 수 있는가?
• RQ4 임상 타임스탬프와 비교하여 자살 시도 및 응급 간병을 탐지할 때 시스템의 성능은 어떠한가?
• RQ5 스마트폰이 꺼지거나 신호가 끊길 경우와 같은 누락 데이터에 대해 이 방법은 어느 정도 강건한가?

주요 결과

• 자살 시도나 응급 간병과 같은 임상 이벤트를 탐지하는 데 AUROC가 0.71에 도달하여, 무작위 추측보다 유의미하게 높은 성능을 보였다.
• 모델은 임상 이벤트 1주일 전까지 행동 변화를 탐지할 수 있었으며, 1주일 경고 윈도우를 참(True Positive)으로 정의하였다.
• 누적 누락률 29% 및 환자당 평균 누락률 25%에도 불구하고 성능 저하 없이 데이터 누락에 강건함을 입증하였다.
• 환자 B의 사례에서 볼 수 있듯이, 사건 발생 후 스마트폰을 끈 환자에게도 행동 변화 탐지가 효과적으로 이루어졌다.
• 베이지안 잠재 클래스 모델은 연속적 및 이진 센서 데이터의 혼합을 효과적으로 처리해 '고활동', '저활동'과 같은 명확한 행동 프로파일을 포착하였다.
• MAP 기반 변화점 탐지 방법은 해석 가능한 경고를 제공하였으며, r* ≈ 0은 새로운 행동 상태로 간주되어 임상적 조치의 적절한 시점을 제공하였다.