우울증의 조기 발견은 우울증 증상이 인지되지 않거나 치료되지 않은 채 방치될 경우 자살로 이어질 수 있으므로 매우 중요하다. 병원에서는 우울증 진단을 위해 자기기입형 설문지와 면담이 사용된다. 의사들이 환자의 상태를 이해하기 위해 상당한 시간을 면담에 할애하더라도, 우울증은 이질적인 증후군이어서 정확한 진단이 어렵다. 따라서 전통적인 진단 방법의 한계를 보완하기 위해 우울증의 생물학적 측면을 조사할 필요가 있다. 오디오 데이터는 일상생활에서 용이하게 수집할 수 있다. 이에 본 연구는 오디오와 텍스트를 적용하는 다중모달 융합 교차-양식(cross-modality) 모델을 제안하여 우울증을 탐지한다. 제안된 모델은 Distress Analysis Interview Corpus, Emotional Audio and Textual Depression Corpus, 그리고 Korean Depression 데이터셋에서 각각 F1-score 0.67, 0.81, 0.61을 달성하였다. 본 모델은 경량화되어 파라미터 수를 줄이면서도 더 적은 파라미터로 모델 정확도를 유지하도록 설계되었으며, 이를 통해 보편적(pervasive) 기기에서 활용될 수 있다. 본 연구에서는 영어, 중국어, 한국어 우울증 데이터셋을 사용하여 언어 전반에 걸친 제안 모델의 성능을 평가하였다. 교차언어 실험 결과, 모델이 동일한 어휘로 학습되지 않았더라도 다른 언어에 적용 가능함을 확인하였다. 이러한 결과는 비언어적 음성 특징과 언어적 텍스트 특징을 결합함으로써 모델이 구별되는 우울증 특성을 학습했음을 시사한다. 따라서 본 연구는 언어와 기기에 관계없이 일상생활 전반에서 우울증을 탐지하는 데 기여할 것으로 기대된다.

중환자실 환자에서 응급 상황을 조기에 식별하는 것은 정밀의학의 핵심 구성요소이다. 본 연구에서는 8시간 창 내에서 환자의 임상적 상태를 예측하고, 응급 상황을 예상할 때 경보를 작동시키기 위한 다중기울기 시암(temporal) 모델(MG-SiameseTS)을 제시한다. 이 모델은 편향, 데이터 품질, 해석 가능성과 관련된 문제를 해결하기 위해 기울기 추출기, 대조 학습, 초점 손실, 불균형 손실을 통합한다. 한국의 전남대학교병원에서 신속대응팀이 수집한 실용적인 데이터셋을 사용한 실험 결과는 MG-SiameseTS 모델이 여러 최신 방법에 비해 임상 사건에 대한 예측 능력이 우수함을 보여준다.

목적: 전 세계 병원에서 입원 환경 내 임상적 악화(clinical deterioration)가 발생하는 일은 중대한 의료 부담을 초래한다. 이러한 경우 신속한 임상적 개입은 핵심 과제가 된다. 본 연구에서는 고차원 순차 데이터(high-dimensional sequential data)를 내삽(interpolate)하는 종단 간(end-to-end) 딥러닝 아키텍처를 제안하여 임상적 악화 사건의 조기 탐지를 위한 방법을 제시한다. 재료 및 방법: 우리는 악화 사건(deterioration events) 탐지 문제를 두 단계로 고려한다. 즉, 사건 발생 이전 상태인 ‘detection’ 상태를 예측하고, 이어서 탐지 시간으로부터 사건(event)을 예측한다. 본 접근은 다변량 시계열(multivariate time-series)에서 다중 예측을 위한 공유 모델을 사용하여 여러 예측 과제 간의 관련성(task relatedness)을 함께 학습하는 다중 과제 학습(multi-task learning) 전략과 함께 듀얼 채널 그래프 어텐션 네트워크(dual-channel graph attention networks)를 개발하는 것을 포함한다. 결과: 실험은 중환자실(ICUs)에서 수집한 두 개의 임상 시계열 데이터셋에서 수행되었다. 본 모델은 수신자 조작 특성 곡선 아래 면적(area under the receiver operating characteristic curve, AUROC) 및 정밀도-재현율 곡선 아래 면적(area under the precision-recall curve, AUPRC) 측면에서 다른 최신(state-of-the-art) 방법들과 비교할 때 성능 잠재력을 보여주었다. 논의: 제안된 듀얼 채널 그래프 어텐션 네트워크는 다변량 시계열의 특성(feature) 및 시간(time) 영역에서의 상관관계를 명시적으로 학습할 수 있다. 또한 제안된 목적함수는 다중 과제 학습에서 과제 간 관계를 학습하는 문제와 과제 불균형 효과를 감소시키는 문제를 모두 처리할 수 있다. 결론: 제안된 프레임워크 아키텍처를 적용하면 입원 내 악화 사건의 조기 탐지(early detecting)를 구현하는 데 도움이 될 수 있다.

