환자 맞춤형 복약 챗봇 “Roborto”로 약물 복용 지속성 강화

초록

본 논문은 만성질환 환자의 복약 이행을 촉진하기 위해 대화형 인공지능 챗봇 “Roborto”를 설계·구현하고, 의료 제공자가 실시간으로 환자 복약 상황을 모니터링·중재할 수 있는 시스템을 제안한다. 건강·기술·행동 과학을 통합한 설계 프레임워크와 파일럿 실험 계획을 제시한다.

상세 분석

본 연구는 복약 비이행 문제를 ‘건강·기술·행동’ 삼각축으로 분석한다. 먼저, 건강 측면에서는 WHO가 제시한 복약 비이행 요인(사회·경제적 요인, 치료 관련 요인, 환자 요인, 시스템 요인)을 기반으로 환자 프로파일링을 수행한다. 기술 측면에서는 자연어 처리(NLP) 기반의 대화 엔진, 사용자 맞춤형 알림 스케줄러, 그리고 클라우드 기반 데이터 저장·분석 파이프라인을 구축한다. 특히, 챗봇은 텍스트와 음성 입력을 모두 지원하며, 사용자의 감정 상태를 감지하기 위해 감성 분석 모델을 적용한다. 행동 과학 측면에서는 COM-B 모델(능력·기회·동기)과 행동 변화 기술(BCW)을 적용해 ‘알림 → 자기 효능감 강화 → 행동 피드백’ 순환 구조를 만든다.

시스템 아키텍처는 프론트엔드(모바일 앱/웹), 대화 관리 모듈, 약물 데이터베이스, 그리고 의료 제공자 대시보드로 구성된다. 대화 관리 모듈은 의도 인식(Intent Recognition)과 슬롯 채우기(Slot Filling)를 통해 복용 시간, 복용량, 부작용 여부 등을 실시간으로 수집한다. 수집된 데이터는 암호화된 형태로 중앙 서버에 저장되며, 의료 제공자는 대시보드에서 환자별 복약 이행률, 알림 응답 패턴, 위험 신호(예: 연속 미복용) 등을 시각화한다. 위험 신호가 감지되면 자동으로 알림을 강화하거나 의료 제공자에게 즉시 알림을 전송한다.

파일럿 실험은 8주 동안 60명의 만성질환 환자를 대상으로 진행될 예정이며, 실험군은 Roborto를, 대조군은 전통적인 문자 알림만을 제공받는다. 주요 평가 지표는 복약 이행률(정확도, 지속성), 사용자 만족도(UEQ), 그리고 행동 변화 지표(자기 효능감 점수)이다. 통계 분석은 혼합 효과 모델을 사용해 시간에 따른 변화와 그룹 간 차이를 검증한다.

한계점으로는 초기 대화 스크립트의 제한성, 언어 다양성 부족, 그리고 개인정보 보호 규제에 따른 데이터 처리 제약이 있다. 향후 연구에서는 멀티모달 인터페이스(음성·영상), 강화 학습 기반 개인화 정책, 그리고 전자 건강 기록(EHR) 연동을 통해 시스템의 확장성을 높일 계획이다.

전반적으로 본 논문은 복약 이행을 지원하는 대화형 AI의 설계 원칙을 체계화하고, 실증 연구를 통해 그 효과성을 검증하려는 시도로서, 디지털 헬스케어 분야에서 실용적인 모델을 제시한다.