SSA 최적화 SVM을 사용하는 긴급 생명 유지 의료 장비를 위한 정보 기반 품질 관리 시스템

요약

프로토콜은 응급 생명 유지 의료 장비용 간호 품질 관리 지수 시스템 생성을 설명하며, 추적 관찰을 위한 벡터 기계 모델을 결합합니다.

초록

현재 의료 기관들은 간호사가 기기와 장비를 관리할 수 있도록 정보 플랫폼을 활용하는 포괄적이고 신뢰할 수 있는 품질 관리 지표 시스템이 부족합니다. 이 문제를 해결하기 위해 관리 요구사항, 간호 운영 절차, 응급 생명 유지 의료 장비의 품질 기준을 바탕으로 간호 품질 관리 지수 시스템이 설계되었습니다. 이 인덱스 시스템은 향상된 지지 벡터 기계(SVM) 모델을 사용하여 장비의 정보 기반 모니터링을 용이하게 하며, 장비 및 장비의 불완전한 관리 및 비표준 사용을 개선하기 위한 지침을 제공하는 것을 목표로 합니다. 결과는 품질 관리 시스템의 정보 기반 모니터링 하에서 각 부서의 의료 지시사항 스캔 평균 실행율이 80%를 초과할 수 있음을 보여줍니다. 대부분의 부서에서 장비의 적시 유지보수율은 90%를 넘을 수 있으며, 일부 예외만이 있습니다. 이 응급 생명 유지 의료 장비의 품질 관리 시스템은 연구 목적으로 설계되어 다양한 부서의 장비 유지보수를 효과적으로 모니터링하고, 기구 및 장비의 표준화된 관리 및 사용을 달성하고 촉진할 수 있습니다.

서론

인공호흡기, 마취기, 제세동기 등과 같은 응급 생명 유지 의료 장비는 응급 의료 상황에서 환자의^{생명 징후}를 유지하거나 회복하는 데 중요한 역할을 합니다. 의료 기술의 급속한 발전으로 이러한 기기들은 중증 환자를 구하고 생체 신호를 유지하는 데 매우 중요해졌습니다. 이 장치들은 항상 완전한 기능과 사용성을 보장해야 하며, 환자의 생명이 위태로울 때 장비의 오작동이 발생하면 시기적절한 구조에 지장이 날 수 있습니다 ^2,3. 의료 장비의 정상적인 작동을 보장하는 데 있어 견고한 품질 관리 시스템이 필수적입니다. 효과적인 품질 관리 시스템을 구축하고 유지함으로써 의료 장비의 고장률을 낮추고, 장비 사용 품질을 보장하며, 의료 장비의 신뢰성과 수명을 향상시키고, 유지보수 비용을 ^4.5% 줄일 수 있습니다. 최근 증거는 정보 시스템을 통해 체계화된 유지보수 및 품질 관리 프로그램이 유지보수 활동의 추적성을 높이고, 예방 가능한 가동 중단을 줄이며, 병원 장비 관리의 임상 공학 의사결정을 강화한다는 점을 더욱 강조합니다 ^6,7. 더불어, 데이터 기반 및 인공지능 접근법에 대한 연구가 증가함에 따르면, 예측 모델이 병원 기기의 예방 유지보수 일정 및 조기 고장 위험 식별을 지원하여 신뢰성과 운영 준비도를 향상시킬 수 있습니다 ^8,9,10.

전통적인 지지 벡터 기계(SVM)는 패턴 인식과 머신러닝에 널리 적용되고 있습니다. 하지만 관련 매개변수와 커널 함수¹¹의 선택에 의해 성능이 제한됩니다. 이에 따라 메타휴리스틱 최적화는 특히 의료^{운영 데이터와} 관련된 비선형 및 고차원 조건에서 모델 매개변수를 조정하고 일반화를 개선하기 위해 머신러닝과 점점 더 통합되고 있습니다. 응급 생명 유지 의료 장비의 복잡성과 사용 환경의 특성으로 인해 현재 품질 관리에 대한 체계적인 연구가 부족합니다. 또한, 이전 연구들은 병원 유지 관리 관행과 품질 모니터링 워크플로우에 지속적인 이질성이 존재하여 부서 간 표준화와 시기적절한 시정 조치를 제한할 수 있음을 지적합니다¹³. 그러나 기존 연구들은 일반적으로 예측 유지 모델링이나 품질 관리 시스템을 독립적으로 검토했으며, 구조화된 병원 품질 지표, 퍼지 가중치 메커니즘, 메타휴리스틱 최적화 분류 모델을 통합한 통합 거버넌스 아키텍처는 거의 없었습니다. SVM과 참새 탐색 알고리즘(SSA)은 산업 예측 작업에 적용되었지만, 응급 생명 유지 의료 장비의 병원 품질 관리 워크플로우에 체계적으로 통합되는 것은 아직 충분히 탐구되지 않았습니다. 따라서 본 연구는 계산 최적화, 구조화된 지표 평가, 기관 품질 거버넌스를 단일 운영 프레임워크 내에 결합함으로써 차별화됩니다. 이러한 방법론적 분리는 실질적인 해석 가능성과 제도적 확장성을 제한합니다. 위의 고려사항을 바탕으로 본 연구는 다음 연구 질문들을 다루고자 합니다: (i) ISSA 최적화 SVM 모델이 비최적화 접근법에 비해 응급 생명 유지 의료 장비의 품질 관리 분류 예측 성능을 향상시킬 수 있는가? (ii) 구조화된 지표 가중치, 퍼지 평가, 메타휴리스틱 최적화의 통합이 병원 장비 품질 관리 시스템의 운영 효율성과 표준화를 향상시킬 수 있는가?