우울증의 조기 발견은 우울증 증상이 인지되지 않거나 치료되지 않은 채 방치될 경우 자살로 이어질 수 있으므로 매우 중요하다. 병원에서는 우울증 진단을 위해 자기기입형 설문지와 면담이 사용된다. 의사들이 환자의 상태를 이해하기 위해 상당한 시간을 면담에 할애하더라도, 우울증은 이질적인 증후군이어서 정확한 진단이 어렵다. 따라서 전통적인 진단 방법의 한계를 보완하기 위해 우울증의 생물학적 측면을 조사할 필요가 있다. 오디오 데이터는 일상생활에서 용이하게 수집할 수 있다. 이에 본 연구는 오디오와 텍스트를 적용하는 다중모달 융합 교차-양식(cross-modality) 모델을 제안하여 우울증을 탐지한다. 제안된 모델은 Distress Analysis Interview Corpus, Emotional Audio and Textual Depression Corpus, 그리고 Korean Depression 데이터셋에서 각각 F1-score 0.67, 0.81, 0.61을 달성하였다. 본 모델은 경량화되어 파라미터 수를 줄이면서도 더 적은 파라미터로 모델 정확도를 유지하도록 설계되었으며, 이를 통해 보편적(pervasive) 기기에서 활용될 수 있다. 본 연구에서는 영어, 중국어, 한국어 우울증 데이터셋을 사용하여 언어 전반에 걸친 제안 모델의 성능을 평가하였다. 교차언어 실험 결과, 모델이 동일한 어휘로 학습되지 않았더라도 다른 언어에 적용 가능함을 확인하였다. 이러한 결과는 비언어적 음성 특징과 언어적 텍스트 특징을 결합함으로써 모델이 구별되는 우울증 특성을 학습했음을 시사한다. 따라서 본 연구는 언어와 기기에 관계없이 일상생활 전반에서 우울증을 탐지하는 데 기여할 것으로 기대된다.

중환자실 환자에서 응급 상황을 조기에 식별하는 것은 정밀의학의 핵심 구성요소이다. 본 연구에서는 8시간 창 내에서 환자의 임상적 상태를 예측하고, 응급 상황을 예상할 때 경보를 작동시키기 위한 다중기울기 시암(temporal) 모델(MG-SiameseTS)을 제시한다. 이 모델은 편향, 데이터 품질, 해석 가능성과 관련된 문제를 해결하기 위해 기울기 추출기, 대조 학습, 초점 손실, 불균형 손실을 통합한다. 한국의 전남대학교병원에서 신속대응팀이 수집한 실용적인 데이터셋을 사용한 실험 결과는 MG-SiameseTS 모델이 여러 최신 방법에 비해 임상 사건에 대한 예측 능력이 우수함을 보여준다.

