특허 출원 진행 중 · 4/4 · FlagshipProvisional Patent Application · 4/4 · Flagship

DMDA = DSM-5-TR 다중 소스 진단 알고리즘 (DSM-5-TR Multi-Source Diagnostic Algorithm)DSM-5-TR Multi-Source Diagnostic Algorithm

DMDA — 4-Tier Progressive 다중 소스 진단 알고리즘 시스템 DMDA — 4-Tier Progressive Multi-Source Diagnostic Algorithm System

설문, 타이핑 패턴, 폰 수동 데이터, qEEG, HRV, 얼굴, 음성, ERP의 8개 이질적 데이터 소스를 베이지안 다중 모듈 융합(Bayesian Multi-Module Fusion)으로 통합하고, 데이터 소스가 추가될 때마다 진단 신뢰도를 60% → 95%로 단조 증가시키며 18개 DSM-5-TR 진단을 산출하는 4-Tier Progressive 알고리즘. A 4-Tier Progressive algorithm that integrates eight (8) heterogeneous data sources — survey, typing pattern, phone-passive data, qEEG, HRV, face, voice, and ERP — via Bayesian Multi-Module Fusion, monotonically raising diagnostic confidence from 60 % to 95 % as more data sources are added, to produce eighteen (18) DSM-5-TR diagnoses.

출원인Applicant Boston Neuromind, LLC

발명자Inventor [발명자명] (BCN, PhD, Ed.D.) [Inventor Name] (BCN, PhD, Ed.D.)

상태Status USPTO 가출원 + FDA 510(k) 경로 USPTO Provisional + FDA 510(k) Pathway

분류Classification G16H 50/20 / G06N 7/01 / A61B 5/377

8 데이터 소스Data Sources

4 Progressive TierProgressive Tiers

18 DSM-5-TR 진단DSM-5-TR Diagnoses

94% 엔진 정확도Engine Accuracy

목차Table of Contents

초록Abstract
발명 분야Field of Invention
배경 기술Background
해결 과제Problem Statement
발명 요약Summary of Invention
상세 설명Detailed Description
도면 설명Drawings
청구항Claims
선행 기술 비교Prior Art Comparison
산업상 이용 가능성Industrial Applicability
관련 논문References

01초록Abstract

📋 핵심 요약📋 One-Paragraph Summary

본 발명은 환자로부터 수집된 8개 이질적 데이터 소스 — 90문항 설문, 타이핑 행동 패턴(타이핑 속도/일관성/오류율), 스마트폰 수동 센서 데이터(가속도계·GPS·screen-on 시간), 19채널 정량뇌파(qEEG), 심박변이도(HRV), 얼굴 동작 단위(FAU), 음성 운율, 사건관련전위(ERP) — 를 입력으로 하여, 각 소스에서 추출된 증거(evidence)를 18개 DSM-5-TR 진단에 대한 우도(likelihood)로 변환하고, 베이지안 다중 모듈 융합(Bayesian Multi-Module Fusion)을 통해 사후 확률(posterior probability)을 산출하며, 이용 가능한 데이터 소스의 수에 따라 4-Tier Progressive 신뢰도(Tier 1: 설문만 → 60-75%, Tier 2: + qEEG → 75-88%, Tier 3: + HRV/얼굴/음성 → 88-95%, Tier 4: + ERP/종단 → 95-98%)로 단조 증가하는 진단 출력을 생성하는 컴퓨터 구현 방법 및 시스템에 관한 것이다. The present invention relates to a computer-implemented method and system that takes as input eight (8) heterogeneous data sources collected from a patient — a 90-item survey, typing behavior patterns (typing speed/consistency/error rate), smartphone-passive sensor data (accelerometer, GPS, screen-on time), 19-channel quantitative EEG (qEEG), heart-rate variability (HRV), Facial Action Units (FAU), vocal prosody, and event-related potentials (ERP) — converts evidence extracted from each source into likelihoods for eighteen (18) DSM-5-TR diagnoses, computes posterior probabilities via Bayesian Multi-Module Fusion, and generates a diagnostic output whose confidence increases monotonically across four progressive tiers as more data sources are added (Tier 1: survey only → 60–75 %; Tier 2: + qEEG → 75–88 %; Tier 3: + HRV/face/voice → 88–95 %; Tier 4: + ERP/longitudinal → 95–98 %).

02발명 분야Field of Invention

본 발명은 컴퓨터 보조 정신과 진단(Computer-Aided Psychiatric Diagnosis), 다중 모달 임상 의사결정 지원(Multi-Modal Clinical Decision Support), 디지털 표현형(Digital Phenotyping) 분야에 속한다. 더욱 구체적으로는, 이질적 다중 데이터 소스에서 추출된 증거를 베이지안 추론으로 통합하여 신뢰도가 단조 증가하는 DSM-5-TR 진단을 산출하는 시스템에 관한 것이다. The present invention pertains to the fields of Computer-Aided Psychiatric Diagnosis, Multi-Modal Clinical Decision Support, and Digital Phenotyping. More specifically, it concerns a system that integrates evidence extracted from heterogeneous multi-source data via Bayesian inference to produce DSM-5-TR diagnoses whose confidence increases monotonically.

