arXiv:2606.19292v1 cs.LG

보편적 주변 센싱 정보를 활용한 중환자실(ICU) 섬망 위험도 계층화

Risk Stratification for ICU Delirium using Pervasive Ambient Sensing Information

Jiaqing Zhang, Sabyasachi Bandyopadhyay, Miguel Contreras, Jessica Sena, Yuanfang Ren, Andrea Davidson, Ziyuan Guan, Tezcan Ozrazgat-Baslanti, Subhash Nerella, Azra Bihorac, Parisa Rashidi

제출 2026-06-17

한국어 초록

섬망은 중환자실(ICU)에서 흔하고 심각한 합병증으로, 이환율 증가, 입원 기간 연장, 의료 비용 상승과 관련이 있습니다. 그러나 널리 퍼져 있음에도 불구하고 조기 예측과 예방은 여전히 어려운 과제입니다. 주변 소음과 조명과 같은 환경적 요인은 섬망 발병에 영향을 미칠 수 있지만, 위험 평가에서 간과되는 경우가 많습니다. 본 연구에서는 조도와 음압 수준이 다양한 예측 기간에 걸쳐 섬망을 독립적으로 예측할 수 있는지 조사했습니다. 9개 중환자실(ICU)의 309명의 환자로부터 수집된 데이터를 사용하여 10가지 예측 윈도우 크기에 대한 섬망 예측을 위해 4가지 효율적인 순차 신경망 모델을 평가했습니다. Shapley Additive Explanations 분석을 사용하여 특징 중요도와 영향 방향을 보고했습니다. 합성곱 모델이 소음 데이터와 결합 데이터 모두에서 AUC = 0.80으로 가장 뛰어난 식별력을 달성했습니다. 전반적으로 소음 특징이 주요 예측 인자였습니다. 소음과 조명을 통합하면 단기(1주 미만) 예측이 향상되었으며, 결합 모델은 센싱 기간 직후에 가장 높은 위험도를 부여했습니다. 이러한 발견은 수동적 주변 센싱, 특히 소음이 섬망 위험도 추정을 위해 임상적으로 유의미하고 해석 가능한 신호를 제공할 수 있으며, 멀티모달 중환자실(ICU) 예측 및 예방 전략을 풍부하게 만드는 실용적인 경로를 제공함을 시사합니다.

원문 초록

Delirium is a common and serious complication in the Intensive Care Unit (ICU), associated with increased morbidity, prolonged hospital stays, and higher healthcare costs. Despite its prevalence, early prediction and prevention remain challenging. Environmental factors such as ambient sound and light may influence the onset of delirium, yet they are often overlooked in risk assessments. In this study, we examined whether light intensity and sound pressure levels can independently predict delirium across multiple prediction horizons. We evaluated four efficient sequential neural network models on data collected from 9 ICUs across 309 patients to predict delirium for 10 prediction-window sizes. We reported feature importance and direction of influence using Shapley Additive Explanations analysis. The convolutional model achieved the strongest discrimination, with AUC = 0.80 on sound data and on combined data. Sound features were the dominant predictors overall. Integrating sound with light improved short-term ($<1$ week) prediction, with the combined model assigning the highest risk immediately after the sensing period. These findings suggest that passive ambient sensing, especially sound, can add a clinically meaningful, interpretable signal for delirium risk estimation and offer a practical pathway to enrich multimodal ICU prediction and prevention strategies.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2606.19292v1제출 시각 미확인

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2609.32123v2cs.AI공통 태그 Time Series, Diagnostic

