그림 6. 개별화된 생리적 모델링을 위한 가상 장기 시뮬레이션

전체 캡션 표시

그림 뷰어

AI는 동적 생리 예측을 위한 시계열 모델링을 가능하게 함으로써 DT 시스템의 분석 엔진 역할을 합니다.75 이 기능은 시계열 재구성 및 시계열 예측이라는 두 가지 핵심 작업으로 정의됩니다. 재구성 과정에서 AI 알고리즘은 입력 데이터 스트림을 복제하려고 시도합니다. 재구성이 성공하면 생리학적 정상 상태를 나타내고, 편차가 발생하면 잠재적인 이상 징후를 나타냅니다. 예측 단계에서는 과거 입력값을 기반으로 모델이 값을 예측합니다. 일관된 예측은 예상되는 생물학적 궤적과 일치하고, 불일치는 새로운 병리학적 변화를 나타낼 수 있습니다. 이러한 과정을 통해 DT는 정적인 표현에서 적응적이고 지속적으로 업데이트되는 시스템으로 발전할 수 있습니다.76 이는 다차원 환자 데이터를 처리하는 다단계 AI 컴퓨팅 아키텍처에 의해 뒷받침됩니다. 파이프라인은 신호 전처리로 시작하며, 여기서 원시 생체 신호는 노이즈 감소, 정규화 및 특징 추출 과정을 거칩니다. 다음으로, 컴퓨팅 모델링은 전기생리학, 혈류역학 및 조직 탄성도와 같은 장기별 생리학적 특성을 통합하여 이러한 신호를 해석 가능한 모델로 변환합니다. 그다음, 치료 시뮬레이션은 딥러닝 또는 강화 학습 알고리즘을 사용하여 약물 투여, 수술 또는 행동 수정과 같은 치료 개입의 치료 결과를 예측합니다. 마지막으로, 시스템은 새로운 입력에 따라 의사결정 트리(DT)를 지속적으로 업데이트하여 예측 모델이 환자의 생리적 상태 변화에 적응할 수 있도록 합니다. 이러한 동적 업데이트 주기를 통해 DT는 지속적으로 학습하는 시계열 시뮬레이터가 됩니다.