인공지능 기반 중환자 쇼크 사전 탐지에 대한 방법 연구

인공지능 기반 중환자 쇼크 사전 탐지에 대한 방법 연구

김용환^1,*, 김장용², 배기태³

6

A Study on Artificial Intelligence-based Intensive Medical Patient's Shock Pre-Detection System.

Yong-Hwan Kim^1,*, Jang-Yong Kim², and Ki-Tae Bae³

요 약

본 연구 “인공지능 기반 중환자 쇼크 사전 탐지 시스템 (The artificial intelligence-based intensive medical patient's shock pre-detection system)”은 중환자의 쇼크(Shock) 징후를 정확히 예측하기 위해서 환자들 상태를 24시간 365일 실시간 모니터링 하고, 인공지능 기반의 예측 을 수행하여 이상 징후가 나타나면 담당 의사 및 간호사 등에게 즉시 알람을 보내 사전에 대처하도 록 하는 시스템에 대한 연구 이다. 쇼크(Shock)는 기본적으로 우리 몸의 순환계 문제로 인해 신체 조직으로의 혈류가 충분하지 않아 생명이 위험한 상태로 변하는 것이다. 환자가 쇼크 상태에 돌입하 였을 경우, 인공호흡, 심폐소생술 등 매우 중한 처치가 즉각적으로 필요하게 된다. 따라서 위독한 환자를 돌보는 중환자실에서는 환자가 쇼크 상태에 빠지기 전에 미리 환자 상태를 파악하게 된다면 더 안전한 중환자실을 만들 수 있으므로 본 연구와 같은 솔루션이 절실히 필요한 상황이다. 본 연구 로 실시간 환자데이터 그래프를 분석하여 24시간 전에 환자의 쇼크를 예측하여 환자의 생명을 살릴 수 있는 의미 있는 연구이다.

Abstract

This study “The artificial intelligence-based intensive medical patient's shock pre-detection system” is regarding the system that instantly sends alerts, when warning signs and symptoms detected from intensive medical patients, to doctors and nurses in order to respond in advance, monitoring the condition of patients for 24 hours, 365 days in real-time to accurately predict the signs and symptoms of shock and carrying out the artificial intelligence-based predictions. Shock is basically caused by insufficient blood circulating volume leading to a life-threatening condition under the disorders of circulatory system. When a patient is slipping into a state of shock, the immediate action of doing artificial respiration (artificial ventilation) and

1가톨릭대학교 경영대학 (서울특별시 종로구 창경궁로 296-12) 학생

2가톨릭대학교 의과대학 (서울특별시 종로구 창경궁로 296-12) 교수

3서울미디어대학원대학교 미디어비지니스 (서울특별시 강서구 등촌동 661) 교수

*Corresponding Author : [email protected] 접수일자 : 2019. 10. 26.

1차 심사 : 2019. 10. 29.

2차 심사 : 2019. 11. 15.

게재확정 : 2019. 11. 16.

DOI : http://data.doi.or.kr/10.22733/JITAE.2019.09.02.006

Cardiopulmonary Resuscitation (CPR) is required. Thus, predicting the signs and symptoms of critical patients before they go into shock in the Intensive Care Unit (ICU) makes the ICU safer, which proves the need for the solution of this study.

This study is a meaningful study that can save the patient's life by analyzing the real-time patient data graph and predicting the patient's shock 24 hours before.

Keywords : ICU, ICU, Shock, AI, Deep Learning, Medical Data, Prediction, Detection

1. 서 론

“인공지능 기반 중환자 쇼크 사전 탐지 시스 템 (The artificial intelligence-based intensive medical patient's shock pre-detection system)” 연구는 죽음의 경계선에 서서 생명 의 촌각을 다투는 중환자들의 공간인 집중치료 실이라는 절망의 공간을 생명을 살리는 희망의 공간으로 만드는데 기여할 수 있을 것으로 생 각된다.

