임상의사결정지원시스템(CDSS) 기술동향

Trends of Clinical Decision Support System(CDSS)

저자
이동훈, 정호열, 김민호, 임명은, 김대희, 한영웅, 김영원, 최재훈, 김승환 / 바이오의료정보연구실
권호
31권 4호 (통권 160)
논문구분
초지능 기술동향 특집
페이지
77-85
발행일자
2016.08.01
DOI
10.22648/ETRI.2016.J.310408
초록
구글 딥마인드 알파고와 이세돌 선수와의 바둑대결 후 인공지능의 활용처로 의료분야가 거론되면서 임상의사결정지원시스템(Clinical Decision Support System: CDSS)이 최근 주목받고 있다. 기본적으로 CDSS는 환자 진료에 있어 예방, 진단, 치료, 처방 그리고 예후의 각 단계에서 임상의의 의사결정을 도와주는 시스템을 말한다. 본고에서는 CDSS의 국내외 도입 및 시장현황과 관련 기술현황을 검토하여 의료현장에서 CDSS의 활용이 활성화되기 위한 방안을 도출하고자 한다.
   3445 Downloaded 5507 Viewed
목록

Ⅰ. 서론

Clinical Decision Support System(CDSS)는 환자로부터 얻어진 임상정보를 바탕으로 의료인이 질병을 진단하고 치료할 때 의사결정을 도와주는 시스템이다. CDSS는 의학적 관찰과 의학적 지식을 연결시키며 헬스케어의 질을 향상시키기 위해서 의학적 판단을 향상시키는 데 도움을 준다.

이 시스템은 예방, 진단, 치료, 처방, 예후 등에 모두 적용 가능하지만, 일반적으로는 진단과 치료, 처방의 영역에서 주로 고려가 된다. 진단단계에서 전문의의 임상 의사결정에 도움을 주어서 보다 정밀한 진단을 도와주기도 하고, 치료와 처방단계에서 의약품 안심 서비스(Drug Utilization Review: DUR)[1]와 같이 환자의 약물 복용정보를 제공하고 약물의 부작용이 없도록 도입하는 경우가 해당된다. 의료환경이 고도화되고 전문화되면서 환자의 진료 전 과정을 아우를 수 있는 의사결정지원시스템의 필요성이 점점 더 커질 것이다. 또한, CDSS는 의약 분야에서의 인공지능의 역할에 큰 주제로 남아있다.

임상의사결정지원시스템을 두 가지 종류로 구분될 수 있는데, 이는 지식기반 규칙 베이스와 머신러닝 또는 인공지능을 이용한 방법이다[2].

• 지식기반 CDSS(Knowledge-based CDSS)

지식기반은 축적된 데이터에 대한 상관 관계와 규칙을 포함하고 주로 IF-THEN 규칙을 사용

• 비지식기반 CDSS(Non-knowledge-based CDSS)

규칙을 기반으로 하지 않고 인공지능을 통해 과거력이나 임상의료정보에서 발견된 패턴을 학습하여 의사결정을 제공

비지식기반 CDSS는 주로 한정된 증상에 대해 집중하고 주로 한 가지 질병에 대한 증상들 예로 들 수 있다. 지식기반의 CDSS는 다양한 질병에 대해 활용이 가능하지만 이와 반대로 비지식기반 CDSS는 데이터 확보 등의 문제로 하나의 질병에 대한 증상에 대해 한정적으로 시도되고 있다. 하지만, 최근 IBM Watson 등의 인공 지능 기술 발전으로 비지식기반 CDSS에 대한 연구 및 개발이 활발하게 진행 중이며 특정 질환에 대해 의미 있는 결과를 보여주고 있다.

최근 다양한 분야에서 적용 가능성을 인정받고 있는 인공지능 기계학습 기술 중 하나인 딥러닝(Deep Learning: DL)은 빅데이터를 활용하여 초정밀 판별을 용이하게 해 준다. 이를 의료분야에서 활용한다면, 높은 정확도를 가진 질환 진단기법을 학습 및 적용할 수 있고 이를 통해 기존의 진단, 치료방법을 더 정밀화하거나 새로운 치료방법을 제시할 수 있다. 비지식기반 CDSS에서 인공지능과 기계학습의 성공적인 학습을 위해선 임상의료데이터 확보가 매우 중요한 이슈이다. 이를 위해 최근 Elec-tronic Health Records(EMR)과 CDSS를 연계하는 연구개발이 진행되고 있고, 인공지능 기술의 도입과 함께 관련 기술의 성숙은 큰 파급 효과를 가질 것으로 예상된다[3]. 하지만 아직 EMR을 CDSS에 직접적으로 활용하기에는 여러가지 기술적, 법률적인 장애물들이 존재한다(개인정보보호, 신뢰성 또한 로우(Raw) 데이터의 무결성 등).

