ADHD Catcher — Clinician Manual | 임상가 운영 매뉴얼

1. System Overview · 시스템 개요

🇺🇸 English

ADHD Catcher v11.0 — Adaptive Treatment Engine is a multi-engine, learning-based decision support system for neurofeedback / learning-performance clinics.

It does NOT:

Make medical diagnoses
Replace clinical judgment
Prescribe medications
Make treatment decisions autonomously

It DOES:

Analyze QEEG/HRV/survey data with normative comparison
Track patient progress over sessions (trajectory analysis)
Compare with synthetic + real cohorts (continuously learning)
Recommend next-step decisions with confidence scores
Provide explainable AI reasoning (XAI) for every recommendation
Detect critical safety factors automatically
Document every decision for medical-legal protection
Support clinicians — final authority remains with clinician

v11.0 Key Innovations:

🧬 5 Core Math Functions — formal mathematical foundation
🌳 3-Stage System — Engagement → Validation → Integration
🏛️ Threshold-Free Architecture — all numbers in policies, not code
🏷️ Multi-Tag Policy System — flexible policy combination
🔬 Self-Correcting Synthetic DB — improves with every patient
🚨 Critical Factor Detection — automatic safety monitoring

🇰🇷 한국어

ADHD Catcher v11.0 — 적응형 치료 엔진은 뉴로피드백/학습 수행 클리닉을 위한 멀티엔진 학습 기반 의사결정 지원 시스템입니다.

이 시스템이 하지 않는 것:

의학적 진단
임상적 판단 대체
약 처방
치료 결정의 자동 실행

이 시스템이 하는 것:

QEEG/HRV/설문 데이터를 정상값 기준으로 분석
세션별 환자 진행 추적 (궤적 분석)
합성 + 실제 코호트와 비교 (지속 학습)
신뢰도 점수와 함께 다음 단계 권고
모든 권고에 설명 가능한 AI 근거 제공 (XAI)
중요 안전 요인 자동 검출
의료-법적 보호를 위한 모든 결정 문서화
임상가 보조 — 최종 결정 권한은 임상가에게

v11.0 핵심 혁신:

🧬 5개 핵심 수학 함수 — 공식 수학적 기반
🌳 3단계 시스템 — 참여 → 검증 → 통합
🏛️ Threshold-Free 아키텍처 — 모든 숫자는 정책 안에 (코드 아님)
🏷️ 다차원 태그 정책 시스템 — 유연한 정책 조합
🔬 자가 보정 합성 DB — 환자마다 진화
🚨 임상 안전 요인 감지 — 자동 안전 모니터링

6 Common Engines + 4 v11 Engines · 6개 공통 엔진 + 4개 v11 엔진

Engine	Function · 기능	Tests
📘 Session Manager	Patient/session tracking · 환자/세션 관리	12/12
🎯 Trajectory Engine	Progress analysis · 진행도 분석	15/15
🧬 Cohort Engine	Synthetic comparison · 합성 비교	10/10
🤖 Decision Engine	Decision recommendation · 결정 권고	14/14
⚖️ Weight Engine	Weight tuning · 가중치 조정	11/11
📊 Normative Engine	Z-score/percentile · Z-score/백분위	10/10
🧠 Adaptive Core (v11)	5 math functions (S, V, τ, Q, π) · 5개 핵심 함수	NEW
🌳 Stage Manager (v11)	Stage transitions · 단계 전환	NEW
🏷️ Policy Engine (v11)	Multi-tag policies · 다차원 태그 정책	NEW
🚨 Critical Factor Scanner (v11)	Safety monitoring · 안전 모니터링	NEW

2. Adaptive Engine Philosophy · 적응형 엔진 철학 ★ NEW v11

🇺🇸 English

v11.0 represents a paradigm shift from "static analysis tool" to "continuously learning treatment engine."

Core Principles

The system has a brain. Not just a calculator. The 5 core math functions form a coherent decision-making system inspired by AlphaGo's evaluation paradigm — but adapted for the 3D space of clinical neurofeedback.
3D Decision Space. Every decision integrates: (1) State (current patient vector), (2) Time (trajectory & velocity), (3) Context (BPS + goals + capacity).
Progressive measurement. Different metrics matter at different stages: subjective experience first (engagement), objective data middle (validation), functional outcome last (integration).
Hardcoded numbers are dead code. All thresholds, weights, and rules live in editable policies. The engine itself never changes — policies evolve.
AI assists, clinician decides. Every recommendation includes confidence, reasoning, and alternatives. Clinician can always override (and overrides become learning data).
Critical factors get specialized treatment. Suicide risk, dangerous substance combinations (e.g., benzo + alcohol), active psychosis — these never go through the standard pattern-matching algorithm. They route to specialized safety protocols.
Self-improving system. Synthetic cohort starts the cold-start problem. Real patient data progressively replaces synthetic. The system gets smarter every session.

What Changed from v3.0

Aspect	v3.0 (Old)	v11.0 (New)
Decision basis	Rule-based	Math-function based + policy
Time tracking	None	Full trajectory analysis
Cohort comparison	Static reference	Self-evolving synthetic + real
Stage awareness	None	3-stage system with transitions
Policy	Hardcoded thresholds	Multi-tag editable policies
Safety	Manual review	Auto critical factor detection
Documentation	Manual notes	Auto audit trail of every decision
Learning	None	Continuous (every patient)

🇰🇷 한국어

v11.0은 패러다임 전환입니다. "정적 분석 도구"에서 "지속 학습하는 치료 엔진"으로.