중환자실은 환자의 생존, 사망에 큰 영향을 미치며, 국내 의료비의 25%를 차지하는 중요 한 보건의료체에도 중환자 전담 의료인의 부 족, 병원/지역 간 질 편차, 환자 이송 중 높은 사망률 등 진료의 질과 효율성 측면에서 매우 낙후된 상황이다 [1]. 2018년 5월 22일 한국 일보 기사에 의하면, 건강보험심사평가원이 지 난 2016년 발표한 ‘2014년 (1차)중환자실 적 정성 평가결과’에 의거 우리나라 중환자실 전 담전문의 1인당 중환자실 평균 병상 수는 무려 44.7병상에 달하고, 상급종합병원은 40.4병 상, 종합병원은 48.9병상임. 중환자실에 입원 한 환자가 전문의 얼굴조차 보기 힘든 이유이 다. 이렇다 보니 패혈증 등을 조기에 발견하지 못해 사망하는 일도 잇따르는 현실이고 심평원 조사에 따르면 우리나라 중환자실에 입원한 성 인 환자 평균 사망률은 16.9%로 상급병원은 14.3%, 종합병원은 17.4%에 달한다.

중환자실은 생명 유지를 위한 필수 기능인 호흡과 심장 박동 등에 매우 큰 문제를 가지고 있는 환자들을 위한 곳이며 24시간 주7일 365 일 집중적인 치료를 받는 곳으로 산소공급기, 인공호흡기, 심전도기, 산소포화도 측정기 등

환자들의 생명유지와 그 상태를 관찰하기 위한 의료 기기들로 가득한 곳이다. 언제든 달라질 수 있는 집중 돌봄 환자들의 상태 변화를 놓치 지 않기 위해서는 환자들의 생체 데이터를 실 시간으로 측정, 분석해야 한다. 그러나 각 의료 기기들에서 생성되는 데이터는 종류도 많고 형 식도 다양하고 생성되는 데이터의 양도 방대하 다. 이러한 대규모의 복잡한 데이터 속에서 가 치 있는 정보를 추출하기 위해서는 인공지능 (AI)의 활용이 필수인 상황이 도래하였다.

질병이나 신체 이상 증상은 사후 치료보다 발생 자체를 사전에 방지하는 것이 최선책이 다. 만약 그것이 환자의 생명을 좌지우지할 정 도로 심각한 것이라면 더욱 사전 예방책 마련 에 최선을 다해야 할 것이다. 본 연구는 서울 성모병원과 협동으로 전자의무기록 (EMR) 및 환자들의 활력 징후 기록, 약 처방 기록, 그리 고 진료 기록 등 병원 내 약 10만 명 이상의 환자 데이터를 취합해 분석할 예정이다. 본 연 구가 활용할 머신러닝 방식의 인공지능 기술은 양질의 학습 데이터가 많을수록 그 성능이 비 약적으로 우수해지므로 서울성모병원의 10만 명에 달하는 빅데이터는 본 연구의 성공에 큰 기여를 할 것이라고 판단된다.

그림 1. 중환자 전담 의료인 부족 실태 보도.

Fig. 1. Report on the shortage of intensive care medic.

2. 연구설계

2.1 배경

다음과 같이 기술적, 경제적, 사회적 측면의 세 가지 배경에 의해 본 연구를 수행하게 되었다.

[기술적 배경]

환자 생체 데이터 분석으로 위험 상황 발생 혹은 질병을 사전에 감지하도록 하는 예측 시 스템 개발은 국내외적으로 꾸준히 수행되어 오 고 있다. 미국 존스홉킨스대학교와 에모리대학 교도 패혈증에 대한 예측 시스템을 개발 중이 며, 캐나다 온타리오공과대학교는 IBM과 함께 신생아 중환자실 아기 환자들의 생체 데이터를 수집, 분석하여 패혈증 발생을 24시간 전에 사 전 감지하는 것에 성공한 사례도 있다.

그러나 위의 사례 들은 대부분 심전도나 혈 압 등 [2] 일부 데이터를 수분에서 수 시간 간 격으로 측정하고 분석하여 매우 좁은 범위의 증상에 대한 위험 징후를 사전에 파악하는 수 준이었다 [3].

“인공지능 기반 중환자 쇼크 사전 탐지 시스템 (The artificial intelligence-based intensive medical patient's shock pre-detection system)”은 기존 사례들과 다르게 위험 징후를 정확히 예측하기 위해서 환자들 상태를 24시간 365일 실시간 모니터링 하고 인공지능 기반의 예측을 수행하여 이상 징후가 나타나면 담당 간호사 등에게 즉시 알람을 보내 사전에 대처 하도록 할 수 있을 것으로 기대된다. 또한 중환 자실 환자 데이터를 실시간으로 수집 및 분석 할 뿐만 아니라 훌륭한 시각화 기능을 갖추어 경과를 한눈에 파악할 수 있는 차별성이 있다.

