전체 AUROC에서는 Transformer가 더 높았습니다.
RESEARCH NOTE / R1TIME-SERIES ML · RELATED RESEARCH
R1 — RELATED RESEARCH
IMST-
IMST-
MAMBA
ICU 결측치를 단순 보정 대상이 아니라 never·recent·stale 상태를 가진 정보로 해석해 조기 패혈증 예측에 활용했습니다.
Core question
측정되지 않은 시간 자체를 환자 상태에 대한 정보로 사용할 수 있는가?
ICU의 결측은 완전히 무작위가 아닙니다.
어떤 활력징후는 환자 상태나 의료진 판단에 따라 더 자주 측정됩니다. 따라서 값만 대치하고 결측 패턴을 제거하면, “왜 지금 측정되었는가”와 “얼마나 오래 관측되지 않았는가”라는 신호를 잃을 수 있습니다.
결측을 세 가지 상태로 나누었습니다.
- Never — 한 번도 관측되지 않은 변수
- Recent — 최근에 관측되어 비교적 신선한 변수
- Stale — 마지막 관측 이후 시간이 오래 지난 변수
값, 관측 마스크, staleness, inter-event time을 함께 입력하고 temporal decay와 selective state-space block을 결합했습니다.
측정값과 관측 상태를 같은 시간축에서 처리했습니다.
NEVERnot observed
RECENTfresh signal
STALEelapsed signal
IMST-MAMBA
missingness-aware selective state space model
missingness-aware selective state space model
패혈증 예측을 주 과제로 두고 Mortality와 SOFA 보조 헤드를 추가해 멀티태스크 정규화를 적용했습니다.
모델 연구와 시스템 통합을 서로 다른 관점으로 설명합니다.
이 페이지는 결측 상태 정의, 모델 구조, Baseline 비교와 Ablation처럼 모델 자체의 연구 질문을 다룹니다. Medi-Matrix는 같은 시계열 아이디어를 3D 영상·인증·스토리지·WebSocket과 연결하며 시스템 통합 질문을 다룹니다.
중복이 아닌 역할 분리. IMST-Mamba는 독립 연구 결과이고 Medi-Matrix는 시계열 추론 아이디어를 멀티모달 시스템 경계에 연결한 프로토타입입니다. 공개 Medi-Matrix의 Vitals는 별도로 학습한 vitals_gru_challenge2019_v1 GRU로 실제 추론하며, IMST-Mamba와 동일한 모델은 아닙니다. Vision 영역만 synthetic demo입니다.
전체 평균과 하위집단 성능을 함께 비교했습니다.
전체 성능 우위를 주장하지 않습니다.
장기 입원 하위집단 baseline.
복잡한 결측 패턴이 있는 하위집단에서 더 높은 결과를 보였습니다.
전체 집단에서는 Transformer가 더 높은 AUROC를 기록했지만 장기 입원 환자 하위집단에서는 IMST-Mamba가 더 높았습니다. 이를 보편적인 모델 우위로 과장하지 않고 특정 결측 패턴을 가진 집단에서의 가능성으로 제한했습니다.
싣지 않은 결과. Short-stay 하위집단은 수치를 싣지 않았습니다. 결과 표에서 Short stays와 First 6h 행이 네 모델 모두 같은 값으로 적혀 있는 것을 발견해, 재실행으로 확인하기 전까지 보류했습니다. 확인되지 않은 수치를 그래프에 두지 않기 위한 선택입니다.
Staleness 신호가 실제로 기여하는지 확인했습니다.
−0.121Staleness 제거 시 AUROC 변화
Staleness 신호를 제거했을 때 AUROC가 0.121 감소해 단순 binary mask보다 마지막 관측 이후 경과 시간이 중요한 정보일 가능성을 확인했습니다.
같은 그림에서 binary mask 제거는 −0.039, inter-event time 제거는 +0.001로 사실상 변화가 없었습니다. 세 신호를 뭉뚱그려 “결측 정보를 썼다”고 말하는 대신, 기여가 staleness 한 축에 몰려 있다는 점을 분리해 두었습니다.
외부 검증 없이 임상적 우위를 주장하지 않았습니다.
단일 공개 데이터셋 기반 Research Prototype이며 외부 병원 데이터 검증, calibration, prospective workflow 평가가 후속 과제입니다. 모델 성능 수치만으로 임상적 유용성을 주장할 수 없음을 명시합니다.
평균 점수보다 어떤 환자에게 도움이 되는지가 중요했습니다.
의료 AI에서는 전체 AUROC 하나보다 하위집단, 조기경보 시간, calibration과 ablation을 함께 봐야 모델이 실제로 어떤 조건에서 가치를 만드는지 설명할 수 있다는 점을 배웠습니다.