핵심 원칙

시스템에 두뇌가 있다. 단순 계산기가 아닙니다. 5개 핵심 수학 함수가 AlphaGo의 평가 패러다임에서 영감을 받은 일관된 의사결정 시스템을 구성합니다 — 단, 임상 뉴로피드백의 3D 공간에 맞게 적응되었습니다.
3D 의사결정 공간. 모든 결정은 (1) 상태 (현재 환자 벡터), (2) 시간 (궤적 + 속도), (3) 맥락 (BPS + 목표 + 능력) 을 통합합니다.
점진적 측정. 단계마다 다른 지표가 중요합니다: 초기엔 주관적 경험 (참여), 중기엔 객관 데이터 (검증), 후기엔 기능적 결과 (통합).
하드코딩된 숫자 = 죽은 코드. 모든 임계값, 가중치, 규칙은 편집 가능한 정책 안에 있습니다. 엔진 자체는 절대 안 바뀝니다 — 정책이 진화합니다.
AI는 보조, 임상가가 결정. 모든 권고에는 신뢰도, 근거, 대안이 포함됩니다. 임상가는 언제든 override 할 수 있고 (그 override는 학습 데이터가 됩니다).
중요 안전 요인은 별도 처리. 자살 위험, 위험한 약물 조합 (예: 벤조 + 알코올), 활성 정신병 — 이런 것들은 절대 일반 패턴 매칭 알고리즘으로 가지 않습니다. 전문 안전 프로토콜로 라우팅됩니다.
자가 개선 시스템. 합성 코호트가 콜드 스타트 문제를 해결. 실제 환자 데이터가 점진적으로 합성을 대체. 시스템이 매 세션마다 똑똑해집니다.

v3.0에서 무엇이 변했나

측면	v3.0 (이전)	v11.0 (신규)
결정 기반	규칙 기반	수학 함수 + 정책 기반
시간 추적	없음	전체 궤적 분석
코호트 비교	고정 참조	자가 진화 합성 + 실제
단계 인식	없음	3단계 시스템 + 전환
정책	하드코딩 임계값	다차원 태그 편집 가능 정책
안전	수동 검토	자동 임상 안전 요인 감지
문서화	수동 메모	모든 결정 자동 감사 추적
학습	없음	지속 (환자마다)

3. 5 Core Math Functions · 5개 핵심 수학 함수 ★ NEW v11

EN: The mathematical heart of v11.0. Inspired by AlphaGo's evaluation function but adapted for 3D clinical decision space (State × Time × Context).
KR: v11.0의 수학적 심장. AlphaGo의 평가 함수에서 영감을 받았지만 3D 임상 의사결정 공간 (상태 × 시간 × 맥락) 에 적응되었습니다.

📐 The Master Equation · 마스터 방정식

    Decision = π(S, T, C)
  

EN: Where S = State, T = Time, C = Context. The policy function π returns: action + confidence + reasoning.
KR: S = 상태, T = 시간, C = 맥락. 정책 함수 π는 다음을 반환: 행동 + 신뢰도 + 근거.

1️⃣ S(patient, t) — State Function · 상태 함수

🇺🇸 English

Represents patient as a 13-dimensional vector at time t:

QEEG (5): theta/beta, frontal alpha asymmetry, alpha peak, posterior alpha, coherence
Scales (3): primary, secondary, BPS total
Function (2): goal achievement %, daily function
Subjective (1): patient self-report
Observation (1): clinician observation
Time (1): session number

🇰🇷 한국어

시점 t에서 환자를 13차원 벡터로 표현:

QEEG (5): theta/beta 비율, 전두엽 알파 비대칭, 알파 피크, 후두엽 알파, 일치도
척도 (3): 1차 진단 척도, 2차 척도, BPS 총점
기능 (2): 목표 달성률, 일상 기능 점수
주관 (1): 환자 자가 보고
관찰 (1): 임상가 관찰
시간 (1): 세션 번호

2️⃣ V(S, C) — Value Function · 가치 함수

EN: "How good is this state for this patient?" Returns 0 (worst) to 1 (perfect). Equivalent to AlphaGo's board evaluation.
KR: "이 환자에게 이 상태가 얼마나 좋은가?" 0(최악)에서 1(완벽)을 반환. AlphaGo의 보드 평가에 해당.

V(S, C) = 1 - Σᵢ wᵢ(stage) · distance(Sᵢ, target_i)
  

EN: Weights change by stage:
• 🌱 Initial: subjective + observation dominate
• 🌿 Active: QEEG + scales dominate
• 🌳 Integration: goal achievement dominates
KR: 가중치는 단계별로 변경:
• 🌱 초기: 주관 + 관찰 우세
• 🌿 중기: QEEG + 척도 우세
• 🌳 후기: 목표 달성 우세

3️⃣ τ(patient, lookback) — Trajectory Function · 궤적 함수

EN: Analyzes how patient is changing over recent N sessions. Returns:
• Direction: Where is patient heading?
• Velocity: How fast?
• Acceleration: Speeding up or slowing down?
• Volatility: Stable or oscillating?
• Plateau detection: Has progress stalled?
• Confidence: How reliable is this trajectory?
KR: 최근 N 세션 동안 환자가 어떻게 변하고 있는지 분석. 반환:
• 방향: 환자가 어디로 가고 있는가?
• 속도: 얼마나 빨리?
• 가속도: 가속 중인가 감속 중인가?
• 변동성: 안정적인가 진동하는가?
• 고원 감지: 진척이 멈췄는가?
• 신뢰도: 이 궤적이 얼마나 신뢰할 수 있는가?

4️⃣ Q(S, A, C) — Action Value Function · 행동 가치 함수

EN: "If we do action A in state S with context C, what's the expected outcome?" Learned from synthetic cohort + real patient outcomes.
KR: "상태 S에서 맥락 C로 행동 A를 하면 예상 결과는?" 합성 코호트 + 실제 환자 결과로부터 학습.