[경제적 배경]

중환자실은 환자의 안위, 생존 여부에 큰 영 향을 미치며, 국내 의료비의 25%를 차지하는 경제적 측면에서도 중요한 보건의료체계이다.

본 연구의 활용으로 인해 중증환자의 입원 기 간 단축 효과를 달성 가능함에 따라 국가 전체 적인 중증환자 의료비용 감소가 가능할 것으로 기대된다.

중환자 의료기기의 경우 글로벌 기업의 입지 가 매우 견고한 상태이다. 국내 중환자 의료기 기 산업 발전을 위해서는 국내 의료진 사용 편 의성이 높은 중환자 모니터링 시스템 개발이 필요하며, 글로벌 기업과 세계 시장에서 경쟁 하기 위하여 우리나라 기업만의 특화된 틈새 제품을 개발하여 시장을 공략하는 혁신적인 연 구개발 전략이 필요하다. 제안 시스템은 서울 성모병원의 10만여 건의 한국인 환자 데이터 를 기반으로 인공지능 학습을 함으로써 한국인 만의 독특한 의료 특성 정보를 분석해 냄으로 써 글로벌 기업과 차별화할 것으로 기대한다.

[사회적 배경]

국내에서는 연간 약 30만 명이 중환자실에 입원하고 그 중 70%가 60대에서 80대에 이 르는 노인 환자이다. 우리 사회의 이러한 급속 한 노령화에 따라 감염 위험에 취약한 노령 중 증 환자에 대해 첨단 시스템에 기반한 집중적 이고 정확한 의료진 지원 시스템은 고질적인 중환자 전문 의료인 부족 등에 의한 중환자 진 료의 질 저하를 방지할 수 있다. 본 연구는 간 호 인력의 환자 활력 정보에 대한 수작업 입력 등을 제거하고 환자 데이터의 실시간 처리를 보장함으로써 상대적으로 취약한 노령 중환자 진료의 질 향상에 기여할 것이다.

본 연구는 가톨릭대학교 서울성모병원 외과 팀과 서울미디어대학원대학교 연구팀이 서울성 모병원의 의료데이터를 기반으로 의료진의 의 료데이터 레이블링과 같은 데이터 정제 작업을 통해 인공지능 신경망인 CNN/RNN/NN을 통해 쇼크 탐지 예측 알고리즘을 개발하여 적 용함을 목표로 한다.

2.2 서비스 설계

표 1. 중환자 쇼크 사전 탐지 요소 기능.

Table 1. Critical patient shock proactive detection element function.

중환자 쇼크 사전 탐지 요소 기능

◦다양한 형태의 의료기기 데이터의 실시간/준실시간 수집

◦환자의 실시간 정보를 표시하는 대시보드

◦중환자 쇼크 임계치 설정 등에 의한 실시간 경보 기능 (불필요한 알람 기능 배제)

◦머신러닝 기반의 우수한 쇼크 종류(저혈량성,심인성,폐쇄 성,분배성) 진단 인공지능 분석

중환자실의 환자 데이터를 분석하고 사전 예 측하기 위하여 다음과 같은 연구 분야를 정의 하였다.

제공 서비스에 따른 효과로서 실시간 환자 데이터 수집/검색/모니터링 및 인공지능 기반 조기 경보를 제공하여 시점에 민감한 기회를 포학하고 빠른 위험 감지로 환자를 위험으로부 터 보호할 수 있을 것으로 기대한다. 그리고 하나의 플랫폼을 통하여 병원 환경의 모든 log data를 통합하여 각 의료기기 상태를 모니터 링하고 log data 간 연관 관계를 인공지능 기 반으로 도출 할 수 있다. 임계치 설정 및 패턴 룰 등록을 통해 빠른 alerts를 제공하고 트리 거 역할을 함으로 병원 내부의 해결 action을 시스템적으로 연결하여 자동화되고 능동적인 사전 위험 대비 방식을 제공한다. 낮은 TCO (Total Cost of Ownership)를 갖는 우수한 실시간 데이터 모니터링 아키텍쳐를 제공하여 빠르고 효율적인 기술을 개선 할 수 있는 효과 를 제공 할 수 있다.