목적: 전 세계 병원에서 입원 환경 내 임상적 악화(clinical deterioration)가 발생하는 일은 중대한 의료 부담을 초래한다. 이러한 경우 신속한 임상적 개입은 핵심 과제가 된다. 본 연구에서는 고차원 순차 데이터(high-dimensional sequential data)를 내삽(interpolate)하는 종단 간(end-to-end) 딥러닝 아키텍처를 제안하여 임상적 악화 사건의 조기 탐지를 위한 방법을 제시한다. 재료 및 방법: 우리는 악화 사건(deterioration events) 탐지 문제를 두 단계로 고려한다. 즉, 사건 발생 이전 상태인 ‘detection’ 상태를 예측하고, 이어서 탐지 시간으로부터 사건(event)을 예측한다. 본 접근은 다변량 시계열(multivariate time-series)에서 다중 예측을 위한 공유 모델을 사용하여 여러 예측 과제 간의 관련성(task relatedness)을 함께 학습하는 다중 과제 학습(multi-task learning) 전략과 함께 듀얼 채널 그래프 어텐션 네트워크(dual-channel graph attention networks)를 개발하는 것을 포함한다. 결과: 실험은 중환자실(ICUs)에서 수집한 두 개의 임상 시계열 데이터셋에서 수행되었다. 본 모델은 수신자 조작 특성 곡선 아래 면적(area under the receiver operating characteristic curve, AUROC) 및 정밀도-재현율 곡선 아래 면적(area under the precision-recall curve, AUPRC) 측면에서 다른 최신(state-of-the-art) 방법들과 비교할 때 성능 잠재력을 보여주었다. 논의: 제안된 듀얼 채널 그래프 어텐션 네트워크는 다변량 시계열의 특성(feature) 및 시간(time) 영역에서의 상관관계를 명시적으로 학습할 수 있다. 또한 제안된 목적함수는 다중 과제 학습에서 과제 간 관계를 학습하는 문제와 과제 불균형 효과를 감소시키는 문제를 모두 처리할 수 있다. 결론: 제안된 프레임워크 아키텍처를 적용하면 입원 내 악화 사건의 조기 탐지(early detecting)를 구현하는 데 도움이 될 수 있다.

치료하지 않을 경우 알츠하이머병(AD)은 서서히 진행하는 치매의 주요 원인이다. 따라서 AD의 진행을 막기 위해서는 이를 조기에 검출하는 것이 매우 중요하다. 본 연구에서는 환자의 인구통계학적 정보와 자기공명영상(MRI) 바이오마커를 포함한 종단(longitudinal) 데이터를 활용하여 여러 시점에서의 임상 진단과 표현형(phenotypic) 측정치를 예측하는, 양방향 진행형 순환 네트워크 기반의 결측치 보정(BiPro) 방법을 제안한다. 종단 데이터에서 관측치가 누락된 경우를 보완하기 위해, 시계열 데이터에 내재된 평균 및 전방(forward) 관계와 관련된 시간적 관계 및 다변량 관계를 모두 점검하도록 결측치 보정 모듈을 사용한다. 보정된 정보를 인코딩하기 위해, 음의 지수 함수(negative exponential function)를 통해 주어진 시점과 기준선(baseline) 사이에서 각 바이오마커의 진행(progress) 점수를 계산하는 진행형(progressive) 모듈을 사용하여 장단기 메모리(LSTM) 셀을 수정한 형태를 정의한다. 이러한 특징은 예측 과제에 활용된다. 제안된 시스템은 누락 값을 보정하고(1), 표현형 측정치를 예측하며(2), 종단 데이터를 기반으로 환자의 임상 상태를 예측하는(3) 등 여러 작업을 동시에 수행할 수 있는 종단형(end-to-end) 딥 순환 네트워크이다. 우리는 The Alzheimer's Disease Prediction of Longitudinal Evolution(TADPOLE) 챌린지 코호트의 1,335명의 참가자를 대상으로 실험하였다. 제안된 방법은 환자의 임상 상태를 예측하는 데 있어 평균 수신자판별특성 곡선 하 면적(mAUC) 78%, MRI 바이오마커를 예측하는 데 있어 평균 절대오차(MAE) 3.5ml, 결측치 보정에 있어 MAE 6.9ml를 달성하였다. 이러한 결과는 제안된 모델이 기존의 널리 사용되는 접근법을 능가하며, 알츠하이머병의 진행을 최소화하는 데 활용될 수 있음을 확인한다.

가상 비서(VA)는 단순한 도구를 넘어 잠재적인 사회적 동반자로서 점점 더 자리매김하고 있으며, 정서적 또는 정보적 지원을 제공할 수 있다. 그러나 이러한 형태의 지원이 과업의 난이도와 구현(embodiment) 양식의 차이에 따라 어떻게 적응해야 하는지는 아직 충분히 연구되지 않았다. 본 연구에서는 인지적 및 신체적 과업을 포함한 2개의 사용자 연구를 수행하여, 지원 유형(정서적 vs. 정보적)이 과업 난이도(쉬움 vs. 어려움)와 구현 방식(비구현 vs. 구현)이라는 변인에 걸쳐 사용자 인식을 어떻게 변화시키는지 조사하였다. 연구 1에서는 정서적 지원이 쉬운 과업에서 VA에 대한 사용자의 인상에 긍정적인 영향을 미친 반면, 정보적 지원은 어려운 과업에서 더 효과적이었다. 연구 2에서도 참여자들은 쉬운 과업에서 정서적 지원을 선호했으나, 어려운 과업에서는 지원 유형 간 차이가 덜 두드러졌다. 특히, 구현 방식은 두 연구 모두에서 유의미한 영향을 미치지 않았다. 이러한 결과는 효과적인 지원 전략을 형성하는 데 있어 맥락의 역할을 강조하며, 사회적 동반자로서의 VA 설계에 대한 통찰을 제공한다.