EN: Returns:

Expected value: 0-1 score
Confidence: Based on similar case count
Sample size: How many comparable cases
Distribution: Range of outcomes (for uncertainty visualization)

5️⃣ π(S, C) — Policy Function · 정책 함수 ⭐

EN: The final decision function. Combines all of the above. This is what gets called every session.
KR: 최종 결정 함수. 위의 모든 것을 결합. 매 세션마다 호출되는 것.

EN — Step-by-step:

Evaluate Q(S, A, C) for all possible actions
Get trajectory τ for context
Filter actions through critical factor safety check
Select best action with exploration-exploitation balance
Generate explainable reasoning
Predict expected future trajectory
Quantify uncertainty (epistemic + aleatoric)

KR — 단계별:

모든 가능한 행동에 대해 Q(S, A, C) 평가
맥락에 대한 궤적 τ 획득
중요 안전 요인 체크를 통해 행동 필터링
탐험-활용 균형으로 최적 행동 선택
설명 가능한 근거 생성
예상 미래 궤적 예측
불확실성 정량화 (인식적 + 우연적)

4. Stage System · 단계 시스템 ★ NEW v11

EN: Treatment progresses through 3 stages with different evaluation priorities and clinical goals. Stage transitions are hybrid (smart auto + safety guardrails + clinician override).
KR: 치료는 다른 평가 우선순위와 임상 목표를 가진 3단계로 진행됩니다. 단계 전환은 하이브리드 (스마트 자동 + 안전 가드레일 + 임상가 override) 입니다.

🌱 Stage 1: INITIAL (Engagement Phase)

EN — Sessions 1-8 (typical): Build patient trust and establish baseline. The patient should feel something is happening — even if measurements haven't moved yet.

KR — 세션 1-8 (일반적): 환자 신뢰 구축 + 기준선 확립. 환자가 변화를 체감해야 — 측정값이 아직 안 움직였더라도.

Evaluation Weights · 평가 가중치

Subjective Report · 자가 보고	0.40
Clinical Observation · 임상 관찰	0.20
Standard Scales · 표준 척도	0.20
QEEG Changes · QEEG 변화	0.10
Goal Achievement · 목표 달성	0.10

🌿 Stage 2: ACTIVE (Validation Phase)

EN — Sessions 9-20 (typical): Establish objective evidence of change. QEEG and validated scales should show measurable improvement.

KR — 세션 9-20 (일반적): 변화의 객관적 증거 확립. QEEG와 검증된 척도가 측정 가능한 개선을 보여야 함.

Evaluation Weights · 평가 가중치

QEEG Changes · QEEG 변화	0.40
Standard Scales · 표준 척도	0.30
Goal Achievement · 목표 달성	0.15
Subjective Report · 자가 보고	0.10
Clinical Observation · 임상 관찰	0.05

🌳 Stage 3: INTEGRATION (Outcome Phase)

EN — Sessions 21+ (typical): Generalize gains to daily life. Functional outcomes (school, work, relationships) become primary measure.

KR — 세션 21+ (일반적): 이득을 일상 생활로 일반화. 기능적 결과 (학교, 직장, 관계) 가 주요 측정 지표가 됨.

Evaluation Weights · 평가 가중치

Goal Achievement · 목표 달성	0.45
QEEG Changes · QEEG 변화	0.20
Standard Scales · 표준 척도	0.20
Subjective Report · 자가 보고	0.10
Clinical Observation · 임상 관찰	0.05

🔄 Stage Transition Logic · 단계 전환 로직

🇺🇸 English

Hybrid system — three pathways to advance:

🚀 Early Advance (data-driven): Patient is responding faster than expected. System auto-suggests advancement.
📅 Standard Advance (session-based): Standard expected progression timeline.
🛡️ Late Advance (safety guardrail): Patient is slower but maximum sessions reached. Forced advance with monitoring.

Special triggers:

🟡 Plateau detection: Auto-advance to integration if QEEG changes < 0.2 SD over last 5 sessions (despite incomplete advance criteria)
🚨 Critical factor: Override standard transitions, route to specialized algorithm
🎓 Graduation: Goal achievement ≥ 85% + 4+ maintenance sessions → recommend course completion

🇰🇷 한국어

하이브리드 시스템 — 진행을 위한 3가지 경로:

🚀 조기 진입 (데이터 기반): 환자가 예상보다 빨리 반응. 시스템이 자동으로 진입 제안.
📅 표준 진입 (세션 기반): 표준 예상 진행 일정.
🛡️ 늦은 진입 (안전 가드레일): 환자가 느리지만 최대 세션 도달. 모니터링과 함께 강제 진입.

특별 트리거:

🟡 고원 감지: 최근 5세션 동안 QEEG 변화가 0.2 SD 미만이면 (진입 기준 미충족이어도) 통합 단계로 자동 진입
🚨 중요 안전 요인: 표준 전환을 override 하고 전문 알고리즘으로 라우팅
🎓 졸업: 목표 달성률 ≥ 85% + 4회 이상 유지 세션 → 치료 완료 권고

5. Access & Login · 접속 및 로그인

URL

Production URL: https://neurocatchers.com/symptom_catcher/face-clinic/adhd-bridge-v1.html
Admin Rules Editor: https://neurocatchers.com/admin/

Browser Requirements · 브라우저 요구사항

🇺🇸 English

Chrome / Edge / Safari / Firefox (latest 2 versions)
JavaScript enabled
Minimum 1280x800 screen resolution recommended
localStorage enabled (stores patient data locally)

🇰🇷 한국어

Chrome / Edge / Safari / Firefox (최신 2개 버전)
JavaScript 활성화
최소 1280x800 해상도 권장
localStorage 활성화 (환자 데이터 로컬 저장)

⚠️ Important · 중요:
EN: Data is stored in browser localStorage. Use a dedicated clinic computer. Export data regularly as backup.
KR: 데이터는 브라우저 localStorage에 저장됩니다. 클리닉 전용 컴퓨터를 사용하세요. 정기적으로 데이터를 export해서 백업하세요.

