당신에게 보라고 요청하지 않고 관찰하는 AI 구축하기

당신이 건강을 체크하는 것이 아닙니다. 건강이 당신을 체크합니다.

대부분의 건강 모니터링 시스템은 동일한 근본적인 가정을 가지고 있습니다:

환자가 참여해야 한다.

앱을 엽니다.
심박수를 측정합니다.
혈압을 측정합니다.
설문지에 답합니다.
인지 테스트를 완료합니다.
대시보드를 확인합니다.

하지만 인간의 건강은 버튼 클릭을 기다리는 애플리케이션처럼 작동하지 않습니다.

질병은 종종 그 사람이 증상으로 인식하기 훨씬 전부터 누군가의 정상 상태로부터 벗어나는 편차(deviation)로 시작됩니다.

만약 의료 서비스가 환자에게 지속적으로 테스트를 수행하도록 요청하지 않고도 이러한 편차를 감지할 수 있다면 어떨까요?

그것이 바로 PassiveDx의 아이디어입니다.

스마트워치가 아닙니다.

또 다른 건강 대시보드도 아닙니다.

AI 의사도 아닙니다.

각 개인에게 있어 '정상'이 무엇인지 조용히 학습하고, 시간이 지남에 따라 의미 있는 변화를 찾아내는 개인용 건강 이상 탐지(anomaly detection) 레이어입니다.

핵심 아이디어 (The Core Idea)

모든 사람은 행동적 및 생리적 기준선(baseline)을 가지고 있습니다.

그들의:

• 움직임 패턴 (movement patterns)
• 보행 (gait)
• 타이핑 역학 (typing dynamics)
• 수면 리듬 (sleep rhythm)
• 심박 변이도 (heart-rate variability)
• 활동 패턴 (activity patterns)
• 호흡 패턴 (respiratory patterns)
• 미세 움직임 (micro-movements)
• 상호작용 패턴 (interaction patterns)

은 무작위가 아닙니다.

이것들은 종단적 시그니처(longitudinal signature)를 형성합니다.

PassiveDx는 이 시그니처를 API로 취급합니다.

Human
  │
  ├── Motion
...

시스템은 다음과 같이 시작하지 않습니다:

"이 사람은 어떤 질병을 가지고 있는가?"

시스템은 다음과 같이 시작합니다:

"무엇이 변했는가?"

이 차이는 근본적입니다.

진단에서 편차 탐지로 (From Diagnosis to Deviation Detection)

전통적인 임상 시스템은 대개 알려진 질병을 중심으로 구축됩니다.

Disease
   ↓
Symptoms
...

PassiveDx는 방향을 뒤집습니다:

Continuous Behavior
        ↓
Personal Baseline
...

목표는 진단을 대체하는 것이 아닙니다.

목표는 증상이 명확해지기 전의 신호(signal)를 감지하는 것입니다.

이것이 PassiveDx를 자율 의사보다는 조기 경보 시스템(early-warning system)에 더 가깝게 만듭니다.

왜 수동적 감지(Passive Sensing)인가?

수동적 감지 (Passive sensing)는 이미 과학적 토대를 갖추고 있습니다.

예를 들어, 스마트폰의 키스트로크 역학 (keystroke dynamics)은 인지 및 신경학적 상태를 나타내는 잠재적인 디지털 바이오마커 (digital biomarkers)로서 연구되어 왔습니다. 기존 연구들은 지속적으로 수집된 타이핑 메타데이터 (typing metadata)가 부담이 적은 행동 정보의 원천이 될 수 있음을 탐구해 왔습니다.

보다 최근의 연구들은 이러한 관계가 보편적으로 예측 가능한 것은 아니라는 점을 보여줍니다. 즉, 타이핑 특징 (typing features)은 특정 인지 결과와 상관관계가 있을 수 있지만, 인구 집단이나 도메인에 따라 다르게 나타날 수 있습니다. 바로 그렇기 때문에 PassiveDx는 이러한 신호들을 진단적 진실 (diagnostic truth)이 아닌 **확률적 증거 (probabilistic evidence)**로 취급해야 합니다.

Wi-Fi 채널 상태 정보 (Channel State Information, CSI)는 또 다른 흥미로운 감지 양식 (sensing modality)입니다.