따라서 본 연구의 중심 연구 가설은 PDCA 기반 품질 관리 아키텍처에 ISSA 최적화 SVM 모델을 내장하는 것이 기존 품질 모니터링 방법에 비해 예측 정확도, 견고성, 운영 해석 가능성을 크게 향상시킬 것이라는 것입니다.

이를 위해 응급 생명 유지 의료 장비의 품질 관리 시스템을 최적화하기 위한 관련 알고리즘이 연구되고 있습니다. SVM의 역량을 더욱 강화하기 위해 Sparrow Search Algorithm(SSA)에 기반한 개선된 SVM 모델이 제안되었습니다. SVM의 관련 매개변수 최적화는 모델의 일반화 능력을 향상시켜 비선형 및 고차원 데이터 처리에 더 견고해지고, 품질 관리 시스템에서의 실용적 성능을 향상시킵니다.

따라서 본 연구의 구체적인 목표는 다음과 같습니다: (i) 응급 생명 유지 의료 장비에 대한 계층적 품질 관리 지표 시스템 구축; (ii) 참새 탐색 알고리즘을 사용하여 SVM 분류 모델을 개발 및 최적화하는 것; (iii) PDCA 기반 병원 품질 관리 시스템에 최적화된 예측 모델을 내장하여 운영 타당성과 성능을 평가하는 것.

이 연구의 주요 혁신은 SVM 모델의 핵심 매개변수를 최적화하기 위해 SSA를 도입하여 모델의 데이터 처리 능력과 일반화 성능을 향상시킨 데 있습니다. 이 모델은 이후 응급 생명 유지 의료 장비의 품질 관리를 위한 정보 기반 모니터링에 적용되었습니다. 실질적인 구현 관점에서 제안된 프레임워크는 정기적으로 이용 가능한 병원 정보 출처(예: 장비 유지보수 기록, 점검/사용 기록, 바코드 및 개인 디지털 비서(PDA) 관련 운영 데이터를 활용하여 추가적인 전문 센서 인프라 없이도 실현 가능성을 지원할 수 있습니다. 따라서 본 연구는 PDCA 기반 병원 품질 관리 아키텍처 내에서 구조화된 지표 가중치, 퍼지 평가, ISSA 최적화된 SVM 모델링을 결합한 방법론적으로 통합된 프레임워크를 제안하고 실증적으로 검증함으로써 기여합니다.

프로토콜

연구 프로토콜은 중국 장쑤성 리양 인민병원 윤리위원회에 윤리 심사를 위해 제출되었습니다(프로젝트 승인 번호). JDYY2023158, 프로토콜 버전 1.0, 2023년 2월 9일자). 이 연구는 병원의 컴퓨터화된 유지보수 관리 시스템(CMMS)에서 얻은 식별 해제된 병원 장비 관리 및 유지보수 기록을 활용했습니다. 데이터셋에는 환자 수준의 임상 데이터, 개인 식별자, 생물학적 샘플이 포함되어 있지 않았습니다. 연구는 인간 참여자 없이 기관 장비 관리 데이터를 포함했기 때문에, 기관 연구 거버넌스 지침과 우수 임상 관행(GCP) 요건에 따라 사전 동의가 요구되지 않았습니다. 모델 개발, 최적화, 검증 및 재현성을 지원하는 모든 데이터셋—지표 정의, SSA 최적화 로그, 매개변수 구성, 예측 출력 포함—는 보충 파일 1에 제공됩니다.

응급 생명 유지 의료 장비를 위한 품질 관리 시스템 구축
응급 생명 유지 의료 장비의 품질 관리 시스템 개발은 여러 당사자의 참여를 필요로 합니다. 품질 관리 시스템의 무결성과 효과성은 여러 부서와 인력 간의 소통과 협상을 통해 반복적으로 입증되며, 포괄적이고 과학적인 품질 관리 시스템이 구축^{되었습니다.} 연구는 품질 관리 및 기타 관리 분야에서 널리 사용되는 데밍링 방법을 채택하여 지표를 선택하고 품질 관리를 위한 관련 시스템을 구축하였습니다. 이 접근법은 네 단계의 순환적 반복을 통해 지속적인 개선과 학습을 달성합니다. 데밍링 이론에 기반한 응급 생명 유지 의료 장비의 품질 관리 시스템은 그림 1에 제시되어 있습니다.

품질 관리 프레임워크의 재현성을 보장하기 위해 PDCA 사이클은 구조화된 구현 절차를 통해 운영되었습니다. 계획 단계에서 장비 범위는 참여 부서 전반에 걸쳐 인공호흡기, 마취기, 제세동기 등 응급 생명 유지 의료 장비를 포함하도록 정의되었습니다. 병원의 컴퓨터화된 유지보수 관리 시스템(CMMS)¹⁶을 사용하여 디지털 장비 재고가 구축되었고, 각 장비에는 추적 가능성을 보장하기 위해 고유한 식별 번호가 부여되었습니다. 장비 유형, 제조사 또는 모델, 부서 위치, 획득일, 위험 분류, 검사 간격, 완전한 유지보수 이력 등 필수 속성이 CMMS에 기록되었습니다(상세 장비 수준 데이터셋 구조는 보충 파일 1 참조). 각 평가 지표에 대해 운영 정의가 수립되었습니다. 예를 들어, 유지보수 시기는 예정된 유지보수일로부터 미리 정해진 일수 내에 완료된 것으로 정의되었고, 검사 준수는 완료된 검사 수에 필요한 검사 횟수를 100%로 나눈 값으로 계산되었습니다. 책임은 임상 공학 인력, 장비 사용자, 부서 감독자에게 명확히 할당되었으며, 정기 보고 간격은 월별 및 분기별로 정의되었습니다.

