Wearable Missingness as a Behavioral Signal: Detecting Wear Pattern Anomalies Around Cardiovascular Visits

Motivation

• Known: 웨어러블 기기 데이터의 missing data는 일반적으로 MCAR/MAR로 가정되어 imputation이나 제거를 통해 처리되며, 착용 순응도(adherence)가 건강 상태나 인구통계학적 요인과 관련 있다는 것은 선행 연구에서 언급된 바 있다.
• Gap: 기존에는 non-wear의 시간적 구조(temporal structure)를 급성 임상 사건 탐지를 위한 행동 신호로 직접 모델링한 프레임워크가 없었으며, missingness를 MNAR로 간주하고 개인별 착용/비착용 패턴의 이탈 자체를 신호로 활용한 연구도 부재했다.
• Why: 웨어러블 결측치가 단순 노이즈가 아니라 임상적으로 유의미한 행동 신호일 수 있다면, 이를 무시하거나 imputation으로 처리하는 기존 방식은 중요한 조기 경보 정보를 손실시킬 수 있으며, 이는 원격 모니터링 및 예측적 임상 개입에 중요한 함의를 가진다.
• Approach: 각 개인의 요일 유형별(day-type-specific) 착용 패턴을 exponential recency weighting을 적용해 개인화된 baseline으로 구축하고, Jensen-Shannon divergence를 이용해 각 test day의 관찰된 착용 패턴이 baseline에서 얼마나 이탈했는지를 측정하여 personalized 90th percentile threshold로 anomaly를 플래깅하는 방식이다.

Achievement

1. 개인화된 anomaly detection 프레임워크 제안: 웨어러블 missingness를 구조화된 시계열로 취급하여, 요일 유형별 baseline과 Jensen-Shannon divergence 기반 개인화 임계값을 통해 착용 패턴 이상을 탐지하는 프레임워크를 최초로 제시했다.
2. 대규모 실사용 코호트에서의 신호 검증: NIH All of Us Research Program의 390명 참가자, 756건의 심혈관 응급실 방문 데이터를 통해, anomaly rate가 방문 전 주에는 baseline 대비 1.45배(9.39% vs 6.46%), 방문 후 주에는 2.00배(12.9%)까지 상승함을 확인했으며, 신호는 방문 약 10일 전부터 나타나기 시작해 방문 후 30일간 지속되었다.
3. aggregate missingness의 한계 입증: 동일 기간 동안 단순 결측률(aggregate missingness rate)은 방문 전후로 통계적으로 유의한 변화가 없음(p=0.87, p=0.072)을 보임으로써, 요약 통계로는 포착되지 않는 시간적 패턴 이동을 anomaly detector가 포착함을 입증했다.

How

• Fitbit 심박수 데이터를 15분 단위로 이진화(wear/non-wear)하여 하루 96개 슬롯의 binary matrix 구축, 기록이 없는 날은 완전 non-wear로 보존
• NIH All of Us Controlled Tier (v8)에서 Fitbit 데이터, Healthcare Access and Utilization survey 완료, 심혈관 관련 SNOMED 진단이 연결된 응급실/응급 방문 기록이 있는 참가자를 선정하여 최종 390명, 756건 방문 데이터셋 구성
• 각 참가자-방문에 대해 방문 전 60일 test window를 제외한 210일 baseline을 구축하되, 다른 방문의 perivisit window(-60~+30일)와 겹치는 날은 제외
• 요일을 Mon, mid-week(화-목), Fri, weekend(토-일) 네 그룹으로 나누고, half-life 60일의 exponential recency weighting을 적용한 가중 평균 wear probability profile을 계산 후 Gaussian filter(σ=1.5)로 스무딩
• 각 test day의 관찰된 wear pattern과 해당 요일 유형 baseline 간 Jensen-Shannon divergence(JSD)를 계산하고, 개인별 baseline 학습일의 JSD 분포 90th percentile을 임계값으로 사용해 anomaly 여부 판정
• 방문일 기준 -60~+30일 오프셋별 anomaly 비율을 집계하고, far baseline/near-visit/visit day/post-visit 4개 구간으로 비교, training window 길이(30/90/150/210일)에 대한 민감도 분석 수행

Originality

• 웨어러블 missingness를 노이즈가 아닌 MNAR 신호로 재해석하고, 이를 직접 모델링하는 최초의 개인화된 프레임워크를 제시함
• 단순 결측률이 아닌 하루 중 착용 시점의 시간적 패턴(temporal pattern)을 요일 유형별로 개인화하여 비교하는 방법론적 접근이 독창적임
• 대규모 실사용(free-living) 국가 단위 코호트(NIH All of Us)와 EHR 연동을 통해 임상 방문 중심(visit-centered) 평가를 수행한 점이 실증적으로 의미가 큼

Limitation & Further Study

• 코호트가 심혈관 응급실 방문에 국한되어 있어 다른 질환이나 만성질환 악화에 대한 일반화 가능성은 검증되지 않음
• anomaly와 실제 증상 발현/건강 악화 간의 인과관계나 기전(예: 병원 입원으로 인한 물리적 비착용 vs 행동 변화)이 명확히 구분되지 않음
• 90th percentile 임계값 및 half-life 60일 등 하이퍼파라미터 선택에 대한 체계적 최적화나 민감도 분석이 제한적임(training window 길이에 대해서만 robustness 확인)
• 예측 성능(precision/recall, AUROC 등 개별 방문 단위 탐지 성능)이 아닌 집단 수준 anomaly rate 증가만을 보고하여, 실제 조기 경보 시스템으로서의 임상적 유용성 평가는 추가 연구가 필요함

Evaluation

총평: 웨어러블 결측치를 행동 신호로 재해석하는 참신한 관점과 이를 검증하는 견고한 대규모 실증 분석이 돋보이는 연구로, 원격 모니터링 및 조기 경보 시스템 설계에 실질적 함의를 제공하지만, 개별 방문 단위의 예측 성능 평가와 인과 기전 규명은 향후 과제로 남아있다.