멀티모달 파킨슨병 모니터링 애플리케이션

Multimodal Monitoring Application for Parkinson’s Disease

파킨슨병은 노년층에서 발병하는 대표적 신경퇴행성 질환으로, 완치가 불가능해 지속적인 모니터링에 기반한 올바른 약물 치료가 핵심 치료 전략이다. 그러나 높은 의료비와 의료 인력 부족 등으로 빈번한 검사가 어려워 적절한 처방 수정 시기를 놓치는 경우가 발생한다. 이를 보완하기 위해 자택 환경에서 저비용으로 중증도 변화 속도를 추적하고 이가 기준값을 초과하면 진료 권고 알림을 발송하는 멀티모달 모니터링 애플리케이션을 제안한다. 데이터는 시선 응답, 보행, 음성 모듈을 통해 수집되며, 제안한 알고리즘이 중증도의 시간적 변화를 분석하고 결과를 환자의 모바일 애플리케이션과 시뮬레이션 환경의 의료진용 환자 관리 인터페이스로 공유한다. 프로토타입 검증 결과, 시선 및 보행 모듈은 안정적 실시간 성능을 보였으며, 음성 모듈은 중증도 정확도 측정 측면에서 향후 개선이 필요함을 확인하였다. 본 시스템은 환자별 누적 데이터 변화를 기반으로 급격한 악화를 조기 감지하며, 대면 진료 간 공백을 보완하는 것을 목적으로 하며, 향후 지속적인 데이터 축적을 통한 학습 모델의 정확도 향상이 기대된다.

Parkinson’s disease is a representative neurodegenerative disorder that primarily affects older adults, and since it is incurable, appropriate pharmacological treatment based on continuous monitoring constitutes the core therapeutic strategy. However, frequent examinations are often difficult due to high medical costs and shortages of medical personnel, which can result in missed opportunities for timely medication adjustments. To address this limitation, we propose a multimodal monitoring application that tracks the rate of change in disease severity in a home environment at low cost and issues clinical recommendation alerts when the changes exceed predefined thresholds. Data are collected through eye-response, gait, and speech modules, and the proposed algorithm analyzes the temporal progression of disease severity and shares the results with both the patient’s mobile application and a simulated environment–based clinician-facing patient management interface. Prototype evaluation results indicate that the eye-response and gait modules demonstrated stable real-time performance, while the speech module requires further improvement in terms of severity estimation accuracy. This system aims to enable early detection of rapid deterioration based on patient-specific cumulative data trends and to bridge gaps between in-person clinical visits, with the expectation that continued data accumulation will lead to improved accuracy of the learning model over time.