이 페이지는 기계 번역되었습니다.
번역 품질에 대한 1분 설문 조사에 참여해 주세요.
데이터 사이언스 및 머신러닝을 통한 목 부상 평가 개선
작성자: Magnús Gíslason, Reykjavík University
전체 인구 중 3분의 2에 달하는 사람들이 적어도 일생에 한 번은 겪는 목 통증은 점점 더 심각한 건강 문제가 되고 있습니다. 이 질환의 일반적인 원인으로는 편타 손상, 머리에 가해지는 타격, 힘든 작업 환경 등이 있습니다. 예를 들어, 외과의사나 치과의사처럼 작업 공간에 몸을 구부리고 오랜 시간을 보내는 직업인들은 목에 통증을 자주 겪습니다. 운동선수, 제트기 조종사, 소방관 등 무거운 보호용 헬멧을 착용하는 사람들도 위험할 수 있습니다.
현재 임상의가 목 부상을 평가하는 데 사용하는 기법 중 다수는 주관적인 가동 범위 관찰에 의존하기 때문에 부상 정도를 측정하거나 치료 중 진행 상황을 추적하기 어렵기 때문에 심각한 단점이 있습니다. 일부 수술은 환자의 머리에 레이저 포인터를 부착하는 등 노동 집약적인 수동 절차가 필요해 주관적인 결과가 나오기도 합니다.
저희 팀은 객관적인 지표를 사용해 목 부상에 대한 임상적 평가를 간소화하고 자동화하는 하드웨어와 소프트웨어를 개발했습니다. 원래 Reykjavík University에서 연구된 이 기술은 스타트업 회사인 NeckCare에서 상용화되었습니다. 이 기술은 MATLAB®에서 개발된 데이터 분석 및 머신러닝 알고리즘과 함께 IMU(관성 측정 장치)가 내장된 헤드기어에 의존합니다. 알고리즘은 IMU에서 전송된 신호를 처리하고(그림 1) 목 움직임에 대한 객관적이고 정량화 가능한 3D 지표를 생성합니다. 건강한 피험자의 IMU 센서 데이터를 편타 손상이나 뇌진탕을 겪은 환자의 데이터와 비교함으로써 알고리즘은 무증상 사례를 정확하게 분류하고 목 부상의 흔한 원인을 겪고 있는 환자를 식별할 수 있습니다.
그림 1. 목 움직임 평가 설정(왼쪽)과 IMU 헤드기어(오른쪽).
버터플라이 테스트 소개
MATLAB 와 함께 IMU 헤드기어를 사용하면 인간 기구학의 세 가지 주요 차원(가동 범위, 고유감각(신체 부위의 움직임과 방향을 감지하는 능력), 신경근 제어)을 모두 포괄하는 광범위한 평가를 수행할 수 있습니다. 이 중 신경근 평가는 진단에 가장 가치 있는 방법이지만, 기존 기법으로는 정량적으로 수행하기 가장 어려운 방법 중 하나입니다.
개인의 신경근 조절을 평가하기 위해 우리는 버터플라이 테스트라는 특수 절차를 발명하여 특허를 획득했습니다. 이 테스트에서 피험자는 IMU 헤드기어를 착용하고 컴퓨터 모니터 앞에 앉습니다. 피험자는 모니터에서 점이 움직일 때 세 가지 다른 궤적을 따라 움직이는 것을 시각적으로 추적하라는 지시를 받습니다. 쉬운 것부터 어려운 것까지 다양합니다. (그림 2)
그림 2. 쉬운, 보통, 어려운 버터플라이 테스트에 대한 움직이는 점이 따라오는 경로입니다. 속도는 곡률에 따라 달라지므로 직선 구간에서는 표적이 더 빠른 속도로 움직이고, 굽은 구간에서는 속도가 느려집니다.
테스트 동안, IMU는 피험자가 움직이는 점을 따라갈 때 머리 방향의 변화를 지속적으로 측정합니다. (그림 3) 구체적으로, 롤, 피치, 요 각도를 초당 60회 기록하고 이러한 치수에 따른 머리의 각속도와 가속도도 기록합니다. 이렇게 기록된 데이터는 MATLAB에서 통계 및 머신러닝 기법을 사용하여 처리됩니다.
통계 분석 및 시각화
우리가 개발하고 MATLAB 이용해 분석하는 소프트웨어는 버터플라이 테스트에서 피험자가 움직이는 점을 따라갈 때 머리와 목을 제어하는 능력을 객관적으로 측정하도록 설계되었습니다. 첫 번째 단계로, 소프트웨어는 IMU가 측정한 회전 각도를 모니터 화면 표면과 일치하는 2D 평면에 투사합니다. 이러한 투영법을 사용하면 소프트웨어는 점의 경로를 피험자가 추적한 경로와 비교할 수 있습니다. 이러한 경로를 중첩하여 표시하면 무증상 테스트 대상과 목 부상을 입은 피험자의 성과 차이를 쉽게 확인할 수 있습니다. (그림 4)
그림 4. 무증상 및 편타 손상 피험자를 대상으로 한 버터플라이 테스트 성과의 시각화.
