기술 요약: VitalAgent

문제 정의

웨어러블 장치 (ECG/PPG) 를 활용하는 현재 모바일 헬스 (mHealth) 시스템은 연속적인 생리학적 데이터 스트림을 실행 가능한 통찰력으로 변환하는 데 상당한 한계를 겪고 있습니다. 기존 접근 방식은 일반적으로 신호를 미리 정의된 출력 (예: 수면 단계, 부정맥 감지) 에 매핑하는 작업별 파이프라인에 의존하거나, 정적이며 사전 계산된 텍스트 요약 위에서 작동하는 대규모 언어 모델 (LLM) 을 사용합니다. 이러한 시스템은 다음을 수행하는 능력이 부족합니다:

1. 시간적 추론 지원: 검색, 시간적 비교, 그리고 장기적 기록에 대한 집계를 요구하는 자연어 질의 (예: "최근에 내 안정 시 심박수가 증가했나요?") 에 어려움을 겪습니다.
2. 지속적인 컨텍스트 유지: 원시 신호에 직접 접근할 수 없기 때문에 요청 시 개인화된 증거를 신뢰성 있게 계산하거나 상호작용 전반에 걸쳐 모니터링 컨텍스트를 유지할 수 없습니다.
3. 적극적 모니터링 가능: 선행 연구는 주로 사용자의 질의에 반응하는 수동적인 방식에 그치는 반면, 실제 세계의 시스템은 관련 경고들을 표출하기 위해 상태 변화의 지속적인 추적이 필요합니다.

방법론: VitalAgent 프레임워크

저자들은 ECG 및 PPG 기반 생리학적 모니터링을 위해 설계된 통합된 도구 증강 에이전트 프레임워크인 VitalAgent를 제안합니다. 이는 세 가지 핵심 구성 요소를 통해 반응형 질문 응답 (QA) 과 적극적 모니터링을 통합합니다:

1. 생리학적 메모리

VitalAgent 는 원시 신호 윈도우 ($x_{<t}$), 스트리밍 건강 상태 추적기 ($s_{<t}$), 그리고 적극적 경고 기록 ($e_{<t}$) 의 튜플로 정의된 컴팩트한 시간적 메모리 ($M_t$) 를 유지합니다.

• 원시 신호: 시간 인덱스가 지정된 ECG/PPG 윈도우를 저장합니다.
• 파생 상태: 심박수, 박동 간 간격, 변동성 측정치, 신호 품질 점수, 리듬 레이블과 같이 계산된 특징들을 포함합니다.
• 경고 기록: 후속 질의를 지원하기 위해 발동된 경고, 규칙, 그리고 근거를 저장합니다.
• 업데이트 메커니즘: 새로운 신호, 통계, 그리고 경고가 도착함에 따라 메모리가 지속적으로 업데이트되어 시스템이 반응형 및 적극적 모드 모두를 위한 컨텍스트를 유지할 수 있게 합니다.

2. 통합 추론 계층

정책 인터페이스 ($\Pi$) 는 LLM 기반 플래너, 증거 검증 모듈, 그리고 응답 생성기를 사용하여 에이전트의 행동을 조율합니다.

• 반응형 모드: 사용자 질의에 의해 발동됩니다. 플래너는 질의와 현재 메모리를 기반으로 도구를 선택하여 신호를 검색하고, 분석을 수행하며, 답변을 생성합니다.
• 적극적 모드: 스트리밍 생리학적 업데이트에 의해 발동됩니다. 시스템은 고정 길이 (10 초) 의 비중첩 윈도우를 처리하여 측정을 추출하고 경고 기준 (극단적인 서맥, 극단적/지속적인 빈맥) 을 평가합니다. 누락된 경고를 줄이기 위해 LLM 기반 판정기가 20 개의 윈도우마다 실행됩니다.
• 검증 및 재계획: 시스템은 계획의 완전성, 도구 성공, 출력 필드 존재 여부, 그리고 도구 간 일관성이라는 네 가지 차원에서 증거를 검증합니다. 검증이 실패하면 피드백을 통해 LLM 을 다시 프롬프트하여 시스템을 재계획합니다.

3. 구조화된 도구 인터페이스

VitalAgent 는 사전 계산된 통계에 의존하는 대신 원시 신호에 대한 동적 계산을 가능하게 하는 5 가지 기능 그룹으로 분류된 29 개의 모듈식 도구 레지스트리를 활용합니다:

• 신호 분석 도구 (13 개): 원시 윈도우에 대한 결정론적 계산 (예: analyze_heart_rate, ecg_diagnosis).
• 데이터별 처리 도구 (3 개): 데이터셋 간의 이질성을 처리 (예: 정규화, 윈도우 정렬).
• 기록 조회 도구 (6 개): 메타데이터 접근 및 기록 열거.
• 적극적 컨텍스트 도구 (5 개): 저장된 경고 기록 및 설명 검색.
• 의료 지식 도구 (2 개): 외부 생의학 지식 (MedlinePlus, PubMed) 접근.

