퇴원 후 노인 취약성·생리·이동성·주거환경을 포괄한 장기 지리·다중모드 데이터셋

초록

GEOFRAIL 데이터셋은 퇴원 후 8주 동안 노인 환자 18명을 대상으로 스마트워치, 스마트폰, 실내·수면 센서 등 다중모드 센서를 통해 수집한 생리·활동·위치 데이터를 제공한다. 이와 함께 2주 간격으로 수행된 임상 평가와, 방문·체류 장소의 주변 편의시설, 범죄율, 인구통계 정보를 연계해 개인의 회복 궤적과 지역 환경 요인의 상관관계를 분석할 수 있다.

상세 분석

본 연구는 노인 환자의 퇴원 후 회복 과정을 다차원적으로 포착하기 위해 센서 기반 연속 측정과 지리·사회경제적 맥락 정보를 통합한 최초의 공개 데이터셋을 구축하였다. 데이터 수집은 MAISON 플랫폼을 활용해 Google Pixel Watch 2, Android 스마트폰, 거실 모션 센서, Under‑Mattress 수면 매트를 연동했으며, 센서별 샘플링 주기와 전력 관리가 세밀히 설계되었다. 스마트워치는 1초 가속도, 30분 간격 심박수, 연속 걸음 수, 외부 GPS(1분 간격) 데이터를 제공하고, GPS는 50 m 반경의 가정 지오펜스를 벗어날 때만 활성화돼 배터리 소모를 최소화한다. 수면 매트는 총수면시간, 깊은·얕은·REM 수면 비율, 코골이 시간, 수면 중 심박수 등을 기록한다. 이러한 원시 데이터는 일일 단위의 46개 특징(가속도 통계, 심박 변동성, 이동 거리, 수면 효율 등)으로 전처리되어 56일 동안 매일 제공된다.

임상 평가는 Fried의 취약성 표준에 따라 근력, 체중, TUG, RAPA, CFS‑HQ 등을 포함하고, 2주마다 SIS, OHS, OKS, 30초 의자 올리기 테스트 등을 비디오 콜로 수행했다. 이로써 객관적 센서 데이터와 주관적 기능·사회적 고립 지표를 동시에 추적할 수 있다.

지리적 연계는 GPS 좌표를 기반으로 1 km 반경 내의 공원·도서관·카페·커뮤니티 센터·예배당 수를 Google Places API로 집계하고, 우편번호를 이용해 토론토 경찰청 범죄 데이터와 캐나다 통계청의 인구·소득·주거·교육 지표와 매핑했다. 개인정보 보호를 위해 원시 좌표와 우편번호는 코드(L0001‑L4096)와 3‑5 % 난수 교란을 적용해 익명화했으며, 시간 스탬프도 소량 변형하였다.

기술 검증에서는 센서 특징과 임상 점수 간의 상관관계, 위치 기반 편의시설·범죄율·사회경제 지표와 이동·활동 패턴 간의 일관성을 확인했다. 또한, 회복 궤적(예: 걸음 수 증가, TUG 개선) 예측을 위해 랜덤 포레스트와 XGBoost 모델을 적용했으며, 다중모드 데이터가 단일 모드보다 AUROC 0.78에서 0.84로 향상되는 것을 보고했다. 데이터셋은 Zenodo에 공개돼 재현 가능 연구와 새로운 알고리즘 개발에 활용될 수 있다.

핵심 인사이트는 (1) 연속적인 생리·활동 데이터가 전통적인 2주 간격 임상 평가보다 미세한 회복 변화를 포착한다, (2) 주변 환경(편의시설 접근성, 범죄 위험, 소득 수준)이 이동성 및 사회적 고립에 실질적인 영향을 미친다, (3) 다중모드와 지리적 맥락을 결합한 모델이 회복 예측 정확도를 크게 높인다. 이는 퇴원 후 맞춤형 재활 개입과 지역사회 기반 지원 정책 설계에 중요한 근거를 제공한다.