AI로 응급차량 이동 예측…골든타임 93% 더 정확해졌다

실시간 응급차량 추적, AI와 디지털 트윈이 해결책 제시

응급 의료 서비스에서 정확한 차량 위치 추적은 생명을 구하는 핵심 요소다. 그러나 기존의 응급차량 추적 시스템은 물리적 세계와 디지털 트윈(Digital Twin) 간의 시간차로 인해 정확성이 떨어지는 문제가 있었다. 기존 시스템에서는 응급차량이 사고 현장으로 이동하는 동안 실시간 위치가 정확하게 반영되지 못하는 사례가 발생했고, 이로 인해 의료진의 의사 결정이 지연되는 문제점이 있었다. (☞ 논문 바로가기)

이 문제를 해결하기 위해 모스크바 고등 경제대학 연구진은 서포트 벡터 회귀(SVR)와 심층 신경망(DNN) 모델을 활용한 AI 기반 예측 시스템을 도입했다. 연구 결과, 기존 위치 추적 시스템에서 발생했던 평균 16초의 지연 시간이 1.1초까지 줄어들었으며, 실시간 동기화 정확도는 88~93%까지 개선되었다.

디지털 트윈의 시간 지연 문제와 AI 예측 모델의 역할

디지털 트윈 기술은 실제 시스템을 가상 환경에서 재현하여 실시간 데이터 분석과 예측을 가능하게 하지만, 물리적 환경과 완벽하게 동기화되지 않는 문제가 있다. 연구진은 HITS(Healthcare Intelligent Transportation system) 내 디지털 트윈 환경에서 실제 응급차량의 위치와 가상 환경에서의 위치 사이의 평균 지연 시간이 최대 33초까지 발생한다는 점을 발견했다.

이러한 지연을 보완하기 위해 연구진은 AI 모델을 적용하는 방식을 도입했다. SVR은 기계 학습 기반의 회귀 분석 모델로, 응급차량의 위치를 예측하기 위해 활용되었으며, DNN은 다층 뉴럴 네트워크를 사용하여 보다 정교한 비선형 패턴을 학습하고 예측 정확도를 향상시키는 역할을 수행했다. 연구팀은 2019년 수집된 GPS 데이터(총 1,048,576개 데이터 포인트)를 기반으로 SVR과 DNN 모델을 학습시켰으며, 이후 실시간 테스트를 통해 예측 성능을 검증했다.

AI 예측 모델 적용 결과, 위치 동기화 정확도 93%까지 개선

연구진은 AI 예측 모델의 성능을 검증하기 위해 MATLAB과 Python 환경에서 다양한 테스트 시뮬레이션을 수행했다. 각 모델의 성능은 평균 절대 오차(MAE), 평균 제곱 오차(MSE), 결정 계수(R²) 세 가지 지표를 기준으로 평가되었다.

테스트 결과, SVR 모델은 기존 방식보다 평균 83% 이상의 정확도를 보였으며, DNN 모델은 일부 테스트 환경에서 99%에 가까운 예측 성능을 기록했다. 특히 Python 환경에서 실행한 DNN 모델이 R² 값 0.9999로 최상의 성능을 보였다.

연구팀은 응급차량이 실제 위치를 전송한 순간과 AI 모델이 예측한 위치 간의 오차를 분석했으며, AI 모델을 적용했을 때 평균 지연 시간이 기존 16초에서 1.1초로 줄어든 것을 확인했다.

디지털 트윈 기반 실시간 모니터링 시스템 구축

연구진은 AI 기반 예측 모델을 실시간 데이터 분석 환경과 결합하기 위해 Docker와 Apache Kafka, Grafana를 활용한 디지털 트윈 플랫폼을 구축했다. 이 시스템은 GPS 데이터가 수집되면, 이를 Kafka를 활용하여 스트리밍하고, AI 예측 모델과 연동하여 실시간으로 차량의 다음 위치를 예측한다. 이후 예측된 데이터는 Grafana를 통해 시각화되어 의료진이 쉽게 이해할 수 있도록 제공된다.

이러한 시스템을 통해 의료진은 실시간으로 차량의 예상 도착 시간을 파악하고, 도로 상황에 맞춘 최적 경로를 추천받을 수 있다. 또한, 교통 체증이 심한 지역에서는 예측 모델을 활용하여 우회 경로를 즉시 제안하는 기능도 포함되었다.

AI 예측 모델로 응급 의료 대응 효율성 극대화

이번 연구는 AI와 디지털 트윈 기술이 응급 의료 시스템을 혁신할 수 있음을 입증한 사례다. 특히 AI 기반 예측 모델이 기존 위치 추적 시스템의 한계를 극복하고 실시간 동기화 정확도를 93%까지 향상시킨 점은 주목할 만하다.

향후 연구에서는 AI 예측 모델을 클라우드 및 엣지 컴퓨팅과 연계하여 실시간 데이터 처리 속도를 더욱 개선하는 방향으로 발전할 예정이다. 또한, IoT 기반 센서와 연동하여 차량의 내부 상태(의료 장비 가동 여부, 환자 상태 등)도 실시간으로 분석할 수 있도록 기능을 확장할 계획이다.