Care Intelligence Architecture
CareGuard Engine이 수집하고 구조화하는 3가지 핵심 레이어
현장에서 생성되는 모든 데이터를 세 가지 지능 레이어로 구조화하여
미래의 매칭 엔진과 확률 모델의 기반을 구축합니다.
Safe Care Diary에서 생성되는 이 한 문장의 데이터는
다음 3가지가 얽혀 있습니다:
(Careworker Interaction)
(Senior Profile)
(Facility Context)
Multi-Entity Data Layer Architecture
CareGuard Engine은 1차적으로 시니어의 의료적 위험 예측과 안전 관리를 목적으로 설계됩니다.
그러나 Safe Care Diary 및 관련 시스템에서 생성되는 데이터는 단일 주체 데이터가 아닌,
다층 주체 기반 구조를 가집니다.
CareGuard는 Single-purpose engine but Multi-entity data architecture 입니다.
1. Careworker Interaction Layer
요양보호사 인터랙션 데이터 레이어SafeCare Diary를 통해 요양보호사가 생성하는 모든 입력은 단순 기록이 아니라 행동 데이터(Behavioral Log) 입니다.
| 입력 성실도 | 기록 빈도, 누락률, 수정 이력 |
|---|---|
| 입력 정확성 | 수치 입력 정합성, 경고 대응 정확도 |
| AI 가이드 활용도 | 지식 임베딩 가이드 확인 여부, 조치 반영 여부 |
| 긴급 대응 패턴 | SOS 발동 빈도, 대응 시간 |
| 위험 인지 민감도 | 이상 징후 기록 선제성 |
| 피드백 반영도 | 예측 후 조치 이행률 |
• CareGuard Engine의 위험 예측 정확도를 개선
• 해당 레이어는 위험 관리의 실행 기록을 포함
• 향후 인력 숙련도 모델링 및 매칭 엔진 확장을 위한 분석 자원으로 활용 (장기적으로 요양보호사 숙련도 확률 모델의 핵심 Feature Set)
2. Senior Behavioral & Risk Profile Layer
시니어 행동·위험 프로파일 레이어
시니어 데이터는 요양보호사의 기록을 통해 간접 수집됩니다. 이 레이어는 단순 건강 데이터가 아니라 행동 패턴 기반 위험 예측을 위한 개인화된 기준선(Individualized Behavioral Baseline)의 데이터 원천이 됩니다.
(포함 항목: 반복적 행동 패턴, 위험 발생 경향성, 환경 반응 민감도, 시간대별 상태 변화, 개별화된 Baseline Drift)
| 식사 패턴 | 섭취량 변화 추세 |
|---|---|
| 수면 패턴 | 수면 질, 변동성 |
| 기분 변화 | 감정 점수 추세 |
| 활력 징후 | 체온, 혈압, 반복 패턴 |
| 낙상 전조 행동 | 보행 불안정 기록 |
| 미세 변화 축적 | 단기 이상 신호 |
• 엔진의 개인화 위험 예측 정확도를 높이기 위한 구조적 기반 (14개 케어가드 N:1 엔진별 초기화 로직의 일부 변수로 작동)
• Prevalence는 일부 엔진에서 위험 초기값 보정 계수(Adjustment Factor)로 활용될 수 있으나, 각 엔진은 고유한 위험 초기화 구조(Engine-Specific Risk Initialization Logic)를 가짐
• 장기적으로는 시니어 특성 기반 서비스 매칭 모델로 확장 (향후 시니어–요양보호사–시설 매칭의 핵심 기준 데이터)
3. Facility Context Layer
시설 맥락 데이터 레이어
시설 특성은 명시적으로 입력되지 않더라도 요양보호사의 반복 기록 패턴 속에서 간접 추출될 수 있습니다.
본 레이어는 “시설 정보”가 아니라 돌봄이 실행되는 환경(Contextual Care Environment)을 구조화하는 계층입니다.
| 인력 밀도 | 평균 대응시간 / 인력수 보정 대응시간, 시간대별 인력 대비 사건비율, 인력-이벤트 상관계수 |
|---|---|
| 업무 강도 | 요보사 1인당 기록 수, 1인당 고위험 이벤트 처리 횟수, 반복 고위험 이벤트 밀집도 (클러스터링) |
| 시설 위험도 | 낙상/미열/응급 발생률, 환경적 위험 패턴 |
| 운영 안정성 | 프로토콜 평균 실행 지연시간, 경고 대비 미처리 비율, 경보-결과 정합률 (False Alarm Ratio) |
| 케어 난이도 평균 | 입소자 위험 프로파일 평균 |
• 돌봄이 이루어지는 운영 맥락(Context of Care)을 데이터화
• 현재는 시설 단위의 운영 특성, 인력 구조, 대응 패턴 등을 구조화 (시설 단위 위험 확률 분포 형성)
• 시설 특성 기반 매칭 및 운영 분석 모델로 확장 (장기적으로는 시설–요보사–시니어 매칭 최적화의 기반)
• 통합돌봄 체계 확대와 관련하여 가정·지역사회 기반 돌봄 환경까지 확장될 수 있도록 설계됨
🔄 3-Layer 상호 구조
🎯 전략적 의미
CareGuard Engine은 단순 예측 엔진이 아닙니다.
- 현장에서 생성되는 모든 인터랙션을 구조화하고
- 확률 모델의 사전 분포를 학습하며
- 미래의 매칭 엔진을 위한 데이터 자산을 축적하는 플랫폼입니다.
이는 현재의 위험 예측 정확도 향상뿐 아니라, 향후 확률 기반 프로파일링 및 매칭 엔진의 핵심 데이터 자산으로 작동합니다.