구현 단계:
구현 단계에서 CMMS에서 구조화된 기록이 추출되었으며, 여기에는 예방 유지보수 작업 지시서, 검사 기록, 수정 유지보수 보고서, 장비 다운타임 기록이 포함됩니다. 이 데이터는 바코드 또는 장비 식별자와 타임스탬프 매칭을 사용하여 생성된 운영 로그와 통합되어 데이터 일관성을 보장했습니다. 예방 유지보수 및 점검 활동은 기관 표준 운영 절차(SOP)에 따라 수행되었으며, 모든 완료 시간, 발견 사항, 시정 조치 및 검증 결과가 CMMS에 문서화되었습니다.

검사 단계:
검사 단계에서는 정확성과 신뢰성을 보장하기 위해 데이터 검증 및 품질 보증 절차가 수행되었습니다. 중복 기록은 제거되었고, 누락된 값은 평가되었으며, 부서별 데이터셋 간 장비 식별자를 조정했습니다. 필수 식별자나 타임스탬프 정보가 없는 기록은 이후 분석에서 제외되었습니다. 지표 값은 부서별 및 장비 카테고리 수준에서 계산되었고, 요약 품질 관리 보고서가 생성되었습니다. 평가 기준은 다음과 같이 미리 정의되었습니다: 90% 준수≥ 우수, 80–89%가 수용 가능, 70–79%가 '개선 필요', <70%가 불좋음으로 분류되었습니다. 이 기준은 표준화된 성과 등급을 보장하기 위해 부서 간 일관되게 적용되었습니다. 무작위 일부 기록이 원본 시스템 로그와 교차 검증되어 데이터 무결성을 확인했습니다.

행동 단계:
행동 단계에서는 성과 결과를 검토하여 결함과 개선 기회를 식별했습니다. 최적이 아닌 성과를 나타내는 지표에 대해서는 워크플로우 지연, 인력 부족, 공급망 중단, 문서 공백 등 근본 원인을 체계적으로 분석했습니다. 유지 간격, 임계값 조정, 감독 메커니즘 등 시정 조치가 수립되었습니다. 이러한 수정은 지속적인 품질 개선을 지원하기 위해 후속 PDCA 주기에서 시행^{되었습니다.}

계획 단계:
기획 단계에서는 장비 품질 관리 시스템을 사용한 후 달성해야 할 목표를 명확히 하기 위한 연구가 수행되었으며; 동시에 다음 단계 작업 계획도 수립되었다. 실행 단계에서는 이전 단계의 응급 생명 유지 의료 장비 품질 관리 시스템을 기반으로 조직 관리 시스템, 장비 사용 공정 관리 시스템, 장비 보증 품질 관리 시스템 구축 연구가 수행되었으며, 관련 평가 지표가 결정되었습니다¹⁸. 검사 단계의 연구는 이전 단계의 관련 평가 지표를 사용하여 의료 기관의 품질 관리 수준을 평가하고 점수를 매겼습니다. 처리 단계에서 이전 단계의 평가 결과가 요약되고, 품질 관리 시스템의 문제를 분석했으며, 다음 사이클에서 발견된 문제를 해결하기 위한 개선이 이루어졌습니다. 위 방법을 바탕으로 그림 2에 나타난 응급 생명 유지 의료 장비의 품질 관리를 위한 공정 모델이 구축되었습니다.

이 모델(그림 2)에서는 장비 유형과 품질 관리 수준이 관련 의료 기관의 요구사항에 따라 결정되었습니다. 그 후 장비의 품질 관리 수준을 평가하는 평가 시스템이 구축되었습니다. 평가 결과를 바탕으로 장비 품질 관리 시스템이 최적화되고 개선되었습니다. 이 과정에서 의료 장비 사용을 표준화하고 장비가 지속적으로 효과적인 상태를 유지하도록 보장하는 관련 시스템이 과학적으로 구축되었습니다. 의료 기관은 정기적으로 품질 관리 보고서를 작성하고, 데이터 분석을 수행하며, 관련 콘텐츠의 성과 평가를 통해 품질 관리 시스템을 더욱 최적화해야 합니다. 앞서 언급한 순환을 통해 응급 생명 유지 의료 장비의 품질 관리 시스템을 점진적으로 개선할 수 있습니다. 응급 생명 유지 의료 장비의 고위험, 높은 규제 요구사항, 다기능성 및 복잡성에 대응하여, 본 연구는 응급 생명 유지 의료 장비의 품질 관리 시스템을 조직 관리 시스템, 장비 사용 시스템, 장비 보증 품질 관리 시스템 등 세 부분으로 분류했습니다¹⁹. 임상 공학 및 병원 장비 관리 분야의 12명의 전문가 패널이 가중치 평가 과정에 참여했습니다(전문가 가중치 행렬 및 퍼지 평가 입력은 보조 파일 1 참조). 각 전문가는 독립적으로 5점 리커트 척도(1 = 매우 낮은 중요도, 5 = 매우 높은 중요도)를 사용하여 세 하위 시스템을 평가했습니다. 수집된 점수는 집계되어 삼각형 퍼지 수로 변환되어 이후 가중치 분석에 사용되었습니다. 각 하위 시스템의 가중치 점수는 식(1)을 사용하여 계산되었습니다.

