복부수술 환자의 간호감시를 위한 딥러닝 기반 진단명 분류 모델
Deep Learning based Automatic ICD Coding for Nursing Surveillance of Abdominal Surgery Patients
1
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
간호감시는 임상 결과를 향상하는 중요한 역할을 하지만, 방대하고 복잡한 의료 데이터로 인해진단명 분류에 어려움이 존재한다. 기존의 모델은 의사 중심의 데이터에 의존하거나 추가적인 기록을 요구하는 한계가 있었다. 본 연구는 이러한 한계를 해결하기 위해 EMR의 검사 데이터, 진단명 데이터, 간호기록 데이터만을 활용하여 간호감시 목적의 진단명 분류 모델을 제안한다. 복부수술 환자의 EMR 데이터를 바탕으로 환자 상태와 간호기록을 통합하여 KM-BERT 앙상블과XGBoost를 결합한 모델을 구축하였다. 실험 결과, 제안한 모델은 단순 KM-BERT 및 기존 앙상블모델보다 우수한 성능을 나타냈으며, 특히 KM-BERT 앙상블과 XGBoost를 결합한 모델이 가장 높은 정확도를 기록하였다. 본 연구는 EMR의 핵심 데이터만으로도 효과적인 진단명 분류가 가능함을 시사하며, 이는 간호감시의 효율성을 높이는 데 이바지할 수 있다. 앞으로의 연구에서는 보건의료 도메인 지식과 다양한 기법을 결합하여 모델 성능을 더욱 향상할 수 있을 것으로 기대된다.
Abstract
In this paper, we propose an efficient dynamic workload balancing strategy which improves the performance of high-performance computing system. The key idea of this dynamic workload balancing strategy is to minimize execution time of each job and to maximize the system throughput by effectively using system resource such as CPU, memory. Also, this strategy dynamically allocates job by considering demanded memory size of executing job and workload status of each node. If an nodes, to another free nodes and reduces the waiting time and execution time of job by balancing workload of each node. Through simulation, we show that the proposed dynamic workload balancing strategy based on CPU, memory improves the performance of high-performance computing system compared to previous strategies.