음성 대화형 수면 일기와 전문가 분석 도구 설계

초록

본 연구는 행동수면의학에서 기존 텍스트 기반 수면 일기의 낮은 순응도와 제한된 맥락 정보 수집 문제를 해결하고자, 음성 기반 대화형 에이전트와 전문가용 분석 도구를 공동 설계하였다. 전문가 인터뷰·공동 설계·포커스 그룹을 통해 설계 요구를 도출하고, LLM 기반 대화형 일기와 시각·텍스트 분석 인터페이스를 구현하였다. 결과는 대화형 일기가 환자 참여를 높이고, 자동화된 분석이 임상의 업무 부담을 감소시킬 수 있음을 시사한다.

상세 분석

이 논문은 행동수면의학(Behavioral Sleep Medicine, BSM)에서 핵심적인 진단·치료 보조 도구인 수면 일기의 구조적 한계를 체계적으로 파악하고, 이를 보완하기 위한 대화형 인공지능(AI) 솔루션을 설계·평가한다는 점에서 학제간 연구의 좋은 사례다. 첫 번째 단계에서는 수면 전문의 10여 명을 대상으로 심층 인터뷰를 진행했으며, 여기서 ‘환자 순응도 저하’, ‘회상 편향’, ‘맥락 정보(스트레스, 환경, 생활 습관 등) 부족’, ‘전문의 데이터 분석 부담’이라는 네 가지 핵심 문제를 도출했다. 특히, 기존 종이·디지털 일기가 정형화된 필드에 의존해 환자가 자유롭게 경험을 서술하기 어렵고, 데이터 입력이 사후적(back‑filling) 방식으로 이루어져 정확도가 떨어진다는 점을 강조한다.

두 번째 단계에서는 이러한 요구를 반영해 두 개의 프로토타입을 공동 설계하였다. 첫 번째는 LLM(대형 언어 모델) 기반의 음성 대화형 수면 일기로, 환자가 스마트 스피커나 모바일 디바이스에 “어제 몇 시에 잠들었나요?”와 같은 자연어 질문에 음성으로 답하면 시스템이 자동으로 시간, 수면 잠복기, 각성 횟수 등을 추출하고, 추가적인 맥락(예: 카페인 섭취, 스트레스 수준)을 자유롭게 기술하도록 유도한다. LLM은 사용자의 자유 서술을 실시간으로 구조화된 데이터 필드와 매핑하고, 회상 편향을 최소화하기 위해 즉시 입력을 권장한다. 두 번째는 전문가용 분석 대시보드로, 일기 데이터와 actigraphy 등 객관적 측정값을 통합하고, 시계열 그래프, 클러스터링 기반 패턴 탐지, 텍스트 요약(LLM 생성) 등을 제공한다. 특히, 비정형 텍스트에서 ‘불면증 악화 요인’이나 ‘수면 위생 문제’를 자동 추출해 색상 태그로 표시함으로써 전문가가 수작업으로 데이터를 정리하는 시간을 크게 단축한다.

세 번째 단계인 포커스 그룹에서는 전문가들이 대화형 일기의 임상 적용 가능성을 논의했으며, ‘치료 전 사전 인터뷰’, ‘실시간 행동 피드백’, ‘치료 중 동기 부여 대화’ 등 일기 수집을 넘어선 다목적 활용 방안을 제시했다. 예를 들어, LLM이 환자의 감정 상태를 파악해 CBT‑I(인지행동치료 for Insomnia) 세션 전 맞춤형 교육 콘텐츠를 제공하거나, 치료 진행 중에 자동 리마인더와 긍정 강화 메시지를 전달하는 시나리오가 제안되었다.

전체적으로 이 연구는 (1) 전문가 중심의 요구 도출, (2) LLM 기반 음성 인터페이스와 구조화·비구조화 데이터 통합 분석 도구의 공동 설계, (3) 임상 현장 적용 가능성을 탐색하는 포괄적 방법론을 제시한다는 점에서 의미가 크다. 또한, 대화형 에이전트가 환자 순응도를 높이고, 자동화된 데이터 처리 파이프라인이 전문가의 업무 부하를 경감시켜 BSM 전반의 효율성을 향상시킬 수 있음을 실증적으로 보여준다. 다만, 현재 프로토타입은 제한된 파일럿 환경에서만 검증되었으며, 장기적인 사용성·정확도·프라이버시 보호 등에 대한 추가 연구가 필요하다.