6. Session Workflow · 세션 운영 흐름

🆕 New Patient — First Session · 신규 환자 — 첫 세션

1

Create patient record · 환자 등록

~1 min

Click "+ New" in Patient panel (top left).
Enter: Name, Age, Gender, any relevant notes.
환자 패널에서 "+ New" 클릭 → 이름, 나이, 성별, 메모 입력.

2

Set initial goal & protocol · 초기 목표 및 프로토콜 설정

~2 min

Goal (0-100): Bio / Psycho / Social targets based on clinical judgment.
Protocol: Choose from SMR / Beta / Theta_inhibit / Alpha_theta / ILF / HRV_BF.
목표(Bio/Psycho/Social) 설정 및 프로토콜 선택.

3

Acquire data · 데이터 획득

~30-45 min

Record QEEG (19-channel, Eyes Open 5min + Eyes Closed 5min + cognitive task) → upload via Mitsar.
Record HRV → enter RMSSD, LF/HF.
Complete surveys (BPS-90, ASRS, PSQI).
QEEG → HRV → 설문 순서로 데이터 획득.

4

Input data · 데이터 입력

~3 min

Manual Input: Enter key values directly.
Upload File: JSON / CSV / Mitsar / Neuroguide export.
Watch Signal Inventory go green — aim for 80%+ completeness.
직접 입력 또는 파일 업로드. Signal Inventory 80% 이상 권장.

5

Run Brain Engine · Brain Engine 실행

<10 sec

Click "🚀 Run Brain Engine".
Layers 0-5 auto-analyze: Topographic → Features → States → 3-Axis → Profile → Clinical Impression.
엔진 실행 → Layer 0-5 자동 분석 (10초 이내).

6

Save Session · 세션 저장

~10 sec

Click "💾 Save Session" in Layer 3.5 (3D Spatial Trajectory).
Session is saved to patient history for trajectory tracking.
Layer 3.5의 Save Session 클릭 → 환자 히스토리에 저장.

7

Review & discuss · 검토 및 상담

15-20 min

Show patient: Topographic → 3-Axis → Clinical Impression.
Explain in plain language. Schedule next session.
환자에게 결과 설명 및 다음 세션 예약.

🔄 Follow-up Session (2nd+) · 후속 세션 (2회째~)

1

Select existing patient · 기존 환자 선택

Use patient dropdown · 환자 드롭다운에서 선택

2

Acquire + Input + Run + Save · 데이터 획득 → 입력 → 실행 → 저장

Same as first session · 첫 세션과 동일

3

⭐ Check new layers · 신규 레이어 확인

🎯 Layer 6 (Trajectory): Velocity / Alignment / ETA / Progress%
🧬 Layer 7 (Cohort): Click "Generate Synthetic Cohort" once
🤖 Layer 8 (Decision): Auto-shows recommendation
⚖️ Layer 9 (Weight): Adjust if needed
Trajectory, Cohort, Decision, Weight 확인.

4

Clinical decision · 임상 결정

Use Decision Engine recommendation as input, not command.
Integrate with clinical judgment. Adjust weights if patient/context requires.
Update protocol if needed.
Decision Engine 권고를 참고하되, 임상 판단 우선. 필요시 가중치 조정.

7. UI Walkthrough · 화면 설명 (with Decision Cockpit)

Left Panel · 왼쪽 패널

Section	Function · 기능
👥 Patient	Create/switch patients · 환자 생성/전환, Export/Import JSON
📡 Signal Inventory	Data completeness tracker · 데이터 완성도 (EEG/HRV/Survey/Cognitive/Context)
⚡ Actions	Manual Input / Surveys / Upload File / Sample cases
🚀 Run Brain Engine	Orange/green button — runs full analysis · 전체 분석 실행
📈 Session Timeline	Per-patient session history · 환자별 세션 히스토리
🎯 Goal & Protocol	Set target BPS + protocol selection · 목표 BPS 및 프로토콜 선택

Right Panel (Layers) · 오른쪽 패널 (레이어)

Layer	Content · 내용	Activated by
0 🧠 Brain Topographic	19-channel QEEG heatmap · 뇌파 공간 분포	Run Brain Engine
1 Feature Extraction	Z-scores vs normative DB · Normative DB와 비교	Run Brain Engine
2 State Inference	Cortical arousal, attention, etc. · 각성도, 주의 등	Run Brain Engine
3 3-Axis Mapping	Bio / Psycho / Social scores	Run Brain Engine
3.5 🌐 3D Spatial Trajectory	3D position + Save Session	Run Brain Engine
4 Profile Matching	Inattentive/Hyperactive/Combined %	Run Brain Engine
5 Clinical Impression	Narrative + recommendations	Run Brain Engine
🎯 6 Trajectory Engine	Velocity/Alignment/ETA + 4 charts	Need ≥2 sessions
🧬 7 Cohort Comparison	500 synthetic patients · Percentile	Click "Generate Cohort"
🤖 8 Adaptive Decision	Auto-generated recommendation	Automatic after Layer 6
⚖️ 9 Weight Adjustments	Modal with sliders for 14 weights	Click "Adjust Weights"

🎯 Decision Cockpit · 결정 콕핏 ★ NEW v11

EN: The Decision Cockpit appears after Layer 8 and provides a high-level summary of the AI's recommendation. This is the primary interface for clinical decision-making.
KR: Decision Cockpit은 Layer 8 다음에 나타나며 AI 권고의 high-level 요약을 제공합니다. 임상 결정의 주요 인터페이스입니다.