READ-Bench: 시계열 진단을 위한 과거 사례 검색 벤치마크

READ-Bench: Benchmarking Historical Instance Retrieval for Time-Series Diagnosis

시계열 진단 시스템은 관련 과거 사례를 검색하는 방식에 거의 의존하지 않으며, 이를 활용하더라도 검색 성능은 다운스트림 예측을 통해서만 간접적으로 평가됩니다. 본 연구에서는 다변량 시계열을 중심으로 12개의 진단 데이터셋에 걸쳐 과거 사례 검색을 평가하는 벤치마크인 READ-Bench를 소개합니다. READ-Bench는 신호의 형태 대신 공유된 고장 또는 이벤트 유형을 기준으로 관련성을 정의하므로, 동일한 고장이라도 시각적으로 다른 파형은 관련 사례로 간주되는 반면, 서로 다른 고장의 유사하게 보이는 파형은 관련 사례로 간주되지 않습니다. 검색을 기본 검색기(base retriever)와 리랭커(reranker)의 결합으로 구성하여, 유의성 검정과 함께 지도 수준, 데이터 오염(pollution), 코퍼스 규모를 다양화하는 단일 프로토콜 하에서 고전적 거리 지표, 기호 기반 검색기, 자기지도학습 및 파운데이션 모델 임베더와 이들의 융합, 그리고 라벨 인지형 및 언어 모델 리랭커를 평가합니다. 공통의 채널 독립적 인터페이스에서 사전학습된 표현은 검색 단계 단독으로는 강력한 고전적 및 기호 기반 베이스라인 대비 통계적으로 유의미한 이점을 보이지 않았습니다. 결정적인 요인은 리랭킹 단계에서 해결된 사례에 대한 소량의 지도 학습, 즉 임베딩 공간에서 소수의 이웃 라벨을 전파하는 가우시안 프로세스(Gaussian-process) 리랭커의 활용이었으며, 이는 더 정교한 표현이나 언어 모델 추론보다 훨씬 더 큰 도움이 되었고 데이터 오염 및 전체 코퍼스 규모에서도 유효했습니다. 이러한 결과를 바탕으로, 본 연구는 상호 순위 융합(reciprocal-rank fusion)을 통해 정상 잔차 점수 기반 임베더와 동적 시간 워핑(dynamic time warping) 방식을 결합한 후 가우시안 프로세스 리랭커로 재순위화하여, 12개 데이터셋 전체에서 자체 검색 단계 대비 NDCG@10을 향상시켰으며(리랭킹으로 +0.11 향상), 가장 강력한 단일 기본 검색기 대비 +0.16의 향상을 달성했습니다.

arXiv:2610.10648v1cs.LG공통 태그 Time Series, Diagnostic

알츠하이머병 연구의 진단 및 진행 예측을 위한 정보 누출 제어 다중 모달 학습

Leakage-Controlled Multimodal Learning for Diagnosis and Progression Prediction in Alzheimer's Disease Research

알츠하이머병(Alzheimer's disease) 예측은 불규칙한 방문 주기, 이종의 측정값, 불완전한 모달리티 문제를 수반합니다. 본 연구에서는 맞춤형 SFCN MRI 인코더, 4개의 인과적 임상 트랜스포머(clinical Transformer), 공유 융합 모듈, 과업별 ODE-GRU 역학을 결합한 다중 모달 다중 과업(multimodal multitask) 프레임워크를 제안합니다. 미세조정(fine-tuning)과 LoRA를 적용해 마지막 두 개의 MRI 블록을 적응시킵니다. Task-DRO는 과업 간 손실의 균형을 맞추며, Group-CVaR은 코호트 및 동반 질환 계층을 목표로 합니다. 브랜치별 입력 제어, 피험자 그룹화 분할, 경험적 인과성 검증을 통해 종단적 평가를 지원합니다. ADNI, OASIS-2, MIRIAD의 2,649명 피험자와 17,317회 방문 데이터를 기반으로 한 내부 검증에서, 진단, 1단계 진행, 첫 1단계 방문 진행의 AUROC는 각각 0.935 +/- 0.002, 0.884 +/- 0.003, 0.870 +/- 0.005를 기록했습니다(3개 시드에 대한 평균 +/- 표준편차). 상응하는 하이브리드 AUROC는 각각 0.951, 0.909, 0.896입니다. 다음 방문 시점의 MMSE 평균 절대 오차(MAE)는 1.61점이며, 최하위 계층의 진단 AUROC는 0.827 +/- 0.008입니다. 샘플링된 ADNI 설명 분석을 통해 과업별 입력 의존성을 식별했습니다. OASIS-3 외부 검증에서는 네트워크 및 하이브리드 진단 AUROC가 각각 0.763과 0.767, 하이브리드 다음 방문 진행 AUROC가 0.764를 기록했고, 진단 캘리브레이션 오차는 0.197에서 0.052로 감소했으며, 다음 방문 MMSE MAE는 0.86을 나타냈습니다. 시드 42에 대한 6개 구성 요소의 대응 절제 연구(ablation study) 결과, 풀링된 진단 및 진행 AUROC 차이는 -0.004에서 +0.004 사이로 나타났으며, 임상 인코더 입력을 제거하면 진단 AUROC가 0.272 감소했습니다. 본 프레임워크는 종단적 예측, 결측 모달리티 처리, 보조 동반 질환 모델링, 하위 그룹 평가를 단일 파이프라인 내에 통합합니다.

arXiv:2609.29384v2cs.CV공통 태그 Time Series, Diagnostic

알츠하이머병 탐지를 위한 온라인 필기에서의 세그먼트 수준 위험 발견

Segment-Level Risk Discovery in Online Handwriting for Alzheimer's Disease Detection