(1)

여기서 는 각 하위 시스템의 가중 평균 가중 점수를 나타내며, M 은 전문가 수, i 는 각 하위 시스템의 계수입니다. 위 계산 결과를 얻은 후, 각 하위 시스템의 가중치 점수를 얻기 위해 정확한 값으로 변환했습니다. 변환은 식(2)에 언급되어 있습니다.

(2)

여기서 W_i는 각 하위 시스템의 가중치 점수, l은 지표의 가장 낮은 점수, m은 지표의 가장 가능성 높은 점수, u는 지표의 최고 점수를 나타냅니다. 실용적인 계산에서는 삼각형 퍼지 수들이 (l, m, u)로 표현되었으며, 이는 각각 가장 낮은 점수, 가장 가능성이 높은 점수, 그리고 가장 높은 전문가 점수에 해당합니다. 디퍼지화는 (l + m + u) / 3으로 정의된 중심 방식을 사용하여 퍼지 가중치를 명확한 값으로 변환하여 후속 정량 분석에 활용했습니다. 연구를 통해 확립된 장비 품질 관리 지표에 대한 3단계 평가 시스템은 그림 3에 제시되어 있으며 (상세 지표 정의, 평가 기준 및 모호한 멤버십 기능은 보충 파일 1에 제공됨).

각 지표의 소속 함수는 식(3)에 언급되어 있다.

(3)

여기서 μ(x)는 각 지표 점수의 소속 함수를, x 는 각 지표의 점수를 나타냅니다. 회원 점수는 각 지표 점수에 대해 프로그램적으로 계산되어 최종 점수 산정 전에 미리 정의된 품질 범주에 속하는 정도를 결정하는 데 사용되었습니다.

Sparrow 탐색 알고리즘을 기반으로 한 향상된 지지 벡터 기계 모델
SVM 모델과 계산 환경
SVM은 주로 분류 및 예측 분석에 머신러닝에 널리 적용되는 알고리즘입니다. 모든 계산 실험은 Anaconda 환경 내에서 Python 3.9를 사용하여 수행되었습니다. 지원 벡터 머신(SVM) 분류기는 scikit-learn 라이브러리(버전 1.2.2)를 사용하여 구현되었습니다. 수치 계산과 데이터 조작은 NumPy(버전 1.23)와 Pandas(버전 1.5)를 사용해 수행되었습니다. 실험은 인텔 i7 프로세서와 16GB RAM이 장착된 워크스테이션에서 수행되었습니다. SPSS 25.0은 모델 출력의 통계적 비교 및 기술적 분석에 사용되었습니다. SVM 모델은 응급 생명 유지 의료 장비의 과거 품질 관리 데이터를 분석하고, 응급 생명 유지 의료 장비의 품질을 정확히 예측하며, 해당 장비의 품질을 통제하는 데 적용되었습니다²⁰.

SSA 기반 최적화의 동기
로지스틱 회귀, 결정 트리, 최적화되지 않은 SVM 모델과 같은 단순한 분류 방법이 예측 유지보수 연구에 흔히 적용되지만, 본 연구의 예비 비교 분석에서는 비선형 및 고차원 지표 조건에서 일반화 안정성이 감소하는 것으로 나타났습니다. 응급 생명 유지 의료 장비 품질 지표는 다중공선성, 비선형 상호작용, 부서 간 이질적 분포를 보입니다. 따라서 기존의 그리드 탐색 또는 기본 매개변수 접근법과 비교했을 때 하이퍼파라미터 튜닝의 견고성을 높이고 분류 경계 안정성을 높이기 위해 메타휴리스틱 최적화된 SVM 프레임워크가 채택되었습니다.

하드 마진과 소프트 마진 SVM 공식화
SVM은 서로 다른 데이터 범주 간의 간극을 극대화하는 초평면을 발견하는 데 적용됩니다. 선형 분리 데이터의 경우, SVM은 두 클래스 간 마진을 최대화하는 최적의 초평면을 찾습니다. 선형 분리 가능한 데이터의 경우, SVM의 목표는 모델 복잡도를 최소화하면서도 모든 학습 샘플이 올바르게 분류될 수 있도록 하는 것입니다. 이는 식(5)²¹에 나타난 바와 같습니다.

최소 (1/2) ||w||²

이제: y_i (w^T x_i + b) ≥ 1, i = 1, 2, ..., n (5)

식(5)에서 w 는 초평면 법선 벡터, b 는 바이어스 항, y_i 는 샘플 i 의 클래스 라벨, x_i 는 샘플 i 의 특징 벡터입니다. 실제 상황에서는 데이터가 종종 비선형적으로 분리 가능합니다. 슬랙 변수를 도입함으로써 소프트 마진 SVM은 일부 샘플이 구간 규칙을 위반할 수 있게 합니다; 소프트 마진 SVM의 최적화 문제는 식(6)²²에 나타난다.

(6)

식(6)에서 C 는 페널티 매개변수이고 느슨 변수이다.

