[논문] SepsisAI Orchestrator: 조기 패혈증 감지를 위한 AI 모델 배포와 실시간 모니터링을 지원하는 컨테이너 기반 확장형 플랫폼

개요

임상 머신러닝 문헌에서 강력한 예측 결과가 보고되고 있음에도 불구하고, 이러한 모델을 실제 현장에 적용하는 데는 시스템 수준의 장벽이 크게 작용합니다. 데이터 표현의 이질성, 표준화된 배포 워크플로우의 부재, 연구 프로토타입과 병원 환경의 동시성·지연 요구사항 사이의 불일치가 그 원인입니다. 우리는 조기 패혈증 탐지를 위한 배포 격차를 해소하는 오픈소스 모듈형 플랫폼 SepsisAI-Orchestrator를 소개합니다. 이 플랫폼은 HL7 FHIR 영감을 받은 Clinical Document Architecture (CDA) 전처리, NoSQL 저장소, REST API를 통해 제공되는 컨테이너화된 LightGBM 분류기, 그리고 Streamlit 기반 임상 대시보드를 Docker와 Kubernetes로 오케스트레이션합니다. 기존에 검증된 LightGBM 모델(F1 0.87‑0.94, PhysioNet 2019)을 수정 없이 재사용했으며, 핵심 기여는 주변 인프라와 부하 하에서의 실증적 특성화에 있습니다. k6를 이용해 50‑1000명의 동시 가상 사용자를 시뮬레이션한 결과, 복제본 수는 호스트 CPU 물리 스레드 수와 일치시켜야 함을 확인했습니다. 12 스레드 CPU에서 복제본을 3개에서 12개로 확장하면 p95 지연 시간이 3.3 초에서 1.41 초로 57.3 % 감소하고 모든 요청 실패가 사라졌지만, 24개 또는 48개로 과다 할당하면 스케줄러 경쟁으로 성능이 저하되었습니다. 임상 AI 추론 워크로드에 대한 이러한 U자형 스케일링 행동은 기존에 정량화된 바 없습니다. 우리는 전향적 임상 검증을 주장하지 않습니다. 소스 코드와 배포 매니페스트는 https://github.com/nucleusai/sepsisai-orchestrator 에서 확인할 수 있습니다.

핵심 기여

이 논문은 다음 분야의 연구를 다룹니다:

• cs.LG
• cs.AI
• cs.DC

방법론

자세한 방법론은 전체 논문을 참고하십시오.

실용적 함의

이 연구는 cs.LG 분야의 발전에 기여합니다.

저자

• Santiago Ospitia
• John Sanabria
• John Garcia-Henao

논문 정보

• arXiv ID: 2605.22331v1
• 분류: cs.LG, cs.AI, cs.DC
• 출판일: 2026년 5월 21일
• PDF: PDF 다운로드