관련된 법률적인 규제, 의료현장에 적용 시 예상되는 문제점과 부작용, 시스템의 정확성 등의 문제점은 존재하고 있으나 EMR과 인공지능 기술을 도입한 CDSS관련 기술개발에 대한 요구사항은 증가하고 있다. 본고에서는 CDSS의 기술현황, 시장현황 및 관련 기술 국내외 현황을 검토하고 보다 정밀한 의료 서비스를 위한 CDSS의 연구개발이 활성화되기 위한 방안을 도출하고자 한다.

Ⅱ.CDSS 시장 현황

(그림 1)

세계의 CDSS 시장 연평균 성장률 추이[6]

images_1/2016/v31n4/ETRI_J003_2016_v31n4_77_f001.jpg

빠른 속도로 증가하는 고령인구, 의학적인 오류 때문에 발생하는 질환들의 증가, 치료의 질 개선 요구 등 다양한 의료산업 분야의 요구로 헬스케어 분야의 투자가 증가함에 따라 CDSS 관련 시장의 규모는 폭발적으로 확대되고 있는 추세이다. MarketsAndMarkets의 시장보고서에 따르면, 2018년의 CDSS 시장 규모가 5.58억달러에 이를 것으로 예상하고 있으며, 2013-2018년 사이의 연평균 성장률(Compound Annual Growth Rate: CAGR)이 10%에 이를 것으로 예측하고 있다[4]. 또한, P&S Market Research에 따르면 CDSS 시장이 2022년에는 21.5%의 CAGR를 기록할 것으로 예상하고 있다[5]. (그림 1)은 지역별 CDSS 시장의 연평균 성장률이 나타나 있다.

클라우드 컴퓨팅 시대의 도래와 함께 CDSS 구현을 담당하는 정부 기관들의 출현으로 CDSS 관련 헬스케어 시장은 새로운 시장으로 부상하고 있으며 많은 헬스케어 IT 업체들에게 방대한 기회를 주고 있다. CDSS 요구분야는 약물 상호작용 감지, 약물 부작용 알림 등에서 질병 및 치료법 진단 등으로 점차 고도의 지능화 기능을 요구하는 쪽으로 확대될 것으로 보인다. 특히, 클라우드 기술의 확산 및 인공지능 기술의 발전으로 기술 활용의 기대치가 높아지고 있는 상황으로, 최근 IBM Watson의 진단 적용사례가 그 좋은 예가 되고 있다. 한편, 시장에서 가장 주도적인 역할을 할 업체로는 Agfa Healthcare (벨기에), GE Healthcare(영국), Siemens Healthcare(독일), Philips Healthcare(네덜란드), athe-nahealth, Inc., Allscripts Healthcare Solutions, Inc, Carestream Health, Inc., Cerner Corporation, Epic, McKesson Corporation, MEDITECH, NextGen Healthcare Infor-mation System LLC, Novarad Corporation, Wolters Kluwer, Zynx Health(이상 미국) 등이 있다.

Ⅲ. CDSS 기술개발 동향

1. 의료진단 지원 기술

CDSS는 결국 다음과 같은 방법으로 의료진의 의사결정을 지원할 수 있다고 볼 수 있다[7]. 이들은 현재 개발된 CDSS 기술을 바라보는 관점을 제공해 줄 수 있다.

• 진단 지원

의료 지식 시스템을 기반으로 환자의 데이터를 평가하여 의심되는 질환에 대한 진단 정보를 제공한다. 경험이 많지 않은 임상의가 복잡하거나 비연관 질환 케이스를 다룰 때 유용할 수 있음.