2.3 플랫폼 설계

본 연구를 위하여 중환자실의 bed-side 모 니터링 장치로부터 수집된 환자의 health data 즉, 혈압, 체온, 맥박, 호흡수와 같은 바 이탈사인 데이터를 빅데이터 플랫폼에 저장하 고 이를 분석하여 진단 및 처방을 위한 패턴을 추출하고 인공지능 기반의 예측 모델을 도출하 기 위한 데이터로 활용하기 위한 빅데이터 저 장 및 분석 플랫폼 개발 및 가톨릭대학교 서울 성모병원의 환자데이터 10만 건 확보하였고 이를 통해 실시간으로 HL7 (Health level7 : 의료정보데이터 프로토콜) 데이터를 수집하 고 모니터링 하면서 도출된 환자의 상태를 의 료진에게 실시간으로 alerting하는 프로토타입 소프트웨어 모듈을 개발하였다. 다음 그림 2는 본 연구의 데이터베이스로서 HL7 프로토콜을 기반으로 하는 데이터 수집, 저장, 검색 기능 을 가지는 플랫폼 구성도이다.

∙수집기 : 기본적으로 agent 기반의 데이터 수집을 제공하고 수집대상이 되는 HL7 데

이터 소스의 형태에 따라서 다양한 방식의 수집 플러그인을 제공함. 특히 다양한 센서 장비로부터 오는 데이터 값은 로그형태를 취 하며 비정형 데이터인 로그에 대한 파일시스 템을 제공한다.

∙검색 기능 : 수집 저장된 HL7데이터를 일 반적인 검색엔진과 같은 직관적인 형태로 키 워드 검색하거나 전문엔지니어가 필요로 하 는 다양한 operator를 활용한 검색 기능을 제공한다. 특히 비정형 데이터를 검색할 수 있도록 쿼리문을 구성한다.

∙가시화 및 모니터링 : 실시간으로 수집된 데 이터를 안정적인 리파지토리 클러스터에 저 장 후 분석된 데이터 가시화를 제공하는 customize된 대시보드를 제공하고 시스템 메트릭 정보와 같은 정형화된 모니터링을 위 한 대시보드를 기본으로 제공한다.

그림 2. 플랫폼 구성도.

Fig. 2. Platform configuration plot.

2.4 시스템 설계

병원 내에 분산되어 운영되고 있는 각종 중 환자와 관련된 의료 데이터를 빅데이터 플랫 폼에 통합하여 실제 담당 의사와 협업으로 의 미 있는 데이터 관계를 분석하고 머신러닝 기 반의 예측 모델을 도출하여 중환자실의 ICU (Intensive Care Unit) device로부터 실시 간 중환자 vital 데이터 수집과 연동시켜 다음 과 같은 결과를 도출할 수 있도록 시스템을 설 계한다. 또한 중환자실 환자 데이터 수집 및 통합 저장 방안으로서 다음과 같은 사항을 수 립한다.

∙그림 3에서 좌측 1단계 비침입적 방식으로 실시간 데이터 수집기능 제공 즉 기존 기 구 축된 시스템을 변경하지 않고 영향을 최소화 하는 방법으로 데이터를 수집한다.

∙다양한 형태의 데이터소스 (파일, 디바이스, 메시지 큐, 데이터베이스 등)로부터 다양한 형태의 데이터 포맷을 변환하여 처리, 즉 데 이터 소스의 형태에 따른 다양한 형태의 데 이터 수집기술을 제공한다.

∙특히 ICU 장비 디바이스 데이터 실시간 수 집 방안은 해당 장비의 종류에 따라 필요한 형태의 수집기 제공 즉 HL7 형태의 표준 프로토콜을 제공하는 장비의 경우 해당 표준 포맷의 오픈소스 라이브러리를 활용하거나 해당 장비업체가 제공하는 API 라이브러리 를 활용하여 커스터마이즈된 수집 어댑터 제 공한다.

∙데이터 수집 처리시 필요한 데이터 변환 및 필터링 처리하여 저장한다.

∙초당 수백 건이 발생되는 환경에서도 발생된 데이터의 처리를 보장하는 안정성 있는 미들 웨어 아키텍처 설계 한다.

