[25. 12. 10] 응급실에서 ‘앞선 판단’을 가능하게 하는 AI: Multi-Modal Transformer 기반 예측 모델

에이아이트릭스가 응급실 전용 AI 모델로 기관삽관·승압제 투여·심폐소생술·중환자실 전실 등 4가지 중증 이벤트를 최대 12시간 전에 예측하는 시스템을 개발했다. Multi-Modal Transformer 아키텍처를 적용해 X-ray·활력징후·의료 노트 등 이질적인 데이터를 통합 처리하며, 결과는 Scientific Reports에 게재됐다.

핵심 포인트

4가지 중증 이벤트(기관삽관, 승압제 투여, CPR, ICU 전실)를 최대 12시간 전에 예측하는 fine-grained 시계열 예측
Multi-Modal Transformer + UMSE(Unified Multi-Modal Set Embedding)로 시간/값/타입 정보를 통합 임베딩으로 변환
Triage Model(응급실 도착 시)과 Online Monitoring Model(입원 후 지속 모니터링) 2단계 구조로 실제 진료 흐름 반영
1시간 단위 12개 예측값을 동시 출력해 임박 위험과 예상 위험을 시간 해상도로 파악 가능
Scientific Reports 게재로 임상 검증 완료

상세 정리

배경: 응급실은 데이터 밀도가 높고 상황이 급변해 조기 경보 시스템이 필요하지만 기존 모델은 단일 모달리티 또는 특정 시점 예측에 한정
UMSE 설계: X-ray·vital signs·의료 노트 등 서로 다른 타입의 데이터를 시간 정보를 포함한 통합 임베딩으로 변환해 이질적 데이터를 단일 벡터 공간으로 통합
2단계 예측 구조: Triage Model은 응급실 도착 직후 초기 데이터로 위험도를 판단하고, Online Monitoring Model은 입원 이후 지속 업데이트된 데이터로 재예측
fine-grained 예측: 단순 위험/안전 이분법 대신 1시간 단위 12개 예측값을 동시 출력해 중증 이벤트 발생 시점을 시간 해상도로 제공
4가지 타깃 이벤트 선정: 기관삽관·승압제 투여·심폐소생술·중환자실 전실 — 응급 처치 의사결정에 직결되는 항목으로 선별
Scientific Reports 게재: 임상 데이터 기반 검증을 통해 기술적 완성도 인정

왜 읽나의료 AI 모델 설계 및 Multi-Modal Transformer를 실제 임상 환경에 적용하는 엔지니어·연구자에게 실전 아키텍처와 시계열 예측 전략 레퍼런스.

AITRICS 블로그

원문은 여기서 이어서 읽을 수 있어요

원문 읽기

읽음 (0)

·takedown 요청