🚑 LifeGuard

실시간 공공데이터와 AI를 활용한 응급실 수용 가능성기반 병원 추천 시스템

1. 사용자 상태 입력

2. 상황별 즉각적인 응급처치 가이드 제공

3. 환자 상태 + 병원 상태 기반 병원 추천

📌 프로젝트 개요

LifeGuard는
실시간 응급실 병상 가용 공공데이터와 AI 기술을 활용하여
환자의 위치·상태·중증도를 종합적으로 고려해
‘수용 가능성이 가장 높은 응급실’을 추천하는 서비스입니다.

응급 상황에서 환자나 보호자는

• 의료 용어를 정확히 설명하기 어렵고
• 병원마다 일일이 전화 문의를 해야 하며
• 그 과정에서 골든타임을 놓치는 문제(응급실 뺑뺑이)가 반복되고 있습니다.

LifeGuard는 이 문제를 해결하기 위해
공공데이터 + LLM + ML + RAG를 결합한 의사결정 지원 시스템을 제안합니다.

🧠 전체 시스템 흐름

[환자 입력 (텍스트 + 위치)]
↓ (LLM)
[환자 상태 구조화]
↓
[공공데이터 기반 후보 병원 필터링]
↓ (ML)
[병원별 수용 가능성 예측 & 랭킹]
↓ (RAG)
[응급 행동 가이드 제공]

---

🔍 Step 1. 환자 상황의 의료적 구조화 (LLM)

• 사용자는 자연어로 현재 상황을 입력
• LLM이 문장을 분석하여 다음 정보를 구조화
  • 중증도(severity)
  • 외상 여부(trauma)
  • ICU, 인공호흡기 필요 여부
  • CT / MRI 등 필요 자원

📌 의료 진단이 아닌, 병원 판단에 필요한 정보 정리 단계

---

🏥 Step 2. 공공데이터 기반 후보 병원 탐색

• 보건복지부/응급의료 공공데이터 활용
• 실시간 정보 기반 병원 후보 생성
  • 거리 / 이동 시간
  • 병상 가용 여부
  • 중환자실, CT, MRI, 인공호흡기 보유 여부
• 환자 조건과 맞지 않는 병원은 사전 필터링

---

📊 Step 3. ML 기반 수용 가능성 예측 & 랭킹

• Logistic Regression 기반 모델 사용
• 입력 특징:
  • 환자 상태 feature
  • 병원 자원 및 실시간 상태 feature
• 병원별 수용 가능성 확률(accept_prob) 예측
• Top-K 병원 랭킹 생성

📌 “가장 가까운 병원”이 아니라
👉 “받아줄 가능성이 가장 높은 병원” 기준

---

📘 Step 4. RAG 기반 응급 행동 가이드 제공

• 사전에 검증된 응급 대응 문서를 벡터 DB로 구축
• FAISS 기반 임베딩 검색
• 사용자 상황과 가장 관련성 높은 문서만 검색
• 검색된 문서 내용만 근거로 LLM이 응답 생성

✔️ 모델 추론이 아닌 문서 근거 기반 응답

✔️ 환각(Hallucination) 최소화

---

🧩 기술 스택

Backend

• Python, FastAPI
• Pandas, NumPy

Frontend

• React, Vite

AI / ML

• LLM (환자 상태 구조화, 설명 생성)
• Logistic Regression (수용 가능성 예측)
• FAISS (Vector DB)
• RAG (Retrieval-Augmented Generation)