정보성 결측을 활용한 불규칙한 임상 시계열 생성
Informative Missingness to Generate Irregular Clinical Time Series
전자 건강 기록의 검사 결과는 불규칙적으로 수집되며, 검사 처방의 부재는 측정값 그 자체만큼이나 유의미한 정보를 제공할 수 있습니다. 이러한 결측(missingness)은 임상의사의 결정과 환자의 생리학적 상태를 반영하므로, 전처리 과정의 단순한 부산물로 취급하기보다 직접 모델링하는 것이 중요합니다. 본 연구에서는 MIMIC-III에서 파생된 공개 Data Analytics Challenge on Missing Data Imputation (DACMI) 벤치마크를 사용하여, 검사 수치와 관찰 패턴을 공동으로 모델링하여 임상 시계열을 생성하는 디퓨전 기반 접근법을 제안합니다. 현실적인 샘플링을 보존하기 위해 차트 시간을 4시간 간격으로 정렬하고 입원 기간을 7일 윈도우로 분할하여, 각 검사 수치를 해당 관찰 지표와 짝지은 궤적을 생성합니다. 학습(training)을 안정화하기 위해 표준 변환과 정규화(normalization)를 적용합니다. 우리의 방법은 TimeDiff 프레임워크를 확장하여 상호 보완적인 디퓨전 목적 함수를 통해 연속형 검사 수치와 이산형 결측 패턴을 학습합니다. 실험 결과, 생성된 데이터는 개별 검사 분포와 결합 값-결측 임베딩 전반에 걸쳐 실제 환자 궤적과 밀접하게 일치함을 보여줍니다. 이는 디퓨전 모델이 MNAR(missing-not-at-random) 유사 결측 상황에서 환자 생리학과 임상의사의 검사 행동 간의 임상적으로 유의미한 의존성을 포착할 수 있음을 입증합니다. 이러한 예비 결과는 우리 모델이 임상 파운데이션 모델 개발을 위한 초기 구성 요소로 활용될 수 있음을 시사합니다. 핵심적인 생리학-결측 관계를 보존하는 합성 사전(priors)을 생성함으로써, 본 연구는 정보성 결측을 활용할 수 있는 Prior-Data Fitted Networks의 후속 학습을 동기 부여하며, 이는 향후 확장 연구에서 조사할 것입니다.