∙빅데이터 기반의 플랫폼으로 분산기술 기반 의 데이터 저장 기술 제공 즉 비싼 스토리지 대신 기존 x86 노드들을 클러스터로 연결하 여 대량의 데이터를 분산 저장하고 클러스터 내 노드에 문제 발생 시 복구 및 백업 기능 제공 한다.

∙실제 peta급 데이터를 저장할 수 있는 안정 적 클러스터 아키텍처와 확장성을 위하여 클 러스터 내 노드 추가로 손쉬운 수평적 아키 텍처 제공 한다.

∙그림 3 중앙의 실시간 분석 플랫폼을 통해 실시간으로 수집된 정보를 기존 레이블된 데 이터와 비교하고 학습된 데이터의 패턴 정보 와 비교한다.

∙통계/예측 분석 플랫폼은 실시간 분석 플랫 폼으로부터 처리된 데이터를 레이블링한 데 이터 값과 상호 연관 분석을 통해 새로운 의 미를 찾아낸다.

∙실시간 분석 플랫폼과 통계/예측 분석 플랫 폼의 결과로 통합 분석 모니터링 데시보드에 가시화를 제공한다.

그림 3. 목표 시스템 구성.

Fig. 3. Target system configuration.

2.5 인공지능 예측 알고리즘

중환자 쇼크 사전탐지 (진단)가 가능한 시스 템을 구축하고자 한다. 향후, 중환자 모니터링 의 핵심인 쇼크 상태 (저혈량성, 심인성, 폐쇄 성, 분배성)를 판별하는 알고리즘을 개발하여 확보된 환자 데이터를 통해 환자 쇼크를 파악 할 수 있는 패턴을 찾는 연구를 수행한다.

쇼크 탐지 예측 모델 [4]을 설계하는 것도 중요하겠지만, 그보다 앞서 그러한 예측 모델 이 기대한 대로 작동하고 신뢰할 수 있도록 하 기 위해서는 학습 데이터의 확보가 인공지능에 있어 가장 핵심적인 영역이다. 그러므로 기수 집된 vital sign을 기계학습 데이터로 제공하 기 위해 데이터를 가공하는 것, 그리고 데이터 에 label 태깅 (정답 태깅)을 하기 위해 데이 터 시각화를 해야 한다.

이후로, 이렇게 준비된 학습 데이터에 적합 한 기계학습 분류기 모델을 설계하고 구현한다.

따라서 상기와 같은 이유로 학습 데이터 확 보와 레이블 태깅을 위한 시각화 모듈이 개발 되어야 하고 인공지능 예측 모델이 설계 되어 야 한다.

학습 데이터 확보와 레이블 태깅을 위한 데 이터 시각화 모듈은 다음과 같은 내용을 고려 한다.

∙쇼크 예측에 필요한 vital sign 데이터는 크 게 실시간으로 수집되는 동적 데이터와 주기 적으로 측정되는 정적 데이터로 나뉘며, 쇼 크 예측을 위해서는 이 둘 모두가 필요하므

로, 이들을 하나의 기준계로 볼 수 있도록, 정적 데이터의 동적 데이터로의 적절한 변환 방안이 필요하다. 또한, 측정값에서 노이즈 라 할 수 있는, 이상치(Outlier)를 검출하고 제거하는 방안, 그리고, 학습 데이터로서 의 미 있도록 데이터 정규화를 거쳐 지도 학습 이 가능하도록 레이블(Label)을 판별 하도 록 하기 위한 데이터 시각화가 필요하다. 따 라서 다음의 4가지를 설계한다.

(1) 정적 데이터의 동적 변환 검출기 : 다음 2가지 알고리즘을 활용하여 정적 데이 터의 동적 변환 검출기를 개발하며 90% 이상 동기화 효과를 낸다.

ⅰ. Last-Based Method: 마지막에 측 정된 데이터 값을, 다음 측정 시까지 의 데이터로 간주하는 방안으로 90%

이상의 동기화 효과를 낸다.

ⅱ. Others: 위 Last-Based 방안 이외 에 기타 필요한 방안 추가를 통해 정 밀도 향상 (95% 이상) 한다.

(2) 이상치(Outlier) 필터 개발 : 다음 2가 지 알고리즘을 활용하여 실시간으로 측 정되는 환자 데이터의 노이즈를 90%

이상 감소 효과가 있다.

