자동화된 응급실 트리아지와 최적 대기열 관리 시스템

본 논문은 남아프리카 공공병원에서 급증하는 응급실(AEC) 환자 흐름을 효율적으로 관리하기 위한 자동화 트리아지 및 대기열 최적화 시스템을 제안한다. 서론에서는 현재 남아프리카가 국가 차원의 트리아지 표준이 부재하고, 기존 캡스 트리아지 시스템(CTS)이 수작업에 의존해 일관성 문제와 오류가 발생한다는 점을 지적한다. 이를 해결하고자 인공지능(AI) 기술—퍼지 추론 시스템(FIS), 퍼지 Q‑학습(FQL), 그리고 유전 알고리즘(GA)—을 결합한 프레임워크를 설계한다. 배경에서는 의료 트리아지의 목적과 기존 자동화 시도들을 검토한다. CTS 기반 규칙을 활용한 기존 퍼지 트리아지와 베이지안 트리아지 어드바이저 등을 소개하면서, 현재 AI 기반 병원 대기열 최적화 연구가 부족함을 강조한다. 시스템 개요에서는 전체 흐름을 도식화하고, 두 개의 디지털 양식(간호사 트리아지 양식, 의사 진료 양식)을 GUI에 통합한다. 간호사가 환자 생체징후(SBP, HR, 체온, RR)와 의식 수준·통증 정보를 입력하면, FIS가 CTS와 동일한 점수 체계에 맞춰 트리아지 점수(TS)를 산출한다. 동시에 FQL이 현재 대기열에 있는 환자들의 예상 진료 시간을 추정한다. 추정된 시간과 TS는 데이터베이스에 저장되고, 의사가 진료 후 코멘트를 입력하면 GA 기반 스케줄러가 전체 대기열 순서를 재계산한다. 퍼지 추론 시스템 구현에서는 입력 변수별 멤버십 함수를 가우시안 형태로 정의하고, CTS 규칙을 기반으로 30여 개의 IF‑THEN 규칙을 설계한다. 규칙 베이스는 전문가 의견을 반영해 통증 부위·강도에 대한 추가 규칙을 포함한다. 이를 통해 기존 CTS가 구분하지 못하는 미세 급증도 차이를 구분한다. 퍼지 Q‑학습에서는 Q‑테이블을 규칙 가중치 형태로 두고, 탐험‑활용 비율을 에포크 250까지 선형 감소시키는 E‑E​F를 적용한다. 입력으로는 환자 급증도와 연령을 사용했으며, 보상 함수는 실제 진료 시간과 예측 시간의 차이로 정의한다. 실시간으로 규칙 가중치가 업데이트되어, 데이터가 부족한 상황에서도 온라인 학습이 가능하도록 설계되었다. 유전 알고리즘 기반 스케줄러는 환자 수 n에 대해 n!개의 가능한 순열을 탐색한다. 인덱스 집합을 순열로 매핑하는 전용 매핑 함수를 도입해 인접 인덱스 간 변동을 최소화함으로써 적합도 함수의 평활성을 확보한다. 적합도 함수는 각 환자의 TS와 해당 환자가 대기 중인 총 시간(이미 대기한 시간 + 앞선 환자들의 예상 진료 시간)을 곱한 값을 최소화하도록 설계되었다. GA 파라미터는 인구 50, 교차율 0.8, 변이율 0.05이며, 평균 30초 내에 최적 해를 도출한다. 시뮬레이션에서는 20명 환자 대기열을 가정하고, 실제 CTS 기반 수작업 트리아지와 비교했다. 결과는 평균 대기 시간이 48분 감소했으며, 급증도가 높은 환자가 앞쪽에 배치되어 긴급 치료가 보장되었다. 또한 GA 연산 시간은 30초 수준으로 실시간 적용 가능성을 시사한다. 논의에서는 실제 병원 현장에서의 검증이 이루어지지 않았음, 데이터 품질 문제, 환자 특성(연령, 동반질환) 반영 부족, GA 연산 시간의 한계 등을 지적한다. 향후 연구 방향으로는 실시간 데이터 수집 인프라 구축, 다중 병원 간 데이터 공유, FQL의 입력 변수 확대, 그리고 GA와 강화학습을 결합한 하이브리드 스케줄링을 제안한다. 결론은 퍼지 기반 트리아지와 시간 예측, 유전 알고리즘 스케줄링을 통합한 시스템이 응급실 운영 효율성을 크게 향상시킬 잠재력을 가지고 있음을 강조한다.