급성기 정신병동에서 웨어러블 센서와 인공지능을 활용한 임상적 위험 예측 = Wearable Sensors and Artificial Intelligence for Clinical Risk Prediction in Acute Psychiatric Wards|RISS 상세보기

다국어 초록 (Multilingual Abstract)

Acute psychiatric inpatient wards provide essential therapeutic functions that community-based services cannot replace, yet they face significant challenges including inadequate institutional support and staff burnout. Wearable sensors and artificial intelligence hold the potential to overcome these constraints by enabling objective and continuous measurement of patients' behaviors and biosignals. This study aimed to develop and validate artificial intelligence-based clinical prediction models for clinical crises in acute psychiatric wards using wearable sensor data.
A multicenter cohort was established across four acute psychiatric wards in three medical institutions in South Korea. A total of 275 inpatients aged 13 years or older diagnosed with schizophrenia, schizoaffective disorder, or mood disorders were prospectively recruited. Comprehensive clinical information and wearable device data, including heart rate, acceleration, location, and activity information, were collected, yielding 5,658 person-days of data.
Study 1 developed and validated a deep learning model to predict multidimensional psychiatric symptoms—psychosis, anxiety, depression, and mania—measured by clinician-rated scales at approximately weekly intervals. Using a time-series deep learning architecture with wearable sensor data as input, the model performed two prediction tasks: (1) binary classification of symptom deterioration compared to the previous week, and (2) regression prediction of symptom severity scores. The multitask learning model, which simultaneously predicted multiple symptoms, achieved a mean area under the receiver operating characteristic curve (AUROC) of 0.73 (range across symptoms 0.69–0.77) for predicting symptom deterioration in external validation, comparable to single-task models that predicted individual symptoms separately (mean AUROC 0.71; range 0.67–0.78). For symptom score prediction, the multitask model achieved a mean R² of 0.82 (range 0.70–0.87), outperforming single-task models (mean R² 0.62; range 0.42–0.77). Feature importance analysis identified age and other basic demographic information, the number of unique heart rate and acceleration values, and location entropy as key predictive factors.
Study 2 developed and validated a real-time prediction model for seclusion, restraint, and injections. Using an attention-based time-series prediction architecture, the model predicted the occurrence of these events at 15-minute intervals. Six prediction horizons were defined, ranging from within 1 hour to within 24 hours, and multitask learning models that simultaneously predicted all horizons were compared with single-task models that predicted individual horizons. In external validation, the highest performance was achieved by the single-task model for prediction within 24 hours (AUROC 0.83). Mean AUROC across horizons was 0.76 (95% confidence interval [CI] 0.74–0.77) for the multitask model and 0.78 (95% CI 0.77–0.79) for single-task models, with the multitask model showing significantly lower performance (adjusted P=0.01). However, mean F1 score was 0.41 (95% CI 0.40–0.43) for the multitask model and 0.31 (95% CI 0.30–0.33) for single-task models, with the multitask model demonstrating significantly superior performance (adjusted P<0.001). For shorter prediction horizons within 6 hours, the multitask model showed more than a three-fold improvement in area under the precision-recall curve (AUPRC) relative to the baseline event rate. Feature importance analysis identified age, location-based distance traveled, circadian rhythm, and location entropy as key predictive factors.
This study demonstrated that psychiatric symptoms and clinical crises can be predicted using wearable sensor data without extensive clinical information input, in a multicenter, transdiagnostic acute psychiatric ward cohort. Multitask learning-based deep learning enabled robust and efficient prediction even in a limited data environment. Age and sex served as contextual information for interpreting wearable sensor signals, while circadian rhythms and indoor location patterns were confirmed as important features for predicting mental health outcomes. Considerable inter-ward heterogeneity was observed in clinical characteristics and wearable sensor data, suggesting that site-specific models may be more appropriate than universal models for future clinical prediction in acute psychiatric wards. This study has limitations including limited sample size, selection bias, and restricted external validity. Future work requires large-scale consortium-based integrated data collection, integration and standardization with electronic health records, and prospective clinical validation built upon ethical and institutional foundations. This study aimed to establish the groundwork for a human-centered artificial intelligence-based clinical decision support system that enhances the well-being of both patients and staff, carrying forward the tradition of systematic observation in psychiatric wards into the 21st century through digital technology.