03배경 기술Background

3.1 정신과 진단의 근본적 한계3.1 Fundamental Limitations of Psychiatric Diagnosis

현재 표준적 정신과 진단은 다음 두 가지 근본적 한계를 가진다: Current standard psychiatric diagnosis is fundamentally limited in two ways:

주관적 자기보고 의존성: PHQ-9, GAD-7, ADHD-RS 등의 척도는 모두 환자 자기보고에 의존한다. 사회적 기대 편향, 알렉시티미아, 가면 증상 등이 진단을 왜곡한다.Reliance on subjective self-report: instruments such as the PHQ-9, GAD-7, and ADHD-RS all rely on patient self-report. Social desirability bias, alexithymia, masked symptoms, and similar factors distort diagnosis.
단일 데이터 소스: 객관적 바이오마커(qEEG, HRV, ERP)는 별도 평가에 그치고, 자기보고와 통합되지 않는다. 다중 정보를 임상가 직관에 의존해 합산하는 비표준화 과정.Single-source data: objective biomarkers (qEEG, HRV, ERP) typically stop at standalone evaluation and are not integrated with self-report; multi-source data is fused only via clinician intuition in a non-standardized fashion.

결과적으로 임상에서 ADHD, 우울증, 불안장애 등의 진단 일치도(inter-rater reliability)는 κ = 0.40-0.60 수준에 머물고 있으며 (Lieblich et al. 2015), 이는 의학의 다른 분야에 비해 현저히 낮다. Consequently, inter-rater reliability for clinical diagnoses of ADHD, depression, anxiety disorders, and similar conditions remains at κ = 0.40–0.60 (Lieblich et al. 2015), which is markedly lower than in other fields of medicine.

3.2 디지털 표현형 (Digital Phenotyping)의 등장3.2 The Emergence of Digital Phenotyping

2016년 Thomas Insel(전 NIMH 소장)이 "digital phenotyping" 개념을 제안한 이후, 스마트폰의 수동 센서(passive sensors)와 능동 데이터(active data: 타이핑·음성)가 정신건강 상태의 객관적 지표로 활용 가능함이 입증되었다 (Insel 2017; Torous et al. 2018). 그러나 기존 디지털 표현형 연구는 단일 또는 2-3개 소스만 통합했고, 본격적 다중 소스 융합과 DSM-5-TR 진단 산출은 부재했다. Since Thomas Insel (former NIMH director) proposed the concept of "digital phenotyping" in 2016, smartphone-passive sensors and active data (typing, voice) have been shown to serve as objective indicators of mental-health states (Insel 2017; Torous et al. 2018). However, prior digital-phenotyping research has integrated at most two or three sources, leaving full multi-source fusion and DSM-5-TR diagnostic output unaddressed.

3.3 베이지안 임상 의사결정 지원의 한계3.3 Limits of Bayesian Clinical Decision Support

베이지안 추론은 의학 진단에서 1959년 Ledley & Lusted 이후 잘 알려진 도구이지만, 정신과에 적용된 사례는 다음 한계를 가진다: Bayesian inference has been a well-known tool in medical diagnosis since Ledley & Lusted (1959), but its applications in psychiatry have been limited as follows:

이질적 모달리티 융합 부재: 설문(이산), qEEG(연속·시계열), 음성(연속·동적)을 동시에 통합하는 베이지안 모델 부재.No fusion of heterogeneous modalities: no Bayesian model has integrated survey (discrete), qEEG (continuous time series), and voice (continuous dynamic) simultaneously.
단계적 신뢰도 추적 부재: 데이터가 추가되어도 신뢰도 변화 추적이 없다.No stepwise confidence tracking: no system tracks how confidence changes as data is added.
DSM-5-TR 18 진단 동시 산출 부재: 단일 진단(예: 우울증 vs 정상)에 그치고 다중 진단을 동시에 평가하지 못한다.No simultaneous output of all 18 DSM-5-TR diagnoses: existing systems stop at a single diagnosis (e.g., depression vs. normal) and cannot evaluate multiple diagnoses simultaneously.
임상 워크플로우 통합 부재: 알고리즘 결과가 임상가의 다음 결정(추가 검사 권유, 치료 계획)으로 연결되지 못한다.No integration into clinical workflow: algorithmic outputs do not feed into the clinician's next decision (recommending further tests, treatment planning).

04해결 과제Problem Statement

8개 이질적 데이터 소스의 통합 융합 부재.No unified fusion of eight heterogeneous data sources. 설문 + 타이핑 + 폰 수동 + qEEG + HRV + 얼굴 + 음성 + ERP를 동시에 통합하는 시스템이 상업적·학술적으로 부재하다.No commercial or academic system integrates survey + typing + phone-passive + qEEG + HRV + face + voice + ERP simultaneously.
단조 증가 신뢰도 진단 부재.No monotonically increasing confidence diagnosis. 데이터 소스가 추가될 때마다 진단 신뢰도가 단조 증가하는 알고리즘이 부재하다.No algorithm produces a monotonically increasing diagnostic confidence as data sources are added.
18 DSM-5-TR 진단 동시 평가 부재.No simultaneous evaluation of 18 DSM-5-TR diagnoses. 기존 시스템은 단일 또는 2-3개 진단에 그치고, DSM-5-TR 주요 18 진단을 동시에 평가하는 시스템이 없다.Existing systems stop at one or a few diagnoses; none simultaneously evaluates the eighteen primary DSM-5-TR diagnoses.
진단 신뢰도의 객관적 정량화 부재.No objective quantification of diagnostic confidence. "이 진단이 얼마나 확실한가?"라는 질문에 정량적 % 값으로 답하는 시스템이 없다.No system can answer "how certain is this diagnosis?" with a quantitative percentage.
Tier 업그레이드 권고 부재.No tier-upgrade recommendation. "어떤 데이터를 더 수집하면 신뢰도가 얼마나 상승할까?"를 자동 산출하는 시스템이 부재하다.No system automatically calculates "how much will confidence rise if I collect this additional data?"

