디지털 트윈은 개인 맞춤형 의료를 위한 유망한 패러다임으로, 개인의 행동과 건강 경로를 모델링할 수 있습니다. 인지 건강 분야에서 경도인지장애(MCI)의 조기 발견은 여전히 어렵지만, 언어와 대화 패턴은 비침습적 바이오마커 역할을 합니다. 이 연구에서는 대규모 언어 모델(LLM)을 활용하여 스타일러스 단서와 맥락 메타데이터를 통합하여 노인의 대화 행동을 모방하는 언어 기반 디지털 트윈 프레임워크를 제안합니다.
다중 헤드 조건부 변분 오토인코더(cVAE)를 도입하여 재구성 품질을 측정하고 인지 점수를 예측하여 충실도와 인지 일관성을 평가합니다. I-CONECT 데이터 세트에서 실험 결과 디지털 트윈은 개별 특성을 보존하고 실제 데이터와 비교할 수 있는 재구성 및 MoCA 예측 오류를 달성했으며, 기본 GPT 생성 응답보다 우수한 성능을 보였습니다.
이러한 결과는 언어 기반 디지털 트윈이 개인 맞춤형 및 지속적인 인지 건강 모니터링을 위한 확장 가능하고 비침습적인 접근 방식으로서의 잠재력을 보여줍니다.