2nd/10_Wiki/Topic_Programming/AI_and_ML/Neuropsychiatric Disorders.md

id, title, category, status, canonical_id, aliases, duplicate_of, source_trust_level, confidence_score, verification_status, tags, raw_sources, last_reinforced, github_commit, tech_stack

id	title	category	status	canonical_id	aliases	duplicate_of	source_trust_level	confidence_score	verification_status	tags	raw_sources	last_reinforced	github_commit	tech_stack
wiki-2026-0508-neuropsychiatric-disorders	Neuropsychiatric Disorders	10_Wiki/Topics	verified	self	Mental Disorders Psychiatric Disorders 신경정신질환	none	A	0.88	applied	neuropsychiatry depression schizophrenia anxiety dsm-5 ai-screening mental-health		2026-05-10	pending	language framework python pytorch/huggingface

Neuropsychiatric Disorders

뇌의 신경생물학적 이상이 인지/정서/행동에 미치는 영향. DSM-5-TR 분류 기반, AI 보조 스크리닝/모니터링이 2025년 임상 진입.

핵심

주요 질환 (DSM-5-TR)

• Major Depressive Disorder (MDD): 2주 이상 우울 + anhedonia + 5/9 기준. 평생유병률 ~16%.
• Schizophrenia: positive (망상/환각) + negative (정서둔마) + cognitive 증상. 6개월+ 지속.
• Anxiety Disorders: GAD, panic, social anxiety, phobia. 가장 흔한 정신질환군.
• Bipolar I/II: manic/hypomanic + depressive episode 교대.
• OCD: obsession + compulsion (DSM-5에서 anxiety로부터 분리).
• PTSD: 외상 후 4주+ 지속, intrusion/avoidance/arousal/cognition.

신경생물학

• Monoamine 가설 (depression): serotonin/norepi/dopamine 불균형 → SSRIs, SNRIs.
• Dopamine 가설 (schizophrenia): mesolimbic 과활성 + mesocortical 저활성. D2 antagonist (antipsychotics).
• GABA-glutamate: 불안, ketamine 항우울 (NMDA antagonist).
• HPA axis: stress → cortisol 만성 상승 → hippocampus 위축.
• Neuroplasticity: BDNF 감소 ↔ 우울. 운동/SSRI/ketamine이 BDNF 회복.

진단 / 평가

• 구조화 면담: SCID-5, MINI.
• 자가보고: PHQ-9 (depression), GAD-7 (anxiety), PCL-5 (PTSD), Y-BOCS (OCD).
• 영상: fMRI/PET (research), 임상 진단 X.
• 바이오마커: 아직 routine clinical use 없음.

치료

• 약물: SSRI/SNRI, atypical antipsychotic, mood stabilizer (lithium, valproate), benzodiazepine (단기).
• 심리치료: CBT, IPT, DBT, EMDR (PTSD), exposure (OCD).
• 신경조절: ECT, rTMS, vagus nerve stim, ketamine/esketamine.

응용

• AI screening (PHQ-9 챗봇, voice biomarker), digital phenotyping (smartphone passive sensing), telepsychiatry, chatbot CBT (Woebot, Wysa).

💻 패턴

PHQ-9 자동 채점

PHQ9_ITEMS = ["interest", "depressed", "sleep", "energy", "appetite",
              "self_view", "concentration", "psychomotor", "suicidal"]

def phq9_score(responses: dict[str, int]) -> dict:
    total = sum(responses[k] for k in PHQ9_ITEMS)
    severity = ("none" if total < 5 else "mild" if total < 10
                else "moderate" if total < 15 else "moderately_severe" if total < 20
                else "severe")
    return {"total": total, "severity": severity,
            "alert_suicide": responses["suicidal"] >= 1}

Voice biomarker (depression detection)

import librosa, numpy as np
y, sr = librosa.load("session.wav", sr=16000)
mfcc = librosa.feature.mfcc(y=y, sr=sr, n_mfcc=13)
jitter = np.std(np.diff(librosa.yin(y, fmin=80, fmax=400, sr=sr)))
features = {"mfcc_mean": mfcc.mean(axis=1), "jitter": jitter,
            "speech_rate": len(librosa.effects.split(y)) / (len(y)/sr)}
# downstream classifier: XGBoost / fine-tuned wav2vec2

LLM 기반 임상 노트 요약 (HIPAA-aware)

from openai import OpenAI
client = OpenAI()
def summarize_session(deidentified_transcript: str) -> str:
    return client.chat.completions.create(
        model="gpt-4o-mini",
        messages=[
            {"role": "system", "content": "Summarize psychotherapy session: mood, themes, risk indicators. Do NOT speculate diagnosis."},
            {"role": "user", "content": deidentified_transcript},
        ],
    ).choices[0].message.content

Digital phenotyping (passive sensing)

# smartphone sensor → depression risk signal
def compute_phenotype(daily_log: dict) -> dict:
    return {
        "sleep_irregularity": np.std(daily_log["sleep_onset_times"]),
        "social_withdrawal": daily_log["calls_outgoing"] / max(daily_log["calls_baseline"], 1),
        "physical_activity": daily_log["steps"] / 7000,  # ratio of recommended
        "screen_time_night": daily_log["screen_min_after_22"],
    }

Risk triage (suicidality)

HIGH_RISK_KEYWORDS = ["plan to", "end my life", "suicide", "kill myself"]
def triage(text: str, phq9_q9: int) -> str:
    if phq9_q9 >= 2 or any(k in text.lower() for k in HIGH_RISK_KEYWORDS):
        return "ESCALATE_CLINICIAN_NOW"
    return "ROUTINE_FOLLOWUP"

결정 기준

증상/상황	1차 접근
경증 우울 (PHQ-9 5-9)	심리치료 / digital CBT
중등도 이상 (PHQ-9 ≥10)	SSRI + 심리치료
정신증 양성증상	atypical antipsychotic
양극성 maintenance	lithium 또는 valproate
치료저항성 우울	rTMS / esketamine / ECT
급성 자살위기	응급실 + 입원 평가

기본값 (스크리닝): PHQ-9 + GAD-7 + suicidality probe. 양성 시 임상가 referral.

🔗 Graph

• 변형: Neurodevelopmental Disorders
• Adjacent: CBT

🤖 LLM 활용

• 언제: 비식별화된 세션 요약, 자가보고 채점, 심리교육 자료, CBT 워크북 보조, 사후 차트 정리.
• 언제 X: 진단 결정, 약 처방 결정, 자살위험 단독 평가, 치료 권고 (반드시 임상가). HIPAA/PIPL/PHI 미보호 환경에서 raw 데이터 절대 X.

❌ 안티패턴

• AI가 단독으로 진단 라벨 부여.
• 자살리스크 챗봇 단독 처리 (반드시 인간 임상가 escalation 경로).
• 학습 데이터에 PHI 포함된 채로 LLM fine-tune.
• 단일 자가보고 점수로 약물 처방 변경.
• 문화적 맥락 무시한 서구 기준 일괄 적용.

🧪 검증 / 중복

• 검증: 임상 도구는 한국어 표준화 버전 (K-PHQ-9 등) 사용. AI 모델은 prospective cohort 검증.
• 중복: AI Mental Health Screening (도구 중심) vs 본 문서 (질환/병태생리 중심).

🕓 Changelog

• 2026-05-10: 표준 포맷, DSM-5-TR / digital phenotyping / AI 스크리닝 추가.