시각화를 생성하는 것 외에도 이 소프트웨어는 무증상 및 증상 있는 피험자 간의 차이를 보다 정량적으로 측정하기 위해 여러 가지 통계적 지표를 계산합니다. 주요 지표는 진폭 정확도, 즉 테스트 전체 기간 동안 대상 점과 피험자-대조 커서 간의 평균 차이입니다. 소프트웨어는 또한 목표 시간을 계산하는데, 이는 커서가 목표 지점에 있거나 목표 근처에 있는 시간의 백분율을 나타냅니다. 여기에는 목표에 비해 뒤처지거나 앞서가는 시간의 비율인 언더슛과 오버슛이 모두 포함됩니다. 마지막으로 소프트웨어는 움직임의 부드러움을 계산하는데, 이는 피험자가 추적한 공간 좌표의 3차 도함수의 이차 합의 적분을 대상이 추적한 동일한 양에 대해 정규화하여 기반한 갑작스러움을 정량화하는 파라미터입니다.
소프트웨어를 사용하여 수행한 분석은 거의 모든 계산된 지표에 대해 무증상 및 편타 손상 피험자 간에 통계적으로 유의미한 차이가 있음을 지속적으로 보여주며, 종종 0.001 미만의 p-값으로 나타납니다. (그림 5)
그림 5. AB(무증상), CC(뇌진탕), WAD(편타 손상) 피험자에 대한 진폭 정확도 플롯입니다.
머신러닝 분류
최근 우리는 머신러닝을 사용하여 테스트 결과에 따라 피험자를 무증상, 편타 손상, 뇌진탕 범주로 분류하는 방법을 연구해 왔습니다. Statistics and Machine Learning Toolbox™의 분류 학습기 앱을 사용하여 버터플라이 테스트에서 얻은 15개 변수, 가동 범위 테스트에서 얻은 30개 변수, 머리/목 재배치 테스트에서 얻은 28개 변수로 구성된 데이터셋을 사용하여 다양한 머신러닝 모델을 훈련했습니다. 제한된 데이터셋으로 모델을 훈련시킨 후, 우리는 나이브 베이즈 모델이 가장 잘 작동하며, 100%에 가까운 정확도로 피험자를 분류하는 것을 발견했습니다. (그림 6)
그림 6. 사용 가능한 모든 기능을 사용해 테스트한 다른 모델과 비교한 나이브 베이즈 모델을 보여주는 분류 학습기 앱.
또한 분류 학습기 앱의 기능 순위 지정 기능을 사용하여 분류에 가장 중요한 기능을 식별했습니다. (그림 7) 이 기능을 통해 ANOVA(분산분석)을 사용하여 순위를 매긴 상위 7개 기능에만 기반한 분류가 모든 기능에 기반한 분류와 동일한 정확도를 제공한다는 것을 확인했습니다. (그림 8) 이제 우리는 훨씬 더 많은 수의 피험자를 포함하도록 훈련 데이터를 확대하고 있으며, 또한 피험자의 장애 심각도에 따라 추가 분류하는 모델도 개발하고 있습니다.
그림 7. 분류 학습기 앱의 기능 순위 지정.
그림 8. 7개의 최상위 순위 기능으로 테스트한 다른 모델과 비교한 나이브 베이즈를 보여주는 분류 학습기 앱.
임상 응용 사례
우리는 의사들이 목 부상 환자를 더 효과적으로 치료할 수 있도록 이 기술의 임상적 도입을 위해 적극적으로 노력하고 있습니다. 이 헤드기어는 현재 미국 식품의약국에 Class 1 의료기기로 등록되어 있습니다. 게다가, 우리는 점점 더 많은 소프트웨어 애플리케이션을 지원하기 위해 MATLAB 알고리즘을 계속해서 개발하고 있습니다. 이러한 응용 사례 중 하나는 원격 의료 및 기타 가정 의료 솔루션으로, 환자는 집에서 이 기술을 사용하여 치료 운동을 수행할 수 있습니다. 또 다른 방법은 두부 부상 후에 운동선수가 경쟁에 참여할 수 있을 만큼 건강한지 평가하는 것입니다. 이 기술은 또한 편타 손상 환자가 제기한 보험 및 장애 청구를 검증하는 방법을 제공할 수도 있습니다. 마지막으로, 우리는 이 기술을 경추 평가뿐 아니라 인체의 다른 부위에도 적용하는 것을 목표로 하고 있습니다.
2024년 기고
