연구실은 의료 데이터와 기계학습 기법을 융합하여 해석 가능한 인공지능(Explainable AI) 모델을 개발하고 있습니다. 특히 SHAP 기반의 EACH score와 같은 자동화된 점수 체계는 기존 전통적 위험 점수나 블랙박스형 ML 모델에 비해 높은 예측 성능과 해석 가능성을 동시에 제공하며, 수술 후 뇌졸중과 같은 중대한 합병증 예측에 활용되고 있습니다. 이러한 연구는 임상 의사들이 모델 결과를 신뢰하고 실제 의사결정 과정에 반영할 수 있도록 지원합니다. 이승보 교수 연구실은 예측 성능과 해석 가능성을 동시에 확보한 임상 예측 도구를 제안함으로써, 의료 AI가 실제 임상 현장에서 채택될 수 있는 기반을 마련하고 있습니다. 또한 기존의 점수 체계와 ML 모델의 한계를 보완하여 정밀의료의 실질적 구현에 기여하고 있습니다.

연구실은 혈압, 심전도, 맥파, 혈액학적 지표 등 다양한 실시간 생체신호를 활용하여 수술 중 환자의 위험을 조기에 감지하는 연구를 수행하고 있습니다. 특히 비침습적 파형 데이터를 기반으로 한 딥러닝 모델을 통해 대량 수혈과 같은 중대한 이벤트를 사전에 예측함으로써 환자 안전성 강화와 의료진의 신속한 대응을 가능하게 합니다. 이러한 접근은 향후 스마트 모니터링 및 수술실 AI 보조 시스템 개발의 핵심 기술로 발전하고 있습니다. 연구실은 실제 수술 환경에서 수집된 대규모 데이터와 외부 검증을 통해 모델을 개발·평가함으로써, 연구 결과가 임상적으로 바로 적용 가능한 수준임을 입증하고 있습니다. 또한 의료 AI 기업과의 협력 경험을 통해 예측 모델을 임상시험 단계까지 연결하는 실질적 성과를 거두고 있습니다.

EEG, EMG 등 신경계 생체신호 및 임상 데이터를 활용하여 뇌전증, 파킨슨병, 호흡 부전, 노인 낙상 등 다양한 신경계 및 만성질환의 예후를 예측하는 연구를 수행하고 있습니다. 기계학습 기반 신호처리와 특징 추출 기법을 적용하여 개별 환자 맞춤형 위험 평가가 가능하도록 하고 있으며, 이를 통해 장기적인 질환 관리와 환자 중심 치료 전략 수립에 기여하고 있습니다. 연구실은 신경계 질환에서 발생하는 복잡한 신호 패턴을 데이터 기반으로 정량화함으로써, 기존 임상 판단에 의존하던 영역에 과학적 근거를 제시하고 있습니다. 또한 다양한 환자군 데이터를 활용하여 만성질환 관리에 특화된 AI 모델을 구축, 환자 맞춤형 의료 실현에 기여하고 있습니다.