• Journal of Oral Medicine and Pain
• /
• 제34권2호
• /
• pp.197-205
• /
• 2009

신경병성 동통은 진단과 치료가 어려워 환자와 사회전반에 부담이 큰 질병이지만 이와 관련한 국내 보고는 많지 않다. 국내 신경병성 동통 환자의 유병률 연구에 이어 시행된 본 연구에서는 진료일수, 치료비, 수술 및 약제 사용 등의 치료 양태를 조사하고 신경병성 동통의 치료 영역에서 치과의 비중을 확인하고자 하였다. 연구를 위해 2003년부터 2005년까지 건강보험심사평가원의 전산시스템에 등록된 국내 보험 환자를 대상으로 다양한 신경병성 동통 질환(삼차신경통, 당뇨병성 신경병증, 포진후 신경통, 비정형 안면통, 설인신경통, 비정형 치통, 설통)을 주상병으로 하는 환자의 진료기록을 분석한 결과 다음과 같은 결과를 얻었다. 당뇨병성 신경통이 가장 많이 내원하여 치료받았고, 환자 수는 포진후 신경통, 삼차신경통, 당뇨병성 신경통의 순서로 가장 많았다. 질병별로 각 진료과의 내원일수는 전반적으로 신경과, 신경외과, 마취통증의학과가 주로 많았는데, 특별히 증상 발현 부위가 진료과에 해당하는 경우 해당과의 내원일수가 높았다. 명세서 건당 치료비를 보면 마취과, 응급의학과가 전반적으로 많았으며, 재활의학과, 가정의학과가 높은 경향을 보였다. 치과는 삼차신경통, 비정형 안면통, 비정형 치통에서 다소 높은 치료비를 보였다. 많이 사용된 외과적 술식을 살펴보면 포진후 신경통과 당뇨병성 신경통에서는 다소 차이가 있으나 대부분 교감신경총 및 신경절 차단술, 척수신경말초지 차단술, 뇌신경 및 뇌신경말초 차단술이 주로 사용되었다. 치료약제는 비정형 치통과 설통의 경우 진통소염해열제가 절대적으로 많은 반면, 그 외 질환에서는 항전간제, 진통소염해열제, 정신신경용제가 주로 사용되었다. 이상의 결과로 보아 치과의 비중이 높은 신경병성 통증은 비정형 치통, 삼차신경통, 비정형 안면통이며, 환자의 수와 치료비의 전체적인 크기로 볼 때에는 삼차신경통의 규모가 치과에서는 가장 크다. 그러나 신경병성 동통 분야에서 여전히 구강내과를 포함한 치과의 역할이 부족한 상황이지만 치과전문의 제도 시행과 더불어 대국민 홍보와 적극적인 치료 참여를 통해 신경병성 동통 질환, 특히 삼차신경통, 비정형 치통, 비정형 안면통에 대한 치과의 역할과 비중을 높여야 할 것이다.