ⅰ. 정형화된 이상치 제거 (해당 패턴이 있을 경우).

ⅱ. 마할라노비스 거리 등 표준편차를 이 용한 필터를 사용하여 노이즈 90%

그림 4. 시간 t 동안 Vital Sign 수집.

Fig. 4. Vital Sign collection for time t.

이상 제거 효과, 사분위법을 통한 노 이즈 판별 90% 이상을 기대한다.

(3) 데이터 정규화 또는 표준화 모듈 : 서로 다른 단위계를 하나의 단위계로 변환하 는 기능을 제공한다.

(4) 학습 데이터 도출 및 데이터 시각화 모 듈 : 다음 두 방법 중, 택일 하여 적합 한 측정값을 도출하고, 정답 (Label)을 태깅 한다.

i. 스칼라 값: 각 항목별 특정 시간 범위 의 스칼라 값인 이동평균과 표준편차를 측정하여 이를 가지고 label 태깅 기능 개발한다 [5].

ii. 이미지 그래프: 데이터 정규화가 완료 된 측정값을 특정 시간 범위 t까지의 측정값을 그래프로 이미지화 하고 데이 터 시각화하여 label 태깅 기능 개발한 다 [6].

특히 “그림 4 시간 t 동안 vital sign 수집”

에서 기존 EMR데이터에서 나온 스칼라값을 그래프로 변환하여 변환 된 직관적 이미지 데 이터 [7]에 시간 범위를 설정하고 특정 시간 범위 안에 환자의 vital sign 데이터의 변화되 는 형태에 대한 의료진 (전문가)의 해석이 담 긴 레이블을 기록하기 위한 ‘추출 윈도우’를 개 발하여 의료진 (전문가)이 쉽게 스칼라값이 아 닌 그래프 이미지에 레이블링을 할 수 있게 한 다. 또한 이렇게 얻어진 학습데이터를 통해 기 계학습으로 실시간으로 들어오는 중환자실의 센서 데이터를 기존의 EMR 데이터에서 학습 된 패턴 정보를 비교 평가하여 환자의 쇼크상 태를 사전에 예측 할 수 있게 한다. 또한 쇼크 예측 및 쇼크가 발생되는 원인에 대한 판별도 가능 할 것으로 보인다. 그림 4에서 그래프 이 미지 패턴에 대해 class0, class1 과 같이 쇼 크에 대한 원인 분류를 하게 된다.

∙인공지능 예측 모델은 설계하고자 하는 기계 학습 모델은 쇼크를 판별하는 분류기이며, 판

별하고자 하는 쇼크의 종류에 따라 출력 노 드가 결정 되고, 우리가 가진 학습 데이터의 특성으로 보아 다음의 3개의 신경망 모델을 설계하고 테스트하여 환자 상황별 예측 정확 도가 높은 1개를 선택적으로 사용 한다. 즉, 쇼크 판별 분류기 3개를 만들고 환자 상황에 가장 적합한 분류기가 작동하도록 한다.

- CNN : 학습 데이터의 레이블 태깅이 이미 지 형태로 구현된 경우, CNN 모델을 사용 하여 모델을 학습하여 예측 정밀도 측정하 며 특정 vital sign이 급격히 나빠지는 경 우에 적합하도록 설계 및 개발한다 [8].

- NN : 학습 데이터가 스칼라값을 취한 경 우, 전형적인 NN 모델을 설계하여 예측 정밀도 측정하며 환자 vital sign 상태가 전체적으로 나빠지는 경우에 적합한 모델 로 개발한다 [9].

- RNN : 쇼크 데이터는 시계열에 따라, 종 속적인 특징을 가지고 있어, RNN 네크워 크 또한 후보군으로서 진행. 시계열 상 환 자가 점차적으로 증상이 변화되는 경우에 해당되는 모델로 최적화 개발한다 [10].

