최근 국내 의료진이 정상적인 인지 기능을 가진 노인이 알츠하이머 치매에 걸릴 가능성을 예측할 수 있는 새로운 분석 지표를 개발해 큰 주목을 받았습니다. 세계적인 신경 과학 학술지 ‘사이언티픽 리포트(Scientific Reports)’에 소개되며 치매 발병에 대한 예방적 조치를 할 수 있을 것으로 기대를 모으고 있는데요.
많은 과학자들이 오늘날 초고령화 사회에서 가장 두려운 질병 중 하나인 치매를 치료하기 위해 다양한 연구를 진행하고 있습니다. 치매는 뇌 기능을 저하하는 다양한 뇌 질환을 의미하며, 대부분의 경우 증상이 악화되다가 결국 심각한 상태에 이르게 되는데요. 치매를 진단받은 사람의 62%는 가장 흔한 유형인 알츠하이머, 17%는 혈관성 치매, 10%는 혼합형 치매 환자입니다.
치매 관련 통계
영국을 예로 구체적인 치매 관련 통계 수치를 살펴보겠습니다. 영국 내 치매 환자 수는 85만명에 이르며, 오는 2025년에는 1백만명, 2051년에는 2백만명으로 급증할 전망입니다. 그 말인 즉슨 올해에만 3분마다 1명 꼴로, 22만5000명의 치매 환자가 발생한다는 뜻인데요. 80세 이상 노인의 6명 중 1명은 치매를, 요양 시설에 머무르는 노인의 70%는 치매 또는 중증 기억 장애를 갖고 있습니다. 65세 미만의 치매 환자 또한 4만명이 넘으며 흑인, 아시아인, 여타 소수 민족인 2만5천명이 관련 질병을 앓고 있습니다.
치매 치료 비용
치매 치료 비용의 3분의 2는 환자와 그의 가족이 부담합니다. 치매 환자에 지원되는 무급 근로는 연간 110억 파운드, 한화 약 16조5000억원에 이르는데요. 치매는 암, 심혈관 질환, 뇌졸중보다 더 심각한 노년기 장애 원인 중 하나입니다. (관련 통계) 영국 정부는 치매 치료를 지원하기 위해 많은 자원과 노력을 투자해 국민 건강 보험(NHS; National Health Service) 기금을 마련하고 있는데요. 특히 NHS는 1차 진료 기관(PCTs)의 효율화를 통해 관련 비용을 절감하고 있습니다. 구체적으로 사고나 응급 상황, 입원 환자, 외래 환자 등 개별 서비스 현황에 대한 증거 기반의 지식을 통해 지역 및 환자 그룹을 기반으로 건강 불균형을 줄이고, 수요와 공급을 더욱 일치시키고, 무엇보다 다양한 서비스를 통해 비용을 절감할 수 있습니다.
현재 영국의 일반 진료의(GPs)는 치료와 약물 처방 등 1차 진료 서비스를 제공하고, 필요한 경우 환자를 지역 병원 또는 특수 클리닉의 전문의에게 위탁합니다. 일반 진료의는 규모, 자원, 지역 사회 내 치료 범위 측면에서 제한적일 수밖에 없죠.
치매 환자를 위한 솔루션
치매 환자는 장기 간호 대상으로 요양원 치료 시 큰 비용이 발생합니다. 이를 예방하기 위해 영국 서리(Surrey) 지역의 NHS는 연구 센터와 함께 웨어러블, 모니터, 센서, 기타 장치를 이용해 치매 환자의 건강 상태를 집에서 편안하게 모니터링할 수 있는 사물인터넷(IoT) 데이터를 생성합니다. 이 장치를 통해 도출된 정보를 기반으로 환자는 자신의 건강 상태를 더욱 효과적으로 통제하고, 사회 복지 직원은 보다 신속하게 대응할 수 있습니다. NHS 홈페이지에서 이 프로젝트에 대해 자세히 확인할 수 있습니다.
입자 필터링(Particle Filtering)
사물인터넷 데이터를 분석하는 한 가지 방법은 바로 입자 필터링입니다. 사물인터넷 데이터 세트는 보통 베이지안(Bayesian) 프레임워크 내에서 처리할 수 없는데요. 강력한 입자 필터링 방법으로 과거 이력과 실시간 데이터를 모두 처리함으로써 더 나은 의사결정을 내릴 수 있습니다.
보통 베이지안 통계에서는 사전 지식이나 모델링된 현상/애플리케이션(phenomenon/application)에 대한 정보를 이용하는데요. 이를 통해 미지수를 관측치와 결부시키는 미지수 및 우도 함수를 위한 베이지안 모델, 즉 사전 분포도를 구성할 수 있습니다. (Doucet et al., 2008). 또 새로운 증거가 발견되면 기존 지식이나 사후 분포를 업데이트하게 되는데요. 상태 공간 모델(SSM; State Space Model)을 사용해 베이지안 방법을 시계열 데이터 세트에 적용할 수 있습니다. 그렇지만 SSM 매개 변수를 적절하게 정의하지 못하면 모델이 제대로 작동하지 않습니다. 실제 많은 경우, 표준 SSM 방법을 사용할 때 비선형성과 비정규성 가설은 최대 우도를 얻기 힘들게 만듭니다.