• 치료 방법 결정 지원

환자에게 적용 가능한 치료 방법들의 불일치성, 오류, 누락, 가능한 부작용, 기존 사례 성공 확률 등의 정보를 제공하여 임상의 및 환자로 하여금 가장 적절한 치료 방법을 결정할 수 있도록 지원함. 환자의 데이터와 알려진 표준 치료법을 기반으로 제안된 치료 계획들을 평가함. 기존의 많은 방법들이 치료 계획들에 대한 규칙베이스이며 치료 프로토콜 및 가이드라인의 지식베이스

• 처방 결정 지원

의료현장에서 가장 많이 이용되는 CDSS 기술이다. 예를들면, 약들간의 상호작용 정보를 제공하는 기술, 여러 약들을 함께 처방했을 때 나타나는 부작용을 체크할 수 있는 기술, 처방 약의 양적 오류를 체크할 수 있는 기술이 있음.

• 정보검색

환자에 대한 진단 또는 치료계획을 결정하는데 도움될 수 있는 적절하면서도 정확한 데이터를 찾아주는 기술. 검색하는 기능뿐만 아니라 중요도, 적용 가능성 등을 평가할 수 있는 기능을 포함.

• 의료영상 분석

엑스레이에서부터 MRI, CT에 이르는 다양한 의료영상을 해석할 수 있는 기술. 연속된 영상에서 시간에 따라 발생되는 작은 변화를 감지하는 일에서 임상의에게 큰 도움이 되고 있음.

• 위험 알림

환자 모니터링 다비이스로부터 발생하는 신호를 분석하여 환자의 상태 변화로 발생하는 위험을 의료진이 즉각적으로 알아차릴 수 있도록 지원함.

2. 국내 현황

국내의 경우 CDSS는 EMR과 같이 시장확대 및 공급자가 증가하는 추세는 아니며 현재 일부병원(분당 서울대병원, 세브란스병원, 삼성서울병원, 아산병원 등)에서 CDSS를 개발 및 실제 적용하여 사용하고 있다. CDSS에 대한 병원의 인식과 사용은 극히 일부에 한정되어 있으며, 국내 일부의 병원들이 사용 중이긴 하지만 항생제처방, 수혈처방, 중복처방 등의 약물처방의 적성성을 판단하고, 약물을 경구 투입시 기존 복용하고 있는 약물과의 상호작용 등을 고려하여 투입여부를 판단하는 내용들이다. CDSS의 구조는 응용프로그램에 하드코드로 되어 있거나 해당 임상 응용 프로그램에 종속된 단일룰 기반으로 제작되었다.

분당 서울대학교병원은 2003년 전자의무기록을 도입하여 종이·차트·필름 등이 없는 100% 디지털 병원으로 전환하는데 성공하였다. 2013년부터는 CDSS를 도입해서 의료서비스의 질을 향상시키고 의료진뿐만 아니라 환자들의 만족도를 높여주는 차세대 인공지능 병원 시스템을 도입하였다. 이 시스템은 미리 학습된 350여개 체크 로직을 통해 처방 약물의 오류를 실시간으로 검사하여 약화사고 비율을 감소시켰다. 총 13개 진료과에서 146개 표준진료지침(Critical Pathway)을 개발해 입원환자의 32.5%에게 적용하였다. 환자가 내원 시부터 병원 시스템 내 표준진료지침이 적용되고 진료 순서 오류, 수술 및 치료과정에서의 누락이나 중복을 방지해 준다.

서울아산병원은 2010년 12월부터 내 손 안의 차트라는 안드로이드 애플리케이션을 통해 국내 최초의 모바일 Personal Health Record(PHR) 서비스를 지원하고 있다. 주요 기능은 건강관리, 내차트, 투약관리, 진료서비스 기능, 건강정보 등으로 구성되어 있으며 당뇨, 혈당, 비만도 체크 등의 건강관리 기능과 데이터 분석을 통해 10년 내 심혈관 질환 발생확률정보 등을 제공하고 있다.

삼성서울병원은 병원을 방문한 환자 정보를 이용하여 자체적으로 빅데이터를 표준화하고 임상데이터웨어하우스(Clinical Data Warehouse)를 구축하여 의료정보활용과 시스템 연동에 활용하고자 1,000억원이 넘는 예산을 들여 차세대 병원 정보화 시스템을 개발 중이다.

