AI가 파킨슨병 운동 증상을 뛰어난 정확도로 해독

연구자들은 파킨슨병 환자의 운동 증상을 객관적으로 식별하고 추적할 수 있는 첨단 인공지능 프레임워크를 개발하여 지속적인 질병 모니터링에 잠재적 돌파구를 제시했습니다. 11월 26일 npj Parkinson's Disease에 게재된 이 연구는 다양한 질병 단계에서 진전과 서동증을 감지하는 데 있어 기존 알고리즘을 능가하는 시공간 하이퍼그래프 자기주의 신경망을 소개합니다.​

이 AI 시스템은 하이퍼그래프를 활용합니다. 하이퍼그래프는 쌍의 점만 연결하는 전통적인 그래프와 달리 여러 점을 동시에 연결할 수 있는 수학적 구조입니다. 이를 통해 프레임워크는 기존 접근 방식보다 파킨슨병 운동 증상의 중첩되고 동시다발적인 특성을 더 정확하게 포착할 수 있습니다. 이 신경망은 시간 경과에 따라 약물이 증상에 미치는 영향을 추적하면서 운동 장애를 분류하는 데 있어 우수한 민감도와 특이도를 보여주었습니다.​

현재 평가의 한계 해결

1980년대에 개발된 통합 파킨슨병 평가 척도(UPDRS)는 내재된 약점에도 불구하고 파킨슨 증상을 평가하는 주요 도구로 남아 있습니다. 이 평가는 매우 주관적이어서 두 명의 신경과 전문의가 같은 환자를 다르게 평가하는 경우가 많습니다. 임상 평가는 일반적으로 6개월에서 9개월마다 이루어지며 약 20분 정도만 지속되어 증상 모니터링의 세분성을 제한합니다.​

새로운 AI 기반 방법은 운동 증상에 대한 일관되고 편향되지 않은 감시를 제공하여 임상 의사결정을 저해하는 진단 가변성을 잠재적으로 줄일 수 있습니다. 시간 경과에 따라 센서 배열로부터 운동 증상 데이터를 지속적으로 수집함으로써, 이 프레임워크는 실시간 및 종단적 질병 평가를 가능하게 합니다.​

웨어러블 통합을 향한 길

이 기술은 눈에 띄지 않고 지속적인 건강 모니터링을 위해 웨어러블 기기에 통합될 수 있습니다. 가속도계와 자이로스코프가 장착된 웨어러블 센서는 이미 움직임 패턴의 미묘한 변화를 식별하는 연속적인 측정값을 제공합니다. 연구에 따르면 떨림 진폭과 같은 웨어러블 유래 지표는 임상 평가와 강한 상관관계를 보이며, 떨림 감지에 대해 85% 이상의 민감도를 달성합니다.​

미세한 시간적 세분성으로 운동 매개변수에 대한 약물의 영향을 정량화하는 이 프레임워크의 능력은 용량 조정과 투약 시기를 안내할 수 있으며, 이는 파킨슨병 약물 치료의 좁은 치료 범위를 고려할 때 매우 중요한 사항입니다. 파킨슨병을 넘어, 이 접근법은 다발성 경화증과 헌팅턴병을 포함한 복잡한 운동 표현형을 가진 다른 신경퇴행성 질환에도 도움이 될 수 있습니다.​

그러나 계산 집약적인 모델을 실제 임상 도구로 전환하려면 계산 자원, 데이터 프라이버시, 그리고 다양한 인구통계학적 그룹에 걸친 광범위한 검증을 해결해야 합니다.