• 지능정보연구
• /
• 제26권4호
• /
• pp.127-148
• /
• 2020

데이터 센터는 컴퓨터 시스템과 관련 구성요소를 수용하기 위한 물리적 환경시설로, 빅데이터, 인공지능 스마트 공장, 웨어러블, 스마트 홈 등 차세대 핵심 산업의 필수 기반기술이다. 특히, 클라우드 컴퓨팅의 성장으로 데이터 센터 인프라의 비례적 확장은 불가피하다. 이러한 데이터 센터 설비의 상태를 모니터링하는 것은 시스템을 유지, 관리하고 장애를 예방하기 위한 방법이다. 설비를 구성하는 일부 요소에 장애가 발생하는 경우 해당 장비뿐 아니라 연결된 다른 장비에도 영향을 미칠 수 있으며, 막대한 손해를 초래할 수 있다. 특히, IT 시설은 상호의존성에 의해 불규칙하고 원인을 알기 어렵다. 데이터 센터 내 장애를 예측하는 선행연구에서는, 장치들이 혼재된 상황임을 가정하지 않고 단일 서버를 단일 상태로 보고 장애를 예측했다. 이에 본 연구에서는, 서버 내부에서 발생하는 장애(Outage A)와 서버 외부에서 발생하는 장애(Outage B)로 데이터 센터 장애를 구분하고, 서버 내에서 발생하는 복합적인 장애 분석에 중점을 두었다. 서버 외부 장애는 전력, 냉각, 사용자 실수 등인데, 이와 같은 장애는 데이터 센터 설비 구축 초기 단계에서 예방이 가능했기 때문에 다양한 솔루션이 개발되고 있는 상황이다. 반면 서버 내 발생하는 장애는 원인 규명이 어려워 아직까지 적절한 예방이 이뤄지지 못하고 있다. 특히 서버 장애가 단일적으로 발생하지 않고, 다른 서버 장애의 원인이 되기도 하고, 다른 서버부터 장애의 원인이 되는 무언가를 받기도 하는 이유다. 즉, 기존 연구들은 서버들 간 영향을 주지 않는 단일 서버인 상태로 가정하고 장애를 분석했다면, 본 연구에서는 서버들 간 영향을 준다고 가정하고 장애 발생 상태를 분석했다. 데이터 센터 내 복합 장애 상황을 정의하기 위해, 데이터 센터 내 존재하는 각 장비별로 장애가 발생한 장애 이력 데이터를 활용했다. 본 연구에서 고려되는 장애는 Network Node Down, Server Down, Windows Activation Services Down, Database Management System Service Down으로 크게 4가지이다. 각 장비별로 발생되는 장애들을 시간 순으로 정렬하고, 특정 장비에서 장애가 발생하였을 때, 발생 시점으로부터 5분 내 특정 장비에서 장애가 발생하였다면 이를 동시에 장애가 발생하였다고 정의하였다. 이렇게 동시에 장애가 발생한 장비들에 대해서 Sequence를 구성한 후, 구성한 Sequence 내에서 동시에 자주 발생하는 장비 5개를 선정하였고, 선정된 장비들이 동시에 장애가 발생된 경우를 시각화를 통해 확인하였다. 장애 분석을 위해 수집된 서버 리소스 정보는 시계열 단위이며 흐름성을 가진다는 점에서 이전 상태를 통해 다음 상태를 예측할 수 있는 딥러닝 알고리즘인 LSTM(Long Short-term Memory)을 사용했다. 또한 단일 서버와 달리 복합장애는 서버별로 장애 발생에 끼치는 수준이 다르다는 점을 감안하여 Hierarchical Attention Network 딥러닝 모델 구조를 활용했다. 본 알고리즘은 장애에 끼치는 영향이 클 수록 해당 서버에 가중치를 주어 예측 정확도를 높이는 방법이다. 연구는 장애유형을 정의하고 분석 대상을 선정하는 것으로 시작하여, 첫 번째 실험에서는 동일한 수집 데이터에 대해 단일 서버 상태와 복합 서버 상태로 가정하고 비교분석하였다. 두 번째 실험은 서버의 임계치를 각각 최적화 하여 복합 서버 상태일 때의 예측 정확도를 향상시켰다. 단일 서버와 다중 서버로 각각 가정한 첫 번째 실험에서 단일 서버로 가정한 경우 실제 장애가 발생했음에도 불구하고 5개 서버 중 3개의 서버에서는 장애가 발생하지 않은것으로 예측했다. 그러나 다중 서버로 가정했을때에는 5개 서버 모두 장애가 발생한 것으로 예측했다. 실험 결과 서버 간 영향이 있을 것이라고 추측한 가설이 입증된 것이다. 연구결과 단일 서버로 가정했을 때 보다 다중 서버로 가정했을 때 예측 성능이 우수함을 확인했다. 특히 서버별 영향이 다를것으로 가정하고 Hierarchical Attention Network 알고리즘을 적용한 것이 분석 효과를 향상시키는 역할을 했다. 또한 각 서버마다 다른 임계치를 적용함으로써 예측 정확도를 향상시킬 수 있었다. 본 연구는 원인 규명이 어려운 장애를 과거 데이터를 통해 예측 가능하게 함을 보였고, 데이터 센터의 서버 내에서 발생하는 장애를 예측할 수 있는 모델을 제시했다. 본 연구결과를 활용하여 장애 발생을 사전에 방지할 수 있을 것으로 기대된다.