연구에 따르면 범용 하드웨어를 사용하여 CSI로부터 호흡 운동을 추출하는 것이 가능하다는 것이 입증되었으며, 이는 전용 웨어러블 (wearable) 장치 없이도 비접촉식 감지 (contactless sensing)를 가능하게 합니다.

따라서 흥미로운 질문은 다음과 같습니다.

"단일 센서가 질병을 진단할 수 있는가?"

이 아니라,

"여러 개의 약한 신호들이 종단적 (longitudinally)으로 해석되고 개인에게 맞춤화되었을 때 유용해질 수 있는가?"

이것이 바로 PassiveDx의 설계 기반이 되는 아키텍처적 베팅 (architectural bet)입니다.

아키텍처 (The Architecture)

PassiveDx는 7계층 시스템으로 설계되었습니다.

Layer 0 — 동의 구조 (Consent Fabric)

개인정보 보호 (Privacy)는 부가적인 기능이 아닙니다.

그것은 첫 번째 계층입니다.

동의 (Consent)
  ↓
데이터 최소화 (Data Minimization)
...

사용자는 다음 사항을 결정할 수 있어야 합니다:

• 어떤 센서를 활성화할 것인지
• 무엇을 로컬에서 처리할 것인지
• 어떤 메타데이터가 기기를 떠날 수 있는지
• 어떤 임상 워크플로우 (clinical workflows)가 정보를 받을 수 있는지
• 동의가 언제 만료되는지

Layer 1 — 수동적 센서 (Passive Sensors)

PassiveDx는 사람들이 이미 사용하고 있는 기기들로부터 잠재적으로 신호를 수집할 수 있습니다.

스마트폰

• 가속도계 (accelerometer)
• 자이로스코프 (gyroscope)
• 움직임 (motion)
• 보행 관련 특징 (gait-related features)
• 상호작용 패턴 (interaction patterns)

키보드

• 타이핑 속도 (typing speed)
• 키 누름 지속 시간 (key hold duration)
• 키 사이의 간격 (inter-key intervals)
• 일시 정지 패턴 (pause patterns)
• 수정/백스페이스 동작 (correction/backspace behavior)

중요한 점은:

시스템은 사용자가 무엇을 타이핑했는지 저장할 필요가 없습니다.

시스템은 파생된 타이밍 특징 (derived timing features)을 기반으로 작동할 수 있습니다.

웨어러블 (Wearables)

• 심박수 (heart rate)
• 심박 변이도 (HRV)
• 수면 (sleep)
• 활동 (activity)

Wi-Fi CSI

잠재적 활용 분야:

• 호흡 (respiration)
• 움직임 (movement)
• 존재 여부 (presence)
• 보행 관련 패턴 (gait-related patterns)

주변 오디오 (Ambient audio)

명시적인 선택적 동의 (explicit opt-in)가 있는 경우에만 가능합니다.

권장되는 아키텍처는 다음과 같습니다:

오디오 (Audio)
  ↓
온디바이스 특징 추출 (On-device feature extraction)
...

레이어 2 — 로컬 특징 엔진 (Local Feature Engine)

원시 데이터 (Raw data)는 가능한 한 로컬에 머물러야 합니다.

원시 신호 (Raw Signal)
    ↓
신호 품질 (Signal Quality)
...

중요한 원칙은 다음과 같습니다:

모델이 필요로 하지 않는다면 원시 신호 (raw signal)를 이동시키지 마십시오.

이는 제품의 프라이버시 아키텍처를 극적으로 변화시킵니다.

레이어 3 — 개인별 기준선 (Personal Baseline)

이 지점이 PassiveDx가 단순한 임계값 기반 (threshold-based) 모니터링 시스템과 근본적으로 달라지는 부분입니다.

전통적인 모니터링은 다음과 같이 작동할 수 있습니다:

심박수 (Heart Rate) > X
      ↓
경고 (ALERT)

PassiveDx는 다음과 같이 질문합니다:

이 사람에게 정상적인 상태는 무엇인가?
             ↓
오늘의 행동이 얼마나 변했는가?
...

예를 들어:

1~14일차
개인별 보정 (Personal Calibration)
        ↓
...

기준선 (baseline) 또한 적응형 (adaptive)이어야 합니다.

사람은 변합니다.

