AI 기반 실시간 병원 영상 모니터링으로 환자 안전 강화

초록

LookDeep Health가 개발한 AI 영상 분석 플랫폼은 병실 내 RGB·NIR 영상을 1 fps로 실시간 처리해 사람·침대·의자 등을 탐지하고, 환자·스태프·기타 역할을 구분한다. 객체 검출 F1 = 0.92, 역할 분류 F1 = 0.98의 높은 정확도를 보이며, ‘환자 단독’·‘스태프 감독’ 등 논리적 상태를 5 초 스무딩 후 추출한다. 11개 병원·300여 명 고위험 낙상 환자·1 000일 이상의 추론 데이터를 기반으로 ‘혼자 있음’ 트렌드 예측 정확도 평균 0.82 ± 0.15를 달성한다. 익명화된 데이터셋을 공개해 재현성과 확장성을 확보하였다.

상세 분석

본 논문은 병원 현장에서 연속적인 환자 행동 모니터링을 구현하기 위해 AI 기반 컴퓨터 비전 파이프라인을 설계·배포한 사례를 상세히 제시한다. 첫 번째 핵심은 1 fps 저해상도(1088×612) 영상 스트리밍을 현장 장치(LVU)에서 실시간 전처리·압축 후 클라우드에 전송함으로써 네트워크 부하와 지연을 최소화한 점이다. 객체 검출은 YOLOv4 아키텍처를 COCO 사전학습 가중치로 초기화하고, 병실 특화 라벨(‘person’, ‘bed’, ‘chair’)으로 파인튜닝하였다. 검출된 ‘person’ 박스에 대해 추가적인 역할 분류를 수행해 ‘patient’, ‘staff’, ‘other’ 세 클래스로 구분했으며, confidence 스코어를 다중 클래스 형태로 보존해 불확실성을 표현한다.

두 번째로, 광학 흐름 기반의 움직임 추정은 Gunnar‑Farneback 알고리즘을 활용해 픽셀 단위 변위를 계산하고, ROI(침대, 안전 구역, 전체 장면)별 평균 모션 크기를 추출한다. 이는 단순 객체 존재 여부를 넘어 행동 강도를 정량화하는 데 기여한다. 논리적 상태(prediction) 생성은 객체·역할·모션 정보를 규칙 기반으로 결합하고, 5 초 윈도우 평균을 적용해 일시적인 오탐을 억제한다. ‘patient alone’, ‘supervised by staff’ 등은 실시간 알림 및 장기 트렌드 분석에 직접 활용된다.

세 번째로, 데이터셋 구축과 라벨링 품질 관리가 체계적으로 이루어졌다. 40 000여 장의 프레임에 대해 전문가가 bounding box와 역할 라벨을 부여했으며, 예외 상황(조명 부족, 옷 차림 등)은 별도 ‘frame exception’ 태그로 표시해 모델 학습 시 노이즈를 최소화했다. 라벨 검증은 FiftyOne 툴을 통해 다중 검수 과정을 거쳤다. 또한, HIPAA 준수를 위해 얼굴을 두 단계(수동 라벨링 → 가우시안 블러)로 익명화했으며, 데이터는 BAA 계약 하에 클라우드(BigQuery)로 안전 전송되었다.

성능 평가에서는 프레임 수준 객체 검출·역할 분류의 정밀도·재현율·F1을 보고했으며, 특히 역할 분류에서 0.98의 F1를 달성해 임상 현장에서 스태프와 환자를 정확히 구분할 수 있음을 입증했다. 논리적 상태의 트렌드 예측은 시간대별(주간·야간·전체) 로지스틱 회귀 정확도로 측정했으며, 평균 0.82 ± 0.15라는 결과는 실제 관찰 로그와 높은 일치도를 보인다. ‘Assisted’ 트렌드 실험에서는 AI 예측에 관찰 로그를 보완적으로 결합해 정확도를 향상시킬 수 있음을 시사한다.

마지막으로, 공개된 익명 데이터셋은 300명 이상의 고위험 환자·1 000일 이상의 연속 추론 데이터를 포함해, 연구 커뮤니티가 동일한 파이프라인을 재현·확장할 수 있는 기반을 제공한다. 이는 AI 기반 환자 모니터링 기술의 투명성·재현성을 높이고, 향후 다기관·다환경 적용을 위한 벤치마크로 활용될 수 있다.