환자 데이터가 의료의 미래를 이끄는 방법

헬스케어 분야의 AI 경쟁은 기계가 의료 정보를 생성할 수 있는지 여부라는 질문에서 점점 더 중요한 질문으로 이동하고 있습니다: 임상의와 연구자들이 이미 보유하고 있는 환자 데이터와 AI가 함께 작업할 때 어떤 일이 일어날까요?

최근 세 가지 발전이 그 변화가 향하는 방향을 가리키고 있습니다.

첫째, OpenAI는 최근 ChatGPT for Healthcare를 인증된 Epic 전자 건강 기록 데이터, 환자별 임상 컨텍스트를 AI 워크플로에 도입함으로써 파편화된 의료 기록을 검색하는 데 임상의가 소비하는 시간을 줄일 가능성이 있습니다.

다음으로, 의료 데이터 및 분석 회사인 PurpleLab이 방금 출시했습니다 CARES를 출시했으며, 이는 방대한 실세계 의료 데이터를 활용한 연구를 지원하는 이니셔티브입니다.

마지막으로, Harvard Medical School의 연구원들이 개발했습니다 기존 건강 기록과 유전 정보를 활용해 수백 가지 질병의 위험을 추정하는 AI 모델을 개발했습니다.

이들을 종합하면, 의료 분야에서 오랫동안 많은 이들이 추측해 온 바와 같이 환자 데이터가 의료 혁신을 위한 가장 가치 있는 자산 중 하나가 될 수 있음을 시사합니다.

이러한 최신 환자 데이터 혁신 각각을 더 자세히 살펴보겠습니다.

EHR에서 AI 어시스턴트로

9월 1일, OpenAI는 Epic 통합을 발표했습니다 ChatGPT for Healthcare 인증된 의료 기관이 환자 정보를 AI 지원 워크플로에 도입할 수 있도록 합니다.

이 통합은 임상의가 의료 기록의 여러 부분에서 환자 병력을 수동으로 조합하지 않고도 의료 메모, 약물, 실험실 결과 및 이전 진료 기록과 같은 정보를 검토하는 데 도움을 줍니다.

시스템은 읽기 전용이며, 이는 AI가 의료 기록을 독립적으로 수정하지 않음을 의미합니다.

그 차이는 중요합니다. 당면 과제는 EHR을 대체하거나 AI 시스템이 스스로 결정을 내리게 하는 것이 아니라, 임상의가 정보를 찾고 종합하는 데 소비하는 시간을 줄이는 것입니다.

OpenAI는 또한 ChatGPT for Healthcare를 PubMed, ClinicalTrials.gov, DailyMed 및 CMS 데이터와 같은 공식 공공 소스에 연결하고 있습니다.

더 큰 아이디어는 환자 컨텍스트와 외부 의료 증거를 동일한 워크플로에 결합하는 것입니다.

실세계 데이터를 연구에 더 유용하게 만들기

PurpleLab은 의료 분야에서 실세계 증거(RWE)와 실세계 데이터(RWD)를 포함한 다양한 분야에 중점을 두는 데이터 및 분석 회사로, 최근 연구자, 학술 기관, 증거 네트워크 및 환자 커뮤니티가 실세계 데이터를 보다 효과적으로 활용할 수 있도록 돕는 것을 목표로 실세계 증거 연구 진흥 센터(CARES)를 출시했습니다.

그 의미는 단순히 더 많은 데이터를 제공하는 것을 넘어섭니다.

보건 의료 연구자들은 오랫동안 정의의 일관성 부족, 파편화된 데이터셋, 그리고 이전 연구를 재현하기 어려운 문제에 직면해 왔습니다.

CARES는 재현 가능한 연구, 투명한 방법론, 학술 파트너십 및 환자 중심 연구를 기반으로 설계되었습니다.

PurpleLab은 연구자들이 실세계 데이터셋을 활용해 종양학, 심장학, 정신 건강 및 희귀 질환 등 다양한 분야에서 치료 패턴, 결과 및 의료 비용을 연구할 수 있다고 말합니다.

성공한다면, 이러한 이니셔티브는 일상적으로 생성되는 의료 정보를 전통적인 임상 연구가 신속히 답변하지 못하는 질문에 대한 증거로 전환하는 데 도움을 줄 수 있습니다.

“실세계 증거는 엄격하고 동료 검토를 거치며 공개적으로 공유될 때 가장 강력합니다. PurpleLab CARES와 함께 우리는 우리 데이터가 연구자, 학술 파트너 및 환자 커뮤니티의 손에 들어갔을 때 무엇을 할 수 있는지를 보여주고 있습니다.”라고 PurpleLab의 실세계 증거 담당 수석 부사장 Scott DuVall이 회사 성명에서 말했습니다.

질병이 나타나기 전에 예측하기

Harvard에서 연구팀이 환자 데이터를 예측 엔진으로 전환하고 있습니다.

Dana-Farber Cancer Institute와 Massachusetts General Hospital의 연구원들이 개발한 머신러닝 모델은 일상적으로 수집되는 전자 건강 기록(EHR)과 유전 위험 정보를 함께 사용해 환자의 348가지 질병 위험을 추정할 수 있습니다.

Aladynoulli라는 이 모델은 세 개의 바이오뱅크에 걸쳐 683,000건이 넘는 환자 기록 데이터를 사용해 훈련 및 검증되었습니다.

연구자들은 이 모델이 환자가 나이가 들수록 위험 평가를 동적으로 업데이트할 수 있다고 말합니다.

그 잠재력은 상당합니다. 의료 기록을 이미 일어난 일의 기록으로만 보는 대신, AI는 앞으로 일어날 일과 관련된 패턴을 식별하기 위해 점점 더 활용할 수 있습니다.

하지만 여기서는 신중함이 필수적입니다. 이 모델은 지금까지 과거 환자 데이터를 사용해 평가되었으며, 실제 임상 환경에서 어떻게 작동하는지 판단하기 전에 추가 연구가 필요합니다.

진정한 과제는 신뢰

따라서 의료 AI의 미래는 알고리즘이 얼마나 인상적인가보다 그 뒤에 있는 데이터가 정확하고, 대표적이며, 안전하고, 책임감 있게 관리되는가에 더 크게 좌우될 수 있습니다.

환자 데이터는 수년간의 의료 기록에서 인간이 식별하기 어려운 패턴을 드러낼 수 있습니다. 그러나 같은 기록에는 개인이 생성하는 가장 민감한 정보 중 일부가 포함되어 있습니다.

보건 의료 기관이 전자 건강 기록(EHR), 연구 데이터베이스 및 AI 시스템을 연결함에 따라 핵심 질문은 AI가 환자 데이터에서 더 많은 가치를 추출할 수 있는가 여부만이 아닐 것입니다.

그것은 보건 의료 시스템이 환자 신뢰를 잃지 않고 이를 수행할 수 있는가가 될 것입니다.

보다 나은 정보와 책임 있는 사용 사이의 균형이 궁극적으로 AI가 연구실을 넘어 일상 의료에 얼마나 깊이 침투할지를 결정할 수 있습니다.