[논문]침대 자세 기반 입원 환자의 낙상 위험 예측 모델 설계

김승희; 이승호

doi:10.7236/jiibc.2022.22.2.51

침대 자세 기반 입원 환자의 낙상 위험 예측 모델 설계
Predictive Modeling Design for Fall Risk of an Inpatient based on Bed Posture 원문보기

The journal of the institute of internet, broadcasting and communication : JIIBC, v.22 no.2, 2022년, pp.51 - 62

김승희 (한국기술교육대학교 IT융합SW공학과) , 이승호 (한국기술교육대학교 융합학과)

초록
AI-Helper

본 논문에서는 환자의 자세를 기반으로 행동을 예측하여, 의료진에 의해 입력된 개인의 병력 중심의 프로파일과 신체정보, 침상의 기본 정보를 모두 조합하여 침대에서의 낙상 위험을 예측하는 모델을 설계하고, 위험의 수준을 판단할 수 있는 알고리즘을 제시한다. 낙상 위험 예측은 크게 환자의 프로파일을 활용한 정성적 낙상 위험 노출도 평가와 실시간 낙상 위험 측정 단계로 구분된다. 정성적 낙상 위험 노출도는 의료진이 낙상 위험과 관련된 환자의 건강 상태를 점검하여 위험 노출도를 평가함으로써 위험 등급이 결정된다. 실시간 낙상 위험 측정 단계에서는 환자의 침대에서의 자세를 인식하고 환자의 정성적 위험등급 정보가 고려된 낙상 위험 측정을 위한 규칙 기반 정보를 추출한다. 인식된 환자 자세 정보와 정성적 위험평가 정보를 모두 조합하여 시그모이드 함수를 활용하여 최종 낙상 위험 수준을 예측한다. 본 연구에서 제시된 절차와 예측 모델은 입원 환자를 위한 낙상 사고 예방과 환자 안전을 위한 개인화 서비스에 크게 기여할 것으로 기대된다.

Abstract ▼ AI-Helper

This study suggests a design of predictive modeling for a hospital fall risk based on inpatients' posture. Inpatient's profile, medical history, and body measurement data along with basic information about a bed they use, were used to predict a fall risk and suggest an algorithm to determine the level of risk. Fall risk prediction is largely divided into two parts: a real-time fall risk evaluation and a qualitative fall risk exposure assessment, which is mostly based on the inpatient's profile. The former is carried out by recognizing an inpatient's posture in bed and extracting rule-based information to measure fall risk while the latter is conducted by medical staff who examines an inpatient's health status related to hospital fall risk and assesses the level of risk exposure. The inpatient fall risk is determined using a sigmoid function with recognized inpatient posture information, body measurement data and qualitative risk assessment results combined. The procedure and prediction model suggested in this study is expected to significantly contribute to tailored services for inpatients and help ensure hospital fall prevention and inpatient safety.

주제어

표/그림 (15)

그림 그림 1. AmbIGeM 모바일의 기능 및 개요^[25] Fig. 1. Function and Overview of the AmbIGeM mobile^[25].
표 표 1. 환자 별 건강상태 체크 항목 Table 1. Items for checking the patient's health status
그림 그림 2. 복합적인 낙상 위험 영향 요인에 대한 위험 노출도 측정 예 Fig. 2. Example of risk exposure measurement for multiple fall risk influencing factors
표 표 2. 확률기준 정의 Table 2. The Statement for probability standard definition
표 표 3. 체크 항목에 대한 낙상위험 영향 정의 예 Table 3. The statement of fall risk effect for each patient's check item
표 표 4. 단일 낙상 위험을 적용한 확률-영향 측정 매트릭스 예 Table 4. Items for checking the patient's health status
그림 그림 3. 자세 기반 낙상 위험 예측을 위한 서비스 흐름도 Fig. 3. Service flowchart for posture-based fall risk prediction
표 표 5. 위험 노출도 특성에 따른 위험 대응 전략 예 Table 5. Examples of risk response strategies by risk exposure characteristics
그림 그림 4. 자세 기반 낙상 위험 예측모델 블록도 Fig. 4. Block diagram for posture-based fall risk prediction Model
그림 그림 5. Skeleton Point^[4] Fig. 5. Skeleton Point^[4]
표 표 6. 결정테이블-조건(예) Table 6. Decision Table-Conditions(example)
표 표 7. 결정테이블-결과(예) Table 7. Decision Table-Result(example)
표 표 8 결정테이블(예) Table 8. Decision Table(example)
표 표 9. 패턴 인지를 위한 스켈레톤 포인트 식별번호 Table 9. Index of skeleton point for pattern recognition
표 표 10. 위험 노출도 별 최초 대응 조치 정의(예) Table 10. Definition of response activities by final predicted fall risk(example)

AI 본문요약
AI-Helper

문제 정의

본 논문에서는 개인의 낙상 위험도 평가 정보를 기반으로 하여 환자의 낙상 위험 수준을 실시간으로 예측하여 판단할 수 있는 자세 인식 기반의 낙상 위험 예측 모델 설계안을 제시한다. 이를 위해 자세 예측 판단 흐름을 제시하고, CNN, find-tuning, Convex Hull Algorithm을 적용하여 패턴의 정확도를 높이기 위한 최적화 방법을 설계에 접목한다.
본 연구에서는 입원 환자의 침상 낙상을 예방하기 위한 자세 인식 기반 낙상 위험 예측 모델을 설계하였다.