주요 기여

1. VitalAgent 프레임워크: 공유 메모리와 동적 도구 호출을 통해 반응형 QA 와 적극적 모니터링을 통합한 새로운 에이전트형 mHealth 시스템.
2. VitalBench 데이터셋: 반응형 및 적극적 평가를 위해 ECG 와 PPG 데이터를 통합한 최초의 장기적 벤치마크. 이는 다음을 포함합니다:
   • 1,862 개의 QA 쌍: 윈도우 로컬 및 즉각적인 Tier A 와 시간적 집계가 필요한 장기적 Tier B 로 분류됨.
   • 90.2 시간의 연속 녹음: 심장, 활동, 스트레스 영역을 포괄하는 네 가지 데이터셋 (Icentia11k, AF-PPG-ECG, PPG-DaLiA, WESAD) 에서 수집됨.
3. 실증적 검증: 동적 도구 사용과 장기 메모리가 기존 베이스라인을 크게 능가함을 입증.

실험 결과

반응형 질문 응답

원시 신호에서 특징을 도출해야 하는 "누출 방지" 설정 하에 VitalBench 에서 평가됨:

• 성능: VitalAgent 는 Tier A 에서 전체 정확도 0.860, Tier B 에서 0.557을 달성했습니다.
• 비교: 가장 강력한 신호 유도 베이스라인 (LifeAgent*) 보다 Tier A 에서 31.5%, Tier B 에서 25.7% 더 높은 성능을 보였습니다. 또한 프롬프트 기반 베이스라인 (Health-LLM) 과 ReAct 스타일 에이전트 (PHIA) 보다도 현저히 우수한 성능을 발휘했습니다.
• 절차 제거 분석: 의미론적 플래너를 제거하면 정확도가 크게 하락했습니다 (예: Tier A 전체가 0.860 에서 0.701 로 하락), 이는 질의 의존적 도구 선택이 중요함을 강조합니다. 검증 및 재계획 모듈은 미미한 개선 (<1.2%) 을 제공했지만 가장자리 사례를 위한 안전장치 역할을 했습니다.
• 오류 분석: 실패는 주로 도구 선택 오류가 아닌 답변 불일치 (75.4%) 에 기인했습니다. 일반적인 오류는 복잡한 수치 추론 (예: 최대 심박수 식별) 과 윈도우 로컬 및 장기적 질의 간 구분에 관련되었습니다.

적극적 모니터링

• 경고 행동: 규칙 기반 감지에 LLM 판정기를 추가하면 중앙값 경고 지연 시간이 220 초에서 105 초로 감소했으나, 허위 경고율 (FAR/h) 은 1.81 에서 2.95 로 증가하여 적시성과 경고 부담 간의 트레이드오프를 보여줍니다.
• 리듬 분류: 파이프라인은 ECG 및 PPG 모달리티 전반의 윈도우별 AF 리듬 분류에서 **66.7%**의 균형 정확도와 **75.5%**의 민감도를 달성했습니다.

중요성과 주장

이 논문은 VitalAgent 가 연속 모니터링과 상호작용 추론을 통합하는 에이전트형 헬스 시스템으로 나아가는 단계라고 주장합니다. 그 중요성은 다음과 같습니다:

• 동적 도구 사용: 사전 계산된 특징이나 정적 요약에 의존하는 것보다 원시 신호에 대한 질의 의존적 생리학적 추론을 위해 동적으로 도구를 선택하는 것이 우수함을 입증.
• 장기적 컨텍스트: 복잡한 시간적 질문에 답변하고 신뢰할 수 있는 적극적 경고를 가능하게 하기 위해 장기 생리학적 메모리의 필요성을 강조.
• 아키텍처 프로토콜: 이 프레임워크는 emerging Model Context Protocol (MCP) 아키텍처와 호환되도록 설계되었으며, 여기서 원시 데이터는 기기 내에 머무르고 LLM 은 센서 데이터에 직접 접근하는 대신 모듈식 생리학적 연산자를 조율합니다.

저자들은 ECG/PPG 모달리티에 초점을 맞춘 점, 적극적 발동기를 위한 사전 정의된 규칙에 대한 의존성, 그리고 통제된 벤치마크 데이터셋에 대한 평가가 아닌 노이즈가 많은 실제 세계 배포에서의 평가 부재 등 한계를 인정합니다. 그들은 VitalAgent 를 진단 시스템이 아닌 의사결정 지원 도구로 위치시킵니다.