인터랙티브 머신러닝 기반 맞춤형 모바일 건강 관리 시스템

초록

본 논문은 텔레메디신 플랫폼에 인터랙티브 머신러닝(iML)을 적용하여 사용자의 프로필, 활동 데이터, 그리고 의료 제공자의 피드백을 실시간으로 학습함으로써 자동화되고 개인화된 생활 습관 개입을 구현하는 방법을 제시한다. 시스템 아키텍처, iML 프로세스 설계, 초기 구현 결과 및 향후 연구 방향을 논의한다.

상세 분석

이 연구는 기존 모바일 헬스(mHealth) 솔루션이 주로 정적 규칙 기반 또는 사후 분석에 의존하는 한계를 극복하고자, 인터랙티브 머신러닝(iML)이라는 인간‑기계 협업 학습 프레임워크를 도입하였다. iML은 모델이 초기 학습 단계에서 제한된 라벨 데이터를 사용해 예비 예측을 수행하고, 이후 의료 제공자와 사용자가 제공하는 피드백(예: 목표 달성 여부, 주관적 만족도, 부작용 보고)을 통해 모델 파라미터를 지속적으로 업데이트한다는 점에서 기존의 배치 학습 방식과 차별화된다.

시스템 아키텍처는 크게 데이터 수집 레이어(웨어러블 센서, 스마트폰 GPS, 설문 응답), 데이터 전처리 및 저장 레이어(클라우드 기반 데이터 레이크, 프라이버시‑보호 익명화), iML 엔진 레이어(온라인 학습 알고리즘, 모델 버전 관리), 그리고 인터페이스 레이어(사용자 모바일 앱, 의료 제공자 대시보드)로 구성된다. 특히 iML 엔진에서는 확률적 그래디언트 디센트와 베이지안 업데이트를 결합한 하이브리드 온라인 학습 방식을 채택해, 데이터 스트림이 들어올 때마다 모델이 즉시 재조정된다. 이는 사용자 행동 패턴이 급격히 변할 때(예: 계절성 활동 변화, 급성 질환 발생)에도 적응성을 유지하도록 설계된 것이다.

예측 모델은 다중 과제 학습(multi‑task learning) 구조를 사용한다. 하나의 공유된 피처 추출기(예: LSTM 기반 시계열 인코더) 위에 활동 목표 달성 확률, 체중 변화 추세, 스트레스 수준 등 여러 출력 헤드를 두어, 서로 연관된 건강 지표를 동시에 추정한다. 이렇게 하면 개별 모델을 별도로 학습할 때보다 데이터 효율성이 크게 향상된다.

피드백 루프는 두 단계로 나뉜다. 첫 번째는 자동 피드백으로, 센서 데이터와 사전 정의된 임계값을 기반으로 즉시 알림을 생성한다. 두 번째는 인간 피드백으로, 의료 제공자가 대시보드에서 사용자의 진행 상황을 검토하고, 목표를 조정하거나 개입 전략을 수정한다. 인간 피드백은 라벨링 형태(‘성공’, ‘실패’, ‘조정 필요’)로 iML 엔진에 전달되어, 손실 함수에 가중치를 부여함으로써 모델이 인간의 임상 판단을 반영하도록 만든다.

초기 구현 결과는 30명의 파일럿 참가자를 대상으로 8주간 진행되었으며, iML 기반 모델이 전통적인 규칙 기반 시스템 대비 목표 달성률을 12%p 상승시켰다. 또한, 의료 제공자는 모델이 제안한 맞춤형 개입이 환자 동기 부여에 긍정적인 영향을 미친다고 평가했다. 그러나 데이터 불균형(활동량이 낮은 사용자 비중)과 피드백 지연(의료 제공자 응답 시간) 문제가 여전히 존재한다.

향후 연구에서는 연합 학습(Federated Learning)과 차등 개인정보 보호(Differential Privacy)를 결합해 데이터 주권을 강화하고, 강화학습 기반 개입 정책을 도입해 장기적인 행동 변화를 최적화할 계획이다. 또한, 다양한 만성질환(당뇨, 고혈압 등) 코호트를 확대하여 모델의 일반화 가능성을 검증하고, 실시간 정책 검증을 위한 A/B 테스트 인프라를 구축할 예정이다.