Cockpit Components · 콕핏 구성요소

Component · 구성요소	Purpose · 목적
📍 Patient State Indicator	EN: 13D vector visualized as 3D position KR: 13차원 벡터를 3D 위치로 시각화
📈 Trajectory Mini-Chart	EN: Last 5 sessions + prediction band KR: 최근 5세션 + 예측 신뢰 구간
🎯 Recommended Action	EN: AI's top recommendation with confidence % KR: AI 최우선 권고 + 신뢰도 %
💡 Reasoning Summary	EN: Why this action (3-4 bullet points) KR: 왜 이 행동인가 (3-4 bullet point)
🔄 Alternative Actions	EN: Other options with Q values KR: 다른 옵션들과 Q 값
📊 Expected Outcome	EN: Predicted improvement range KR: 예측 개선 범위
⚠️ Watch Items	EN: Critical factors or warnings KR: 중요 요인 또는 경고
📚 Evidence Citations	EN: Literature backing the recommendation KR: 권고를 뒷받침하는 문헌
🎮 Action Buttons	EN: [✅ Accept] [✏️ Modify] [❌ Override] KR: [✅ 수락] [✏️ 수정] [❌ Override]

Example Cockpit View · 콕핏 화면 예시

    🎯 Recommended Action: MODIFY_Adjust

    Confidence: 78% ████████░░

    📊 Why?

    • Current state value: 0.42 (mid-range)

    • Recent trajectory: improving (+0.05/session)

    • 23 similar patients improved with this action

    • Expected outcome: 0.65 (range 0.55-0.75)

    🔄 Alternatives considered:

    — MAINTAIN: 0.48 (-0.17 vs MODIFY) ⛔

    — SWITCH: 0.62 (-0.03, similar) ⚖️

    — PAUSE: 0.30 (not recommended) ⛔

    ⚠️ Uncertainties:

    — Patient has comorbid anxiety (data weaker)

    — Only 23 similar cases (low confidence)

    📚 Evidence: Arns 2014 + BNM cohort 87% match

    [✅ Accept]  [🔧 Modify]  [👀 See full analysis]

Override Workflow · Override 워크플로

EN: When clinician overrides AI recommendation:

System asks for override reason (free text or category)
Decision is recorded in patient record + audit log
Override pattern is tracked for system learning
Clinician's chosen action is implemented

KR: 임상가가 AI 권고를 override 할 때:

시스템이 override 사유 요청 (자유 입력 또는 카테고리)
결정이 환자 기록 + 감사 로그에 저장됨
Override 패턴이 시스템 학습용으로 추적됨
임상가가 선택한 행동이 실행됨

8. Decision Types & Logic · 결정 유형과 로직

EN: Decision Engine uses trajectory + cohort + critical factors to recommend one of 9 decisions. Use as input, not command.
KR: Decision Engine은 궤적 + 코호트 + 특수요인을 종합해 9가지 중 하나를 권고. 참고로 사용하세요.

✅ MAINTAIN

EN: Keep current protocol — progressing well.
KR: 현재 프로토콜 유지 — 잘 진행 중.

⚙️ MODIFY_Adjust

EN: Same tool, adjust parameters.
KR: 같은 도구, 파라미터 조정.

➕ MODIFY_Add

EN: Add complementary tool.
KR: 보완 도구 추가.

➖ MODIFY_Remove

EN: Remove interfering tool.
KR: 간섭 도구 제거.

🔄 MODIFY_Switch

EN: Switch to different protocol.
KR: 다른 프로토콜로 전환.

🌐 REFER_Diagnostic

EN: Alternative dx suspected.
KR: 다른 진단 의심 — 상위 시스템으로.

🏥 REFER_Medical

EN: Medical concern — refer to physician.
KR: 의학적 우려 — 의사 의뢰.

⏸ PAUSE

EN: Confounder detected — pause + reassess.
KR: 교란요인 발견 — 일시 중단.

🛑 STOP

EN: Goal reached or no longer appropriate.
KR: 목표 달성 또는 부적절 — 종료.

Decision Priority Order · 결정 우선순위

Medical concern (critical) → REFER_Medical
Goal reached (distance < 3.0) → STOP
Reversing (alignment < -0.3) → MODIFY_Switch
Alternative diagnosis → REFER_Diagnostic
Plateau + confounders (sleep/stress/med) → PAUSE
Cohort bottom 25% (after ≥5 sessions) → MODIFY_Switch
Plateau (after ≥5 sessions) → MODIFY_Adjust
Drifting (after ≥5 sessions) → MODIFY_Add
Excellent progress → MAINTAIN (high confidence)
Default (moderate progress) → MAINTAIN (medium confidence)

9. Policy System · 정책 시스템 ★ NEW v11

EN: All thresholds, weights, and rules live in editable policies — not in code. This is the "Threshold-Free Architecture" principle.
KR: 모든 임계값, 가중치, 규칙은 편집 가능한 정책 안에 있습니다 — 코드가 아닙니다. 이것이 "Threshold-Free Architecture" 원칙입니다.

🏛️ 4-Layer Architecture · 4계층 아키텍처

Layer	Purpose · 목적	Changes · 변경
1. Engine	Core math functions (S, V, τ, Q, π) · 핵심 수학 함수	Never · 절대 안 바뀜
2. Policy	Thresholds, weights, rules · 임계값, 가중치, 규칙	Often · 자주
3. Context	Patient-specific modifiers · 환자별 변형	Per patient · 환자마다
4. Learning	Auto-evolution from outcomes · 결과로부터 자동 진화	Continuous · 지속

🏷️ Multi-Tag Policy System · 다차원 태그 정책 시스템

EN: Each policy has tags. The system auto-combines policies based on patient profile.
KR: 각 정책은 태그를 가집니다. 시스템이 환자 프로필에 따라 정책을 자동 결합합니다.