3. 결과 및 고찰

중환자의 환자 데이터를 스칼라 값과 같은 데이터 그 자체가 아닌 연속된 그래프의 이미 지에 대해 의료진 (전문가)이 보다 더 정확한 레이블 작업을 수행 할 수 있음을 확인 할 수 있었으며 시계열 상 연속된 데이터 값을 그래 프로 변환하여 이미지 자체를 분석 할 경우 직 관적으로 분석이 가능하며 스칼라 값 보다 빠 른 예측이 가능 할 것으로 예상되었다. 그림 4 에서 연속된 데이터를 ‘추출윈도우’를 통해 추 출된 학습데이터와 실시간 데이터를 비교하며 이상 징후를 예측 할 수 있다는 장점을 가진 다. 그리고 각 이미지 패턴이 저혈량성, 심인 성, 폐쇄성, 분배성의 쇼크 원인 4가지를 판별 /분류 할 수 있는 그 기반을 마련하였다 [11].

2015년 존스홉킨스 대학에서 패혈증 예측 인 공지능 모델을 연구 하였는데 EMR 데이터를

기반으로 스칼라값에 대한 예측도를 선보였으 나 본 연구에서는 스칼라값을 그래프 이미지 형태로 변환하여 직관성을 높이고 이미지 데이 터를 분석하는 새로운 방법을 제공한다.

4. 결 론

기존 존스호킨스 대학에서 연구한 환자데이 터의 스칼라값을 통한 패혈증 예측과 다르게 더욱더 효과적으로 데이터에 레이블링하고 인 공지능 엔진이 분석하기 빠르게 하는 방법으로 스칼라값이 아닌 그래프 이미지 데이터 값을 통해 의료진 (전문가)이 빠르게 판단 할 수 있 도록 도움을 주는 인공지능 기술과 함께 인공 지능 자체가 이미지 학습데이터를 통해 환자 상태를 사전에 비교 검토하여 쇼크를 탐지하는 기술은 중환자실을 포함하여 응급실, 병실 등 에 응용하여 확장 할 수 있을 것으로 기대된 다. 이를 통해 중환자뿐만이 아니라 응급실, 병실에 있는 환자에 대한 예측하기 어려운 상 황을 사전에 예측하여 환자의 생명을 보호 할 수 있을 것이라 기대된다.

참고 문헌

0[1] 이강윤, 김준혁, “인공지능 왓슨 기술과 보건 의료의 적용”, 의학교육논단, 제18권, 제2호, pp. 51-57, 2016.

0[2] W.-S Kang, J.-W. Yeom, Y.-G. Jo, and J.-C. Kim, “Pathophysiology of hemorrhagic shock”, Journal of Acute Care Surgery, Vol. 6, No. 1, pp. 2-6, 2016.

0[3] 신형진, et al., “패혈성 쇼크 환자에서 응급 실 기반 조기목표지향치료의 효과”, 대한중환 자의학회지, 제25권, 제2호, pp. 61-70, 2010.

0[4] 김재승, “패혈증 쇼크 환자에서 생존에 영향을 미치는 조기 예후 인자”, 대한응급의학회지, 제22권, 제1호 pp. 44-49, 2011.

0[5] 최민석, 이성민, 윤성로, “의료영상 딥러닝 모 델 학습을 위한 일래스틱 왜곡법의 적용과 성 능 비교”, 한국통신학회 학술대회논문집, pp.

32-33, 2016.

0[6] 김휘영, 정대철, 최병욱, “딥러닝 기반 의료 영상 인공지능 모델의 취약성:적대적 공격”, 대한영상의학회지, 제80권, 제2호, pp.

259-273, 2019.

0[7] 송경두, 김명찬, 도신호, “딥러닝 알고리즘 개 발과정을 통해 본 영상의학분야에서 딥러닝의 최신 경향”, 대한영상의학지, 제80권, 제2호, pp. 202-212, 2019.

0[8] 은성종, 정은영, 박동균, “Fast R-CNN 기법 을 활용한 대장 내시경 가이드 알고리즘 개 발”, 차세대컨버전스정보서비스기술논문지, 제 8권, 제2호, pp. 213-222, 2019.

0[9] 임두환, “딥러닝을 이용한 심정지 예측 서비스 및 장치에 대한 연구”, 한국IT서비스학회 학 술대회논문집, pp. 330-333, 2018.

[10] 최권택, “고차원 의료 영상을 위한 실시간 인 공 신경망”, 한국방사선학회 논문지, 제10권, 제8호, pp. 637-643, 2016.

[11] 김홍기, 김명기, “의료정보학에서의 온톨로지 기술”, 대한의료정보학회, pp. 213-219, 2003.