심장 질환, 신장 질환, 그리고 제2형 당뇨병 과 같은 대사 질환은 서로 분리된 것이 아니라 심혈관-신장-대사(CKM) 증후군이라 불리는 상호 연결된 거미줄을 형성합니다. CKM의 진행은 종종 증상이 나타나기 수년 전에 조용히 시작되며, 신체 활동, 수면, 심혈관 활동과 같은 일상적인 습관에 의해 형성됩니다. 이러한 미세한 변화를 조기에 발견하는 것이 추세를 되돌릴가장 좋은 기회를 제공합니다. 그러나 스마트워치는 어제 우리가 무엇을 했는지 쉽게 추적할 수 있지만, 수동적 추적에서 의미 있는 행동으로 나아가는 것은 훨씬 더 어렵습니다: 내 일상 습관은 지금 내 CKM에 어떤 영향을 미치고 있을까? 그리고 30분 더 자거나 빠르게 걷는 운동을 일과에 추가하면, 앞으로 3개월 동안 내 건강은 얼마나 개선될까?
이러한 질문에 답하는 데 나이가 역할을 한다고 여겨지는 경우가 많지만, 출생 연도만으로는 충분하지 않습니다. 같은 해에 태어난 두 사람이 전혀 다른 생리적 건강 상태를 가질 수 있기 때문입니다. 연구자들은 혈액 검사나 웨어러블 센서를 통해 누군가의 몸이 실제 나이보다 빠르게 늙는지 느리게 늙는지를 추정하는 “생물학적 시계”를 개발해 왔지만, 기존의 대부분의 시계는 일상적인 코칭을 위해 만들어지지 않았습니다. 많은 모델이 단순히 출생 연도를 추정하도록 훈련되어 쉽게 바꿀 수 없는 특성에 의존하거나, 특정 습관을 바꾸는 것이 미래 건강을 어떻게 변화시킬지 보여줄 수 없는 블랙박스로 작동합니다.
“코칭 가능한 건강 나이와 반사실 웨어러블 궤적을 통한 개인 맞춤형 건강 코칭” 및 후속 연구인 “웨어러블과 혈액 바이오마커를 활용한 심혈관-신장-대사 건강 나이”에서 우리는 개인의 건강을 추적하는 것과 적극적으로 개선하는 것 사이의 순환 고리를 완성하도록 설계된 연구용(investigational) 프레임워크를 소개합니다. 이 프레임워크는 다음을 제공합니다:
- 코칭 가능한 건강 나이(coachable health age) 모델: 소비자용 웨어러블이 수동적으로 측정한, 수정 가능한 일상적 행동과 생리 데이터로만 구축된 해석 가능한 건강 나이 지표.
- 센서 월드 모델 및 반사실적(counterfactual) 코칭 시스템: 220만 명-주 이상의 웨어러블 데이터로 훈련된 기계 학습 월드 모델(SensorWM)은 개인 맞춤화된 12주 "만약에" 건강 궤적을 시뮬레이션하며, 이를 언어 모델 에이전트와 결합하여 시뮬레이션 결과를 현실적이고 임상의가 검증한 코칭 계획으로 변환합니다.
- 다기관 CKM 건강으로의 확장: 정기 혈액 검사 결과가 있는 경우, 우리의 프레임워크는 웨어러블 데이터 스트림과 실험실 바이오마커를 결합하여 심장, 신장, 대사 시스템 전반의 초기 임상 전(subclinical) 부담을 감지하도록 확장될 수 있습니다.
코칭 가능한 건강 나이 추정, 장기 질병 위험 예측, 개인 맞춤 코칭을 위한 12주 "만약에" 습관 궤적 시뮬레이션에 이르는 우리 프레임워크의 개요.