온라인 필기는 인지 계획과 미세 운동 제어를 모두 반영하므로 알츠하이머병(AD) 탐지를 위한 비침습적이며 저비용의 행동 바이오마커를 제공합니다. 기존의 필기 기반 AD 탐지 방법들은 대체로 전역 궤적 특징이나 전체 샘플 표현에 의존하는데, 이는 개인의 필체 스타일, 과제별 변동성, 획득 잡음에 크게 영향을 받을 수 있습니다. 본 논문에서는 온라인 필기로부터 해석 가능한 AD 탐지를 수행하기 위해 건강 대조군 규범 기반 Paper-Air 선택적 궤적 상태공간 위험 네트워크인 NormPaST-Risk를 제안합니다. 전체 궤적을 단일한 총체적 표현으로 다루는 대신, 제안 방법은 AD 필기 탐지를 국소적인 질환 관련 세그먼트 발견 문제로 재구성합니다. 구체적으로, 다중 스케일 시간 인코더가 서로 다른 시간 해상도에서 획 역학을 포착하는 한편, 선택적 Paper-Air 상태공간 인코더는 장기 필기 진행 과정을 모델링하고 지면 위(on-paper) 운동 실행과 공중(in-air) 계획 및 전환 행동을 구분합니다. 비정상적 편차를 명시적으로 특성화하기 위해 건강 규범 브랜치가 건강 대조군으로부터 정상적인 필기 역학을 학습하며, 과제 인식 다중 전문가 세그먼트 위험 모듈이 은닉 상태 변화와 규범 편차로 보정된 세그먼트 수준 AD 위험을 추정합니다. 또한 약지도 세그먼트 수준 목적 함수를 통해 수동 세그먼트 주석 없이도 고위험 세그먼트를 발견할 수 있도록 합니다. DARWIN 벤치마크에 대한 실험은 제안된 프레임워크가 기존 방법들에 비해 우수한 AD/HC 분류(classification) 성능을 달성함을 입증합니다. 아울러 발견된 고위험 세그먼트는 원래 필기 궤적으로 역투영될 수 있어, AD 관련 필기 변동과 연관된 해석 가능한 근거를 제공합니다.

arXiv:2609.26848v1cs.LG공통 태그 Time Series, Binary Classification

수술 초기 급성 신장 손상 예측을 위한 누출 인식 다중 모달 평가 프레임워크

A Leakage-Aware Multimodal Evaluation Framework for Early Intraoperative Acute Kidney Injury Prediction

주요 비심장 수술 후 수술 후 급성 신장 손상(acute kidney injury, AKI)은 상당한 이환율을 수반하지만, 수술 중 초기 위험 계층화는 여전히 어렵다. 본 후향적 코호트 연구에서 우리는 SynerT를 제안한다. SynerT는 인과적 dilated TCN과 dilated recurrent layer 계층을 결합한 파형 전용 하이브리드 temporal backbone으로, AKI 위험 예측을 위해 수술 중 초기 생리 궤적을 인코딩한다. SynerT를 기반으로 백본을 구조화된 임상 맥락으로 확장한 두 가지 모델 변형을 추가로 설계한다. SynerT-MM은 혈역학적 부담 요약과 수술 전 공변량을 통합하는 late-fusion 다중 모달 확장이고, SynerTStack은 메타 학습 단계에서 SynerT-MM의 교차 검증 예측과 강력한 테이블형 베이스라인을 결합하는 누출 안전 stacked 앙상블이다. 모든 모델은 고해상도 주변 수술(perioperative) 데이터베이스 VitalDB에서 엄격한 누출 인식 프레임워크 하에 평가되며, 예측은 수술 중 첫 60분 이내에 이용 가능한 정보로 제한된다. 파형 이용 가능 사례 2,413건(AKI 양성 180건, 유병률 7.46%) 중 SynerT는 강력한 구조화 데이터 베이스라인보다 훨씬 낮은 성능을 보여, 엄격한 초기 제약 하에서 파형만의 temporal modeling은 불충분함을 보였다. SynerT-MM은 혈역학적 부담 요약과 수술 전 공변량을 통합하여 판별력을 회복했고, SynerT-Stack은 AUROC, AUPRC, F1-max 전반에서 최고의 종합 성능을 달성했다. 교차 적합 Platt 재보정은 두 다중 모달 변형 모두에서 보정(calibration) 결함을 상당히 교정했으며, decision-curve 분석은 재보정된 stacked 모델이 낮은~중간 임계값 구간에서 가장 큰 순 임상적 이익을 제공함을 확인했다.

arXiv:2609.27222v1cs.SD공통 태그 Binary Classification, Diagnostic

장기요양 거주자 폐렴 탐지를 위한 생리학적 정보 기반 디지털 청진

Physiologically Informed Digital Auscultation for Pneumonia Detection in Long-term Care Residents