여행은 수면을 변화시킵니다.

운동은 심박수를 변화시킵니다.

스트레스는 타이핑을 변화시킵니다.

질병은 활동을 변화시킵니다.

따라서:

개인별 기준선 (Personal baseline) ≠ 정적 임계값 (static threshold).

레이어 4 — 멀티모달 이상 징후 융합 (Multimodal Anomaly Fusion)

단 하나의 비정상적인 신호가 임상 워크플로 (clinical workflow)를 트리거하는 경우는 드물어야 합니다.

대신 다음과 같이 작동합니다:

움직임 이상 (Motion anomaly) ─────┐
                    │
타이핑 이상 (Typing anomaly) ─────┤
...

유용한 개념적 모델은 다음과 같습니다:

이상 징후 (Anomaly) =
    f(
       크기 (magnitude),
...

이를 통해 다음과 같은 중요한 구분이 생깁니다:

약한 이상 징후 (Weak anomaly)

단 한 번의 특이 이벤트.

지속적인 이상 징후 (Persistent anomaly)

동일한 편차가 며칠 동안 지속됨.

멀티모달 이상 징후 (Multimodal anomaly)

여러 독립적인 신호가 함께 움직임.

임상적으로 유의미한 이상 징후 (Clinically relevant anomaly)

해당 편차가 인간의 검토를 정당화할 수 있을 만큼 충분한 증거와 맥락을 갖춤.

레이어 5 — 연합 지능 (Federated Intelligence)

글로벌 모델은 인구 집단으로부터 학습해야 합니다.

개인 모델은 개인적인 상태로 유지되어야 합니다.

              GLOBAL MODEL
                   ▲
                   │
...

가공되지 않은 건강 데이터 (raw health data)를 중앙 집중화하는 대신:

Raw Data
   X

우리는 다음을 목표로 합니다:

Local Training (로컬 학습)
      ↓
Model Updates (모델 업데이트)
...

차분 프라이버시 (differential privacy) 및 엄격한 데이터 최소화 (data minimization)와 결합하여, 이는 중앙 집중식 건강 데이터 웨어하우스보다 훨씬 더 강력한 프라이버시 태세 (privacy posture)를 구축합니다.

하지만 연합 학습 (federated learning)이 마법 같은 프라이버시를 보장하는 것은 아닙니다.

여전히 다음 사항들이 필요합니다:

• 안전한 집계 (secure aggregation)
• 위협 모델링 (threat modeling)
• 업데이트 보호 (update protection)
• 멤버십 추론 분석 (membership-inference analysis)
• 포이즈닝 방어 (poisoning defenses)
• 액세스 제어 (access control)
• 감사 가능성 (auditability)

프라이버시는 광고되는 것이 아니라, 설계 (engineered)되어야 합니다.

레이어 6 — 임상 오케스트레이션 (Clinical Orchestration)

이 단계에서 PassiveDx는 단순한 소비자용 건강 앱의 역할을 벗어납니다.

출력값은 단순히 다음과 같아서는 안 됩니다:

"당신의 건강 점수는 82점입니다."

대신 다음과 같아야 합니다:

Anomaly (이상 징후)
   ↓
Confidence (신뢰도)
...

가능한 조치:

LOW (낮음)
↓
Continue observation (관찰 지속)
...

핵심적인 설계 원칙:

AI는 증거를 생성합니다. 임상 시스템은 그 증거를 어떻게 처리할지 결정합니다.

어떠한 응급 자동화 (emergency automation)라도 특히 세심한 검증, 동의, 장애 처리 (failure handling) 및 규제 분석 (regulatory analysis)을 필요로 할 것입니다.

레이어 7 — 헬스케어 API (Healthcare API)

마지막 레이어는 PassiveDx를 의료 인프라에 연결합니다.

개념적으로는 다음과 같습니다:

PassiveDx
    ↓
FHIR
...

시스템은 전자 건강 기록 (EHR)을 대체하려고 시도해서는 안 됩니다.

대신 추가적인 종단적 신호 레이어 (longitudinal signal layer)가 되어야 합니다.

이를 다음과 같이 생각하십시오:

일상생활과 임상 진료 사이의 API.

가장 중요한 설계 원칙

PassiveDx는 결코 다음과 같이 주장해서는 안 됩니다:

"AI가 파킨슨병을 진단했습니다."

