퇴역 군인을 위한 PTSD 케어 이면의 AI 스택 (실제 작동 방식)

저는 VA(보훈부) 클리닉에 있었고, 예상치 못한 장면을 목격했습니다. 한 퇴역 군인이 AI 아바타와 임상 인터뷰를 진행하고 있었습니다. 화상 통화도, 챗봇도 아니었습니다. 표준 임상 도구들이 지속적으로 실패해 온 작업, 즉 퇴역 군인들이 트라우마 증상에 대해 마음을 열도록 유도하는 일을 수행하는, 목적에 맞게 구축되고 연구로 뒷받침된 시스템이었습니다.

저는 직업적으로 AI를 구축합니다. 그날 오후, 저는 그것이 작동하는 모습을 직접 볼 수 있었습니다.

다음은 퇴역 군인 PTSD 케어에 배치되고 있는 주요 AI 시스템에 대한 기술적 분석과 그 내부에서 실제로 무엇이 작동하고 있는지에 대한 내용입니다.

1. USC의 Ellie: 임상 인터뷰를 위한 체화된 대화형 AI (Embodied conversational AI)
   Ellie는 임상 정신 건강 인터뷰를 수행하기 위해 구축된 가상 아바타입니다. 이 시스템은 실시간으로 구조화된 인터뷰를 안내하기 위해 얼굴 표정 분석, 음성 톤 탐지, 신체 언어 신호를 포함한 멀티모달 (Multimodal) 입력을 사용합니다. 여기서 임상적 통찰은 AI가 인간 임상가보다 뛰어나다는 것이 아닙니다. 많은 퇴역 군인이 인간이 아닌 인터뷰어에게 민감한 정보를 더 기꺼이 공개한다는 점입니다. 사회적 위험 계산(Social risk calculus)이 달라지는 것입니다. 연구에 따르면 Ellie는 표준 자기 보고 도구(Self-report instruments)와 비교했을 때 지속적으로 더 높은 정보 공개율을 보여주었습니다. 구축 관점에서 보면, 이는 응답 처리를 위한 자연어 처리 (NLP), 행동 신호 분석을 위한 컴퓨터 비전 (Computer vision), 그리고 인터뷰 구조를 제어하는 규칙 기반 임상 로직 (Rule-based clinical logic)의 결합입니다. 아바타 렌더링은 대화 모델과 함께 실시간으로 별도의 그래픽 레이어에서 실행됩니다.

2. MACPI: 음성 데이터를 활용한 머신러닝 (ML) 기반 PTSD 탐지
   MACPI (Mining Audio Cues from PTSD Interviews)는 NYU Langone Health와 MITRE의 연구원들에 의해 개발되었습니다. 이 시스템은 음성 샘플을 통해 머신러닝 (ML) 모델을 학습시켜 PTSD와 관련된 음향 패턴을 탐지합니다. 분석하는 특징(Features)은 다음과 같습니다: 기본 주파수 변동 (Pitch), 음질 측정치, 음성 내 시간적 패턴 (일시 정지, 리듬, 속도), 그리고 스펙트럼 특성입니다. 이 모델은 선별 검사에서 최대 90%의 정확도를 달성합니다.

이것이 중요한 이유는 자기 보고 (self-report)를 주요 진단 메커니즘에서 제거하기 때문입니다. 퇴역 군인이 의식적으로 정보를 공개할 필요가 없습니다. 모델은 진술된 내용이 아닌 음향 데이터 (acoustic data)를 기반으로 작동합니다. 아키텍처는 지도 학습 분류 파이프라인 (supervised classification pipeline)입니다. 신호 처리 라이브러리 (Librosa 또는 유사한 라이브러리일 가능성이 높음)를 사용한 오디오에서의 특징 추출 (feature extraction), 차원 축소 (dimensionality reduction), 그리고 라벨링된 임상 인터뷰 데이터로 학습된 분류기 (classifier)로 구성됩니다.