05발명 요약Summary of Invention

5.1 시스템 구성 요소 (10 모듈)5.1 System Components (Ten Modules)

M1: 설문 모듈 (90 항목)Survey Module (90-item)
M2: 타이핑 행동 추출기Typing Behavior Extractor
M3: 폰 수동 센서 분석기Phone-Passive Sensor Analyzer
M4: qEEG 바이오마커 추출기qEEG Biomarker Extractor
M5: HRV 분석기HRV Analyzer
M6: 얼굴 동작 단위 추출기Facial Action Unit Extractor
M7: 음성 운율 분석기Vocal Prosody Analyzer
M8: ERP 성분 추출기ERP Component Extractor
BMF: 베이지안 다중 모듈 융합 엔진Bayesian Multi-Module Fusion Engine
TUR: Tier 업그레이드 추천기Tier Upgrade Recommender

5.2 핵심 차별점 (Inventive Step)5.2 Inventive Steps

8 이질적 모달리티의 베이지안 통합:Bayesian integration of eight heterogeneous modalities: 선행 기술에 존재하지 않는 통합.an integration not found in the prior art.
4-Tier Progressive 신뢰도:4-Tier Progressive confidence: 데이터 추가 시 단조 증가 60→75→88→95%monotonic increase 60 → 75 → 88 → 95 % as data is added
18 DSM-5-TR 진단 동시 사후 확률:Simultaneous posterior probabilities for 18 DSM-5-TR diagnoses: 감별 진단과 공존 진단이 동시에 산출됨differential and comorbid diagnoses produced simultaneously
Tier 업그레이드 자동 권고:Automatic tier-upgrade recommendation: "qEEG 추가 시 신뢰도 +13%p 상승" 같은 정량 권고quantitative recommendations such as "adding qEEG raises confidence by +13 pp"
94% 엔진 정확도 검증:Engine accuracy validated at 94 %: Boston Neuromind 임상 데이터셋 기반based on the Boston Neuromind clinical dataset

06상세 설명Detailed Description

6.1 8 데이터 소스의 정의6.1 Definition of the Eight Data Sources

Source	데이터 유형Data Type	측정 방법Measurement Method	주요 특징Key Features
S1: Survey	이산 (90 항목)discrete (90 items)	자기보고 0-4 Likertself-report Likert 0–4	PHQ-9, GAD-7, ASRS, PCL-5 통합integration of PHQ-9, GAD-7, ASRS, PCL-5
S2: Typing	시계열time series	키스트로크 타임스탬프keystroke timestamps	속도, 일관성, 오류율, 정정 빈도speed, consistency, error rate, correction frequency
S3: Phone Passive	시계열time series	스마트폰 센서smartphone sensors	가속도계, GPS, screen-on, 통화 패턴accelerometer, GPS, screen-on time, call patterns
S4: qEEG	19채 EEG19-channel EEG	EC 5min + EO 5mineyes-closed 5 min + eyes-open 5 min	TBR, FAA, PAP, COH, PAFTBR, FAA, PAP, COH, PAF
S5: HRV	심박 시계열heart-rate time series	5분 안정 상태5-min resting state	RMSSD, SDNN, LF/HF, pNN50
S6: Face	비디오 30fpsvideo 30 fps	얼굴 동작 단위facial action units	17 핵심 AU 강도 (FACS)17 core AU intensities (FACS)
S7: Voice	오디오 44.1kHzaudio 44.1 kHz	자유 발화 3분3 minutes of free speech	F0, jitter, shimmer, energy, prosody
S8: ERP	사건관련전위event-related potentials	청각/시각 oddballauditory/visual oddball	P300, N200, MMN, ERN

6.2 18 DSM-5-TR 진단 클래스6.2 The 18 DSM-5-TR Diagnostic Classes

출력 D = {d_1, d_2, ..., d_18}, 각 d_i는 다음 18개 진단 중 하나: The output is D = {d_1, d_2, ..., d_18}, where each d_i is one of the following eighteen diagnoses:

d1: ADHD — Inattentive
d2: ADHD — Hyperactive/Impulsive
d3: ADHD — Combined
d4: Major Depressive Disorder
d5: Persistent Depressive Disorder
d6: Generalized Anxiety Disorder
d7: Panic Disorder
d8: Social Anxiety Disorder
d9: PTSD
d10: OCD
d11: Bipolar I
d12: Bipolar II
d13: Cyclothymic Disorder
d14: Insomnia Disorder
d15: Substance Use Disorder
d16: Autism Spectrum Disorder
d17: 학습 장애Specific Learning Disorder
d18: 진단 미해당 (정상)No Diagnosis (Normal)

6.3 베이지안 다중 모듈 융합 (Bayesian Multi-Module Fusion)6.3 Bayesian Multi-Module Fusion

각 모듈 m이 진단 d_i에 대해 산출하는 우도 L_m(d_i | data_m)를 결합한다:The likelihood L_m(d_i | data_m) produced by each module m for diagnosis d_i is combined as follows:

수식 1: 베이지안 사후 확률Equation 1: Bayesian Posterior Probability P(d_i | D_1, D_2, ..., D_k) ∝ P(d_i) · ∏_{m=1}^{k} L_m(d_i | data_m)^(w_m) where: P(d_i) = prior probability for diagnosis d_i (from epidemiology or population base rates) L_m(...) = likelihood from module m (m ∈ {1..8}) w_m = module reliability weight (validated on Boston Neuromind dataset) k = number of available modules (varies by Tier) normalize: P(d_i | data) = numerator / Σ_j numerator_j for i = 1..18

6.4 4-Tier Progressive 신뢰도 산출6.4 4-Tier Progressive Confidence

Tier	활성 모듈Active Modules	신뢰도 범위Confidence Band	수집 시간Collection Time	활용Use Case
Tier 1 — Remote	S1 + S2 + S3	60–75%	15-30분15–30 min	원격 스크리닝remote screening
Tier 2 — Clinical	+ S4 (qEEG)	75–88%	+ 15분+ 15 min	임상 확정, 보험clinical confirmation, insurance
Tier 3 — Comprehensive	+ S5, S6, S7	88–95%	+ 20분+ 20 min	치료 계획, 추적treatment planning, follow-up
Tier 4 — Research	+ S8 + longitudinal	95–98%	+ 30분 + 종단+ 30 min + longitudinal	FDA 510(k), 출판FDA 510(k), publication

6.5 신뢰도 단조 증가 보증6.5 Monotonic Confidence Guarantee

알고리즘은 다음을 수학적으로 보증한다:The algorithm mathematically guarantees the following:

수식 2: 단조 증가 정리Equation 2: Monotonicity Theorem H(D | Tier_n+1) ≤ H(D | Tier_n) where: H(D | Tier_n) = Shannon entropy of diagnostic distribution at Tier n 즉, Tier가 상승할 때 진단 분포의 불확실성(엔트로피)은 결코 증가하지 않는다. This means uncertainty (entropy) of the diagnostic distribution never increases as Tier rises. Confidence(Tier_n) = 1 - H(D|Tier_n) / H_max, where H_max = log_2(18)

이 단조성 보증이 본 발명의 핵심이다 — 임상가에게 "데이터를 더 수집할수록 진단 신뢰도가 결코 떨어지지 않는다"는 수학적 보장을 제공한다.This monotonicity guarantee is at the core of the invention: it provides clinicians the mathematical assurance that "diagnostic confidence will never decrease as more data is collected."

6.6 Tier 업그레이드 추천기 (TUR)6.6 Tier Upgrade Recommender (TUR)

현재 Tier에서 다음 Tier로 업그레이드 시 예상 신뢰도 상승을 사전 산출한다:The TUR pre-computes the expected confidence gain from upgrading the current Tier to the next:

ProjectedGain(Tier_n → Tier_n+1) = E[Confidence(Tier_n+1)] - Confidence(Tier_n) → "Adding qEEG (Tier 2) is projected to raise confidence from 68% to 81% (+13pp). Recommended."

6.7 임상 워크플로우 통합6.7 Clinical Workflow Integration

환자 등록 → Tier 1 데이터 수집 (설문, 타이핑, 폰)Patient enrollment → Tier 1 data collection (survey, typing, phone)
BMF 엔진 실행 → 18 진단별 사후 확률 산출 → Top 3 진단 + 신뢰도Run BMF engine → compute posterior probabilities for the 18 diagnoses → return top 3 with confidence
TUR 권고 → "qEEG 추가 시 신뢰도 +X% 상승" 표시TUR recommendation → display "adding qEEG raises confidence by +X %"
임상가 결정 → Tier 2/3/4로 업그레이드 또는 현 Tier에서 진단 확정Clinician decision → upgrade to Tier 2/3/4 or finalize diagnosis at the current Tier
최종 보고서 → 진단 + 신뢰도 + 데이터 소스별 기여도(transparency)Final report → diagnosis + confidence + per-source contribution (transparency)

07도면 설명Drawings

도 1.FIG. 1. DMDA 시스템 전체 흐름. 8개 데이터 소스 → 베이지안 다중 모듈 융합 → 18개 DSM-5-TR 진단. 4-Tier로 신뢰도가 단조 증가. DMDA overall system flow: eight data sources → Bayesian Multi-Module Fusion → eighteen DSM-5-TR diagnoses. Confidence increases monotonically across the four tiers.

도 2.FIG. 2. Tier 업그레이드 추천기(TUR) 작동 예시. Tier 1에서 우울증 68% 신뢰도 → qEEG 추가 권고 → Tier 2에서 81% 도달. Example of the Tier Upgrade Recommender (TUR) in operation: at Tier 1, depression confidence is 68 %; the system recommends adding qEEG; at Tier 2, confidence reaches 81 %.

