Data-Driven Approaches to Improve Chronic Disease Management with Physiological Signals

Abstract

다양한 의료기기 및 측정기기들을 개발 및 상용화는 환자의 건강 개선, 삶의 질 증대, 의료 비용의 감소로 이어졌다. 의료 및 측정 기기들로 획득되는 데이터의 양은 방대해졌고, 연구자들은 축적된 의료 데이터를 바탕으로 질병 관리를 개선할 수 있는 방법들을 고안 및 제안해왔다. 최근 각광받고 있는 데이터 기반의 모델링 방법은 질병 검출/예측/관리/치료 등의 방법에 사용되어 질병 관리의 수준을 높이고 있다. 이 논문에서는 꾸준한 관리와 모니터링이 필요한 당뇨병과 정신 질환을 다룬다. 논문은 세 부분으로 나뉜다. 첫번째, 당뇨병을 겪는 환자를 위한 혈당 관리의 개선을 돕는 머신러닝/딥러닝 접근방법을 소개한다. 이 부분에서는 식후 저혈당을 예측하거나 혈당 값들을 예측하는 연구를 소개한다. 두번째, 정신 스트레스로 인해 고통을 받고 있는 사람을 돕는 스트레스 검출 딥러닝 모델을 소개한다. 이 부분에서는 심전도와 호흡신호를 사용한 스트레스 검출과 다중신호를 사용한 스트레스 검출을 소개한다. 마지막으로, 한국 청소년의 도박 요소를 분석하는 머신러닝 접근 방법과 도박 수준을 예측하는 머신러닝 모델 개발을 소개한다. 이 논문에서 제안된 머신러닝/딥러닝 접근방식은 실제 생활에 적용되기 까지는 많은 과정이 필요하나, 연구들의 의미있는 결과들은 개선된 혈당 관리 및 정신 질환 관리의 도움이 될 수 있음을 시사한다. 머신러닝/딥러닝 접근 방식은 고도화된 알고리즘들의 결합을 통해서 성능이 더 개선될 수 있다는 점에서 무한한 성장 가능성을 갖는다.

The development and commercialization of various medical and monitoring devices has led to improved patient health, improved quality of life, and reduced medical costs. Furthermore, the amount of data acquired by the devices has increased, and researchers have been devising and proposing methods to improve disease management. Data-driven modeling methods, which has recently been spotlighted, has been used in disease detection, prediction, management, and treatment methods to improve the level of disease management. In this study, among various diseases, diabetes mellitus and mental diseases that require continuous management and monitoring are targeted. This paper is divided into three parts. First, we present machine learning (ML) and deep learning (DL) approaches to help improve the management of blood glucose (BG) levels in patients with diabetes. In this section, we present studies predicting postprandial hypoglycemia or BG levels. Second, we introduce a stress detection DL model that helps people suffering from mental stress. This part introduces stress detection using electrocardiogram (ECG) and respiration (RESP) waveform, and stress detection using multi-modal signals. Finally, we introduce an ML approach to analyze gambling factors of Korean adolescents and the development of ML models to predict the gambling level. Although the ML and DL approaches proposed in this paper require more steps to be utilized in the real world, the meaningful results of each study indicate that it can be helpful for improved BG level management and management of mental health. The approaches have unlimited growth potential in that it can further improve performance by combining advanced algorithms or leveraging large-scale dataset.