커널 함수와 결정 함수
SVM은 커널 함수를 사용하여 비선형 분리 데이터를 고차원 공간에 매핑합니다. 일반적인 핵 함수로는 선형 핵, 다항식 핵, 가우시안 반사형 기저 핵이 있다. 이 중 가우시안 방사형 기저 커널은 강한 비선형 매핑 능력을 가지고 있어 복잡한 비선형 문제에 적합합니다. 또한 매개변수를 조정하여 결정 경계의 폭을 제어할 수 있는데, 이는 식(7)²³에 나타난 것입니다.

(7)

식(7)에서 γ 는 결정 경계 조정 매개변수이다. 다중 커널 SVM은 서로 다른 커널 기능을 결합하여 분류 성능을 향상시킬 수 있습니다. SVM 최적화 문제의 해법은 주로 라그랑주 곱셈법과 쌍대 문제 해결에 의존합니다; 최종 분류 결정 함수는 식(8)에 제시되어 있습니다.

(8)

식(8)에서 _{α i}는 라그랑주 승수입니다. SVM은 실용적으로 다양한 매개변수를 포함하며, 매개변수 설정이 합리적이지 않으면 SVM의 분류 및 예측 성능이 저하될 수 있습니다.

SSA 기반 하이퍼파라미터 최적화
SVM 성능을 향상시키기 위해 SSA가 하이퍼파라미터 최적화에 사용되었습니다. 본 연구에서 SSA는 제어 매개변수가 적고, 경쟁력 있는 수렴 속도를 보여주며, 비선형 및 고차원 품질 관리 데이터셋에 유리한 강력한 전역 탐색 능력을 제공하기 때문에 유전 알고리즘(GA)과 입자 군집 최적화(PSO))과 같은 다른 일반적으로 사용되는 메타휴리스틱 최적화 기법보다 선택되었습니다. 또한, SSA의 발견자-팔로워-경고 메커니즘은 탐색과 활용의 균형을 높여, 복잡한 적합도 지형에서 조기 수렴할 수 있는 방법에 비해 하이퍼파라미터 튜닝 중 국소 최적을 벗어날 확률을 높입니다. GA와 PSO와 비교했을 때, SSA는 초기 반복에서 탐색 능력이 더 강해지고, 후기 단계에서 수렴 안정성이 향상되어, 비선형 관계와 다중공선성을 포함하는 이기종 병원 장비 데이터셋에서 SVM 하이퍼파라미터 최적화에 유익합니다.

구체적으로, SSA는 페널티 매개변수(C)와 커널 관련 매개변수(예: 방사형 기저 함수(RBF) 커널에 대한 γ)를 포함한 주요 SVM 하이퍼파라미터를 최적화하는 데 사용되었습니다. 이 연구에서 SSA는 개체 수가 30마리이고 최대 반복 횟수는 100명으로 구성되었습니다. 발견자, 팔로워, 경보자 비율은 각각 약 20%, 60%, 20%로 설정되었습니다. 수렴 허용 임계값은 1× 10⁻⁶으로 정의되었습니다. SVM 하이퍼파라미터에 대한 탐색 범위는 페널티 매개변수(C)와 커널 매개변수(γ)가 [10^⁻3, 10³] 내에서 경계되는 로그 척도로 정의되었습니다. 각 참새 개체는 후보 해 벡터 [C, γ]를 인코딩했으며, 베르누이 혼돈 매핑을 사용해 다양성을 높이고 조기 수렴 확률을 줄이기 위해 집단을 미리 정의된 범위 내에서 초기화했습니다. 다중 커널 전략이 채택되었을 때, 커널 가중치 계수는 결정 변수로도 취급되었다. SSA 적합도 함수는 검증 집합의 분류 오차(또는 동등하게 1 − 정확도)로 정의되었으며, 이를 통해 개선된 일반화 성능을 직접적으로 목표로 했습니다(최적화 과정, 반복 로그, 매개변수 구성은 보충 파일 1에 제공됨). 매개변수 탐색 범위(경계)는 실현 가능하고 안정적인 해를 보장하기 위해 미리 정의되었으며(예: C ∈ [10⁻³, 10³], γ ∈ [10⁻³, 10³]), 상세한 탐색 공간은 보충 파일 1에 요약되어 있습니다. 최종 매개변수 집합은 SSA가 종료 기준(최대 반복 또는 수렴 허용 범위) 하에서 반환한 전역 최적 해로 선택되었습니다. 재현성을 보장하기 위해 중간 최적화 체크포인트가 정의되었습니다. 수렴은 연속 반복 중 검증 적합도 값 변화가 1 × 10⁻⁶ 미만이거나 최대 반복 횟수(100)에 도달했을 때 달성된 것으로 간주되었습니다. 검증 정확도≥ 80%는 최적화 과정에서 허용 가능한 것으로 간주되었습니다. 최적화 과정의 추적성을 보장하기 위해 각 반복마다 전역 최적 적합도값과 해당 매개변수 벡터 [C, γ]가 기록되었습니다.

SSA 알고리즘과 위치 업데이트 메커니즘
SSA는 참새가 먹이를 찾는 행동을 시뮬레이션하는 집단 기반 지능형 최적화 알고리즘으로, 발견자, 추적자, 경계의 세 가지 역할을 포함합니다. SSA 실행 중에는 참새 개체군을 설정하고, 위치와 속도를 초기화하며, 개체군 내 각 참새의 적합도 점수를 계산하는 것이 중요합니다. 이 과정에서 발견자는 식(9)²⁴에 언급된 것처럼 위치를 지속적으로 업데이트해야 합니다.

