[논문 리뷰] VitalDiagnosis: AI-Driven Ecosystem for 24/7 Vital Monitoring and Chronic Disease Management

Zhikai Xue, Tianqianjin Lin외 5명|arXiv (Cornell University)|2026. 01. 22.

Machine Learning in Healthcare인용 수 0

한 줄 요약

VitalDiagnosis는 웨어러블 데이터와 통합 메모리 코어를 결합한 LLM 기반 생태계를 도입하여 실시간 분류 및 일상 준수 지원을 통해 선제적이고 상호작용적인 만성질환 관리가 가능하도록 한다.

ABSTRACT

Chronic diseases have become the leading cause of death worldwide, a challenge intensified by strained medical resources and an aging population. Individually, patients often struggle to interpret early signs of deterioration or maintain adherence to care plans. In this paper, we introduce VitalDiagnosis, an LLM-driven ecosystem designed to shift chronic disease management from passive monitoring to proactive, interactive engagement. By integrating continuous data from wearable devices with the reasoning capabilities of LLMs, the system addresses both acute health anomalies and routine adherence. It analyzes triggers through context-aware inquiries, produces provisional insights within a collaborative patient-clinician workflow, and offers personalized guidance. This approach aims to promote a more proactive and cooperative care paradigm, with the potential to enhance patient self-management and reduce avoidable clinical workload.

연구 동기 및 목표

• 수동 모니터링이 아닌 선제적 참여를 통해 증가하는 만성질환 부담에 대응한다.
• 이상 징후를 맥락화하고 준수를 지원하기 위해 환자–임상의 상호작용 워크플로를 만든다.
• 임상 맥락을 유지하고 개인화된 안내를 제공하기 위해 메모리 보강 아키텍처를 활용한다.
• 이상치에 대한 실시간 삼진과 선제적 일상 관리에 대한 이중 트랙 프레임워크를 시연한다.

제안 방법

• 중앙 Memory MiniLLM과 지속적인 의학 지식, LoRA를 통한 매개변수 메모리를 결합하는 Unified Memory Core 아키텍처를 도입한다.
• 경량 Monitoring MiniLLM(1.7B)을 사용하여 다중 모드 웨어러블 데이터를 임상의가 읽을 수 있는 서술로 해석한다.
• 규칙 기반 임계값과 모델 기반 추론을 이용해 이상치와 루틴 점검을 식별하는 Event Trigger Detector를 구현한다.
• LoRA로 적응된 도메인 LLM(14B)을 작동시켜 이상치와 루틴 관리에 대한 맥락 인식 임상 문의를 수행한다.
• 잠정 임상 반응을 생성하고 계층화된 승인 워크플로를 시행하며 고위험 항목은 검토가 필요하다.
• Dual-Channel Coordinator를 통해 커뮤니케이션을 조정하고 모든 상호작용 및 결과로 메모리를 갱신한다.

Figure 1: The framework and interfaces of the VitalDiagnosis ecosystem.

실험 결과

연구 질문

• RQ1 웨어러블이 LLM 기반 추론과 효과적으로 통합되어 선제적 만성질환 관리에 어떻게 기여할 수 있는가?
• RQ2 이중 트랙 프레임워크(대화형 트리아지 및 선제적 준수)가 환자 자기 관리 및 임상의 업무 부담을 개선할 수 있는가?
• RQ3 메모리 아키텍처(Memory MiniLLM plus LoRA-based parametric memory)가 시간이 지남에 따라 임상 맥락을 가장 잘 유지하여 개인화된 안내를 제공하는가?
• RQ4 이러한 생태계의 훈련 및 검증에 있어 임상의가 주석한 데이터세트의 역할은 무엇인가?
• RQ5 제안된 워크플로가 의료 기관과의 실제 파일럿 설정에서 어떻게 작동하는가?

주요 결과

• 본 논문은 Proactive chronic care를 위한 특화된 LLM 생태계로 VitalDiagnosis를 제시한다.
• 의료 지식과 환자 데이터를 Memory MiniLLM과 LoRA 모듈을 통해 융합하는 Unified Memory Core를 설명한다.
• 이상치의 대화식 트리아지와 선제적 루틴 준수 모니터링이라는 이중 트랙 워크플로를 개략적으로 제시한다.
• Monitoring MiniLLM, Event Trigger Detector, 도메인 LLM(문의용), 잠정 의사결정자, Dual-Channel Coordinator를 포함한 다중 구성 요소 파이프라인을 명시한다.
• 현실 파일럿 연구가 진행 중이며 임상의 주석이 달린 데이터셋을 공개할 계획임을 언급한다.