Policy Library Categories · 정책 라이브러리 분류

Category · 분류	Examples · 예시
🎯 Goal-based · 목표 기반	focus_enhancement, anxiety_reduction, sleep_optimization, peak_performance ⭐ (BNM specialty), learning_enhancement ⭐ (BNM specialty)
🩺 Diagnosis-based · 진단 기반	adhd_inattentive, adhd_combined, gad, mdd, ptsd
👥 Demographic · 인구학적	child_6_12, teen_13_17, adult_18_64, senior_65_plus
⚡ Style · 치료 스타일	aggressive (fast), standard, conservative (safety-first)
🔧 Overlay · 덧붙임	anxiety_comorbid, medication_active, trauma_informed, substance_history

🎨 Example Policy Selection · 정책 선택 예시

EN — Patient: 32F, ADHD-Inattentive + GAD + cognitive enhancement goal

System auto-suggests:

✅ Adult Attention Enhancement (87% match)
✅ + Anxiety Co-treatment Overlay
✅ + Female 30s Cognitive Performance overlay

Combined policy preview:

QEEG threshold: 1.5 × 1.2 (anxiety modifier) = 1.8
Scales monitored: ASRS + GAD-7
Stage transitions: standard + HRV stability check
Estimated course: 24 sessions

Clinician choice:

[✅ Use AI recommendation]
[🔧 Custom selection]
[⚙️ Fine-tune parameters]

KR — 환자: 32F, ADHD-Inattentive + GAD + 인지 능력 향상 목표

시스템 자동 제안:

✅ Adult Attention Enhancement (87% 일치)
✅ + 불안 동반 치료 Overlay
✅ + 30대 여성 인지 능력 overlay

결합 정책 미리보기:

QEEG 임계값: 1.5 × 1.2 (불안 modifier) = 1.8
모니터링 척도: ASRS + GAD-7
단계 전환: 표준 + HRV 안정성 체크
예상 치료 기간: 24 세션

임상가 선택:

[✅ AI 권고 사용]
[🔧 사용자 선택]
[⚙️ 파라미터 미세 조정]

⚖️ Conflict Resolution · 충돌 해결

EN: When policies conflict (e.g., aggressive style says "advance fast" but anxiety overlay says "go slow"), the system uses Hybrid resolution:

Default: Choose the safer/more conservative value (medical safety first)
Override: Clinician can explicitly choose differently
Logging: All overrides are recorded for system learning

KR: 정책이 충돌할 때 (예: aggressive 스타일은 "빨리 진행" 하라고 하지만 anxiety overlay는 "천천히" 하라고 할 때), 시스템은 하이브리드 해결을 사용합니다:

기본: 더 안전한/보수적 값 선택 (의료 안전 우선)
Override: 임상가가 명시적으로 다른 선택 가능
로그: 모든 override는 시스템 학습용으로 기록

10. Synthetic Cohort System · 합성 코호트 시스템 ★ NEW v11

EN: Solves the cold-start problem of real-world NF data scarcity by generating literature-based virtual patients. Self-corrects as real patient data accumulates.
KR: 문헌 기반 가상 환자를 생성해 실제 NF 데이터 부족의 콜드 스타트 문제를 해결합니다. 실제 환자 데이터가 축적되면서 자가 보정합니다.

🧬 Hybrid Approach (Literature-Anchored Simulation)

EN:

Literature anchors — Mean ± SD from meta-analyses (e.g., Arns 2014 n=600)
Patient simulation — Generate 500 virtual patients with realistic distributions
Trajectory generation — Each patient simulated session-by-session with noise + drift
Responder categories — Fast (20%), Standard (45%), Slow (20%), Non-responder (15%)
Confounder application — Age, comorbid anxiety, medication, adherence affect outcomes

KR:

문헌 앵커 — 메타분석에서 가져온 Mean ± SD (예: Arns 2014, n=600)
환자 시뮬레이션 — 현실적 분포로 500명 가상 환자 생성
궤적 생성 — 각 환자가 노이즈 + 드리프트로 세션별 시뮬레이션
반응자 분류 — 빠른 반응자 (20%), 표준 (45%), 느린 (20%), 비반응자 (15%)
교란 변수 적용 — 나이, 동반 불안, 약물, 순응도가 결과에 영향

🔄 Self-Correction (Continuous Learning) · 자가 보정 (지속 학습)

EN: As real patient data flows in:

Real Patients	Synthetic Weight	Real Weight
0-30	95%	5%
30-100	60%	40%
100-300	20%	80%
300+	5%	95% (synthetic graduated)

KR: 실제 환자 데이터가 들어오면서:

실제 환자 수	합성 가중치	실제 가중치
0-30	95%	5%
30-100	60%	40%
100-300	20%	80%
300+	5%	95% (합성 졸업)

🔬 4-Layer Validation · 4단계 검증

Layer	Type · 종류	Description · 설명
🤖 B (auto)	Statistical	EN: Compare against existing cohortEngine + normativeEngine output (KL divergence, correlation matrix) KR: 기존 cohortEngine + normativeEngine 출력과 비교 (KL 발산, 상관관계 행렬)
🤖 D (auto)	Self-correction	EN: Drift detection — auto-adjust anchors when real differs from synthetic KR: 드리프트 감지 — 실제가 합성과 다르면 앵커 자동 조정
👨‍⚕️ C (manual)	Clinician review	EN: Triggered when significant drift detected — clinician approves adjustments KR: 유의한 드리프트 감지 시 트리거 — 임상가가 조정 승인
📚 A (always shown)	Literature citations	EN: Every recommendation displays evidence base with PubMed links KR: 모든 권고에 PubMed 링크와 함께 근거 기반 표시