3. REACH VET: VA 규모의 예측 위험 모델링 REACH VET는 VA(보훈부)의 의료 인프라 내부에서 실행됩니다. 이는 약물 기록, 진단, 예약 이력, 행동 건강 노트를 포함한 구조화된 임상 데이터를 처리하여 입원 및 자살 위험 점수를 할당하는 예측 모델링 시스템입니다. VA 시스템은 수백만 명의 퇴역 군인을 포괄합니다. 그 정도 규모에서 REACH VET를 실행하려면 분산 데이터 저장소 전반에 걸쳐 기록의 점수를 매길 수 있는 배치 처리 (batch-processing) 파이프라인이 필요합니다. 퇴역 군인의 위험 점수가 정의된 임계값 (threshold)을 넘으면 임상 알림이 트리거되고 지원 활동이 시작됩니다. 엔지니어링 관점에서 보면, 이는 종단적 의료 기록 (longitudinal healthcare records)에 적용된 지도 학습 문제 (이진 분류, 고위험 vs. 기준선)입니다. 과제는 모델 아키텍처가 아닙니다. 데이터 품질, 이질적인 임상 데이터 소스 전반에 걸친 특징 공학 (feature engineering), 그리고 트리거 메커니즘이 임상 워크플로와 깔끔하게 통합되도록 보장하는 것입니다.

4. Tiatros 및 대규모 CBT 제공 Tiatros 외상 후 성장 (Post Traumatic Growth) 플랫폼은 퇴역 군인이 제출한 서술형 기록을 분석하고 이를 CBT (인지 행동 치료) 모듈 시퀀스에 매핑합니다. 이는 적용 NLP (applied NLP) 기술인 토픽 모델링 (topic modeling), 감성 분석 (sentiment analysis), 그리고 임상 CBT 분류 체계와의 의미론적 유사성 매칭 (semantic similarity matching)을 활용합니다. 출력값은 선형적인 프로그램이 아닌 개인화된 모듈 시퀀스입니다. 수면 장애에 대해 쓰는 퇴역 군인은 과각성 (hypervigilance)에 대해 주로 쓰는 퇴역 군인과는 다른 다음 단계 콘텐츠를 받게 됩니다.

이것은 비정형 환자 입력(unstructured patient input)과 정형화된 치료 콘텐츠(structured therapeutic content) 사이의 패턴 매칭(pattern-matching) 문제이며, 대규모 언어 모델(LLM)이 현재 해결하기에 매우 유리한 위치에 있는 문제입니다. LLM 이전의 시스템들은 전통적인 자연어 처리(NLP) 파이프라인을 사용했습니다. 이 분야를 구축하고 있는 새로운 플랫폼들은 매핑(mapping)을 처리하기 위해 트랜스포머 기반 분류(transformer-based classification)와 검색 증강 생성(RAG, retrieval-augmented generation)을 사용하기 시작했습니다.

이 분야에 여전히 필요한 것
위에서 언급한 시스템들은 작동하고 있습니다. 공백은 상호 운용성(interoperability), 엣지에서의 데이터 프라이버시(data privacy at the edge), 그리고 설명 가능성(explainability)에 있습니다. 임상 팀은 모델이 왜 특정 퇴역 군인을 지원 대상으로 분류(flagged)했는지 이해하기를 원합니다. 블랙박스(Black-box) 형태의 점수는 임상 환경에서 실행에 옮기기 어렵습니다. 만약 여러분이 헬스케어 AI 또는 특히 퇴역 군인 케어 분야를 구축하고 있다면, 그것들이 바로 집중할 가치가 있는 문제들입니다. 모델의 정확도는 대체로 확보되었습니다. 신뢰, 투명성, 그리고 임상 워크플로 통합(clinical workflow integration)을 둘러싼 인프라가 바로 실제 엔지니어링 작업이 남아 있는 지점입니다.

저는 Meraki Is Love에서 개발하고 있습니다. 만약 여러분이 인접한 문제들을 다루고 있다면 연락해 주세요. https://calendly.com/hello-merakislove/new-meeting

Adam McClarin · Meraki Is Love | AI 엔지니어 및 풀스택 개발자 · adammcclarin.com