(9)

식(9) 에서 는 초기 집단에서 참새의 위치이며, β는 단계 크기, φ는 감쇠 인수, T_max는 최대 반복 횟수, N(0,1)은 표준 정규분포 난수입니다. 추종자의 위치도 발견자의 위치와 함께 변했다; 팔로워 위치를 업데이트하는 공식은 식(10)에 나와 있습니다.

(10)

식(10) 에서 는 현재 발견자의 최적 위치이며 λ 는 학습 인자이다. 경보 위치도 이에 따라 변경되었으며; 위치를 갱신하는 공식은 식(11)에 나와 있다.

(11)

식(11 )에서 는 또 다른 무작위로 선택된 참새의 위치이고, δ 는 경고의 업데이트 단계 크기입니다. 이 과정에서 최대 반복 횟수가 달성되거나 조건이 충족되면 반복을 중단할 수 있습니다. SSA는 모집단을 설정하고 초기화할 때 무작위 생성 방식을 사용합니다. 하지만 참새 개체를 생성할 때 이 방법은 대다수 개체가 같은 지역에서 생성되어 개체 수가 매우 불균등하게 분포될 수 있습니다. 이 탐색 과정은 국소 최적(local poptima)에 해당할 수 있습니다. 이 문제에 대응하여, 연구는 참새 개체군의 초기화 생성 메커니즘으로 베르누이 매핑과 역학습 메커니즘을 채택할 것을 제안합니다. 베르누이 사상은 수학적 혼돈 사상으로, 구간 [0,1] 위의 이산 시간 동역학 시스템으로 정의되며, 그 반복 규칙은 식(12)에 나타난다.

a_n+1 = {a_n / (1 − a_n), 0 ≤_{a n} < 1/2

(a_n − 1) / a_n, 즉 1/2 ≤_{a n} ≤ 1 } (12)

식(12)에서 n 은 혼돈 반복 횟수이고 a_n 은 베르누이 사상 값이다. SSA가 후기 단계로 진행되면 개체군 다양성이 급격히 감소하여 알고리즘이 국소 최적(local puckima)에 도달하게 됩니다. 따라서 연구는 알고리즘이 이 한계를 해결하도록 유도하기 위해 혼합 섭동 메커니즘을 도입할 것을 제안합니다. 연구를 위해 설계된 혼합 교란 메커니즘은 두 가지 기법에 기반합니다: 반딧불이 알고리즘과 그림 4에 나타난 가우시안 돌연변이입니다.

SSA를 각 반복한 후, 혼합 교란 메커니즘을 적용하여 참새 개체군의 정체를 감지하는데, 이는 그림 4에 나타난 것입니다. 정체가 발생하면 반딧불이 알고리즘이 참새 개체수를 교란시킵니다. 참새 개체군의 반딧불이 교란하려면 반딧불이가 참새에게 얼마나 끌리는지를 추정해야 하며, 이는 식(13)에 나타난 바와 같다.

(13)

식(13)에서 β₀은 개체의 초기 매력도, θ 는 빛 강도 흡수 계수, r 은 두 개체 간 거리입니다. 반딧불이의 위치는 개별 매력도에 따라 업데이트되며, 이는 식(14)에서 나타난다.

(14)

식(14)에서 는 t회 반복에서 i개의 반딧불이 위치이며, _{b가 최적}은 반딧불이의 현재 최적 위치, ε는 무작위 스텝 크기 매개변수, e는 정규분포에서 추출한 무작위 벡터입니다. 참새 개체 수가 정체되지 않으면, 식(15)에 나타난 대로 현재 최적 참새 개체에 대해 가우시안 돌연변이를 수행합니다.

(15)

식(15)에서 σ는 표준편차입니다. 참새 개체군 처리 후, 새로운 직책의 수용 여부는 탐욕의 원칙에 따라 결정된다. 새 위치의 적합도가 현재 위치보다 좋으면 새 위치가 받아들여지고; 그렇지 않으면 원래 위치가 유지됩니다.

그림 5에서 보듯, 개선된 참새 탐색 알고리즘(ISSA)의 작동 과정은 주로 참새 개체군 초기화, 개별 참새의 적합도 값을 계산하고, 적합도 값에 따라 발견자, 추종자, 경고를 나누고, 개선된 위치 업데이트 공식을 통해 이 세 참새 범주의 위치를 반복적으로 업데이트하는 것을 포함합니다. 반딧불이 알고리즘과 가우시안 돌연변이를 기반으로 한 혼합 섭동 메커니즘이 도입되어 알고리즘의 전역 탐색 능력을 강화하였습니다. 한편, 알고리즘의 수렴 속도와 정밀도를 더욱 향상시키기 위해 엘리트 역학습 기법이 사용되었습니다. 마지막으로, 위 과정을 멈추는 기준이 충족될 때까지 반복되어 최선의 해가 도출되었다.