비선형 동적 시스템에 대한 고전적인 추론법은 상태 및 궤적(state and trajectories)의 선형화를 기반으로 하는 확장 칼만 필터(EKF; Extended Kalman Filter)입니다. (예: Johnson et al., 2008) EKF는 다수의 비선형 필터링 문제를 해결하는 데 성공적으로 활용돼왔는데요. 그렇지만, 시스템이 상당한 수준의 비선형성을 나타내거나 상태 및 측정 잡음이 상당한 수준의 비정규성을 띤다면 EKF는 실패하는 것으로 알려져 있습니다.
사후 분포가 비정규성 분포를 갖더라도 훌륭한 근사치를 제공하는 대체 방법은 몬테 카를로(Monte Carlo)라고 불리는 시뮬레이션 기반의 방법입니다. 이 방법은 관심 변수의 분포로부터 관측 값을 도출하고, 기대에 의한 경험적 추정치를 계산하는 것에 기반합니다.
관측치를 순차적으로 도출하는 시계열 데이터에 이 방법을 적용하려면 반드시 온라인에서 추론해야 하기 때문에 순차적 몬테 카를로(SMC)가 필요합니다. SMC 방법은 근사 필터링과 평활화에 쓰이는 알고리즘의 범위를 포함하는데요. 그 중 하나가 바로 입자 필터링입니다. 일반적으로 대부분의 문헌에서 입자 필터링을 SMC로 나타내고 있지만, 차이점에 유의하는 것이 매우 중요합니다. 간단히 말하면, 입자 필터링은 복잡한 사후 분포를 근사화할 때 사용하는 시뮬레이션 기반의 알고리즘으로 순차 중요 샘플링(SIS; Sequential Importance Sampling)과 추가 재샘플링을 결합합니다.
SMC 방법은 매우 유연하며, 구현하기 쉽고, 병렬 처리할 수 있으며, 일반적인 설정에 적용할 수 있습니다. 해당 분야는 보다 강력한 계산력을 저렴하게 이용할 수 있고 응용 통계, 엔지니어링, 확률 분야가 발전함에 따라 함께 성장해왔는데요. (Cappe et al. 2007). 마코프 체인 몬테 카를로(MCMC; Markov Chain Monte Carlo) 방법보다 뛰어난 SMC의 강점은 계산 방식이 단순해 모든 데이터를 저장하지 않아도 된다는 것입니다.
사물인터넷 데이터 분석의 놀라운 잠재력
치매 환자를 위한 사물인터넷 기기와 데이터 분석이 보편화되고, 전 세계 모든 치매 환자가 더욱 효과적이고 효율적인 치료를 받게 될 때 헬스케어 비용에 미치는 영향은 상상 그 이상일 것입니다. 실제 빠른 속도로 발전하고 있는 사물인터넷 데이터 분석 기술과 솔루션은 그 놀라운 잠재력을 현실화하고 있는데요.
SAS 웹사이트에서 사물인터넷 데이터 수집 및 통합부터 분석 및 배포에 이르는 전체 사물인터넷 분석 라이프사이클을 최적화하는 사물인터넷 분석 솔루션에 대해 자세히 살펴보세요. 사물인터넷 센서에서 감지되는 엣지(edge) 데이터, 기기 간 전송 중인 데이터, 스토리지나 클라우드에 저장되어 있는 데이터 등 데이터의 종류에 상관없이 데이터 전송 및 저장 비용을 줄이고, 빠르고 신뢰할 수 있는 의사결정을 지원합니다.
참고 문헌:
- National Health Service England, http://www.nhs.uk/NHSEngland/aboutnhs/Pages/Authoritiesandtrusts.aspx (accessed 18 August 2009).
- Pincus SM. Approximate entropy as a measure of system complexity. Proc Natl Acad Sci USA 88: 2297–2301, 1991
- Pincus SM and Goldberger AL. Physiological time-series analysis: what does regularity quantify? Am J Physiol Heart Circ Physiol 266: H1643–H1656, 1994
- Cappe, O.,S. Godsill, E. Moulines(2007).An overview of existing methods and recent advances in sequential Monte Carlo. Proceedings of the IEEE. Volume 95, No 5, pp 899-924.
- Doucet, A., A. M. Johansen(2008). A Tutorial on Particle Filtering and Smoothing: Fifteen years Later.
- Johansen, A. M. (2009).SMCTC: Sequential Monte Carlo in C++. Journal of Statistical Software. Volume 30, issue 6.
- Rasmussen and Z.Ghahramani (2003). Bayesian Monte Carlo. In S. Becker and K. Obermayer, editors, Advances in Neural Information Processing Systems, volume 15.
- Osborne A. M.,Duvenaud D., GarnettR.,Rasmussen, C.E., Roberts, C.E.,Ghahramani, Z. Active Learning of Model Evidence Using Bayesian Quadrature.
