From Detection to Discovery: A Closed-Loop Approach for Simultaneous and Continuous Medical Knowledge Expansion and Depression Detection on Social Media
소셜 미디어 사용자 생성 콘텐츠(UGC)를 활용하여 우울증과 같은 정신 건강 상태를 예측하는 프레임워크를 제시합니다. 본 논문은 예측 정확도를 높이기 위해 기존 연구들이 의료 지식을 통합하는 것에서 나아가, 예측 과정을 통해 지식을 동시에 확장하는 방법을 제시합니다. 폐쇄 루프 대규모 언어 모델(LLM)-지식 그래프 프레임워크를 개발하여 예측과 지식 확장을 반복적인 학습 주기로 통합합니다. 이 프레임워크는 예측 정확도를 향상시킬 뿐만 아니라, 임상적으로 의미있는 증상, 동반 질환 및 사회적 유발 요인을 발견하여 의료적 이해를 높이는 것을 목표로 합니다.
시사점, 한계점
•
시사점:
◦
예측과 학습을 상호 강화하는 과정을 통해 방법론적 및 이론적 이해를 발전시킴.
◦
우울증 예측 정확도 향상과 의료 지식 확장을 동시에 달성함.
◦
전문가 평가를 통해 기존 문헌을 보완하는 임상적으로 유의미한 정보를 발견함.
◦
적응형 데이터 기반 지식 시스템을 위한 기반을 제공하여 다른 동적 위험 모니터링 환경에도 적용 가능성을 제시함.
