발명의 배경과 필요성

기술의 배경과 문제점

• 높은 유병률: 불면증, 폐쇄성 수면 무호흡증(OSA) 등 수면 장애는 매우 흔한 질환이지만 적절한 치료가 이뤄지지 않고 있습니다.

• 진단의 한계: 표준 진단법인 수면다원검사(PSG)는 비용이 많이 들고 시간이 오래 걸려 접근성이 떨어집니다.

• 기존 설문지의 비효율성: 기존 설문지는 문항이 너무 많고, 측정하기 어려운 변수를 포함하며, 예측 정확도가 만족스럽지 못합니다.

• 복합 진단의 어려움: 불면증, OSA, 그리고 두 질환이 동반되는 COMISA를 함께 진단할 수 있는 통합된 설문지가 부재합니다.

기술의 필요성

• 접근성 높은 진단 도구: PSG나 복잡한 설문지보다 간편하고 정확하게 수면 장애 위험을 예측할 수 있는 새로운 방안이 시급합니다.

• AI 기술의 활용: 인공지능 기술을 도입하여 진단 정확도를 높이고, 수많은 설문 항목 중 진단에 필수적인 핵심 질문들을 선별할 필요가 있습니다.

• 조기 관리 및 예방: 간단한 진단을 통해 환자가 조기에 상태를 인지하고 관리받음으로써 심혈관, 대사 장애 등 심각한 합병증을 예방해야 합니다.

구현 방법

기술의 원리

• 본 기술은 환자의 기본 정보와 설문 결과 데이터를 학습한 기계 학습 모델을 기반으로 합니다.

• 모델은 데이터를 불면증, OSA, COMISA 등 수면 장애 종류별로 분류하고, 각 데이터 항목(특징)이 분류 결과에 얼마나 기여했는지를 계산합니다.

• 기여도가 높은 핵심 항목들만을 추출하여 간결하고 정확한 예측 설문지를 생성하는 것이 핵심 원리입니다.

구체적인 구현 방법

1. 모델 적용: 환자 정보와 설문 결과로 구성된 훈련 데이터에 XGBoost와 같은 기계 학습 모델을 적용하여 수면 장애 종류별로 데이터를 분류합니다.

2. 특징 추출: SHAP(Shapley Additive exPlanations) 분석 기법을 사용하여 각 정보 항목이 진단 결과에 미치는 기여도를 정량적으로 계산합니다.

3. 핵심 설문 생성: 계산된 기여도가 설정된 임계값보다 높은 항목들(예: 상위 9개 항목)을 선별하여, 진단 정확도를 극대화한 간소화된 설문지를 구성합니다.

4. 위험도 예측: 환자가 이 간소화된 설문지에 응답하면, 훈련된 기계 학습 모델이 그 결과를 분석하여 수면 장애의 위험도를 최종적으로 예측합니다.

기술의 장점

• 비용 및 시간 절감: 고가의 수면다원검사(PSG) 없이 간단한 설문만으로 진단이 가능하여 환자의 부담을 획기적으로 줄입니다.

• 높은 정확도와 신뢰성: 의료 AI 분야에서 검증된 XGBoost 모델과 SHAP 분석을 통해 기존 설문지보다 높은 예측 정확도를 제공합니다.

• 조기 진단 및 예방: 수면 장애를 조기에 발견하고 관리하여 심각한 합병증으로의 진행을 예방할 수 있습니다.

• 사용자 편의성 증대: 단 9개의 핵심 질문만으로 진단이 가능해 사용자가 빠르고 쉽게 자가 진단을 수행할 수 있습니다.

실험 및 결과

실험의 목적

본 실험의 목적은 기계 학습을 이용하여 방대한 설문 항목 및 환자 기본 정보 중에서 수면 장애 진단에 가장 결정적인 영향을 미치는 핵심 요인을 식별하고, 이를 바탕으로 정확하면서도 간소화된 진단 설문지를 개발하는 것입니다.

실험 방법 및 과정

1. 모델 선정: 의료 AI 분야에서 높은 성능과 해석 가능성을 입증한 XGBoost(eXtreme Gradient Boosting) 알고리즘을 핵심 모델로 사용하였습니다.

2. 데이터 훈련: 모델의 안정성과 일반화 성능을 높이기 위해 계층별 k-fold 교차검증(k=5) 방식을 적용하여 모델을 훈련시켰습니다.

3. 기여도 분석: 총 40개 항목(설문 31개, 기본 정보 9개) 각각이 모델의 예측에 얼마나 기여하는지를 측정하기 위해 SHAP 분석을 수행하였습니다.

