A Context-Aware Machine Learning Framework for Energy Anomaly Detection and Explainability in Hospital Equipment

병원은 지구상에서 가장 에너지를 많이 소비하는 건물 중 하나로, 일반적인 사무용 빌딩보다 제곱미터당 3~5배 더 많은 전력을 소비합니다. 이는 단순히 조명이나 에어컨에 관한 문제가 아닙니다. 결코 잠들지 않는 생명 유지 필수 장비들에 관한 문제입니다. CT 스캐너, MRI 장치, 인공호흡기 뱅크는 계속해서 가동되며, 이들의 에너지 사용량은 일정하고 예측 가능해야 합니다. 그러나 이러한 기계들에 결함이 발생하면, 완전히 고장 나기 전에 종종 미세한 전기적 신호를 보냅니다. 이러한 신호를 조기에 포착하면 장비의 고장을 방면하고 비용을 절감하며, 무엇보다 환자의 안전을 지킬 수 있습니다. 시설 엔지니어들의 과제는 항상 실제 경고와 정상적인 변동 사이를 구별하는 것이었습니다. 전력 급증이 컴프레서의 고장을 의미할 수도 있지만, 단순히 영상의학과에 오전 환자가 몰려 바쁜 상황을 의미할 수도 있기 때문입니다. 고정된 규칙에 의존하는 전통적인 시스템은 종서 이를 잘못 판단하여, 정상적인 이벤트에 알람을 울리거나 '안전' 범위 내에서 발생하는 느리고 위험한 변화를 놓치곤 합니다. 이러한 지속적인 소음은 엔지니어가 결국 경고를 무시하게 만드는 '알람 피로(alert fatigue)'로 이어집니다.

연구진은 컴퓨터가 모니터링 중인 에너지의 맥락(context)을 이해하도록 학습시킴으로써 이 문제를 해결할 수 있는 새로운 방법을 개발했습니다. 이 시스템은 전력 수치를 독립적으로 보는 대신, 특정 상황을 고려합니다. 즉, 어떤 부서가 전력을 사용하는지, 현재 시간이 언제인지, 직원이 어떤 교대 근무 중인지, 심지어 외부 날씨는 어떠한지까지 고려합니다. 두 가지 다른 유형의 머신러닝 모델을 결합하여, 연구진은 먼저 이상 패턴을 포착한 다음 그 패턴이 현재 상황에 적절한지를 확인하는 프레임워크를 만들었습니다. 만약 영상의학과에서 바쁜 오전 근무 중에 전력 급증이 발생하면, 시스템은 이를 정상적인 행동으로 인식하여 침묵합니다. 하지만 동일한 급증이 새벽 3시 빈 병동에서 발생한다면, 시스템은 즉시 이를 경고 대상으로 분류합니다. 이 접근 방식은 소형 로컬 컴퓨터에서 실행될 수 있을 만큼 충분히 빨라, 병원의 인터넷 연결이 끊어지더라도 작동할 수 있습니다.

연구진은 두 가지 서로 다른 데이터 세트를 사용하여 이 방법을 테스트했습니다. 하나는 2016년의 실제 건물 에너지 기록으로, 자연스러운 일일 패턴과 노이즈를 보여주었습니다. 다른 하나는 2015년과 2026년의 병원 장비를 상세하게 구현한 컴퓨터 생성 시뮬레이션 데이터로, 4개 부서의 15가지 유형의 장비를 포함했습니다. 이 합성 데이터에는 네 가지 유형의 문제(갑작스러운 전력 급증, 예상치 못한 하락, 느린 표류 변화, 불규칙한 진동)에 대한 구체적이고 라벨링된 예시가 포함되었습니다. 연구진이 이 새로운 시스템을 강력한 그래픽 카드가 필요한 복잡한 딥러닝 모델을 포함한 5가지 일반적인 방법과 비교했을 때, 이들의 방식이 가장 우수했습니다. 이 시스템은 92%의 정확도로 이상 징ales를 식별하면서도 오경보(false alarms)를 단 8%로 유지했습니다. 반면, 시설 관리자들이 현재 사용하는 기존의 규칙 기반 시스템은 37%의 오경보를 발생시켰으며, 심지어 고급 딥러닝 모델조차 오경보율을 10% 미만으로 낮추는 데 어려움을 겪었습니다.

이 연구가 병원에 특히 가치 있는 이유는 단순한 정확도뿐만 아니라, 스스로를 설명할 수 있는 능력 때문입니다. 많은 현대 인공지능 시스템은 왜 그런 답을 내놓았는지 말하지 않은 채 결과만 제시하는 '블랙박스'처럼 작동합니다. 규제가 엄격한 의료 환경에서 엔지니어들은 조치를 취하기 전에 왜 알람이 발생했는지 알아야 합니다. 연구진은 모든 경고를 기여 요인별로 분해하는 레이어를 시스템에 추가했습니다. 시스템은 단순히 "문제가 있다"라고 말하는 대신, "야간 근무 중 인공호흡기 뱅크의 전력 사용량이 비정상적으로 높기 때문에 경고가 발행되었다"라고 엔지니어에게 알려줄 수 있습니다. 이러한 투명성은 시스템이 표준 탐지기보다 더 많은 오경보를 생성하지 않을 것임을 보장하는 수학적 토대 위에 구축되었습니다. 즉, 특정 맥락에 맞는 이벤트를 걸러냄으로써 오경보를 줄일 수만 있을 뿐입니다.

