특정 공포증 데이터를 활용한 전이 학습(Transfer Learning)을 통한 외상 후 스트레스 장애(PTSD) 심각도의 정량적 평가

외상 후 스트레스 장애 (PTSD)는 개인적 및 사회적으로 상당한 영향을 미치는 유병률이 높고 쇠약하게 만드는 정신 건강 상태입니다. 현재의 PTSD 임상 평가는 종종 주관적인 평가에 의존하며, 이는 시간이 많이 소요되고 비용이 많이 들며 인간의 편향 (bias)이 발생하기 쉽습니다. 본 연구는 PTSD 심각도의 객관적인 평가를 위해 다변량 커널 밀도 추정 (Multivariate Kernel Density Estimation, MKDE) 기술에 기반한 머신러닝 (ML) 접근 방식을 제안합니다. 우리는 몰입형 시뮬레이션 동안 21명의 참가자로부터 심박수 (HR) 및 전기 피부 반응 (GSR) 신호와 PTSD 체크리스트 - 군인 버전 (PCL-M) 라벨을 수집했습니다. 공공 거미 공포증 (arachnophobia) 데이터셋을 통해 공포 반응 모델을 학습시켰으며, 군인 데이터셋에서 추정된 공포 반응 곡선으로부터 PTSD의 예측 특징들을 추출했습니다. 이 모델은 PTSD 상태를 분류하는 데 있어 86%의 정확도를 달성하여, PTSD 유무(PCL-M 임계값 36)를 효과적으로 구분했습니다. 모델의 평균 절대 오차 (Mean Absolute Error, MAE)는 5.6이며, 평균 절대 백분율 오차 (Mean Absolute Percentage Error, MAPE) 17%로 임상 PTSD 심각도 척도를 추정했습니다. 우리의 알고리즘은 생리학적 지표를 사용하여 객관적이고 노력이 적게 드는 평가 방식을 제공함으로써, PTSD 심각도 추정 및 사후 관리를 향상시킬 수 있는 유망한 잠재력을 보여줍니다. 이러한 결과는 선별 검사 및 사후 관리 환경 모두에서 임상적 유용성을 시사합니다.