실제로 바꿀 수 있는 건강 나이 지표
건강 지표가 코칭에 유용하려면 모든 입력이 지속적으로 추적될 수 있고 일상적인 선택을 통해 영향을 받을 수 있는 것이어야 합니다. 우리는 개인의 출생 연도를 추측하도록 모델을 훈련하는 대신, 일상적 행동과 심장대사 질환 위험을 연결하는 발표된 역학 연구에 기반하여 코칭 가능한 건강 나이(CHA) 모델을 구축했습니다. CHA는 소비자용 웨어러블이 수동적으로 측정하는 네 가지 핵심 신호 — 안정 시 심박수, 일일 걸음 수, 수면 시간, 그리고 주간 Active Zone Minutes — 그리고 가능한 경우 다음과 같은 선택적 지표들과 함께 VO2max, 수면 일정 규칙성그리고 인슐린 저항성이 포함됩니다. 활동적인 사람들은 보통 안정 시 심박수가 낮고 수면이 더 좋기 때문에, 우리는 이러한 신호들 간의 중복을 수학적으로 조정하여 각 습관이 여러분의 건강 나이 델타, 즉 CHA와 실제 나이의 차이에 고유한 기여도를 반영하도록 합니다. 음수 델타(예: −3년)는 개인의 생리학적 프로파일이 실제 나이보다 젊어 보인다는 것을 의미하고, 양수 델타는 가속된 노화를 나타냅니다.
우리는 세 개의 독립적인 코호트에서 이 모델을 검증했습니다:
- 미래 질병 예측 (All of Us 연구 프로그램, n = 22,748): Fitbit과 전자 건강 기록 추적에 동의한 68,000명-년 이상의 추적 기간 동안, 기준 시점에서 건강 나이가 달력 나이보다 많았던 건강한 참가자들은 향후 8년 내에 고혈압, 심혈관 질환 또는 제2형 당뇨병 을 발병할 가능성이 유의미하게 더 높았습니다. 표준 임상 지표(나이, 성별, BMI)에 CHA를 추가하면 질병 위험 예측이 유의미하게 개선되었으며, 특히 50세 미만 성인에서 그러했습니다.
- 시간에 따른 개선 (종단 Fitbit 코호트, n = 1,464): 2년에 걸쳐 연속적인 3개월 단위 창에서 사용자를 추적한 결과, 습관에 지속적인 변화가 있었던 사용자들의 경우 CHA가 감소했습니다.
- 임상 건강 지표와의 일치 (WEAR-ME 연구): 역행적 나이를 예측하도록 훈련된 웨어러블 노화 시계와 달리, CHA는 미국 심장 협회의 수정된 Life's Essential 8 심혈관 점수 및 대사증후군 중증도 점수와 더 잘 일치했으며, 참가자 본인이 보고한 자기 건강 상태와도 더 잘 일치했습니다.
All of Us 코호트의 18,423명의 질병 없는 참가자들 중 건강 나이가 달력 나이보다 어리거나 같은 사람들이 8년에 걸쳐 유의미하게 더 높은 무질병 생존율을 보였고 (왼쪽), 2년간의 종단 추적에 따르면 개인은 3개월 단위 창에서 건강 나이를 의미 있게 낮출 수 있었습니다 (오른쪽).
센서 월드 모델로 "만약에" 미래 시뮬레이션하기
건강 나이를 아는 것은 오늘 자신이 어떤 위치에 있는지 알려줍니다. 그 숫자를 개인화된 계획으로 바꾸려면 "만약에(what-if)"(또는 반사실적) 질문에 답해야 합니다: 특정 습관을 바꾸면 앞으로 12주 동안 내 몸은 어떻게 될까요? 그리고 어떤 계획을 현실적으로 지속할 수 있을까요?
정적 계산기에 새로운 걸음 수나 수면 목표를 단순히 입력하는 것은 몸이 연결된 시스템으로서 적응하는 방식을 놓치게 됩니다. 여러 주에 걸쳐 꾸준히 더 많이 움직이고 더 잘 자면, 안정 시 심박수와 심박 변이도도 점차 개선되어 후속적으로 추가적인 건강상 이점을 만들어냅니다.