데이터 처리 및 모델 학습
데이터셋은 계층화된 샘플링을 사용해 70% 학습 데이터, 15% 검증 데이터, 15% 독립 테스트 데이터로 나누어 클래스 균형을 유지하였으며(교차 검증 및 데이터 분할 구조는 보충 파일 1에 자세히 설명됨). 특징 확장은 훈련 데이터셋에만 적용된 최소-최대 정규화를 사용하여 수행되었으며, 학습된 확장 매개변수는 데이터 누출을 방지하기 위해 검증 및 테스트 데이터셋에 적용되었습니다. 커널 주성분 분석(KPCA)²⁵ 는 γ = 0.1인 RBF 커널을 사용해 차원 감소를 위해 훈련 데이터셋에 적용되었고, 95% 누적 분산을 보존하도록 설정된 보존 성분 수를 사용했습니다. KPCA 변환 행렬은 훈련 데이터셋에만 독점적으로 적합되었으며, 이후 데이터 누출을 방지하기 위해 검증 및 테스트 세트에 변경 없이 적용되었습니다. 연속 변수는 (x − xmin) / (xmax − xmin)로 정의된 min–max 스케일링을 사용하여 정규화되었으며, 여기서 xmin과 xmax는 훈련 데이터셋에서만 계산되었습니다. SSA는 검증 데이터셋에서 계산된 분류 오류율(1 − 정확도)을 최소화하여 SVM 하이퍼파라미터를 최적화했습니다. 최적 매개변수 조합을 확인한 후, 최종 SVM 모델은 훈련 및 검증 데이터셋을 결합해 재학습하고 독립 테스트 데이터셋에서 평가했습니다.

ISSA로 강화된 SVM 모델은 응급 생명 유지 의료 장비의 품질 관리 테스트를 위한 데이터 전처리와 기능 선택에서 시작합니다. 방법론적 투명성과 재현성을 높이기 위해 데이터 전처리 및 모델 학습 워크플로우는 다음과 같이 구조화되었습니다. 장비 수준 기록은 CMMS에서 내보내졌으며, 유지보수 로그, 검사 결과, 작업 지시 상태 등이 포함됩니다(원시 장비 및 유지보수 이벤트 데이터셋은 보충 파일 1 참조). 이 기록들은 바코드 또는 휴대용 기기 스캐닝 로그와 장비 식별자와 타임스탬프 정보를 사용해 정확한 연계를 보장했습니다.

모델링 전에 데이터 정제 절차가 수행되었습니다. 중복된 항목은 제거되었고, 필수 식별자나 타임스탬프가 누락된 기록은 제외되었습니다. 누락이 제한적인 수치 변수에는 중앙값 보정이 적용되었고, 누락값이 과도한 변수는 분석에서 제외하였다. 부서 및 장비 유형과 같은 범주별 변수는 원핫 인코딩으로 인코딩되었고, 연속 변수들은 최소-최대 스케일링으로 정규화되어 SVM 알고리즘과의 호환성을 보장했습니다.

SSA 또는 ISSA를 사용하여 최적 페널티 매개변수(C)와 반경 기저 함수 커널 매개변수(γ)를 식별하기 위해 하이퍼파라미터 최적화가 수행되었습니다. 적합도 함수는 검증 데이터셋에서의 분류 오류율로 정의되었습니다. 최적 매개변수 집합을 확인한 후, 최종 SVM 모델은 훈련 및 검증 데이터를 결합하여 재학습한 후 독립 테스트 데이터셋에서 평가되었습니다. 방법론적 근거를 위해, 최적화된 ISSA-SVM 모델은 (i) 기본 매개변수를 가진 표준 SVM, (ii) 격자 탐색 최적화 SVM, (iii) 로지스틱 회귀 분류기를 포함한 기저선 모델과 정량적으로 비교되었습니다. 공정성을 보장하기 위해 동일한 훈련-검증-테스트 분할을 사용하여 비교 평가가 수행되었습니다. 정확도, 정확성, 회상력, F1 점수의 차이를 기준으로 수행 개선을 평가하였습니다.

제안된 프레임워크는 디지털 장비 관리 시스템이 갖춰진 2차 및 3차 병원에서 구현하도록 설계되었으며, 추가 센서 인프라 없이 구조화된 유지보수 및 검사 기록만을 요구했습니다.

본 연구에서 데이터셋은 응급 생명 유지 의료 장비와 관련된 병원 품질 검사 및 유지보수 관리 기록에서 도출되었습니다. 장비 상태, 검사 준수, 바코드/PDA 스캔 성능, 유지보수 시기와 관련된 구조화된 수치 및 범주 지표만이 모델 입력으로 사용되었습니다. 데이터 전처리 절차에는 연속 변수의 정규화와 범주 변수의 인코딩이 포함되었으며, 이는 머신러닝 프레임워크와의 호환성을 보장하기 위한 것이었습니다. 제안된 시스템은 구축된 디지털 장비 관리 플랫폼을 갖춘 2차 및 3차 병원에서 구현하도록 설계되었으며, 기존 병원 정보 시스템 외에 추가 하드웨어가 필요하지 않습니다.

모델 평가 및 검증
모델 성능은 정확성, 정밀도, 회상력, F1 점수, 혼동 행렬 분석을 통해 정량적으로 평가되었습니다. 또한, 수신기 작동 특성(ROC) 곡선과 곡선 아래 면적(AUC) 값도 계산하여 분류 구별 능력을 평가하였습니다. 통계적 견고성을 평가하기 위해 훈련 데이터셋에 대해 5배 교차 검증이 실시되었고, 성과 지표의 평균 ± 표준편차가 보고되었습니다(접힘 간 상세 성과 지표는 보충 파일 1에 제공됨). ISSA-SVM과 기저선 모델 간의 성능 차이는 쌍 t-검정을 사용하여 p< 0.05로 설정하여 검증하였다. 모든 평가 지표는 독립 테스트 데이터셋을 사용하여 편향되지 않은 성능 추정을 보장하였습니다. 따라서 ISSA-SVM 프레임워크의 선택은 비선형 지표 관계를 다루고, 하이퍼파라미터 최적화 중 조기 수렴을 방지하며, 이기종 병원 장비 데이터셋 하에서 일반화 안정성을 높이기 위한 방법론적 동기에서 비롯되었습니다. 독립 테스트 데이터셋에 대한 최종 모델 평가와 구조화된 품질 관리 성능 보고서 생성 후 프로토콜은 완성된 것으로 간주되었습니다.