폐렴은 고령 장기요양 시설 거주자에서 진단하기 어렵다. 다중 질환과 비전형적 임상 양상이 징후를 흐리게 하여, 운영상 효율적인 객관적 검사의 필요성이 커진다. 본 연구는 방사선 전문의가 확인한 흉부 X-ray와 임상의 진단을 지도 신호로 삼아 합성곱 신경망, 다중 양식 융합, 채널 기반 변형을 학습하고, 시간 영역 Grad-CAM 해석 가능성을 함께 적용하여, 일본 거주자 185명(폐렴 73명, 증상은 있으나 폐렴 없음 112명)의 다채널 디지털 청진기 녹음을 분석했다. 모델은 반복 환자 수준 교차 검증으로 평가했으며, X-ray 지도를 사용한 모델이 임상의 지도보다 우수했다(F1 0.729, 정확도 0.783 대 F1 0.637, 정확도 0.711). 또한 3채널 선택 프로토콜은 성능을 유지했다(F1 0.736, 정확도 0.803). 중흉부 두 부위가 가장 높은 순위를 보였고, Grad-CAM 어텐션은 이상 호흡음과 겹쳤다. 이 결과는 자동화된 다채널 폐음 분석이 장기요양 환경에서 폐렴 진단을 보조할 수 있음을 시사하며, X-ray 지도가 임상 지도보다 더 신뢰할 수 있고, 채널 수를 줄여도 성능을 유지하면서 취득 시간을 단축할 수 있음을 보여준다.

arXiv:2609.27912v1cs.LG공통 태그 Time Series, Diagnostic

글로벌 트리 예측 모델은 계층적 집계 수준에서 붕괴한다: 다섯 개 패널에 대한 실패 특성 분석

Global tree forecasters collapse at the hierarchical aggregate: a five-panel failure characterization

글로벌 예측 모델(global forecasting model)은 다수의 시계열을 풀링(pooling)하여 하나의 공유 함수를 학습한다. 그래디언트 부스팅 트리(Gradient-boosted trees)가 가장 널리 쓰이는 형태이다. 본 연구는 우리가 아는 한 아직 문서화된 적 없는 이 설계의 실패를 측정한다. 계층 구조의 개별 시계열로 글로벌 트리를 학습시킨 뒤 계층적 집계값(hierarchical aggregate)에 대한 예측을 요청하면, 집계값은 모델의 학습 범위를 크게 벗어나 있어 예측이 붕괴한다. 이 모델은 실제 운영 환경에서 총합을 30~50배 과소 예측하며, 공개 M5 재구성 데이터에서는 최대 496배까지 과소 예측한다. 그 메커니즘은 이미 알려져 있다. 트리는 학습 범위를 벗어나면 상수를 예측한다. 이것이 집계 수준에서 나타나는 이유는 총합이 모든 학습 시계열을 압도하기 때문이다. 해결책 또한 새로운 것이 아니다. Montero-Manso와 Hyndman(2021)이 권장하는 전처리 단계인 시계열별 스케일링(per-series scaling)은 붕괴를 방지한다. 가중치를 부여한 집계 수준 학습 행(weighted aggregate-level training row)과 계절 차분(seasonal differencing) 역시 마찬가지이다. 본 연구의 기여는 이 현상의 특성 분석에 있다. 붕괴는 운영 중인 기업 간 거래(B2B) 마켓플레이스, 합성 계층 구조, M5, Australian Tourism, 공개 비즈니스 구매자 패널이라는 다섯 개 패널에서 재현된다. 이는 세 가지 트리 라이브러리에서 성립하고, 학습 시드(seed)에 관계없이 일정하며, 통계적으로 유의하다. 붕괴는 즉각적으로 시작되며 단순한 지지 범위(support) 한계를 따른다. 스케일 격차가 겨우 1.15배만 되어도 이미 총합의 3분의 1을 잃는다. 표준적인 설정 변경으로는 이를 막을 수 없다. 모든 계층 수준을 학습에 풀링하는 방식은 대규모에서 실패하며, 리프(leaf)에 선형 모델을 적합하는 유일한 설정 옵션은 붕괴를 완화하지만 해소하지는 못한다. 예측을 재귀적으로 앞으로 굴리는(rolling forward) 실험은 해결책들을 구분해 준다. 집계 행 방식은 다시 붕괴하고, 시계열별 스케일링은 성능이 저하되지만 낮은 수준에 머물며, 오직 계절 차분만이 1단계(one-step) 예측 정확도를 그대로 유지한다. 마지막으로 운영 중인 시스템에서 이 실패를 진단하고 예방하기 위한 3단계 절차를 제시한다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.