이러한 역학을 포착하기 위해, 우리는 약 100,000명의 동의한 Fitbit 사용자로부터 수집된 식별 정보가 제거된 2.28백만 명-주 분량의 데이터로 사전 훈련된, 행동 조건부 월드 모델인 Sensor World Model(SensorWM)을 개발했습니다. 2주 분량의 기준 웨어러블 데이터가 주어지면, SensorWM은 서로 다른 일일 걸음 수, 수면, 유산소 운동 루틴에 따라 20개의 생리학적 지표가 향후 12주 동안 어떻게 변화할지 예측하며, TimesFM 과 같은 범용 시계열 파운데이션 모델을 능가하면서도 당뇨병, 고혈압, 인슐린 저항성과 관련된 임상 패턴을 보존합니다.
우리는 SensorWM에 실현 가능성 제약 최적화기와 언어 모델 코칭 에이전트를 결합하여 세 가지 작업을 수행했습니다:
- 시뮬레이션: SensorWM은 각 사람에 대해 125개의 후보 12주 습관 조합을 전개하고, 습관이 그대로 유지될 경우의 "현상 유지" 예측과 비교합니다.
- 현실성과 안전성 필터링: 가장 공격적인 운동 계획은 2주 차에 번아웃이 온다면 도움이 되지 않습니다. 우리의 최적화기는 예상되는 건강 나이 감소를 각 사람의 과거 습관 유연성과 임상 안전 한계와 함께 고려하여, 기준 유연성이 높은 사람에게는 더 야심 찬 목표(−2.3년)를, 루틴이 더 제한적인 사람에게는 더 완만한 상승 계획(−1.3년)을 선택합니다.
- 코치: 이 언어 모델은 최상위 순위의 경로를 지원적이고 점진적인 12주 코칭 플랜으로 변환합니다.
SensorWM은 후보 습관 변화에 따른 12주간의 생리학적 반응을 시뮬레이션하고, 건강 나이 개선을 각 개인의 과거 습관 유연성과 균형 있게 비교합니다.
라이프스타일 코치와 임상의들에 의해 시험을 거치다
월드 모델 시뮬레이션에 언어 모델을 접목하는 것이 실제로 동일한 모델에 사용자의 웨어러블 기록만을 제공하는 것보다 더 나은 가이던스를 만들어낼까?
우리는 5명의 인증된 라이프스타일 코치와 5명의 전공의 인증 일차 진료 및 라이프스타일 의학 의사가 다섯 가지 행동 페르소나에 걸친 49개 참가자 프로필(총 490건의 짝지어진 리뷰)에 대해 실시한 맹검 직접 비교 연구와, 전체에 걸친 자동 평가를 함께 진행했습니다. WEAR-ME 집단(n = 2,780).
- 강한 전문가 선호: 라이프스타일 코치들은 평가의 71.4%에서 반사실 기반 계획을 전반적으로 가장 좋은 계획으로 선택했으며(p < 0.001), 평가의 71.0%에서 장기적인 실천 가능성이 더 높다고 평가했습니다(p < 0.001).
- 임상의 검증 완료 안전성: 의사들은 99.2%의 반사실 계획을 안전한 운동 강도 범위 내로 평가했으며, 생리학적 주장에 대해서는 97.6%가 정확하다고 판단했다.
- 왜 효과가 있었는가: 두 코치와 임상의 모두, 사람들에게 '현상 유지' 경로와 달성 가능한 '만약에' 선택지 사이의 구체적인 대조를 보여주는 것(임상의 중 92% vs. 8%)이 행동할 명확하고 동기 부여가 되는 이유와 더 강한 주체성(97% vs. 59%)을 갖게 해 준다고 강조했습니다.
공인 라이프스타일 코치 및 전문의 자격을 갖춘 임상의들의 블라인드 평가에서 반사실(counterfactual)에 기반한 코칭 플랜은 임상 안전 기준 99.2%를 충족하면서 일반 웨어러블 기반 플랜보다 약 3대 1로 선호되었습니다.