제안 방법

이를 통해 모델이 정교화되면서 가중치 등의 조정에 의해 목적에 맞게 최적화된다. 낙상 예측을 위해 카메라를 통해 침대 영상과 스켈레톤 포인트와 이미지 분석을 통해 환자 여부를 식별한다. 규칙 기반 낙상 정보를 기반으로 실시간으로 위험을 예측하게 되며, 이에 대한 정확도 정보를 함께 저장하여 주기적으로 데이터를 활용한 추가 조정 학습을 통해 예측 정보와 행동 패턴을 개선하고 진화시킨다.
자세 기반 낙상 위험 예측은 그림 4의 블록도와 같이 환자 자세 모니터링을 통해 환자의 스켈레톤 포인트와 침대 및 보조 난간 이미지 정보를 인식하여 자세를 예측한다. 예측된 정보를 중심으로 환자의 위험도 프로파일과 신체정보, 침대 안전바, 침대 보조 안전바 정보를 조합을 통해 규칙을 추출하고 추출된 정보를 통해 환자의 위험도를 측정하여 위험 노출도를 산출한다. 위험 노출도에 따라 환자에게 경고 음성을 송출하거나 보호자 등에게 긴급 메시지를 함께 송신한다.
본 논문에서는 개인의 낙상 위험도 평가 정보를 기반으로 하여 환자의 낙상 위험 수준을 실시간으로 예측하여 판단할 수 있는 자세 인식 기반의 낙상 위험 예측 모델 설계안을 제시한다. 이를 위해 자세 예측 판단 흐름을 제시하고, CNN, find-tuning, Convex Hull Algorithm을 적용하여 패턴의 정확도를 높이기 위한 최적화 방법을 설계에 접목한다.

대상 데이터

낙상 자세를 예측하기 위한 분석 모델은 그림 3과 같다. 낙상 위험에 대한 자세를 예측하기 위하여 적외선 카메라를 통해 자세 데이터를 수집한다. 자세 예측을 위하여 몸을 돌렸을 때 사람의 손의 방향과 몸의 방향은 일치하며, 몸을 돌렸을 때 사람의 양 끝 어깨의 차이가 감소하는 것으로 전제한다.

이론/모형

환자의 행동을 분석하기 위하여 CNN기반의 DeepLabCut Algorithm을, 실시간 빠른 처리와 정교함을 높이기 위하여 Fine-tuning 기법을 사용한다. 손의 움직임 등 곡선거리 외적의 패턴을 탐지하기 위한 알고리즘으로는 Convex Hull Algorithm을 이용한다.
환자 고유의 낙상 위험 환경 수준을 고려하여 낙상 위험 조건에 따라 위험 수준에 대한 분석이 수행되고, 그 결과를 통해 위험 예측에 대한 규칙 기반 경고 수준과 방법이 결정된다. 인 식된 위험에 대한 규칙 평가는 결정 테이블 기법을 기반으로 설계하였다. 표 6은 환자의 낙상 위험 요인들이며, 표 7은 출력 방법과 출력 정보이다.
실시간 이미지 인식 및 처리 등 모니터링의 성능을 높이기 위해 검출 속도가 빠른 장점 [30]을 갖는 YOLOv4 모델을 통해 환자의 동작을 탐지한다. 환자의 행동을 분석하기 위하여 CNN기반의 DeepLabCut Algorithm을, 실시간 빠른 처리와 정교함을 높이기 위하여 Fine-tuning 기법을 사용한다. 손의 움직임 등 곡선거리 외적의 패턴을 탐지하기 위한 알고리즘으로는 Convex Hull Algorithm을 이용한다.

성능/효과

첫째, 지금까지 의료기관에서 입원 환자의 낙상 위험 을 관리하기 위해 조사하여 관리하고 있던 환자의 병력 과 같은 프로파일 정보를 그대로 활용함으로써 적용의 유용성을 극대화 할 수 있다는 것이다.
이는, 환자 건강상태 프로파일을 실시간 낙상 위험 예측에 활용하는 방안으로, 낙상 위험과 관련된 건강 상태 점검 항목을 기반으로 환자의 정성적 위험 노출도를 측정하여 낙상 대응 전략을 정의한다. 침상 자세 기반 낙상 위험 실시간 예측에서는 카메라를 통해 침대의 상태 정보와 환자의 자세정보가 모니터 되고, 침대에서의 환자 자세를 인식하여 시그모이드 함수를 활용해 정성적 낙상 위험 노출도 정보와 규칙 기반 낙상 위험 정보를 조합하여 예측 및 분석을 수행함으로써 낙상 위험 수준별로 즉각적으로 환자나 보호자, 의료진에게 경고를 알린다.

