방대한 데이터를 처리하여 패턴을 찾아낼 수 있는 AI는 대량의 환자데이터를 수집하는 의료현장에서도 유용하며, 실제로 많은 병원에서 "퇴원하려는 환자의 재입원 위험"과 "환자가 패혈증 발병 위험" 등을 판단하는 AI가 활용되고 있다. 그런 병원에 있어서의 AI는 어떻게 사용되어 지고 있는걸까?
미국의료보험 시스템인 건강 유지기구에서 조직으로 여러 의료 기관을 운영하는 카이저파마넨테는 환자의 병상 악화를 예측하는 Advance Alert Monitor(어드밴스 경보 모니터)라는 예측 모델을 개발하여, 의료 현장에서 운영하고 있다. 어드밴스 경보 모니터는 환자의 데이터를 지속적으로 스캔해, 긴급 치료실로 옮겨지거나 사망할 위험을 예측하는 점수를 할당해 의사가 사전에 병세 악화를 예방할 수 있도록 한다는 것.
카이저 파마넨테의 집중치료 전문가인 Vincent X,Liu 의사는 "(어드밴스 Alert Monitor가 하는 일은)건초 속에서 바늘을 찾는 것이고, 모든 환자 중에서 가장 위험도가 높은 사람을 선별해야 한다"며 Ai는 인력보다 효율적으로 환자가 뒤쳐지는 것을 막을 수 있다고 주장한다.
어드밴스 경보 모니터에서는, 병원 스탭이 "Alert 피로"에 빠져 버리는 것을 막기 위해, 스코어는 직접 병원 스탭에게 표시되는 것이 아니라, 훈련된 간호사가 리모트로 감시하는 시스템으로 되어 있고, 환자의 점수가 특정 값에 도달하면 최초로 원격 간호사가 병동 간호사에게 연락하고, 환자의 정식 평가가 이루어지며, 긴급치료실로 이송을 포함한 구조 프로그램에 대해 의사가 판단한다고 한다.
2021년 11월에 의학잡지인 뉴잉글랜드 저널 오브 메디신에 게재된 논문에서는, 약 3년간 19개 병원에서 어드밴스 경보 모니터를 운용한 결과, 시스템을 운용하지 않는 경우와 비교하여 사망률이나 긴급치료실로의 이송률 저하, 입원기간 단축과 같은 개선이 보고되고 있다. 현시점에서는 카이저 파마넨테가 21개 병원에서 어드밴스 경보 모니터를 운영하고 있으며, 간호사는 연간 1만 6000건 이상의 경보를 처리하고 있다고 한다.
환자나 부상자에게 가장 위험한 상태 중 하나로 여겨지는 패혈증은, 세균 감염에 의한 연쇄적인 생체반응에 의해 조직이나 장기에 장애가 발생하는 상태이며, 신속하게 치료하지 못하면 죽음을 맞이하는 일도 드물지 않으며, 2020년의 연구에서는 많은 패혈증 환자가 가이드라인에 따라 치료받지 못하고 있음을 보여주고 있다.
듀크대병원의 Cara O'Brien 조교 연구팀은, 일반적으로 사용되는 모델이 자신들의 병원에서는 제대로 작동하지 않는다는 것을 발견함에 따라, 듀크대병원에서 수집한 환자 데이터를 이용해 패혈증 위험을 예측하는 자체 기계학습 모델을 만들기로 했다는 것.
연구팀은 4만 2000명이 넘는 입원 환자로부터 수집한 바이탈 사인 측정, 검사 결과, 투약과 같은 데이터를 바탕으로 알고리즘을 훈련하고, 5분마다 환자의 패혈증 위험을 진단하는 "Sepsis Watch(패혈증 워치)"라는 기계 학습 모델을 개발했다.
