정신과 폐쇄 병동 환경에서 수집되는 정신건강 증례지과 웨어러블 기반 생체 신호를 결합해, LSTM 기반 분류 모델로 자·타해 위험을 예측하고 성능을 검증한 KCI 논문.

본 연구는 이후 진행된 "AI-based personalized real-time risk prediction for behavioral management in psychiatric wards using multimodal data"의 본격적인 확장 연구에 앞서, 멀티모달 데이터로 병동 내 위험 예측이 실제로 가능한지부터 확인하기 위한 선행 단계로 수행.

당시 병동 데이터는 형태와 품질이 제각각이어서, 먼저 임상 기록과 생체 신호를 시간 축에 맞춰 정렬하고, 모델 학습이 가능한 형태로 전처리·통합하는 과정이 핵심 과제였음.

모델링 측면에서는 “단일 데이터만으로는 설명하기 어려운 위험 신호가, 임상 기록과 생체 신호를 함께 볼 때 더 잘 포착될 수 있는가?”라는 가설을 검증하는 데 초점을 둠.

이를 위해 LSTM 기반 시계열 모델을 backbone으로 사용해, 멀티모달 입력을 통합하고 자·타해 위험 발생 여부를 분류하는 실험을 진행. 복잡한 시스템 구현보다는, 데이터 결합 전략과 기본 모델의 가능성을 확인하는 데 목적을 둠.

해당 구를 통해 멀티모달 데이터의 한계(데이터 불균형, 기관·병동별 분포 차이 등)를 구체적으로 파악했고, 그 결과를 바탕으로 후속 연구에서는 모델 구조를 Temporal Fustion Transformer로 발전시키는 방향을 설계.