후속연구

그럼에도 불구하고 입원 시설을 운영하고 있는 대부분의 의료기관에서는 환자의 기본 정보를 사전에 조사하고 관찰하여 낙상 예방을 위한 주의 수준을 파악하여 관리하고 있다. 그러나 환자에 대한 정보 관리의 차원만으로는 입원환자의 낙상 비율을 낮추는데 한계가 있다.
본 예측 모델은 낙상 위험 예측 시 간과되었던 개인 별 취약점을 위험 예측 시 반영할 수 있어 환자별 높은 정확도의 낙상 예측 개인화 서비스를 제공할 것으로 기대된다. 또한 이렇게 누적된 자료와 예측 정확도 정보를 활용하면 딥러닝을 통해 예측 규칙을 보다 정밀화할 수 있을 것으로 사료된다.
본 예측 모델은 낙상 위험 예측 시 간과되었던 개인 별 취약점을 위험 예측 시 반영할 수 있어 환자별 높은 정확도의 낙상 예측 개인화 서비스를 제공할 것으로 기대된다. 또한 이렇게 누적된 자료와 예측 정확도 정보를 활용하면 딥러닝을 통해 예측 규칙을 보다 정밀화할 수 있을 것으로 사료된다.
셋째, 본 연구에서 제안된 알고리즘은 안전사고 예방 과 관련된 예측 분야의 기본 알고리즘 모듈로 유용하게 응용될 수 있으며 규칙 기반으로 생성된 다양한 예측 정 보는 강화학습을 통해 정확한 예측 시스템 개발의 기반 을 마련하는데 활용될 수 있다.

참고문헌 (31)

Gibson, M., "Fall in later life: Improving the health of older people", World Health Organization. pp. 296-315, 1990.
Tinetti, M. E., Speechley, M., and Glinter, S. F., "Risk factors for falls among elderly persons living in the community", New England Journal of Medicine, Vol. 319, pp. 1701-1707. Dec., 1998. DOI: https://doi.org/10.1056/NEJM198812293192604

상세보기
Ledford, L. Research-based protocol: prevention of falls. Iowa City: University of Iowa Gerontological Nursing Intervention Research Center, 1997
www.kdca.go.kr/contents.es?mida20203070000, 2021 [acessed: Dec. 30, 2021]
https://health.kdca.go.kr/healthinfo/index.jsp, 2021 [acessed: Dec. 30, 2021]
Ministry of Health and Welfare, Korean Patient Safety Incident Report 2020., Seoul : Korea Institute for Healthcare Accreditation, 2021.
M. Y. Jeon, H. C. Jeong, and M. A. Choe, "A Study on the Elderly Patients Hospitalized by the Fracture from the Fall", Journal of Korean Academy of Nursing, Vol. 31, No. 3, pp.443-453, 2001. DOI: https://doi.org/10.4040/jkan.2001.31.3.443

원문보기 상세보기
Pharmnews, https://www.pharmnews.com/news/articleView.html?idxno98235, 2019 [acessed: Dec. 30, 2021]
J. T. Lee, Nursing Hospital Status and Improvement Tasks, KIRI Aging Review, Focus press 14, 2017
S. Y. Hwang & S. J. Shin. "Predictors of fall Prevention Behaviors in Elderly Inpatients", Korean Journal of Health Promotion, Vol. 13, No. 2, pp. 76-85, 2013.
K. S. Jang. A Model for Fall Prevention Behavior of Arthritis Elderly Living in the Community. PhD. dissertation. Chungnam University, Daejeon, 2014.
I. S. Hyeon, and K. M. Park. "A convergence study on the effects of knowledge and attitude related to falls on fall preventive behaviors in the elderly-Based on case study of seniors welfare center" Journal of the Korea Convergence Society, Vol. 9, No. 9, pp. 389-397, 2018. DOI: https://doi.org/10.15207/JKCS.2018.9.9.389

원문보기 상세보기
Greenberg SA, Sullivan-Marx E, Sommers ML, Chittams J, Cacchione PZ, "Measuring fear of falling among high-risk, urban, community-dwelling older adults", Geriatric Nursing. Vol. 37, No. 6, pp. 489-495, 2016. DOI: https://doi.org/10.1016/j.gerinurse.2016.08.018