패혈증 워치 예측 결과는, 태블릿 등으로 액세스 할 수 있는 "패혈증 감시 대시보드"상에서 리스크별로 4가지 색으로 분류된 환자 목록으로 표시된다. 12시간의 시프트로 1명의 간호사가 아이패드의 대시보드를 감시하고, 상황에 따라 응급의사에게 연락하여 패혈증의 모든 환자에 대해 논의. 그리고 의사가 독립적으로 의료 기록을 리뷰하고 패혈증의 치료가 필요한지 여부를 판단하는 구조로 되어 있다.
패혈증 워치 도입 전 듀크대 병원에서는 패혈증 환자가 적절히 처치된 비율이 31% 정도였으나, 도입 후에는 64%까지 처치 비율이 상승했다는 것. 듀크대학병원의 임상데이터 과학자 인 Mark Sendak 씨는 최종적인 분석은 진행중이라면서도 사망률은 떨어지고 있는 것으로 보인다고 한다.
패혈증의 예측에 AI를 유용하게 쓰고 있는 것은 듀크 대학병원 만이 아니고, 미국 최대의 병원 체인인 HCA헬스케어도 "Spot"이라고 불리는 독자적인 패혈증 예측 알고리즘을 개발, 운용하고 있다. HCA헬스케어에 따르면, 스폿은 임상의보다 환자의 패혈증을 6시간 일찍, 더 정확하게 검출할 수 있는 것으로, 160개 병원에서 패혈증 사망률이 30%나 감소했다고 한다.
HCA헬스케어의 데이터 사이언티스트인 Edmund Jackson 등의 연구팀은, Spot 플랫폼을 응용하여 외상성 쇼크, 수술 후 합병증, 환자 상태 악화 등 환자를 위협하는 조기 징후를 신속히 검출하는 "Nate"라는 보다 광범위한 프로그램을 개발했는데, Nate는 COVID-19에도 응용할 수 있으며, 팬데믹 중에도 인공호흡기 착용을 의료종사자에게 권장하는 알고리즘을 개발할 수 있었다고 한다.
HCA헬스케어 AI 개발팀은, 임상 스태프와 협력해 어떤 예측 모델이 유용한지, 어떻게 하면 환자 케어에 적합한지를 판단하고 있다는 것. HCA의 케어 트랜스포메이션 및 이노베이션의 고급 바이스 프레지던트인 Michael Schlosser 씨는 HCA헬스케어에는 병원을 찾아 침대 옆에서 의료종사자와 함께 일하는 전문 이노베이션 팀이 있다. 의료 종사자 앞에 불쑥 나타나 "당신을 위해 ○○ 하도록 훈련된 AI가 있어요라고 말하는 게 아닙니다"라고...
월스트리트 저널은 이 밖에도 "퇴원한 환자가 재입원 위험을 진단하는 AI"와 "대장암 검진 기한이 지난 환자 중 기계 학습 알고리즘으로 위험이 높은 환자를 지목해 검진을 받도록 권장하는 시스템"등도 언급했다.
AI가 많은 병원에서 도입되면서, 과제가 되는 것은 "어떤 경우에 AI가 제대로 작동하지 않는지, 그리고 어떻게 하면 AI를 개선할 수 있을까"라는 점이다. 알고리즘을 구축하는데 이용되는 데이터와 실제 데이터에는 많은 불일치가 있으므로 적절한 결함이 검출되지 않으면 중증환자 진단에 실패하거나 유해한 치료법을 권장할 위험이 있다. 예를 들어 미시간대에서는 COVID-19의 팬데믹이 발생했을 때, 기존에 사용하던 AI 패혈증 진단 알고리즘이 적절하게 패혈증과 COVID-19를 판별하지 못해 일시적으로 알고리즘을 무효화했다는 것.
미시간대 의대 의료 AI위원회의 위원장을 맡고있는 deep Singh 조교는 "현재 병원은 이용 가능한 AI 모델의 수에 압도당하고 있다"며 AI를 안전하게 다루려면 AI가 의도한대로 작동하지 않는 경우를 이해하고 단순한 이용 가능성 뿐만 아니라 문제 해결성을 중시할 필요가 있다고 주장.