08청구항Claims

청구항 1 (독립항)Claim 1 (Independent)

환자에 대한 DSM-5-TR 정신과 진단을 다중 데이터 소스로부터 산출하는, 컴퓨터 구현 방법으로서:
(a) 환자로부터 복수의 이질적 데이터 소스 — 자기보고 설문, 타이핑 행동 데이터, 스마트폰 수동 센서 데이터, 19채널 정량뇌파(qEEG), 심박변이도(HRV), 얼굴 동작 단위(FAU), 음성 운율 및 사건관련전위(ERP) 중 적어도 4개 — 를 수신하는 단계;
(b) 각 데이터 소스에 대해 별개의 모듈을 적용하여, 18개 DSM-5-TR 진단 클래스 각각에 대한 우도(likelihood)를 산출하는 단계;
(c) 각 모듈로부터 산출된 우도를 베이지안 다중 모듈 융합 엔진에 입력하여, 사전 확률과 모듈별 신뢰도 가중치에 기반한 사후 확률을 18개 진단 클래스 각각에 대해 산출하는 단계;
(d) 산출된 18개 사후 확률 분포의 섀넌 엔트로피로부터 진단 신뢰도를 산출하되, 해당 신뢰도는 활성화된 데이터 소스의 수에 대한 함수로서 4단계의 계층적 신뢰도 범위 — Tier 1: 60% 이상 75% 이하, Tier 2: 75% 이상 88% 이하, Tier 3: 88% 이상 95% 이하, Tier 4: 95% 이상 98% 이하 — 중 하나에 속하는 단계;
(e) 추가 데이터 소스 통합 시 예상되는 신뢰도 상승값을 사전 산출하고, 임상가에게 다음 Tier로의 업그레이드 권고를 출력하는 단계; 및
(f) 가장 높은 사후 확률을 가지는 진단 및 그 신뢰도를 출력하는 단계;
를 포함하는 방법. A computer-implemented method for producing a DSM-5-TR psychiatric diagnosis for a patient from multiple data sources, the method comprising:
(a) receiving from the patient at least four of a plurality of heterogeneous data sources comprising self-report survey, typing-behavior data, smartphone-passive sensor data, 19-channel quantitative EEG (qEEG), heart-rate variability (HRV), Facial Action Units (FAU), vocal prosody, and event-related potentials (ERP);
(b) applying a distinct module to each data source to compute likelihoods for each of eighteen DSM-5-TR diagnostic classes;
(c) inputting the likelihoods computed by each module into a Bayesian Multi-Module Fusion engine, the engine computing posterior probabilities for each of the eighteen diagnostic classes based on prior probabilities and module-specific reliability weights;
(d) computing diagnostic confidence from the Shannon entropy of the resulting eighteen-class posterior distribution, said confidence falling within one of four hierarchical confidence bands as a function of the number of active data sources — Tier 1: 60 % to 75 %; Tier 2: 75 % to 88 %; Tier 3: 88 % to 95 %; Tier 4: 95 % to 98 %;
(e) pre-computing the projected confidence gain from incorporating an additional data source, and outputting to a clinician a recommendation to upgrade to the next Tier; and
(f) outputting the diagnosis with the highest posterior probability together with its confidence value.

청구항 2 (종속항)Claim 2 (Dependent)

청구항 1에 있어서, 단계 (c)의 사후 확률은 다음 식에 의해 산출되는 것을 특징으로 하는 방법: P(d_i | data) ∝ P(d_i) · ∏_{m=1}^{k} L_m(d_i | data_m)^(w_m), 여기서 P(d_i)는 진단 d_i의 사전 확률, L_m은 모듈 m의 우도, w_m은 모듈 m의 신뢰도 가중치, k는 활성 모듈 수임. 또한 18개 진단 클래스에 대해 정규화된다. The method of Claim 1, wherein the posterior probability of step (c) is computed by P(d_i | data) ∝ P(d_i) · ∏_{m=1}^{k} L_m(d_i | data_m)^(w_m), where P(d_i) is the prior probability of diagnosis d_i, L_m is the likelihood from module m, w_m is the reliability weight of module m, and k is the number of active modules; the result is normalized over the eighteen diagnostic classes.

청구항 3 (종속항)Claim 3 (Dependent)

청구항 1에 있어서, 단계 (d)의 진단 신뢰도는 데이터 소스가 추가될 때 단조 비증가성(monotonic non-increase)을 만족하는 사후 분포의 섀넌 엔트로피 H(D)에 기반하며, 즉 H(D | Tier_n+1) ≤ H(D | Tier_n) 의 수학적 보장을 따르는 것을 특징으로 하는 방법. The method of Claim 1, wherein the diagnostic confidence of step (d) is based on the Shannon entropy H(D) of the posterior distribution that satisfies a monotonic-non-increase property as data sources are added, namely the mathematical guarantee H(D | Tier_n+1) ≤ H(D | Tier_n).

청구항 4 (종속항)Claim 4 (Dependent)

청구항 1에 있어서, 단계 (a)의 18개 DSM-5-TR 진단 클래스는 ADHD 부주의형, ADHD 과잉행동/충동형, ADHD 복합형, 주요우울장애, 지속성우울장애, 범불안장애, 공황장애, 사회불안장애, 외상후스트레스장애, 강박장애, 양극성I장애, 양극성II장애, 순환성장애, 불면장애, 물질사용장애, 자폐스펙트럼장애, 특정학습장애 및 진단 미해당을 포함하는 것을 특징으로 하는 방법. The method of Claim 1, wherein the eighteen DSM-5-TR diagnostic classes of step (a) comprise ADHD-Inattentive, ADHD-Hyperactive/Impulsive, ADHD-Combined, Major Depressive Disorder, Persistent Depressive Disorder, Generalized Anxiety Disorder, Panic Disorder, Social Anxiety Disorder, Posttraumatic Stress Disorder, Obsessive-Compulsive Disorder, Bipolar I Disorder, Bipolar II Disorder, Cyclothymic Disorder, Insomnia Disorder, Substance Use Disorder, Autism Spectrum Disorder, Specific Learning Disorder, and No-Diagnosis.