번역하기

국문 초록 (Abstract)

급성기 정신병동은 지역사회 기반 서비스가 대체하기 어려운 치료적 기능을 담당하지만, 빈약한 제도적 지원과 종사자 소진 등의 어려움에 직면해 있다. 웨어러블 센서와 인공지능은 환자의 행동과 생체신호를 객관적·연속적으로 측정하고 분석함으로써 이러한 제약을 극복할 잠재력을 지닌다. 본 연구는 급성기 정신병동에서 웨어러블 센서 데이터를 활용하여 임상적 위기를 예측하는 인공지능 기반 예측모형을 개발·검증하였다.
국내 3개 의료기관의 4개 급성기 정신병동을 기반으로 다기관 코호트를 구축하였다. 조현병, 조현정동장애, 기분장애로 진단받은 만 13세 이상 입원환자 275명을 전향적으로 모집하여 포괄적인 임상정보 평가와 함께 웨어러블 디바이스를 통해 심박수, 가속도, 위치, 활동 정보를 수집하였다. 총 5,658인-일의 데이터가 확보되었다.
연구 1에서는 약 1주 간격으로 임상가 평가 척도로 측정되는 정신증·불안·우울·조증의 다면적 증상을 예측하는 딥러닝 모델을 개발 및 검증하였다. 시계열 딥러닝 아키텍처로 웨어러블 센서 데이터를 입력받아 두 가지 예측 과제를 수행하였다: (1) 전주 대비 증상 악화 여부의 이진 분류, (2) 증상 중증도 점수의 회귀 예측. 다중과제학습 방식으로 여러 증상을 동시에 예측한 모델은 외부 검증에서 증상 악화 예측 평균 AUROC (area under the receiver operating characteristic curve) 0.73 (증상별 0.69–0.77)을 달성하여, 개별 증상을 예측한 단일과제 모델의 평균 AUROC 0.71 (증상별 0.67–0.78)과 유사한 성능을 보였다. 증상 점수 예측에서는 다중과제 모델이 평균 R² 0.82 (증상별 0.70–0.87)로, 단일과제 모델의 0.62 (증상별 0.42–0.77)보다 우수하였다. 특성 중요도 분석 결과, 연령과 같은 기초 정보뿐 아니라 심박수 및 가속도의 고유값 수와 위치 엔트로피가 상위 예측 인자로 확인되었다.
연구 2에서는 격리·강박·주사처치의 실시간 예측모델을 개발 및 검증하였다. 어텐션 기반의 시계열 예측 아키텍처를 활용하여 해당 사건의 발생을 15분 간격으로 예측하였다. 예측 지평은 1시간 이내부터 24시간 이내까지 총 6개로 설정하였으며, 다중과제학습 기반으로 모든 예측 지평을 동시에 예측하는 모델과 개별 지평을 예측하는 단일과제 모델을 비교하였다. 외부 검증에서 최고 성능은 24시간 이내 예측의 단일과제 모델에서 AUROC 0.83이었으며, 지평별 평균 AUROC는 다중과제 모델 0.76 (95% 신뢰구간[CI] 0.74–0.77), 단일과제 모델 0.78 (95% CI 0.77–0.79)로 다중과제 모델이 유의하게 낮았다 (보정 P=0.01). 반면 지평별 평균 F1 점수는 다중과제 모델 0.41 (95% CI 0.40–0.43), 단일과제 모델 0.31 (95% CI 0.30–0.33)로 다중과제 모델이 유의하게 우수하였으며 (보정 P<0.001), 특히 6시간 이내의 짧은 예측 지평에서 다중과제 모델은 기저발생률 대비 3배 이상의 AUPRC (area under the precision-recall curve) 향상을 보였다. 특성 중요도 분석 결과 연령, 위치 기반 이동거리, 일주기 리듬, 위치 엔트로피가 주요 예측 인자로 확인되었다.
본 연구는 다기관·다진단 급성기 정신병동 코호트에 기반하여 광범위한 임상정보의 투입 없이 웨어러블 센서 데이터만으로도 정신과 증상 및 임상적 위기를 예측할 수 있음을 보여주었다. 특히 다중과제학습 기반의 딥러닝 학습이 제한된 데이터 환경에서도 강건하고 효율적인 예측을 가능하게 하였다. 또한 연령과 성별이 웨어러블 센서 신호를 해석하는 맥락 정보로 기능하였으며, 일주기 리듬과 실내 위치 패턴도 정신건강 결과 예측에 중요한 특성임을 확인하였다. 코호트의 임상정보 및 웨어러블 센서 자료에서 상당 수준의 병동 간 이질성이 확인되었으며, 이는 향후 급성기 정신병동 임상예측모델에서 범용 모델보다 병동 특화 모델 접근이 적절할 수 있음을 시사한다. 본 연구는 한정된 표본 수, 선택 편향, 제한적인 외적 타당도 등의 한계가 존재한다. 향후 대규모 컨소시엄 기반의 통합 데이터 수집, 전자의무기록 등과의 통합 및 표준화, 윤리적·제도적 기반 위의 전향적 임상 검증이 필요하다. 본 연구는 정신병동에서의 체계적 관찰이라는 전통을 21세기 디지털 기술로 계승하여, 환자와 종사자의 안녕을 향상시키는 인간 중심 인공지능 기반 임상의사결정 지원 체계의 토대를 마련하고자 하였다.

번역하기

급성기 정신병동은 지역사회 기반 서비스가 대체하기 어려운 치료적 기능을 담당하지만, 빈약한 제도적 지원과 종사자 소진 등의 어려움에 직면해 있다. 웨어러블 센서와 인공지능은 환자...

목차 (Table of Contents)