김동현
KO EN
KO EN
깃허브 링크드인
연구 목록으로
연구 상세

복부수술 환자의 간호감시를 위한 딥러닝 기반 진단명 분류 모델

복부수술 환자의 EMR에서 검사 데이터, 환자정보, 간호기록을 통합하여 간호감시를 지원하기 위한 자동 ICD 코딩 모델을 제안한 연구이다. KM-BERT 이중 앙상블과 XGBoost, PCA를 결합한 스태킹 구조를 통해 기존 단일 모델 및 단순 앙상블보다 더 높은 진단명 분류 성능을 보였다.

학회/저널 한국컴퓨터정보학회논문지
연도 2025
유형 저널 논문
의료 AI간호감시EMR자동 ICD 코딩딥러닝KM-BERTXGBoost앙상블복부수술
초록

복부수술 환자의 EMR에서 검사 데이터, 환자정보, 간호기록을 통합하여 간호감시를 지원하기 위한 자동 ICD 코딩 모델을 제안한 연구이다. KM-BERT 이중 앙상블과 XGBoost, PCA를 결합한 스태킹 구조를 통해 기존 단일 모델 및 단순 앙상블보다 더 높은 진단명 분류 성능을 보였다.

포트폴리오 역할과의 연결
연구 기여

간호감시 맥락의 자동 ICD 코딩을 위해 EMR 정형 정보와 간호기록을 결합한 딥러닝 분류 모델을 제안했다.

포트폴리오 의미

NLP/LLM 시스템의 성능을 단순 정확도가 아니라 도메인 데이터 구조와 오류 분포까지 함께 판단해야 한다는 포트폴리오 주장을 보강한다.

방법 / 판단 신호

KM-BERT 앙상블, PCA, XGBoost 스태킹을 통해 희소 진단명과 도메인 민감 label을 평가했다.

모델링/평가

연구 항목을 NLP/LLM 모델링과 평가 설계의 판단 근거로 해석합니다.

시스템 판단

논문 결과를 프로젝트의 데이터 처리, 평가, 운영 판단과 연결합니다.

적용 맥락

의료, 금융, 추천 등 도메인은 상위 정체성이 아니라 적용 맥락으로 다룹니다.

관련 프로젝트
EMR 기반 간호감시 자동 ICD 코딩 시스템
의료 AI 연구 | 2025

복부수술 환자의 간호감시를 지원하기 위해 핵심 EMR 데이터만으로 자동 ICD 코딩 모델을 구축했다.

관련 프로젝트 열기

요약

본 연구는 복부수술 환자에 대한 간호감시 과정에서 간호사가 환자 상태를 더 빠르고 체계적으로 파악할 수 있도록 지원하는 자동 진단명 분류 문제를 다룬다. 의사 판독문이나 퇴원기록처럼 사후에 생성되는 문서가 아니라, 간호 현장에서 즉시 활용 가능한 EMR 핵심 데이터만으로 ICD 코드를 예측하는 데 초점을 맞췄다.

왜 중요한가

간호감시는 환자 안전과 임상 결과 개선에 중요하지만, 실제 의료환경에서는 검사 결과, 활력징후, 간호기록, 회복실 기록이 서로 다른 형식으로 흩어져 있어 이를 실시간으로 종합하기 어렵다. 기존 자동 ICD 코딩 연구가 의사 중심 문서나 추가 자원에 의존하는 경우가 많았던 만큼, 본 연구는 간호 실무에 직접 연결될 수 있는 데이터 범위 안에서 의미 있는 분류 성능을 보여준다는 점에서 실용적 가치가 크다.

기여

연구진은 복부수술 환자 8,587명의 EMR을 통합 전처리하고, 두 개의 KM-BERT 출력값을 평균한 뒤 PCA와 XGBoost 메타 분류기를 결합한 스태킹 구조를 설계했다. 그 결과 제안 모델인 Double KM-BERT + XGBoost + PCA는 정확도 0.9245, 가중 정밀도 0.9107, 가중 F1-score 0.9157을 기록해 단일 KM-BERT 및 단순 앙상블 변형보다 가장 높은 성능을 보였고, 희소 클래스에서도 높은 재현율을 나타냈다.