📊 Validation Score · 검증 점수

EN: System dashboard shows overall validity (0-100):

Mean match (20%) · Distribution match (25%) · Correlation match (20%) · Trajectory match (20%) · Responder rate (15%)
EXCELLENT ≥ 90 | GOOD ≥ 75 | ACCEPTABLE ≥ 60 | NEEDS REVIEW < 60

KR: 시스템 대시보드에 전체 신뢰도 표시 (0-100):

평균 일치 (20%) · 분포 일치 (25%) · 상관관계 일치 (20%) · 궤적 일치 (20%) · 반응자 비율 (15%)
EXCELLENT ≥ 90 | GOOD ≥ 75 | ACCEPTABLE ≥ 60 | NEEDS REVIEW < 60

11. Critical Factors · 임상 안전 요인 ★ NEW v11

EN: Certain conditions require specialized algorithms, NOT general pattern matching. The system auto-detects and routes appropriately.
KR: 특정 상태는 일반 패턴 매칭이 아닌 전문 알고리즘이 필요합니다. 시스템이 자동으로 감지하고 적절히 라우팅합니다.

🚦 3-Tier Risk System · 3단계 위험 시스템

Tier	Type · 종류	Action · 조치
🟢 Tier 1	Standard	EN: Standard algorithm OK KR: 표준 알고리즘 사용
🟡 Tier 2	Overlay	EN: Standard + overlay (enhanced monitoring) KR: 표준 + overlay (강화 모니터링)
🔴 Tier 3	Specialized	EN: Specialized algorithm + external referral recommendation KR: 전문 알고리즘 + 외부 의뢰 권고

🔴 Tier 3 — Specialized Algorithm Required

🚨 Safety Threats · 안전 위협

EN: Active suicidal ideation (with plan/intent)
EN: Recent suicide attempt (< 6 months)
EN: Active self-harm (< 30 days)
EN: Homicidal ideation
EN: Active domestic violence/abuse
KR: 활성 자살 사고 (계획/의도 포함)
KR: 최근 자살 시도 (6개월 이내)
KR: 활성 자해 (30일 이내)
KR: 살해 사고
KR: 활성 가정 폭력/학대

🚨 Active Substance Risks · 활성 물질 위험

EN: Active alcohol abuse (DSM-5 SUD severe)
EN: Active substance abuse (not just history)
EN: Active opioid use
EN: Polypharmacy abuse (2+ substances)
KR: 활성 알코올 남용 (DSM-5 SUD severe)
KR: 활성 물질 남용 (단순 과거력 아님)
KR: 활성 오피오이드 사용
KR: 다약제 남용 (2가지 이상)

⚠️ DANGEROUS COMBINATIONS · 위험한 조합 (Auto-detected)

Combination · 조합	Risk · 위험	Severity · 심각도	Action · 조치
Benzo + Alcohol · 벤조 + 알코올	Respiratory depression · 호흡 저하	LETHAL · 치명적	BLOCK NF + Medical referral · NF 차단 + 의료 의뢰
Benzo + Opioid · 벤조 + 오피오이드	Overdose death · 과량 사망	LETHAL · 치명적	BLOCK NF + Emergency referral · NF 차단 + 응급 의뢰
Multiple CNS depressants (2+) · 여러 CNS 진정제	Overdose · 과량	LETHAL · 치명적	BLOCK NF + Medical referral · NF 차단 + 의료 의뢰
SSRI + MAOI	Serotonin syndrome · 세로토닌 증후군	HIGH · 높음	BLOCK NF + Psychiatrist referral · NF 차단 + 정신과 의뢰
Stimulant + Severe anxiety · 자극제 + 심한 불안	Panic induction · 공황 유발	HIGH · 높음	Modify protocol + Close monitoring · 프로토콜 수정 + 면밀 모니터링
Multiple antidepressants · 다중 항우울제	Drug interaction · 약물 상호작용	MODERATE · 중간	Overlay: medication monitoring · Overlay: 약물 모니터링

🚨 Acute Psychiatric · 급성 정신과

Active psychosis / hallucination · 활성 정신병 / 환각
Active manic episode · 활성 조증 삽화
Severe dissociation (active DID switching) · 심한 해리 (활성 DID 전환)
Catatonia · 긴장증
Acute suicidal depression · 급성 자살성 우울증

🚨 Medical Instability · 의학적 불안정

Recent seizure (< 30 days) · 최근 발작 (30일 이내)
Active eating disorder w/ medical risk (BMI < 16, electrolyte) · 활성 섭식장애 (BMI < 16, 전해질 불안정)
Recent head trauma (< 90 days, untreated) · 최근 두부 외상 (90일 이내, 미치료)
Uncontrolled bipolar (rapid cycling) · 조절 안 되는 양극성 (급순환)
Pregnancy w/ untreated psychiatric condition · 임신 + 미치료 정신과 질환

📝 Tier 3 Alert Workflow · Tier 3 경고 워크플로

EN: When Tier 3 detected, the system:

🚨 Shows critical alert modal
📋 Lists detected factors + risks
💡 Provides system recommendations (defer/refer/specific actions)
⚙️ Requires clinician decision: Accept / Override / Custom plan
📝 If override, requires reason (recorded for audit)
🔒 Auto-generates documentation (medical-legal protection)

KR: Tier 3가 감지되면, 시스템은:

🚨 중요 경고 모달 표시
📋 감지된 요인 + 위험 목록
💡 시스템 권고 제공 (보류/의뢰/구체적 조치)
⚙️ 임상가 결정 필요: 수락 / Override / 맞춤 계획
📝 Override 시 사유 필요 (감사용 기록)
🔒 자동 문서화 생성 (의료-법적 보호)

12. Weight Adjustments · 가중치 조정

🇺🇸 English

Adjust how the Decision Engine weighs different factors. Useful when:

Patient has specific history (e.g., trauma)
Patient preferences (e.g., avoid stimulants)
Unusual presentation needs custom weighting

🇰🇷 한국어

Decision Engine이 각 요소를 어떻게 가중치 주는지 조정. 유용한 상황:

환자 특수 이력 (예: 트라우마)
환자 선호도 (예: 자극제 회피)
특이한 양상에 맞춤 가중치 필요

14 Adjustable Weights · 조정 가능한 14개 가중치

Weight	Range	Default	Description
sleep_quality	0.2 – 0.9	0.5	Sleep influence · 수면 영향도
trauma_history	0.1 – 0.8	0.3	Trauma consideration · 트라우마 고려
medication_interaction	0.3 – 1.0	0.6	Drug interaction · 약물 상호작용
hrv_importance	0.2 – 0.8	0.4	HRV weight · HRV 중요도
qeeg_importance	0.3 – 0.9	0.5	QEEG weight · QEEG 중요도
self_report_importance	0.2 – 0.7	0.4	Survey weight · 설문 중요도
stimulant_aversion	0.0 – 1.0	0.0	Avoid stim protocols · 자극제 회피
invasiveness_aversion	0.0 – 1.0	0.0	Prefer simpler · 단순 선호
speed_preference	0.0 – 1.0	0.5	0=gentle, 1=fast · 0=부드럽게, 1=빠르게
bio_priority	0.0 – 1.0	0.33	Bio axis weight
psycho_priority	0.0 – 1.0	0.34	Psycho axis weight
social_priority	0.0 – 1.0	0.33	Social axis weight
patience_factor	0.1 – 0.9	0.5	Wait before modifying · 변경 전 대기
risk_tolerance	0.1 – 0.9	0.5	Risk tolerance · 리스크 허용

💡 Tip · 팁:
EN: Every adjustment is logged with timestamp + reason. Document your reasoning in the adjustment reason field for compliance.
KR: 모든 조정은 시각 + 이유가 기록됩니다. 조정 이유를 명확히 기록해 주세요 (규정 준수).

13. Data Management · 데이터 관리

Storage · 저장 위치

All data is in browser localStorage:

nc_patients — Patient records · 환자 기록
nc_sessions_adhd — ADHD sessions · ADHD 세션
nc_active_patient_adhd — Active patient · 활성 환자

Backup Protocol · 백업 프로토콜

Weekly: Export each active patient via Patient panel · 매주 활성 환자 export
Monthly: Full data backup (all patients) · 매월 전체 백업
Before system update: Export everything · 시스템 업데이트 전 전체 export

⚠️ Critical · 중요:
EN: Clearing browser data = PERMANENT data loss. Always backup before browser maintenance.
KR: 브라우저 데이터 삭제 = 영구 손실. 브라우저 관리 전 반드시 백업!

14. Troubleshooting · 문제 해결

Problem · 문제	Solution · 해결
Old version showing · 구 버전 표시	Ctrl+Shift+R (Mac: Cmd+Shift+R)
Engines not loading · 엔진 로드 안됨	Check console (F12) · F12 콘솔 확인
Layer 6-9 empty · Layer 6-9 비어있음	Need ≥2 saved sessions · 2세션 이상 필요
Cohort not generating · 코호트 생성 안됨	Select active patient first · 먼저 환자 선택
Data disappeared · 데이터 사라짐	Check localStorage. Restore from backup · localStorage 확인. 백업에서 복원
Decision seems wrong · 결정이 이상함	Review weights. Clinical judgment > system · 가중치 검토. 임상 판단 우선

15. Clinical Safety Notes · 임상 안전 주의사항

🚨 REFER_Medical triggers · REFER_Medical 발동 시
EN: If system flags medical concern, stop NF training and refer to physician. Document all findings.
KR: 의학적 우려 감지 시, NF 훈련 중단 및 의사 의뢰. 모든 소견 기록.

Non-physician Scope · 비의사 범위

🇺🇸 English

Use "training/coaching/performance optimization" language
Avoid "treatment/cure/diagnosis" terminology
Refer out for medical/psychiatric diagnosis
Document clinical judgment and referral rationale
Complies with MA non-physician practitioner scope

🇰🇷 한국어

"훈련/코칭/수행 최적화" 용어 사용
"치료/치유/진단" 용어 회피
의학적/정신의학적 진단은 의뢰
임상 판단 및 의뢰 근거 기록
MA 비의사 실무자 범위 준수

Red Flags · 위험 신호

Patterns that should trigger clinical pause + medical referral · 임상 중단 + 의뢰 필요 패턴:

Suicidal ideation · 자살 사고
Severe HRV drops (>30% session-to-session) · 급격한 HRV 저하
New neurological symptoms · 새로운 신경학적 증상
Severe mood changes during training · 훈련 중 극심한 기분 변화
Medication-free worsening · 약물 없이 악화
Signs of psychotic break · 정신증 징후

Documentation best practice · 기록 모범 사례:
EN: Every session should include: data sources, analysis summary, decision rationale, any weight adjustments with reasons, next steps.
KR: 매 세션 기록: 데이터 출처, 분석 요약, 결정 근거, 가중치 조정 이유, 다음 단계.