청구항 5 (종속항)Claim 5 (Dependent)

청구항 1에 있어서, Tier 1은 자기보고 설문, 타이핑 데이터, 스마트폰 수동 데이터를 포함하고; Tier 2는 추가로 19채널 qEEG를 포함하고; Tier 3은 추가로 HRV, 얼굴 동작 단위 및 음성 운율을 포함하고; Tier 4는 추가로 사건관련전위(ERP) 및 종단적 측정을 포함하는 것을 특징으로 하는 방법. The method of Claim 1, wherein Tier 1 comprises self-report survey, typing data, and smartphone-passive data; Tier 2 additionally comprises 19-channel qEEG; Tier 3 additionally comprises HRV, Facial Action Units, and vocal prosody; and Tier 4 additionally comprises event-related potentials (ERP) and longitudinal measurements.

청구항 6 (종속항)Claim 6 (Dependent)

청구항 1에 있어서, 단계 (e)의 Tier 업그레이드 권고는 ProjectedGain(Tier_n → Tier_n+1) = E[Confidence(Tier_n+1)] − Confidence(Tier_n)의 정량적 신뢰도 상승값을 산출하고, 해당 상승값이 미리 정해진 임계치(예: 5 백분율 포인트)를 초과하는 경우에만 임상가에게 권고를 출력하는 것을 특징으로 하는 방법. The method of Claim 1, wherein the Tier-upgrade recommendation of step (e) computes the quantitative confidence gain ProjectedGain(Tier_n → Tier_n+1) = E[Confidence(Tier_n+1)] − Confidence(Tier_n), and outputs a recommendation to the clinician only when said gain exceeds a predefined threshold (for example, five percentage points).

청구항 7 (종속항)Claim 7 (Dependent)

청구항 1에 있어서, 단계 (f)의 출력은 단일 진단뿐만 아니라, 사후 확률 임계치(예: 30%)를 초과하는 모든 진단을 공존(comorbid) 진단 후보로 함께 출력하고, 각 진단별로 어떤 데이터 소스가 어느 정도 기여했는지의 데이터 소스별 기여도(transparency report)를 포함하는 것을 특징으로 하는 방법. The method of Claim 1, wherein the output of step (f) includes not only a single diagnosis but also any diagnosis exceeding a posterior-probability threshold (for example, 30 %) as a candidate comorbid diagnosis, and includes a per-source contribution report (transparency report) indicating how much each data source contributed to each diagnosis.

청구항 8 (종속항)Claim 8 (Dependent)

청구항 1에 있어서, 단계 (b)의 모듈별 우도 산출은 사전 학습된 머신러닝 모델, 정상 모집단 대비 Z-점수, 또는 임상 검증된 룰 기반 매핑 중 하나 또는 그 이상의 조합으로 수행되는 것을 특징으로 하는 방법. The method of Claim 1, wherein the per-module likelihood computation of step (b) is performed by one or a combination of pre-trained machine-learning models, Z-scoring against a normative population, and clinically validated rule-based mappings.

청구항 9 (독립항 — 시스템)Claim 9 (Independent — System)

청구항 1 내지 8 중 어느 한 항의 방법을 수행하기 위한, 적어도 하나의 프로세서, 8개 이질적 데이터 소스를 수신하는 다중 모달 입력 인터페이스, 및 상기 프로세서에 의해 실행되는 명령어를 저장하는 비일시적 컴퓨터 판독 가능 저장 매체를 포함하는 4-Tier Progressive 다중 소스 진단 시스템. A 4-Tier Progressive multi-source diagnostic system for performing the method of any one of Claims 1 through 8, the system comprising at least one processor, a multi-modal input interface for receiving the eight heterogeneous data sources, and a non-transitory computer-readable storage medium storing instructions executable by the processor.

청구항 10 (독립항 — 매체)Claim 10 (Independent — Medium)

컴퓨터에 의해 실행될 때 청구항 1 내지 8 중 어느 한 항의 방법을 수행하도록 하는 명령어를 저장하는 비일시적 컴퓨터 판독 가능 저장 매체. A non-transitory computer-readable storage medium storing instructions which, when executed by a computer, cause the computer to perform the method of any one of Claims 1 through 8.

09선행 기술 비교Prior Art Comparison

선행 기술Prior Art	접근 방식Approach	한계Limitation	본 발명과의 차이Distinction
PHQ-9 / GAD-7 / ASRS (self-report scales)	단일 자기보고 설문single self-report survey	객관 바이오마커 미통합no objective biomarker integration	8 데이터 소스 통합integration of eight data sources
Mindstrong / Ginger.io	스마트폰 수동 데이터만smartphone-passive only	qEEG/HRV/얼굴/음성 미사용no qEEG, HRV, face, or voice	8 모달 통합 + DSM-5-TR 진단eight modalities and DSM-5-TR diagnosis
EEGuide / qEEGPro (qEEG software)	qEEG 단독 분석qEEG-only analysis	자기보고/얼굴/음성 미통합no self-report, face, or voice	qEEG + 7 추가 소스 융합qEEG plus seven additional sources
Affectiva / iMotions	표정 + 생체 통합face plus biometric integration	DSM-5-TR 진단 미산출no DSM-5-TR diagnosis output	18 DSM-5-TR 진단 사후 확률posterior probabilities for 18 DSM-5-TR diagnoses
IBM Watson Health (general clinical AI)	전자의무기록 NLPelectronic medical record NLP	정신과 특화 부재, 다중 모달 부재no psychiatric specialization; no multi-modal	정신과 특화 + 8 모달 융합psychiatry-specific + eight-modality fusion
RDoC Framework (NIMH 2014)	차원적 정신건강 평가 이론dimensional mental health framework	알고리즘 구현 부재no algorithmic implementation	RDoC 원리의 알고리즘 구현algorithmic implementation of RDoC principles