4. 핵심 특징 선별: 각 항목의 기여도(SHAP 값)를 합산하여, 미리 정의된 임계값 이상의 기여도를 보인 상위 항목들을 최종 특징 데이터로 추출하였습니다.

실험 결과

실험 결과, 총 40개의 초기 항목 중 진단 기여도가 가장 높은 9개의 핵심 특징이 성공적으로 선별되었습니다. 아래 차트는 각 특징이 수면 장애 진단 예측에 미치는 상대적 중요도를 보여줍니다.

선별된 항목은 불면증 심각도 지수(ISI) 관련 5개 문항(ISI1b, ISI1a, ISI5, ISI1c, ISI2)과 환자 기본 정보 4개(연령, 체중, BMI, 성별)였습니다. 이 결과는 단 9개의 질문만으로도 세 가지 주요 수면 장애(불면증, 수면 무호흡증, COMISA)의 위험을 효과적으로 예측할 수 있음을 의미합니다.

활용 방안 및 기대효과

활용 방안

• 디지털 헬스케어 앱 개발: 사용자가 자신의 수면 건강 상태를 손쉽게 점검할 수 있는 모바일 자가진단 애플리케이션 개발에 활용할 수 있습니다.

• 1차 의료기관 스크리닝 도구: 병원 및 클리닉에서 수면 장애가 의심되는 환자를 대상으로 한 빠르고 효율적인 1차 스크리닝 도구로 사용할 수 있습니다.

• 보험 및 건강관리 연계 서비스: 보험사의 건강 증진 프로그램이나 기업의 임직원 건강관리 서비스에 통합하여 맞춤형 건강 솔루션을 제공할 수 있습니다.

기대효과

• 국민 의료비 절감: 고비용의 수면다원검사를 대체 또는 보조하여 불필요한 검사를 줄이고, 수면 장애 관련 사회경제적 비용을 절감합니다.

• 의료 접근성 향상: 시간과 장소에 구애받지 않고 진단이 가능해져 의료 서비스에서 소외되었던 잠재적 환자군까지 포괄할 수 있습니다.

• 예방 중심의 건강관리 실현: 조기 진단을 통해 수면 장애로 인한 2차 질환(심혈관 질환, 대사 증후군 등)을 예방하여 국민 건강 증진에 기여합니다.

시장 동향

시장 규모 및 성장 전망

슬립테크(Sleep-tech) 시장은 수면 장애 환자 증가와 디지털 헬스케어 기술 발전에 힘입어 폭발적으로 성장하고 있습니다. 특히 기존 약물 치료의 한계를 보완하는 비약물적, 디지털 치료 방법에 대한 관심이 높아지면서 관련 시장의 성장세가 두드러집니다.

• 국내 수면장애 환자 수는 연평균 6.5%씩 증가하고 있으며, 관련 건강보험 진료비는 2018년 1,526억 원에서 2022년 2,851억 원으로 급증했습니다. (출처: KPMG)

• 글로벌 슬립테크 디바이스 시장은 연평균 14.8% 성장할 것으로 예측되며, AI 기반 진단 솔루션에 대한 투자가 시장 성장을 견인하고 있습니다.

• 액티그래피(활동량 측정) 장치 시장은 2024년 23억 달러에서 2034년 42억 달러로 성장할 전망입니다(연평균 6.4%). (출처: GMInsights)

주요 플레이어 및 경쟁 환경

슬립테크 시장은 전통적인 의료기기 제조사 외에도 웨어러블, 소프트웨어, 빅테크 등 다양한 분야의 기업들이 진입하며 경쟁이 심화되고 있습니다. 각 플레이어들은 자신들의 강점을 기반으로 차별화된 전략을 펼치고 있습니다.

산업 동인 및 기회 요인

1. 수면 장애 인구 증가: 전 세계적인 고령화와 스트레스 증가로 수면 장애를 겪는 인구가 늘어나면서 진단 및 관리 시장의 근본적인 수요가 확대되고 있습니다.

2. AI 및 IoT 기술의 발전: AI 기반 데이터 분석, IoT 센서 기술이 정교해지면서 더 정확하고 개인화된 수면 진단 및 관리 서비스 제공이 가능해졌습니다.

3. 디지털 헬스케어 패러다임 전환: 정부의 규제 완화와 비대면 의료 서비스에 대한 수용도 증가가 디지털 치료기기(DTx)와 같은 혁신 기술의 시장 진입을 촉진하고 있습니다.

4. 건강 관리에 대한 관심 증대: 소비자들이 '수면의 질'을 건강의 핵심 요소로 인식하기 시작하면서, 예방 및 관리 차원의 슬립테크 제품 및 서비스에 대한 수요가 증가하고 있습니다.