중소기업들은 특정 질환에 특화된 진단 사업에 뛰어들고 있는데 근래 각광받고 있는 딥러닝 알고리즘을 바탕으로 폐암 여부를 진단해주는 소프트웨어를 개발한 뷰노 코리아가 대표적이다. 인공지능 ‘뷰노 메드(Vuno-Med)’는 폐암 환자의 CT 사진과 진단 데이터를 모아 해당 환자의 폐암 여부를 진단해주는 소프트웨어로, 딥런닝 기술을 적용하여 기존 의사의 진단 일치율은 60%에 불과하나, 뷰노 메드는 97%의 정확도를 가지고 있다. 뷰노기술의 핵심은 딥러닝 엔진으로 컨볼루션 신경망(Convolutional Neural Network: CNN), 장-단기 메모리 처리가 가능한 순환 신경망기반의 Long-Short Term Memory(LSTM) 네트워크, 멀티GPU(Graphics Processing Unit) 구현으로 구성한 뷰노 네트를 기반으로 학습, 분류, 세분화, 감지 등이 이뤄지도록 하였다. (그림 2)는 뷰노 메드의 폐암 진단 영상 예시를 보여주고 있다.

(그림 2)

폐암진단을 도와주는 뷰노메드[8]

images_1/2016/v31n4/ETRI_J003_2016_v31n4_77_f002.jpg

뷰노 코리아가 폐암 진단이라면 클디(Cldi)는 유방암 진단을 위한 소프트웨어를 개발하고 있다. 이회사 역시 딥런닝 알고리즘을 이용하여 세포의 분열과정의 이미지들을 분석하여 유방암 조직의 유사분열 세포를 찾아 유방암을 진단하는 기술을 개발하고 있다.

앞서 살펴본 바와 같이 국내 CDSS의 동향은 규칙에 기반한 표준진료지침 생성 및 약물처방시 생기는 약들의 간섭 방지등에 주로 사용되고 있고 최근에는 컴퓨터 단층 촬영(Computed Tomography: CT), 자기공명영상(Magnetic Resonance Imaging: MRI) 영상을 이용한 딥러닝 알고리즘으로 폐암, 유방암 등의 질병의 진단을 보조해 주는 방향으로 발전하고 있다.

3. 국외 현황

IBM Watson은 인공지능 헬스케어 분야에서 선도적인 연구를 진행 및 적용하고 있다. 2012년 미국 뉴욕의 메모리얼 슬론 케터링 암센터(MSKCC)는 폐암 환자에 대한 치료법 진단을 위해 IBM과 협약을 맺고 60만 여건의 의학적 근거, 2백만 페이지의 전문서적, 2만5천 건의 환자 사례를 Watson에 학습시켜 환자별 폐암 치료법 진단에 활용하고자 하였다. 또한, MD 앤더슨은 2013년 10월부터 백혈병 치료를 위한 치료법 진단에 Watson을 시범적으로 적용하였다. 2014년 미국임상학회(ASCO)에서 발표한 연구결과에 따르면 400명의 기존 백혈병 환자들 사례 학습 후, 200명의 백혈병 환자를 대상으로 치료법을 평가하도록 한 결과 의사 판단 대비 82.6%의 정확도를 기록하였다[9]. 뿐만 아니라 MSKCC의 2014년 연구결과에서는 대장암 98%, 자궁경부암 100% 등 타 질병에 대해서도 높은 수준의 진단 정확도를 보였다[10]. 각 질환별 진단 정확도는 <표 1>에서 확인할 수 있다.

<표 1>

IBM Watson의 질병진단 정확도[10]

images_1/2016/v31n4/ETRI_J003_2016_v31n4_77_t001.jpg

Massachusetts General Hospital은 질병진단을 위해 DXplain[11]을 도입하여 환자의 징후, 증상, 랩(LABoratory) 결과와 같은 환자 데이터를 기반으로 순위를 포함한 진단들을 제공해 준다. 특히, 의료 지식베이스에 기반한 확룔을 질병진단 모델에 적용하였으며, 의학 자문 교육도구를 제공하여 의료지식이 부족한 의대 학생들이 경험에 의한 부족한 지식을 보완하는 용도로 활용할 수 있도록 하였다. 2,400개가 넘는 질병에 대한 상세정보와 각 질병에 연관 참고문헌도 최대 10개까지 제시해준다. DXplain은 처방 결정 지원 기술이 주 기술이라 할 수 있으며, 정보검색 기술의 일부 기능을 제공한다고 할 수 있다.