결과

1분기 정보 특별 그룹의 품질 검사 결과
연구에서 구축된 응급 생명 유지 의료 장비 품질 관리 시스템의 실질적 활용 효과가 확인되었고, 품질 관리 시스템의 실제 적용 효과가 리양 인민병원 실험 구역에서 검증되었습니다. 1분기에는 28개 간호 부서가 품질 평가를 받았으며, 검사 주제는 간호 정보에 대한 전문 간호 품질 감독 요약이었습니다. 점검에는 개인 디지털 비서(PDA)의 스캔 상태 조사와 응급 생명 유지 의료 장비의 유지 상태 점검이 포함되었습니다. PDA 스캔 상태 조사는 감독 과제 중 여러 부서에 입원한 모든 환자에 대한 PDA 스캔(주입, 약물, 검사, 주사, 혈액 채취) 수행 여부를 현장 점검하는 것이었습니다. 1분기 품질 검사에서 확인된 문제들은 표 1에 제시되어 있습니다. 시스템 성능 및 예측 출력을 지원하는 추가 구조화 데이터셋은 보충 파일 1에 제공됩니다....

토론

지원 벡터 머신 모델은 산업 및 의료 분야에서 예측 평가와 이상 탐지에 널리 적용되어 왔습니다. 의료 기술 관리 맥락에서 머신러닝은 제세동기, 인공호흡기 같은 고위도 응급 장비를 포함하여 의료 기기 신뢰성 예측 및 유지보수 의사 결정 지원에도 점점 더 많이 적용되고 있습니다. 이는 장비 준비 상태를 높이고 예기치 않은 가동 중단 시간을 줄이기 위한 것입니다^26,27. SVM 분류기는 복잡한 데이터 분포 하에서 일반화와 성능을 향상시키기 위해 설계된 하이브리드 및 최적화 강화 변형 등 의료 진단 및 예측 분석 응용 분야에서 효과적인 방법으로도 포괄적으로 검토되었습니다²⁸. 이전에 보고된 최적화 기반 SVM 접근법과 비교하여, 현재의 ISSA-SVM 프레임워크는 혼돈 초기화, 역학습, 혼합 섭동 메커니즘을 통합하여 탐사-활용의...

재료

이 논문에 사용된 재료 목록

이름	회사	카탈로그 번호	댓글
마취 기계	SZEMENTMD 메디컬 테크놀로지 주식회사	A5 마취 작업대 (B0DS4BFXZ7)	응급 수술 중 마취를 투여하고 모니터링하는 데 사용되는 장비
계산 워크스테이션	인텔 코퍼레이션	인텔 코어 i7-10700 CPU, 16GB RAM	머신러닝 모델 훈련 및 평가에 사용되는 하드웨어 플랫폼
제세동기	제네릭 의료기기 제조업체	LIFEPAK 15 모니터/제세동기 (B0DZTRH229)	생명을 위협하는 부정맥에 사용되는 응급 심장 소생 장비
데밍 링(PDCA) 방법	해당되지 않음	PDCA 품질 관리 사이클	병원 장비 관리를 위한 지속적인 품질 개선 프레임워크
커널 주성분 분석 모듈	scikit-learn 개발자들	RBF 커널 구현	SVM 분류 이전에 차원 감소에 사용됨
의료 유지 모니터링 시스템(CMMS)	다웨이 헬스케어 정보기술	병원 장비 관리 시스템 v3.2 (B0D4YDKLPJ)	장비 유지보수 기록, 점검 기록, 운영 모니터링 데이터 수집에 사용됩니다
NumPy 수치 컴퓨팅 라이브러리	넘피 개발자들	버전 1.23	수치 배열 연산과 과학 계산
판다스 데이터 처리 라이브러리	판다스 개발팀	버전 1.5	데이터 전처리, 데이터셋 통합 및 구조화된 데이터 관리
파이썬 프로그래밍 환경	파이썬 소프트웨어 재단	파이썬 3.9	머신러닝 모델 개발에 사용되는 핵심 프로그래밍 환경
Scikit-Learn 머신러닝 라이브러리	scikit-learn 개발자들	버전 1.2.2	지지 벡터 기계(SVM) 분류기의 구현
스패로우 탐색 알고리즘 최적화 모듈	맞춤형 파이썬 구현	ISSA-SVM 최적화 프레임워크 v1.0	SVM 하이퍼파라미터 최적화에 사용되는 메타휴리스틱 알고리즘
SPSS 통계 분석 소프트웨어	IBM 코퍼레이션	SPSS 통계 버전 25.0	통계 분석 및 모델 출력의 기술적 평가에 사용됩니다
환풍기	XNPINDA 의료기기 주식회사	ICU 인공호흡기 시리즈 V860 (B0DR8X724D)	중증 환자의 보조 인공호흡을 위해 사용되는 응급 생명 유지 의료 장비