목적: 본 연구는 국가 설문 자료를 이용하여 만성폐쇄성폐질환(COPD) 환자의 흡연 상태를 예측하기 위한 딥러닝 모델을 개발하고 검증하고자 한다. 방법: 대한민국 국민건강영양조사(Korea National Health and Nutrition Examination Survey) 2007-2018년 자료를 사용하여 5466명의 COPD-적합 사례를 추출하였다. 자료 수집에는 연령, 성별, 폐기능검사 결과 등을 포함한 21개 예측변수를 비롯하여 인구통계학적, 행동적, 임상적 변수가 포함되었다. 종속변수인 흡연 상태는 흡연자 또는 비흡연자로 범주화하였다. 잔차 신경망(Residual Neural Network; ResNN) 모델을 개발하고 이를 5가지 기계학습 알고리즘(랜덤 포레스트, 의사결정나무, 가우시안 나이브 베이즈, k-최근접 이웃, AdaBoost) 및 2가지 딥러닝 모델(다층 퍼셉트론, TabNet)과 비교하였다. 내부 검증은 5-폴드 교차검증으로 수행하였고, 모델 성능은 수신자조작특성(Receiver Operating Characteristic) 곡선 아래 면적(AUROC), 민감도, 특이도, F1-score로 평가하였다. 결과: ResNN은 AUROC 0.73, 민감도 70.1%, 특이도 75.2%, F1-score 0.67을 달성하여, COPD 환자의 흡연 상태 예측에서 기존의 기계학습 및 딥러닝 모델보다 우수한 성능을 보였다. 설명가능 인공지능(Shapley additive explanations)은 성별, 연령, 주관적 건강 상태를 포함한 핵심 예측변수를 확인하였다. 결론: 본 딥러닝 모델은 COPD 환자의 흡연 상태를 정확하게 예측하며, 표적 중재를 위한 고위험 지속 흡연자를 탐지하는 의사결정 지원 도구로서의 잠재력을 제공한다. 향후 연구에서는 외부 검증을 수행하고 추가적인 행동 및 심리 변수를 반영하여 일반화 가능성과 성능을 향상시켜야 한다.

대규모 언어 모델(LLM) 기반 가상 환자(VP) 시뮬레이션은 안전하고 반복 가능하며 맥락이 풍부한 임상 실습을 가능하게 함으로써 전통적인 의학 및 간호 교육을 보완하는 새로운 방식으로 부상하고 있다. 본 검토는 2023년부터 2025년까지의 최근 발전을 종합하여, 마흔 편의 연구 전반에 걸쳐 구현 접근법, 데이터 관행, 평가 방법 및 교차적 과제를 지도화한다. 여섯 가지 구현 범주가 확인되었는데, 이는 시나리오 생성, 프롬프트 기반 VP, 피드백이 통합된 자동화 채점, 현실감 및 적응성을 강화한 시스템, 지식 기반 및 다중 에이전트 혼합형, 그리고 정신건강 지향 시스템이다. 분석에서는 데이터셋 활용(지식 출처와 거버넌스 포함)과 평가 프레임워크를 요약하고, 재현 가능한 평가를 위한 정량적 지표를 제시한다. 지속적인 과제로는 사실 정확성, 역할 일관성, 정서적 현실감, 그리고 윤리적 및 법적 책임성이 포함된다. 전반적으로 LLM 기반 VP 시스템은 시뮬레이션 기반 학습을 확장할 가능성이 점차 커지는 것으로 나타나지만, 교육적 타당성과 일반화 가능성을 확립하기 위해서는 다기관 통제 연구에서의 더 강력한 근거, 표준화된 지표, 투명한 보고(모델 버전, 프롬프트), 그리고 견고한 데이터 거버넌스가 필요하다.