장기 시스템으로 시야를 좁히기: CKM 건강을 위한 정기 혈액 바이오마커 추가
우리의 건강 나이 모델은 모듈형이기 때문에, 이용 가능한 경우 정기 임상 검사 데이터를 손쉽게 통합할 수 있습니다. 우리의 동반 연구에서는 이 프레임워크를 확장하여 개별 장기 시스템 전반에 걸친 CKM 증후군을 프로파일링했으며, 일상적인 웨어러블 데이터에 단독으로는 일상적 생활 패턴을 놓치기 쉬운 간헐적 혈액 바이오마커를 결합했습니다.
다양한 노화 프로파일에서 장기별 혈액 바이오마커와 웨어러블 생리 데이터를 통합하는 멀티모달 CKM 건강 나이 모델의 개념적 프레임워크.
초기 CKM 저하는 증상을 유발하는 경우가 드물고, 간헐적인 병원 채혈은 일상적 생활 패턴을 놓치기 쉽습니다. 819명의 WEAR-ME 참가자를 대상으로 평가된 우리의 멀티모달 CKM 건강 나이 모델은 지속적인 웨어러블 신호(안정 시 심박수, 걸음 수, active zone minutes, 수면)를 세 가지 정기 혈액 바이오마커, 즉 콜레스테롤 대 HDL 비율(심혈관), eGFR (신장 여과 기능), 그리고 HOMA-IR (대사성 인슐린 저항성)와 결합합니다.
각 바이오마커가 건강한 임상 기준치에서 얼마나 벗어나 있는지를 측정함으로써(정규화된 편차 점수), CKM 모델은 다기관 노화가 단일 템플릿을 따르지 않음을 밝혀냈습니다. 대사적 및 심혈관 스트레스는 종종 상관관계를 보이는 반면, 초기 신장 저하는 종종 독립적으로 나타납니다. 더욱이, 도출된 CKM 건강 나이 격차는 객관적인 임상 점수(수정된 Life's Essential 8의 r = −0.58; 대사증후군 중증도 r = 0.65)와 참가자들이 일상적으로 느끼는 건강 상태 모두와 밀접하게 일치했습니다.
신장, 대사, 심혈관 시스템 전반의 인구 수준 이질성(teal = 기준보다 건강함; brown = 임상 하 스트레스), 개인화된 다기관 프로파일링이 중요한 이유를 보여줍니다.
앞으로의 전망
이러한 연구들을 종합하면, 소비자용 웨어러블과 기계 학습이 개인 건강을 후방 미러를 들여다보는 것에서 앞으로의 길을 항해하는 것으로 전환하는 데 어떻게 도움을 줄 수 있는지 보여줍니다. 우리의 평가는 후향적 연구 코호트를 사용한 오프라인 환경에서 수행되었으며, 이러한 모델은 임상 진단 도구가 아닌 연구 목적의 조사 단계 프로토타입이지만, 상호작용형 "what-if" 코칭이 사람들이 지속 가능한 습관을 형성하고 장기 건강을 개선하는 데 어떻게 도움을 줄 수 있는지 검증하는 향후 전향적 시험의 기반을 마련합니다.
감사의 글
여기서 설명한 연구는 Google Research와 협력 팀들에 걸친 공동 연구입니다. 기여자로는 Zeinab Esmaeilpour, Simon A. Lee, Menglian Zhou, Marius Guerard, Sohrab Sidhu, Alexandru Solot, Hamid Palangi, Pramod Rudrapatna, Ming-Zher Poh, Max A. Xu, Daniel McDuff, Dimitrios Antos, Yuzhe Yang, Jeffrey N. Chiang(UCLA 소속), Anthony Z. Faranesh, Conor Heneghan, Lindsey Sunden, Mark Malhotra, Cathy Speed, Javier L. Prieto, Shwetak Patel, A. Ali Heydari, Ahmed A. Metwally가 있습니다.