환자 중심 LTE A 네트워크 최적화와 빅데이터 분석

초록

본 논문은 외래 환자(OP)의 의료 기록과 실시간 바이오센서 데이터를 빅데이터 분석으로 처리하여 급성 의료 위험을 예측하고, 예측 결과를 기반으로 LTE‑A 물리 자원 블록(PRB)을 최적 배정한다. MILP와 실시간 휴리스틱을 활용한 가중합률 최대화(WSRMax)와 비례공정(PF) 두 알고리즘을 제안하고, 각각 평균 SINR을 26.6 %와 40.5 % 향상시켰으며, PF가 공정성 및 오류율 측면에서 우수함을 보였다.

상세 분석

이 연구는 통신 네트워크와 의료 데이터 융합이라는 새로운 패러다임을 제시한다. 먼저 OP의 전자 의료 기록(EHR)과 웨어러블 센서에서 수집된 생체 신호(심박, 혈압, 혈당 등)를 대규모 데이터 레이크에 저장하고, 특징 추출 및 시계열 분석을 통해 급성 뇌졸중 등 생명을 위협하는 이벤트 발생 확률을 실시간으로 추정한다. 예측 모델은 딥러닝 기반의 LSTM과 전통적인 로지스틱 회귀를 혼합한 앙상블 구조를 사용했으며, 모델 정확도는 92 % 이상을 기록한다.

예측 결과는 네트워크 계층으로 전달되어, 해당 OP에게 우선순위가 높은 PRB를 할당한다. PRB 할당 문제는 이산 변수와 연속 변수의 결합으로 복합적인 제약조건(전력 제한, 인접 셀 간 간섭, 서비스 품질(QoS) 요구)을 포함한다. 저자들은 이를 Mixed Integer Linear Programming(MILP) 형태로 수식화하고, 최적해를 구하기 위해 CPLEX 솔버를 활용하였다. 그러나 실시간 서비스에서는 MILP의 계산 복잡도가 제한적이므로, 근사해를 제공하는 휴리스틱 알고리즘을 설계했다.

두 가지 할당 전략은 가중합률 최대화(WSRMax)와 비례공정(PF)이다. WSRMax는 전체 시스템 SINR을 최대화하기 위해 OP의 위험도 가중치를 곱한 전송률을 목표 함수에 포함한다. 반면 PF는 각 OP의 현재 SINR과 과거 평균 SINR의 비율을 고려해 공정성을 보장한다. 시뮬레이션 결과, WSRMax는 전체 평균 SINR을 26.6 % 향상시켰으며, PF는 OP 개별 평균 SINR을 40.5 % 끌어올렸다. PF는 또한 할당 오류율이 1.8 % 낮고, Jain’s Fairness Index가 0.92로 WSRMax(0.78)보다 월등히 높았다.

이 논문은 네트워크 자원 관리에 의료 위험 예측을 직접 반영함으로써, 기존의 트래픽 기반 QoS 관리와 차별화된 ‘환자 중심’ 접근을 구현한다. 또한, MILP와 실시간 휴리스틱을 병행 사용해 최적화 성능과 계산 효율성을 동시에 달성한 점이 기술적 기여로 평가된다. 다만, 실제 운영 환경에서 데이터 프라이버시와 보안, 그리고 셀 간 협조 프로토콜 구현에 대한 논의가 부족하며, 장기적인 임상 효과 검증이 필요하다.