헷넷에서 의료 데이터 기반 외래환자 우선순위 지정 및 자원 할당 최적화

초록

본 논문은 외래환자의 실시간 건강 상태를 나이브 베이즈 분류기로 평가하고, 위험도가 높은 환자에게 고출력 자원 블록(RB)을 우선 할당하도록 이종 네트워크(HetNet)를 자동 최적화한다. MILP 기반의 가중합률 최대화(WSRMax)와 비례공정(PF) 두 가지 목표 함수를 통해 업링크 자원 배분을 설계하고, 의료 IoT 센서 데이터 전송 지연을 최소화한다. 실험 결과, 급성 뇌졸중 위험 환자에게 신속한 연결을 제공함으로써 시스템 응답성이 크게 향상됨을 확인하였다.

상세 분석

이 연구는 통신 네트워크와 의료 데이터 분석을 융합한 획기적인 프레임워크를 제시한다. 첫 번째 핵심은 외래환자(OP)의 전자 의료 기록(EHR)과 실시간 의료 IoT 센서(심박, 혈압, 혈당 등)에서 수집된 다변량 데이터를 입력으로 하는 나이브 베이즈(Naïve Bayesian) 분류기이다. 베이즈 정리를 기반으로 각 특성의 조건부 확률을 사전 학습하고, 실시간 측정값을 결합해 ‘임박한 뇌졸중 발생 가능성’이라는 이진 라벨의 사후 확률을 산출한다. 이 확률값을 위험 점수(RiskScore)라 정의하고, 사전 설정된 임계값을 초과하면 고위험 환자로 분류한다.

두 번째 핵심은 위험 점수를 HetNet의 자원 할당 정책에 직접 매핑하는 것이다. HetNet은 매크로셀과 소형 셀(pico/femto)으로 구성된 이종 구조를 가지며, 각 셀은 제한된 수의 자원 블록(RB)을 보유한다. 논문은 업링크 전송을 최적화하기 위해 혼합정수선형계획(MILP) 모델을 설계한다. 변수는 사용자‑RB 매칭 바이너리 변수와 각 RB에 할당된 전송 전력이며, 제약조건은 (1) 각 사용자당 하나의 RB 할당, (2) 각 RB는 동시에 하나의 사용자만 사용, (3) 전력 제한, (4) QoS 최소 데이터율 보장, (5) 고위험 환자에게는 최소 전송 전력 및 데이터율 보장 등이다.

목표함수는 두 가지 형태로 제시된다. 첫 번째는 가중합률 최대화(Weighted Sum Rate Maximization, WSRMax)로, 각 사용자의 데이터율에 위험 점수 가중치를 곱해 전체 네트워크 수익을 극대화한다. 이 방식은 고위험 환자에게 높은 가중치를 부여함으로써 자원을 집중한다. 두 번째는 비례공정(Proportional Fairness, PF)으로, 로그 함수 기반의 효용을 최대화해 전체 사용자 간 공정성을 유지하면서도 위험 환자에게는 추가적인 보상을 제공한다. 두 목표함수 모두 MILP 솔버를 이용해 전역 최적해를 도출한다.

시뮬레이션에서는 19개의 매크로셀과 57개의 소형 셀을 갖는 3층 HetNet 토폴로지를 사용하고, 200명의 OP를 무작위 배치하였다. 의료 IoT 센서 데이터는 실제 병원 데이터셋을 기반으로 합성했으며, 뇌졸중 위험 확률은 0~1 사이의 연속값으로 생성하였다. 결과는 WSRMax가 고위험 환자에 대한 평균 지연을 45% 감소시켰으며, PF는 전체 평균 지연을 30% 감소시키면서도 사용자 간 데이터율 편차를 20% 이하로 유지함을 보여준다. 또한, 위험 점수가 급격히 상승할 경우 시스템이 실시간으로 RB 재배치를 수행해 응답 시간을 즉시 회복하는 동적 적응성을 확인하였다.

이 논문의 주요 기여는 (1) 의료 IoT와 EHR을 결합한 실시간 위험 평가 모델, (2) 위험 기반 가중치를 통합한 HetNet 자원 할당 최적화, (3) 두 가지 상충되는 목표(수익 극대화 vs 공정성)를 동시에 고려한 MILP 설계, (4) 동적 의료 상황 변화에 대한 네트워크 적응 메커니즘 제시이다. 한계점으로는 나이브 베이즈의 독립성 가정이 실제 의료 변수 간 상관관계를 충분히 반영하지 못할 수 있으며, MILP의 계산 복잡도가 실시간 대규모 네트워크에 적용하기엔 제한적이라는 점이 있다. 향후 연구에서는 딥러닝 기반 위험 예측 모델과 분산 최적화 알고리즘을 도입해 확장성을 높이고, 다중 질환(심근경색, 당뇨 합병증 등)에 대한 다중 우선순위 스키마를 개발할 계획이다.