더 안전하고 과학적으로 방어 가능한 진술은 다음과 같습니다:

"시스템이 개인의 과거 기준선 (historical baseline)과 비교하여 운동 행동에서 지속적인 편차를 감지했습니다."

그 차이는 엄청납니다.

그 차이는 다음을 변화시킵니다:

• 제품 포지셔닝 (product positioning)
• 임상 검증 (clinical validation)
• 규제 전략 (regulatory strategy)
• 법적 책임 (liability)
• UX (사용자 경험)
• 모델 설계 (model design)

또한 이는 디지털 바이오마커 (digital biomarkers)의 현실과 더 잘 부합합니다. 즉, 유망한 신호가 자동으로 검증된 진단 테스트가 되는 것은 아닙니다.

규제 현실 (Regulatory Reality)

이 지점에서 많은 AI-헬스케어 스타트업들이 과도한 자신감을 갖게 됩니다.

만약 소프트웨어가 의료적 목적으로 신호를 분석하고 진단, 위험 또는 시간 민감적 (time-critical) 출력을 생성한다면, 규제 의무 (regulatory obligations)가 적용될 수 있습니다.

FDA의 2026년 임상 의사 결정 지원 (Clinical Decision Support, CDS) 가이드라인은 비의료기기 CDS와 의료 신호를 분석하거나 특정 진단, 예방, 치료 또는 시간 민감적 출력을 생성하는 소프트웨어 기능을 명시적으로 구분합니다.

따라서 PassiveDx는 초기에 다음과 같은 방향으로 포지셔닝해야 합니다:

이상 탐지 (anomaly detection) + 임상의 의사 결정 지원 (clinician decision support)

대신에:

자율 진단 (autonomous diagnosis)

정확한 규제 경로 (regulatory pathway)는 의도된 용도 (intended use), 주장 (claims), 입력값 (inputs), 출력값 (outputs), 대상 인구 (population) 및 구현 방식 (implementation)에 따라 달라질 것입니다.

이는 단순히 법적인 문구가 아닙니다.

이는 첫날부터 아키텍처 (architecture)에 영향을 미쳐야 합니다.

비즈니스 모델 (Business Model)

가장 흥미로운 고객이 반드시 소비자 (consumers)인 것은 아닙니다.

잠재적인 B2B2C 고객에는 다음이 포함됩니다:

• 의료 시스템 (health systems)
• 만성 질환 관리 제공자 (chronic-care providers)
• 건강 보험사 (health insurers)
• Medicare Advantage 조직
• 고용주 (employers)
• 연구 기관 (research organizations)

수익 모델은 다음과 같을 수 있습니다:

Provider SaaS
     ↓
Per-member-per-month (PMPM)
...

가상의 모델:

$5 PMPM

1,000 명의 사용자
...

이것들은 예시를 위한 가정일 뿐, 예측치가 아닙니다.

Medicare Advantage가 흥미로운 이유

Medicare Advantage는 기록된 진단명 및 기타 수혜자 정보를 통합하는 위험 조정 모델 (risk adjustment models)을 사용합니다.

2026년 달력 연도 (CY2026)를 기준으로, CMS는 비-PACE 조직을 대상으로 2024년 CMS-HCC 모델의 단계적 도입을 완료했으며, 위험 점수 (risk scores) 산출에 해당 모델을 100% 사용합니다.

이는 다음과 같은 사항을 지원할 수 있는 기술들에게 흥미로운 상업적 환경을 조성합니다:

• 조기 임상 주의 (earlier clinical attention)
• 종단적 모니터링 (longitudinal monitoring)
• 케어 관리 (care management)
• 문서화 워크플로우 (documentation workflows)
• 평가가 필요한 환자 식별 (identification of patients needing evaluation)

하지만 중요한 경계선이 있습니다:

PassiveDx는 HCC 코드를 생성하거나 CMS 지급액을 늘리기 위한 기계로 마케팅되어서는 안 됩니다.

경제적 가치 제안 (economic value proposition)은 다음과 같아야 합니다:

더 나은 탐지 (Better detection)
      ↓
더 나은 임상적 주의 (Better clinical attention)
...