상세보기
I. K. Lee & J. Y. Choi. "Factors associated with nurses' activities for hospital fall prevention", The Korean Journal of Rehabilitation Nursing, Vol. 16, No. 1, pp. 55-62, 2013 DOI: https://doi.org/10.7587/kjrehn.2013.55

원문보기 상세보기
Lukaszyk, C., Harvey, L., Sherrington, C., Keay, L., Tiedemann, A., Coombes, J., ... & Ivers, R., "Risk factors, incidence, consequences and prevention strategies for falls and fall-injury within older in digenous populations: A systematic review", Australian and New Zealand Journal of Public Health. Vol. 40, No. 6, pp. 564-568, 2016. DOI: https://doi.org/10.1111/1753-6405.12585

상세보기
Denkinger MD, Lukas A, Nikolaus T, Hauer K. Factors associated with fear of falling and associated activity restriction in community-dwelling older adults: A systematic review. American Journal of Geriatric Psychiatry. Vol. 23, No. 1, pp. 72-86, 2015. DOI: https://doi.org/10.1016/j.jagp.2014.03.002

상세보기
Hajek A, Bock JO, Konig HH. Psychological correlates of fear of falling: Findings from the German Aging Survey. Geriatrics & Gerontology International. Vol. 18, No. 3, pp. 396-406, 2018. DOI: https://doi.org/10.1111/ggi.13190

상세보기
S. C. Lim, & J. S. Go, "A Study on Design and Implementation of Driver's Blind Spot Assist System Using CNN Technique", The Journal of The Institute of Internet, Broadcasting and Communication, Vol. 20, No. 2, pp. 149-155, 2020 DOI: https://doi.org/10.7236/JIIBC.2020.20.2.149

원문보기 상세보기
S. H. Baek, H. R. Choi, and K, S. Kim, "Accuracy Urinalysis Discrimination Method based on high performance CNN", The Journal of The Institute of Internet, Broadcasting and Communication, Vol. 21, No. 6, pp. 77-82, 2021 DOI: https://doi.org/10.7236/JIIBC.2021.21.6.77

원문보기 상세보기
S. H. Lee, "Deep learning based face mask recognition for access control", Journal of the Korea Academia-Industrial cooperation Society, Vol. 21, No. 8, pp. 395-400, 2020 DOI: https://doi.org/10.5762/KAIS.2020.21.8.395

원문보기 상세보기
D. S. Kim, Y. I. Kim, and S. J. Kim, "A New Region-centralized Shape Descriptor for Character Representation", The Journal of Korean Institute of Information Technology, Vol. 6, No. 1, pp. 87-95, 2008
Friederich, S. (2017). Fine-tuning.
Nan Ju Park, and Yong Soon, Shin. "Predictors of Accidental Falls in the Community-dwelling Elderly by Age." Journal of Korean Academy of Community Health Nursing, Vol. 30, No. 2, pp. 141-149, 2019 DOI: https://doi.org/10.12799/jkachn.2019.30.2.141

원문보기 상세보기
I. Y. Yoo, J. H. Choi, "Experience of falls and predictors of falls in the elderly at senior citizens' centers", Journal of Korean Community Health Nursing. Vol. 18, No. 1, pp. 14, 2007.
Korea Institute for Healthcare Accreditation, Report by the subject of patient safety accident, 2018. 09. [online avaliable] http://www.alio.go.kr/
ETRI, Real-time fall prediction technology development, ETRI press release 2021-69, 2021.11.11 [online avaliable] https://www.etri.re.kr/kor/bbs/view.etri?b_board_idETRI06&b_idx18620
Glossary of Pedagogical Terms, Seoul National University Education Research Institute, 1995.6.29, Hawoodongseol
G. Bae, Y. Uh, S. Kwak, and H. Byun, "Detection of Abnormal Behavior by Scene Analysis in Surveillance Video" The Journal of Korean Institute of Communications and Information Sciences, Vol.36, No. 12C, pp. 744-752, 2011 DOI: https://doi.org/10.7840/KICS.2011.36C.12.744

원문보기 상세보기
Webb, J. & Ashley, J., "Beginning Kinect Programming with the Microsoft Kinect SDK", Apress, 2012.
J. J. Kim & C. B. Kim, "Implementation of Robust License Plate Recognition System using YOLO and CNN", The Journal of Korean Institute of Information Technology, Vol. 19, No. 4, pp. 1-9, 2021 DOI: https://doi.org/10.14801/jkiit.2021.19.4.1

상세보기
Wanto, A., Damanik, I. S., Gunawan, I., Irawan, E., Tambunan, H. S., Sumarno, S., and Nasution, Z. M., "Levenberg-Marquardt Algorithm Combined with Bipolar Sigmoid Function to Measure Open Unemployment Rate in Indonesia, 2021 DOI: https://doi.org/10.31227/osf.io/u5fhm

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증