지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 조남석
- 발행연도
- 2023
- 저작권
- 국방대학교 논문은 저작권에 의해 보호받습니다.
이용수29
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
전쟁이나 재난, 사고 등으로 동시에 다수의 외상환자들이 발생할 경우 제한된 의료자원으로 최대한 많은 환자들에게 치료를 제공하기 위해 환자분류를 시행한다. 환자분류란, 환자의 중증도와 생존율에 따라 비슷한 상태의 환자들을 그룹화하여 후송과 치료 우선순위를 선정하는 것이다. 환자들은 선정된 우선순위에 따라 의료시설로 후송되어 치료받게 된다.
군에서는 전쟁 중 대량전상자가 발생한 경우, 피해발생 부대의 의무부대에서 대량전상자처치반이 출동하여 환자수집, 응급처치, 환자평가, 환자분류 및 후송 임무를 수행한다. 대량전상자처치반에 의해 신속하고 정확한 환자분류가 시행되어야, 최대한 많은 환자를 살리고 회복시킬 수 있다. 그러나 전투현장에서 적은 의료인력으로 신속하고 정확한 환자분류를 수행하기란 제한된다. 따라서, 본 연구는 대량전상자 발생 현장에서 의료인력을 보조하고 대체할 수 있는 인공지능 모델에 대해 논의하고자 한다.
본 연구에서는 인공지능의 한 분야인 강화학습을 활용한 환자분류 모델을 제시한다. 모델은 무작위로 설정된 환자의 상태와 의료시설의 의료능력을 고려하도록 구성되었다. 여기서 의료능력이란 군에서 의료능력 평가 시 활용되는 ‘병상’, ‘후송자산’, ‘혈액’의 3가지 요소의 현재 수준을 의미한다. 모델은 환자상태에 따라 치료받아야 할 환자를 선정하고, 각 병원의 의료능력을 고려하여 어느 병원으로 후송해야 할지 분류한다. 모델의 학습은 치료받을 수 있는 환자 수를 최대화하는 방향으로 진행된다. 강화학습 모델은 Unity 3D를 활용하여 환경을 구축하였으며, Unity 3D의 강화학습 패키지 ML-Agents를 활용하였다. 학습은 PPO 알고리즘을 통해 진행되었다.
강화학습 모델이 정상적으로 학습되었음은 누적 보상값, 엔트로피 값, 손실 함수를 통해 확인하였다. 또한, 실제로 에이전트가 올바른 행동을 하고 있는지 관찰하기 위해 ‘생존자 수’를 성능척도로 선정하여 모델이 정상적으로 환자를 분류하는 것을 검증하였고, 규칙기반 모델과 시뮬레이션을 통해 모델의 타당성을 확인하였다.
군에서는 전쟁 중 대량전상자가 발생한 경우, 피해발생 부대의 의무부대에서 대량전상자처치반이 출동하여 환자수집, 응급처치, 환자평가, 환자분류 및 후송 임무를 수행한다. 대량전상자처치반에 의해 신속하고 정확한 환자분류가 시행되어야, 최대한 많은 환자를 살리고 회복시킬 수 있다. 그러나 전투현장에서 적은 의료인력으로 신속하고 정확한 환자분류를 수행하기란 제한된다. 따라서, 본 연구는 대량전상자 발생 현장에서 의료인력을 보조하고 대체할 수 있는 인공지능 모델에 대해 논의하고자 한다.
본 연구에서는 인공지능의 한 분야인 강화학습을 활용한 환자분류 모델을 제시한다. 모델은 무작위로 설정된 환자의 상태와 의료시설의 의료능력을 고려하도록 구성되었다. 여기서 의료능력이란 군에서 의료능력 평가 시 활용되는 ‘병상’, ‘후송자산’, ‘혈액’의 3가지 요소의 현재 수준을 의미한다. 모델은 환자상태에 따라 치료받아야 할 환자를 선정하고, 각 병원의 의료능력을 고려하여 어느 병원으로 후송해야 할지 분류한다. 모델의 학습은 치료받을 수 있는 환자 수를 최대화하는 방향으로 진행된다. 강화학습 모델은 Unity 3D를 활용하여 환경을 구축하였으며, Unity 3D의 강화학습 패키지 ML-Agents를 활용하였다. 학습은 PPO 알고리즘을 통해 진행되었다.
강화학습 모델이 정상적으로 학습되었음은 누적 보상값, 엔트로피 값, 손실 함수를 통해 확인하였다. 또한, 실제로 에이전트가 올바른 행동을 하고 있는지 관찰하기 위해 ‘생존자 수’를 성능척도로 선정하여 모델이 정상적으로 환자를 분류하는 것을 검증하였고, 규칙기반 모델과 시뮬레이션을 통해 모델의 타당성을 확인하였다.
목차
제1장 서 론1.1. 연구배경 및 목적 81.2. 연구방법 및 내용 10제2장 문헌연구2.1. 환자분류 기법 112.2. 인공지능을 적용한 환자분류 선행연구 142.3 연구의 기여점 15제3장 방법론3.1. 강화학습 알고리즘 173.2. AI-Triage 개념 19제4장 연구결과 및 분석4.1. 연구결과 234.2. 결과분석 254.3. Case Study 26제5장 결론 및 향후연구 33참고문헌 35영문요약 38붙 임 강화학습 관련 주요 Unity Code 39
최근 본 자료
댓글(0)
0