🎯 발명의 진보성🎯 Inventive Step

본 발명은 (1) 8개 이질적 데이터 소스를 베이지안 다중 모듈 융합으로 통합한 최초의 정신과 진단 시스템이며, (2) 18개 DSM-5-TR 진단 동시 사후 확률 산출, (3) 데이터 추가 시 신뢰도 단조 증가의 수학적 보장(H(D|Tier_n+1) ≤ H(D|Tier_n)), (4) Tier 업그레이드의 정량적 권고 제공이라는 4가지 결합을 갖는다. 이 결합은 선행 기술에 존재하지 않으며, 정신과 진단의 객관성과 정확성을 비약적으로 향상시킨다. The present invention possesses four combined elements: (1) it is the first psychiatric diagnostic system to integrate eight heterogeneous data sources via Bayesian Multi-Module Fusion; (2) it produces simultaneous posterior probabilities for eighteen DSM-5-TR diagnoses; (3) it mathematically guarantees monotonically non-decreasing confidence as data is added (H(D|Tier_n+1) ≤ H(D|Tier_n)); and (4) it provides quantitative recommendations for Tier upgrades. This combination does not exist in the prior art and dramatically improves the objectivity and accuracy of psychiatric diagnosis.

10산업상 이용 가능성Industrial Applicability

10.1 적용 시장10.1 Target Markets

임상 진단 보조:Clinical diagnostic aid: 정신과 클리닉, 신경피드백 클리닉, 심리치료실 — Boston Neuromind 1차 적용psychiatric clinics, neurofeedback clinics, psychotherapy practices — primary deployment at Boston Neuromind
디지털 치료제 (DTx):Digital therapeutics (DTx): FDA 510(k) Class II 의료기기 또는 De Novo DTx 경로FDA 510(k) Class II medical-device or De Novo DTx pathway
원격 정신건강:Tele-mental health: Tier 1 단독으로 원격 평가 가능 (Talkspace, BetterHelp 등)Tier 1 alone supports remote evaluation (services such as Talkspace and BetterHelp)
학교 정신건강:School mental health: 학생 스크리닝 및 조기 발견student screening and early detection
군 정신건강:Military mental health: PTSD 조기 식별 (DOD/VA 적용 가능)early PTSD identification (potential DOD/VA deployment)
제약/임상시험:Pharmaceutical and clinical trials: 참가자 선별 및 종단 추적participant screening and longitudinal tracking
보험 청구:Insurance billing: Tier 2 신뢰도 기반 보험 적용 가능 진단 코드Tier 2 confidence-backed diagnostic codes for insurance reimbursement

10.2 규제 경로10.2 Regulatory Pathway

FDA 510(k) Class II 의료기기로의 등재가 가능하며, 추가 임상 시험을 통한 PMA(Premarket Approval) 후 진단 보조 도구로 임상 사용 가능. EU에서는 MDR Class IIa 의료기기로 분류 가능. The system is amenable to FDA 510(k) Class II medical-device clearance and, following PMA via additional clinical trials, may be used clinically as a diagnostic-aid tool. In the European Union, classification as an MDR Class IIa medical device is feasible.

10.3 BCN+PhD 독점성10.3 BCN-Plus-PhD Exclusivity

본 발명의 모듈별 우도 함수와 신뢰도 가중치는 Board Certified in Neurofeedback (BCN) + PhD + 3년 임상 데이터를 결합한 영업 비밀이며, 일반 AI/ML 엔지니어가 모방하기 매우 어렵다. 발명자의 Harvard Mind, Brain & Education 방문 학자 자격(Kurt Fischer 사사)과 Instructional Design PhD 결합은 본 발명의 알고리즘 설계 신뢰성을 학술적으로 뒷받침한다. The per-module likelihood functions and reliability weights of this invention are trade secrets combining Board Certified in Neurofeedback (BCN), PhD, and three years of clinical data; they are exceedingly difficult for general AI/ML engineers to replicate. The inventor's Harvard Graduate School of Education Visiting Scholar credentials (mentored by Kurt Fischer) and Instructional Design PhD academically reinforce the design reliability of the algorithm.

11관련 논문References

본 발명의 이론적·임상적 근거가 되는 핵심 논문 및 자료. 클릭하면 외부 출처로 이동합니다. Key papers and resources providing the theoretical and clinical basis for this invention. Click links to access external sources.

A. DSM-5-TR 및 RDoC 프레임워크A. DSM-5-TR and RDoC Framework

A1American Psychiatric Association. Diagnostic and Statistical Manual of Mental Disorders, Fifth Edition, Text Revision (DSM-5-TR). Washington, DC: APA, 2022. DSM-5-TR ↗
A2Insel TR. The NIMH Research Domain Criteria (RDoC) Project: Precision Medicine for Psychiatry. American Journal of Psychiatry, 2014; 171(4):395-397. DOI ↗
A3Cuthbert BN, Insel TR. Toward the future of psychiatric diagnosis: the seven pillars of RDoC. BMC Medicine, 2013; 11:126. DOI ↗
A4Lieblich SM, Castle DJ, Pantelis C, et al. High heterogeneity and low reliability in the diagnosis of major depression. BJPsych Open, 2015; 1(2):e5-e7. DOI ↗