위험 조정 (Risk adjustment)은 비즈니스 케이스의 한 구성 요소일 뿐, 제품 그 자체는 아닙니다.

해자 (The Moat)

해자는 자이로스코프 (gyroscope)가 아닙니다.

키보드 (keyboard)도 아닙니다.

Wi-Fi CSI도 아닙니다.

오토인코더 (autoencoder)도 아닙니다.

이 모든 기술은 복제될 수 있습니다.

해자는 다음과 같습니다:

종단적 데이터 (Longitudinal Data)
       +
개인별 기준선 (Personal Baselines)
...

시스템이 한 개인을 더 오래 관찰할수록, 기준선 (baseline)은 더욱 풍부해집니다.

검증된 인구 집단 (validated populations) 전체에서 더 오래 운영될수록, 인구 모델 (population model)은 더욱 정교해집니다.

이는 다음과 같은 복리 루프 (compounding loop)를 생성합니다:

더 많은 종단적 데이터 (More longitudinal data)
        ↓
더 나은 개인화된 모델 (Better personalized models)
...

이는 단순히 AI 모델을 소유하는 것보다 훨씬 강력한 해자입니다.

MVP (최소 기능 제품)

가장 큰 실수는 모든 모달리티 (modality)를 동시에 구축하려고 시도하는 것입니다.

현실적인 MVP는 세 가지 신호 (signals)로 시작해야 합니다:

스마트폰 움직임 (Smartphone Motion)
       +
키보드 역학 (Keyboard Dynamics)
...

그 다음:

개인별 기준선 (Personal Baseline)
       ↓
시계열 이상 탐지 (Temporal Anomaly Detection)
...

Wi-Fi CSI는 실험적인 네 번째 모달리티가 될 수 있습니다.

주변 소리 (Ambient audio)는 선택 사항이며 개인정보 보호에 민감하게 유지되어야 합니다.

90일 로드맵

1단계 — 1~2주 차

검증 (Validation)

인터뷰:

• 의사 (physicians)
• 간호사 (nurses)
• 만성 질환 관리 팀 (chronic-care teams)
• 환자 (patients)
• 건강 보험 계획 이해관계자 (health-plan stakeholders)

질문:

환자들이 수동적 모니터링 (passive monitoring)을 수용할 것인가?

임상의들이 실제로 관심을 가질 알림 (alerts)은 무엇인가?

어떤 오탐 (false positives)이 시스템을 사용 불가능하게 만들 것인가?

2단계 — 3~5주 차

프로토타입 (Prototype)

구축:

iOS / Android
      +
로컬 특징 엔진 (Local Feature Engine)
...

초기 모델은 의도적으로 단순하게 구성할 수 있습니다.

예를 들어:

• Isolation Forest
• 오토인코더 (Autoencoder)
• 강건한 z-점수 (robust z-score)
• 베이지안 변화점 탐지 (Bayesian change-point detection)

목표는 벤치마크 (benchmark)에서 승리하는 것이 아닙니다.

목표는 신호 (signal)가 존재하는지 여부를 결정하는 것입니다.

3단계 — 6~9주 차

파일럿 (Pilot)

작게 시작하십시오.

50–100명의 참가자
↓
8–12주
...

곧바로 1,000명의 Medicare 가입자로 뛰어들지 마십시오.

먼저 다음을 증명하십시오:

신호 (signal) → 재현성 (reproducibility) → 임상적 관련성 (clinical relevance)

4단계 — 10~12주 차

임상 검증 (Clinical Validation)

측정 항목:

• 민감도 (sensitivity)
• 특이도 (specificity)
• 위양성률 (false-positive rate)
• 알람 부담 (alert burden)
• 보정 (calibration)
• 적절한 경우 AUROC / AUPRC
• 탐지 시간 (time-to-detection)
• 환자 순응도 (patient adherence)
• 임상의 수용성 (clinician acceptance)

그리고 가장 중요한 것:

PassiveDx가 통상적인 진료 (ordinary care)보다 더 일찍 의미 있는 변화를 감지하는가?

무엇이 PassiveDx를 실패하게 만들 수 있는가?

진지한 스타트업 아이디어에는 실패 분석 (failure analysis)이 필요합니다.

1. 위양성 (False Positives)

만약 모든 것이 이상 징후 (anomaly)가 된다면: