알츠하이머 질환(AD)의 개인 맞춤형 진행 예측을 위한 전환 기반 디지털 트윈(Digital Twin) 프레임워크를 제안한 연구가 발표됐다. 알츠하이머는 환자마다 진행 양상이 크게 달라 예측이 어렵고, 임상 현장에서 수집되는 종단 데이터(longitudinal data)는 대부분 불규칙하고 희소한 특성을 띤다. 기존 머신러닝 기반 접근법은 다중 모달 데이터를 활용해 예측 성능을 높였지만, 정적 분류나 집단 단위의 위험 추정에 머물러 개인 특화 모델링에는 한계가 있었다.
연구진이 제안한 프레임워크는 알츠하이머 신경영상 이니셔티브(ADNI)의 데이터를 활용해 인지 검사, 임상 변수, MRI 기반 표현형 등 복합 정보를 통합한다. 방문 간 임상 전환을 포착하는 ‘전환 기반 모델링’과 시간적 의존성을 학습하는 ‘시퀀스 기반 모델링’을 상호 보완적으로 결합해, 인지 상태와 진단 범주를 예측하면서 예측 불확실성도 함께 정량화한다. 또한 환자별 가상 시나리오 분석을 통해 특정 상태 변화가 질환 궤적에 미치는 영향을 시뮬레이션할 수 있다.
평가 결과, 희소하고 불규칙한 ADNI 데이터 환경에서는 인접 방문 간 전환을 모델링하는 방식이 시퀀스 기반 방식보다 높은 예측 정확도를 보였다. 연구진은 이를 근거로 전환 기반 모델링이 데이터 효율성과 강건성 측면에서 유리한 전략임을 제시했다. 시퀀스 모델은 불확실성 인식 궤적 예측에서 여전히 가치 있다고 부연했다. 이번 연구는 임상 데이터 구조에 맞는 시간적 모델링 전략 선택의 중요성을 강조하며, 전환 기반 디지털 트윈이 신경퇴행성 질환의 개인화된 예측 도구로 실용적인 접근이 될 수 있음을 시사한다.