시스템은 먼저 데이터를 격리하는 방식을 사용합니다. 이는 마치 전체에서 다른 것을 찾아내는 방식으로, 데이터의 차이점을 찾는 것과 같습니다. 그다음 단계로, 잠재적인 이슈들을 두 번째 단계로 전달하여 문제의 유형을 분류합니다. 마지막으로 컨텍스트 필터가 개입하여 상황을 확인합니다. 만약 데이터가 해당 부서와 시간대에 맞는 정상 범위 내에 있다면 알람은 취소됩니다. 연구진은 이 필터링 과정이 오경보율을 높일 수 없으며, 오직 낮추거나 유지할 수 있다는 것을 수학적으로 증명했습니다. 실제 건물 데이터 테스트에서 이 필터는 주간 부하 급증으로 인해 발생할 수 있었던 11개의 오경보를 성공적으로 제거하면서도, 실제 문제를 나타내는 날카로운 급증은 놓치지 않고 잡아냈습니다.

속도 또한 이 기술의 핵심 요소입니다. 연구진은 시스템이 단일 데이터 포인트를 처리하는 데 걸리는 시간을 측정했으며, 1,000분의 1초 미만이 소요됨을 발견했습니다. 이 밀리초 미만의 속도는 이 시스템이 엣지 컴퓨팅 설정에 자주 사용되는 라즈베리 파이(Raspberry Pi)나 젯슨 나노(Jetson Nano)와 같은 작고 저렴한 하드웨어에서도 실행될 수 있음을 의미합니다. 이를 통해 병원은 민감한 데이터를 클라우드로 전송할 필요 없이 로컬에서 장비를 모니터링할 수 있으며, 이는 엄격한 네트워크 보안 정책을 가진 시설에 매우 중요한 기능입니다. 전체 시스템은 47메가바이트의 아주 작은 메모리 점유율을 가져, 병원의 거의 모든 기존 게이트웨이에 배포하는 것이 가능합니다.

연구는 또한 시스템이 이상 현상을 결정할 때 어떤 특징(feature)이 가장 중요한지도 조사했습니다. 연구 결과, 전력 사용량의 이동 통계값(예: 짧은 구간 동안의 평균, 최소, 최대값)이 문제의 가장 강력한 지표라는 것을 발견했습니다. 그러나 부서 유형 및 교대 근무 일정과 같은 컨텍스트 특징들도 결정을 정교화하는 데 중요한 역할을 했습니다. 예를 들어, 시스템은 특정 유형의 전력 하락이 인공호흡기와 같은 생명 유지 장비에서는 흔한 고장 징후이지만, 다른 기계에서는 그렇지 않다는 것을 학습했습니다. 이러한 미묘한 차이를 이해함으로써, 시스템은 엔지니어에게 갑작스러운 급증인지, 점진적인 표류인지, 혹은 진동인지를 올바르게 분류하여 알려줄 수 있었습니다.

유망한 결과에도 불구하고, 연구진은 이 작업에 한계가 있음을 인정합니다. 현재 시스템은 각 맥락에서 무엇이 '정상'인지를 정의하기 위해 과거 데이터에 의존합니다. 만약 병원이 새로운 장비를 도입하거나 병동을 재편성한다면, 시스템은 새로운 정상 패턴을 학습하기 위해 재조정되어야 합니다. 향aries의 연구는 시스템이 이러한 변화를 자동으로 학습할 수 있도록 적응력을 높이는 데 집중할 것입니다. 또한, 테스트에 사용된 합성 데이터는 실제 환경을 모방하도록 정교하게 제작되었지만, 실제 병원의 모든 운영상의 특이점을 포착하지 못할 수도 있습니다. 연구진은 이 프레임워크가 일상 운영의 전체적인 복잡성 속에서도 잘 작동하는지 확인하기 위해 여러 실제 병원 배치 환경에서 검증할 계획입니다.

궁극적으로, 이 프레임워크는 의료 분야에서의 신뢰할 수 있고 설명 가능한 에너지 관리를 향한 변화를 나타냅니다. 이는 단순한 모니터링을 넘어, 시설 엔지니어가 이해하고 신뢰할 수 있는 실행 가능한 지능을 제공합니다. 수학적 엄밀함과 실용적인 속도, 그리고 명확한 설명을 결합함으로써, 이 시스템은 장비와 환자 안전에 대한 실제 위협을 조기에 포착하는 동시에 오경보의 부담을 줄이는 방법을 제시합니다. 이 연구는 고도의 긴장감이 흐르는 병원 환경에서 최고의 기술은 단순히 가장 똑똑한 기술이 아니라, 가장 투명하고 신뢰할 수 있는 기술임을 보여줍니다.