알츠하이머병 (Alzheimer's disease, AD)의 진행은 매우 이질적이며, 일반적으로 희소하고 불규칙한 종단적 데이터 (longitudinal data)를 통해 관찰되는데, 이는 예측 및 개인 맞춤형 모니터링에 어려움을 초래합니다. 기존의 머신러닝 (machine learning) 접근 방식은 다중 모달 (multimodal) 데이터를 사용하여 AD 예측 성능을 향상시켰으나, 종종 정적 분류 (static classification) 또는 코호트 수준의 위험 추정 (cohort-level risk estimation)에 집중하여, 피험자별 모델링 (subject-specific modelling) 및 불확실성을 고려한 추론 (uncertainty-aware reasoning)에 대한 지원이 제한적이었습니다.

이러한 한계를 해결하기 위해, 본 연구에서는 다중 모달 종단적 데이터를 사용하여 AD 예측 및 시나리오 기반 분석을 수행하는 개인 맞춤형 디지털 트윈 (digital twin) 프레임워크를 제시합니다. 제안된 접근 방식은 임상적 전이 (clinical transitions)와 방문 간의 시간적 의존성 (temporal dependencies)을 포착하기 위해 상호 보완적인 모델링 전략을 통합합니다. 인지 평가, 임상 변수 및 MRI 유래 표현형 (MRI-derived phenotypes)을 포함한 알츠하이머병 신경영상 이니셔티브 (Alzheimer's Disease Neuroimaging Initiative, ADNI)의 데이터를 사용하여, 이 프레임워크는 인지 상태와 진단 범주를 예측하는 동시에 예측 불확실성 (predictive uncertainty)을 정량화하고 환자별 'what-if' 궤적 분석을 가능하게 합니다.

데이터 누출이 없는 피험자 수준 분할 (leak-free subject-level splits)을 통한 평가 결과, 점수 예측 및 진단 분류에서 강력한 성능을 입증했습니다. 이러한 희소하고 불규칙한 ADNI 환경에서, 인접한 방문 간의 전이 기반 모델링 (transition-based modelling)은 시퀀스 기반 분기 (sequence-based branch)보다 더 높은 예측 정확도를 달성하였으며, 이는 국소적 전이 모델링 (local transition modelling)이 더 데이터 효율적일 수 있음을 시사합니다. 시퀀스 모델 (sequence models)은 불확실성을 고려한 궤적 예측에 여전히 가치가 있지만, 국소적 전이 모델링은 더 데이터 효율적이고 견고한 예측 전략을 제공합니다. 이러한 결과는 시간적 모델링 전략을 임상 데이터 구조와 일치시키는 것의 중요성을 강조하며, 전이 기반 디지털 트윈 공식화가 신경 퇴행성 질환의 개인 맞춤형 질병 예측을 위한 실용적이고 해석 가능한 접근 방식을 제공할 수 있음을 시사합니다.