VisualDX는 피부질환 특히 발진과 같은 육안으로 진단이 가능한 질환에 특화된 CDSS이다. 미국의 절반 이상의 메디컬 스쿨과 1500개가 넘는 의료 기관에서 채택될 만큼 표준 전자 월드 클래스의 의료 영상 라이브러리에서의 검색 기능과 전문가의 의료지식을 기반으로 진단, 치료, 자가 교육을 가능하게 하는 툴이다. 이 툴은 정보검색, 진단결정 지원 및 치료방법 결정 지원 기술의 범주에 속한다. (그림 3)에서 스마트폰 환경에서 작동하는 VisualDX의 예시를 확인할 수 있다.

(그림 3)

스마트폰 환경에서 VisualDX의 수행모습[13]

images_1/2016/v31n4/ETRI_J003_2016_v31n4_77_f003.jpg

Post-operative Expert Medical System(POEMS)는 수술 후 환자에게 나타나는 징후 모니터링 및 다른 정보들을 기반으로 환자에게 취할 치료를 결정하는 데 도움을 주는 시스템이다. POEMS는 우선순위를 포함한 후보 진단들을 제시해주고 왜 이런 진단을 내렸는지에 대한 이유를 제시하며, 가능한 치료방법이 어떤 것들이 있는지를 제공한다. 시간에 따라 변화하는 데이터를 분석할 수 있는 기능을 포함하고 있다. 경험이 부족한 의료진이 의료현장에서 발생하는 문제에 즉각적으로 대처할 수 있도록 지원해줄 수 있을 것으로 기대하고 있다. POEMS는 진단결정 지원 및 치료방법 결정 지원 기술의 범주에 속한다.

Glucose Regulation for Intensive Care Patients(GRIP) 프로그램은 혈당 수치와 환자의 다른 의료정보를 이용하여 얼마나 많은 인슐린을 투여해야 하는지, 그리고 얼마나 자주 혈당을 체크해야하는지를 간호사에게 알려준다. 또한, 극단적인 혈당 수치가 모니터링되는 경우 메일을 통해 정보를 의료진에게 알려주는 기능도 포함하고 있다. 이 기술은 위험알림 기술의 범주에 든다고 할 수 있다.

Ⅳ. 차세대 CDSS 전망

현재는 전통적인 규칙기반 CDSS이 주로 사용되고 있고 의료 분야 빅데이터를 인공지능 기술을 통해 분석 가능한 비규칙기반 CDSS에 연구가 IBM Watson Health를 필두로 증가하고 있다. 이에 Watson Health의 발전방향을 토대로 미래의 CDSS의 모습을 예측해볼 수 있다. Watson Health는 Natural Language Processing (NLP)를 기반으로 방대한 양의 의학논문, 임상시험, 가이드라인 등 의료분야 빅데이터를 학습하고, 학습된 지식을 기반으로 의료임상 분야의 자연어 질문에 대한 답변을 근거와 함께 제공하는 임상의사결정지원 시스템이다. Watson Health는 질문에 대한 답을 도출하기 위해 다음 과정으로 구성된 Deep Question-Answering (DeepQA)라는 인공지능 기술을 이용하고 있다[12].

(1) 자연어 질문 분석

(2) 답변 가설 생성

(3) 학습된 지식 기반 가설별 근거 추출 및 스코어

(4) 근거 기반 가설 신뢰도 평가 및 우선순위화

우선 임상의사결정에 사용하는 빅데이터에 있어서, 현재의 CDSS는 일반적인 의료지식을 학습하는 데 초점을 맞추고 있다. 다가오는 미래에는 학습된 일반적 의료지식을 기반으로 다양한 종류의 구체적 질병에 연관된 방대한 지식들을 추가로 학습하여 특정 질환에 특화된 임상의사결정을 수행할 수 있게 될 것이다. 실제 Watson Health는 미국 Memorial Sloan Kettering Cancer Center의 암환자 기록 및 임상 연구결과들을 Watson에게 학습시키기로 결정하였고[14], New York Genome Center의 종향 의학 관련 지식들을 학습하여 뇌종양 환자에서 적용할 수 있도록 추진 중이다[15]. 또한, 미래에는 학습하는 데이터의 양이 급증하고, 구체적인 질환 분야에 대한 전문지식의 비중이 높아지면서 임상의사결정지원을 위한 인공지능 기반 분석 및 예측의 정확도가 크게 증가될 것으로 예상된다.

