수면 데이터로 미래의 질병을 예측할 수 있을까요?

하룻밤의 잠에는 많은 정보가 있습니다

수면 기록이라고 하면 몇 시간 잤는지를 먼저 떠올릴 수 있습니다.

의료기관 등에서 하는 정밀 수면검사는 더 많은 정보를 수집합니다.

뇌파, 심장 활동, 호흡, 혈중 산소, 근육 움직임. 몸에 붙인 센서로 밤새 신호를 기록합니다. 수면다원검사, 줄여서 PSG라고 부릅니다(NHLBI, “Sleep Studies”).

이런 검사는 수면무호흡증 등 수면 문제를 조사하는 데 사용합니다.

기록에는 잔 시간뿐 아니라 그동안 몸이 어떻게 활동했는지도 남습니다. 연구자들은 이 풍부한 정보를 건강을 이해하는 데 더 활용할 수 있는지 살펴보고 있습니다.

약 6만 5,000명의 잠을 학습한 AI

2026년 1월, 의학 학술지 Nature Medicine에 SleepFM 연구가 발표되었습니다.

연구팀은 약 6만 5,000명, 58만 5,000시간이 넘는 수면검사 데이터를 학습에 사용했습니다. 여러 생체 신호를 다루며 질병 위험 예측에는 나이와 성별도 결합합니다.

하룻밤 기록으로 이후 치매나 심근경색 등에 대한 예측 성능을 보고했습니다. 예를 들어 치매의 C-index 지표는 0.85였습니다(Thapa 등, 2026년).

그렇다면 0.85는 얼마나 잘 맞힌다는 뜻일까요?

0.85는 자신의 발병 확률이 아닙니다

C-index는 실제 사건 발생 순서와 AI가 매긴 위험 순서가 얼마나 일치하는지 보는 지표입니다.

대략 비교할 수 있는 두 사람 중 실제 더 일찍 사건이 생긴 사람을 AI도 더 위험하다고 평가했는지 확인합니다.

따라서 0.85를 자신이 치매에 걸릴 확률이 85%라거나 100명 중 85명의 진단을 맞혔다는 뜻으로 읽을 수 없습니다.

위험 순위를 잘 매기는 것과 앞으로 몇 년 안에 몇 퍼센트라는 확률을 정확하게 제시하는 것은 별도로 평가해야 합니다. 예측 확률이 실제 발생 비율과 맞는지 확인하는 것을 보정이라고 합니다(Riley 등, 2024년).

어려운 용어를 외울 필요는 없습니다.

연구의 정확도라는 말을 보면 무엇을 어떻게 예측한 수치인지 확인해 보세요. 그 한 걸음이 결과를 읽는 방식을 바꿀 수 있습니다.

진단이 기록된 날과 발병한 날은 다릅니다

이 연구는 수면검사 기록과 이후 전자의무기록에 남은 병명 등의 정보를 연결합니다(Thapa 등, 2026년).

구분할 것은 진단이 기록된 날짜와 몸 안에서 병이 시작된 날짜입니다.

몸의 변화가 서서히 진행되다가 나중에 검사나 진료를 계기로 병명이 붙을 수 있습니다. 기록상 진단을 예측해도 병이 시작된 순간까지 알아낸 것은 아닙니다.

마찬가지로 수면 특성에서 병을 예측한다고 그 특성이 병의 원인임을 증명한 것도 아닙니다.

깊은 수면을 늘리면 그 병을 예방한다는 결론에는 추가로 다른 종류의 연구가 필요합니다.

누구의 데이터로 검증했는지도 중요합니다

SleepFM 원논문은 데이터의 상당 부분이 수면 문제 등이 의심되어 검사를 받은 사람들의 것이라고 설명합니다. 다른 집단에서도 일부 질병을 검증했지만 모든 항목을 같은 방식으로 확인하지는 못했습니다(Thapa 등, 2026년).

검사를 받은 사람의 데이터에서 얻은 성능을 평소 생활하는 폭넓은 사람에게 그대로 적용할 수 있는 것은 아닙니다.

이 원칙은 의료 AI 전반에서 중요합니다.

학습에 쓰인 사람과 다른 사람에게도 도움이 될까요? 다른 병원이나 시기의 데이터에서도 결과가 유지될까요? 실제 사용할 환경에 가까운 조건에서 평가해야 합니다(Collins 등, 2024년).

데이터의 규모와 사용 대상자에 대한 적합성을 함께 봐야 합니다.

수면검사에서 배운 AI를 손목 센서로

연구는 더 앞으로 나아가고 있습니다.

2026년 9월 공개되고 10월 2일 개정된 SleepFM-2는 200만 시간이 넘는 수면 기록을 사용합니다.

많은 신호에서 특성을 배우고 수면 단계 판정이나 질병 위험 예측 등에 활용합니다. 여러 분석의 토대가 되므로 이런 AI를 파운데이션 모델이라고 부릅니다.

후속 연구에서는 머리에 착용하는 뇌파계와 손목 맥파로 수면 단계를 추정하고 손목 움직임 기록으로 질병 위험도 예측합니다. 용도마다 데이터와 분석 방법은 다릅니다(Thapa 등, SleepFM-2, 2026년).

다만 2026년 10월 19일 기준으로 동료 심사 전 원고인 프리프린트로 공개된 연구입니다. 결과는 이후 검증과 함께 읽어야 합니다.

정밀 수면검사에서 배운 특성을 더 가까운 센서에도 쓸 수 있을까요? 이것이 후속 연구의 흥미로운 점입니다.

Apple Watch의 수면 기록으로도 가능할까요?

여기까지 읽으면 자신의 수면 그래프도 AI에 넣어 보고 싶을 수 있습니다.

하지만 화면의 깊은 수면 몇 분, 수면 점수 몇 점이라는 정보와 연구에서 쓰는 생체 신호 기록은 같은 것이 아닙니다.

Apple의 2025년 기술 자료는 Apple Watch가 가속도 센서 신호로 수면 단계를 추정한다고 설명합니다. 뇌파를 직접 측정하지는 않습니다(Apple, “Estimating Sleep Stages from Apple Watch”).

손목 움직임 신호를 쓰는 연구도 화면에 보이는 수면 시간이나 점수만 입력하는 것은 아닐 수 있습니다.

어떤 센서로 무슨 신호를 모아 어떻게 분석했을까요? 연구 결과를 평소 기기와 연결하려면 이런 차이를 확인해야 합니다.

예측 성공 뒤에 확인할 것들

건강에 도움이 되는 기술이 되려면 예측 성능 너머의 가치도 중요합니다.

높은 위험 결과를 어떤 검사나 상담으로 연결할까요? 그 결정으로 필요한 돌봄을 더 일찍 제공할 수 있을까요? 불필요한 검사와 부담을 피할 수 있을까요?

의료 예측 모델은 이런 실질적인 유용성도 평가해야 합니다(Riley 등, 2024년).

수면 데이터에는 아직 충분히 활용하지 못한 건강의 단서가 있을 수 있습니다. AI가 그 가능성을 조금씩 넓히고 있습니다.

오늘 아침 수면 그래프는 미래의 병을 알리는 예고가 아닙니다.

그래도 매일 밤 몸의 활동을 세심히 살피는 일이 언젠가 필요한 사람에게 적절한 돌봄을 제공하는 데 도움이 될지 모릅니다. SleepFM은 그런 미래로 이어지는 연구 중 하나입니다.