[논문 리뷰] Empowering Medical Equipment Sustainability in Low-Resource Settings: An AI-Powered Diagnostic and Support Platform for Biomedical Technicians

Bernes Lorier Atabonfack, Ahmed Tahiru Issah외 6명|arXiv (Cornell University)|2026. 01. 23.

Quality and Safety in Healthcare인용 수 0

한 줄 요약

논문은 INGENZI Tech를 제시합니다, LMICs의 생물의학 기술자를 위한 AI 기반 오프라인 가능 진단 및 지원 플랫폼으로, Philips HDI 5000 초음파에서 100% 오류 코드 해석 정확도 및 80% 실행 가능한 문제해결 정확도를 검증했습니다.

ABSTRACT

In low- and middle-income countries (LMICs), a significant proportion of medical diagnostic equipment remains underutilized or non-functional due to a lack of timely maintenance, limited access to technical expertise, and minimal support from manufacturers, particularly for devices acquired through third-party vendors or donations. This challenge contributes to increased equipment downtime, delayed diagnoses, and compromised patient care. This research explores the development and validation of an AI-powered support platform designed to assist biomedical technicians in diagnosing and repairing medical devices in real-time. The system integrates a large language model (LLM) with a user-friendly web interface, enabling imaging technologists/radiographers and biomedical technicians to input error codes or device symptoms and receive accurate, step-by-step troubleshooting guidance. The platform also includes a global peer-to-peer discussion forum to support knowledge exchange and provide additional context for rare or undocumented issues. A proof of concept was developed using the Philips HDI 5000 ultrasound machine, achieving 100% precision in error code interpretation and 80% accuracy in suggesting corrective actions. This study demonstrates the feasibility and potential of AI-driven systems to support medical device maintenance, with the aim of reducing equipment downtime to improve healthcare delivery in resource-constrained environments.

연구 동기 및 목표

• 기술자 전문 지식의 한계와 제조사 지원의 부족으로 인해 LMIC의 의료장비 유지보수 격차를 해소한다.
• 오류 코드, 증상 및 매뉴얼을 활용한 단계별 문제해결 방법을 제공하는 AI 지원 플랫폼을 개발한다.
• 오프라인 다국어 접근 및 피어-투-피어 지식 공유를 가능하게 하여 장비 가동 시간을 개선한다.
• 일반 영상 장치(Philips HDI 5000)에서 시범 적용하고 MRI/CT/X-ray 장치로 확장할 계획을 포함한다.]
• method:[

제안 방법

• 사용자 매뉴얼, 서비스 매뉴얼, 오류 코드용으로 분할된 FAISS 벡터 저장소와 함께 LLM(GPT-3.5 Turbo)을 이용한 Retrieval-Augmented Generation(RAG) 프레임워크를 구축한다.
• 오류 코드나 기기 증상을 입력하고 안내된 문제해결을 받기 위한 다국어 오프라인 웹 인터페이스를 제공한다.
• 오류 코드 조회, 로그 파싱, 자가 시험 시뮬레이션 및 유지보수 일정 관리 도구를 통합하여 실행 가능한 수리 워크플로를 지원한다.
• 지식 교환 및 크라우드소스형 모델 개선을 가능하게 하는 피어-투-피어 기술자 포럼을 포함한다.
• Philips HDI 5000 초음파를 대상으로 한 개념 증명으로 Phase-0 성능을 평가하며 오류 코드 조회 정밀도와 도해 안내 정확도를 측정한다.

실험 결과

연구 질문

• RQ1 AI 플랫폼이 기기 오류 코드를 얼마나 정확하게 해석하고 관련 문서화된 지침을 검색할 수 있는가?
• RQ2 비구조화된 지시형 쿼리로부터 사용 가능한 단계별 수리 지침을 생성할 수 있는가?
• RQ3 오프라인 다국어 배포가 LMIC 환경에서 접근성과 기술자 사용성을 향상시키는가?
• RQ4 초음파에서 다른 진단 장치(MRI, CT, X-ray)로 벤더 전반에 걸친 확장 가능성과 로드맵은 무엇인가?

주요 결과

• 오류 코드 해석은 90개 테스트 코드에서 100% 정밀도를 달성했습니다.
• 지시형 쿼리 안내는 30개 쿼리에서 80% 정확도를 달성했습니다.
• Phase-0 프로토타입은 검색 및 생성 사이클에서 10초 미만의 지연 시간을 유지했습니다.
• 오프라인, 다국어 및 포럼 기능을 갖춘 설계는 LMIC 맥락과 지속적인 모델 개선을 지원합니다.
• Phase-0은 LMIC 중심의 AI 지원 유지보수 플랫폼의 가능성을 검증하고 다장치 확장을 위한 무대를 마련합니다.