B. 베이지안 진단 추론B. Bayesian Diagnostic Inference

B1Ledley RS, Lusted LB. Reasoning Foundations of Medical Diagnosis. Science, 1959; 130(3366):9-21. DOI ↗
B2Pearl J. Probabilistic Reasoning in Intelligent Systems: Networks of Plausible Inference. Morgan Kaufmann, 1988. Book ↗
B3Heckerman D, Horvitz E, Nathwani BN. Toward Normative Expert Systems: Part I. The Pathfinder Project. Methods of Information in Medicine, 1992; 31(2):90-105. PubMed ↗
B4Shannon CE. A Mathematical Theory of Communication. Bell System Technical Journal, 1948; 27:379-423, 623-656. DOI ↗

C. QEEG 임상 응용C. QEEG Clinical Applications

C1Kropotov JD. Quantitative EEG, Event-Related Potentials and Neurotherapy. Academic Press, 2009. Book ↗
C2Thatcher RW. Coherence, Phase Differences, Phase Shift, and Phase Lock in EEG/ERP Analyses. Developmental Neuropsychology, 2012; 37(6):476-496. DOI ↗
C3Arns M, Conners CK, Kraemer HC. A decade of EEG Theta/Beta Ratio Research in ADHD: a meta-analysis. Journal of Attention Disorders, 2013; 17(5):374-383. DOI ↗
C4Henriques JB, Davidson RJ. Left frontal hypoactivation in depression. Journal of Abnormal Psychology, 1991; 100(4):535-545. DOI ↗
C5Hammond DC. What is Neurofeedback: An Update. Journal of Neurotherapy, 2011; 15(4):305-336. DOI ↗

D. 디지털 표현형 (Digital Phenotyping)D. Digital Phenotyping

D1Insel TR. Digital Phenotyping: Technology for a New Science of Behavior. JAMA, 2017; 318(13):1215-1216. DOI ↗
D2Torous J, Kiang MV, Lorme J, Onnela JP. New Tools for New Research in Psychiatry: A Scalable and Customizable Platform to Empower Data Driven Smartphone Research. JMIR Mental Health, 2016; 3(2):e16. DOI ↗
D3Onnela JP, Rauch SL. Harnessing Smartphone-Based Digital Phenotyping to Enhance Behavioral and Mental Health. Neuropsychopharmacology, 2016; 41:1691-1696. DOI ↗
D4Mohr DC, Zhang M, Schueller SM. Personal Sensing: Understanding Mental Health Using Ubiquitous Sensors and Machine Learning. Annual Review of Clinical Psychology, 2017; 13:23-47. DOI ↗

E. HRV 및 자율신경계E. HRV and Autonomic Nervous System

E1Thayer JF, Lane RD. The role of vagal function in the risk for cardiovascular disease and mortality. Biological Psychology, 2007; 74(2):224-242. DOI ↗
E2Shaffer F, Ginsberg JP. An Overview of Heart Rate Variability Metrics and Norms. Frontiers in Public Health, 2017; 5:258. DOI ↗
E3Beauchaine TP, Thayer JF. Heart rate variability as a transdiagnostic biomarker of psychopathology. International Journal of Psychophysiology, 2015; 98(2):338-350. DOI ↗

F. 얼굴·음성 정서 분석F. Facial and Vocal Affect Analysis

F1Ekman P, Friesen WV. Facial Action Coding System (FACS): A Technique for the Measurement of Facial Movement. Consulting Psychologists Press, 1978.
F2Cohn JF, Kruez TS, Matthews I, et al. Detecting depression from facial actions and vocal prosody. 3rd International Conference on Affective Computing and Intelligent Interaction (ACII), 2009. DOI ↗
F3Cummins N, Scherer S, Krajewski J, et al. A review of depression and suicide risk assessment using speech analysis. Speech Communication, 2015; 71:10-49. DOI ↗
F4Mundt JC, Snyder PJ, Cannizzaro MS, et al. Voice acoustic measures of depression severity and treatment response. Journal of Neurolinguistics, 2007; 20(1):50-64. DOI ↗

G. 타이핑 행동 패턴 (Behavioral Biometrics)G. Typing Behavior Patterns (Behavioral Biometrics)

G1Mastoras RE, Iakovakis D, Hadjidimitriou S, et al. Touchscreen typing pattern analysis for remote detection of the depressive tendency. Scientific Reports, 2019; 9:13414. DOI ↗
G2Cao B, Zheng L, Zhang C, et al. DeepMood: Modeling Mobile Phone Typing Dynamics for Mood Detection. KDD '17 Conference Proceedings, 2017. DOI ↗

H. ERP 임상 응용H. ERP Clinical Applications

H1Polich J. Updating P300: An integrative theory of P3a and P3b. Clinical Neurophysiology, 2007; 118(10):2128-2148. DOI ↗
H2Bramon E, Rabe-Hesketh S, Sham P, et al. Meta-analysis of the P300 and P50 waveforms in schizophrenia. Schizophrenia Research, 2004; 70(2-3):315-329. DOI ↗

I. FDA / 규제 가이드라인I. FDA / Regulatory Guidelines

I1U.S. Food and Drug Administration. Software as a Medical Device (SaMD): Clinical Evaluation Guidance. FDA, 2017. FDA ↗
I2U.S. Food and Drug Administration. Artificial Intelligence and Machine Learning in Software as a Medical Device. FDA ↗