다음으로 임상의사결정에 필요한 인공지능 알고리즘에서, 현재의 전통적인 CDSS는 통계분석 결과 및 규칙 기반 알고리즘이 주를 이루지만, Watson Health는 위에서 언급한 DeepQA 방법을 기반으로 다양한 종류의 빅데이터로부터 필요한 정보를 추출하고, 스코어링하여 최적의 결과를 도출할 수 있도록 설계되어 있다. 미래에는 이와 같은 프레임워크에 딥러닝과 같은 빅데이터 기반의 정교한 인공지능 알고리즘이 도입되어 정확도가 크게 향상될 것으로 기대된다. 최근 이슈가 된 이세돌과 구글 딥마인드 알파고의 바둑대결에서 볼 수 있듯이, 딥러닝은 이미지 분류 및 음성인식 등의 분야에서 탁월한 성능을 보여주고 있고, 최근에는 이것을 의료 분야에 적용하는 것이 시도되고 있다. 딥러닝은 빅데이터 환경일수록 굉장히 정교한 모델링이 가능하여 높은 정확도를 나타내기 때문에 다양한 질환에 대한 데이터들이 축적되면, 각 질환별로 진단 및 예측에 관한 정교한 딥러닝 모델이 만들어질 수 있고, 이를 통해 신뢰도 높은 임상의사결정지원이 가능할 것으로 기대된다.

이와 같이 빅데이터를 기반으로 한 정교한 인공지능 엔진으로 구축된 CDSS를 활용하여 변화될 미래의 의료에 대해 디지털 헬스케어 연구소의 최윤섭 소장은 최근 인터뷰에서 정밀의료(Precision medicine)와 예방의료(Preventive medicine)를 언급하였다[16]. 정밀의료는 환자들의 서로 다른 개별적 특성을 고려하여 차별적인 치료를 제공하는 것을 목적으로 한다. 최근 전사체(transcriptome), 단백질체(proteome), 대사체(metabolome) 등 -체학(omics) 분야의 대규모 연구 결과들이 발표되고 있고 미래에는 개인별로 이와 같은- 체학 빅데이터가 축적될 것이다. 때문에, 미래의 CDSS는 기존에 주로 다루고 있는 의료임상정보뿐만 아니라 이와 같은 생물학, 생리의학 정보들을 추가하여 분석함으로써 개인에 특화되고, 정확도가 매우 향상된 정밀의료를 실현할 수 있을 것으로 생각된다. 예방의료는 환자의 종합적 상태를 실시간으로 파악하여 모니터링 함 으로서 질병의 진행 징후를 미리 파악하는 것을 목적으로 한다. 최근 다양한 바이오 센서를 내장하고 있는 웨어러블 디바이스들의 보급이 증가되고 있고, 사물인터넷이 급격하게 발전됨으로써 개인화된 다양한 생체정보를 얻을 수 있다. 센서로부터 실시간으로 얻어지는 방대한 양의 정보를 고속으로 분석할 수 있는 기술이 도입되고, 인공지능 기술을 통해 매우 정확하게 질병의 징후를 예측할 수 있는 CDSS가 구현됨으로써 개인에 특화된 예방의료가 실현될 수 있을 것으로 예상된다.

Ⅴ. 결론

CDSS는 의료 전문가들이 의학적인 판단을 할 때 그들의 의사결정을 도와주는 목적으로 만들어진 시스템이다. CDSS가 가능 하기 위해선 의료기관에서 전자의무기록 시스템의 도입이 필수적이다. 전자의무기록이란 기존의 종이 차트를 탈피, 환자의 개인/건강 정보를 전산화해서 관리하는 형태를 말한다. CDSS는 전자의무기록 정보를 바탕으로 의학적 지식을 데이터베이스화 한다.

국외 현황을 보면, IBM Watson이 선도적인 연구를 진행하고 있으며 부분적인 조건 아래에서 80% 이상의 예측 정확도를 보여주고 있다[10]. 2015년에 설립된 Watson Health에서 Memorial Sloan Kettering 암센터 및 MD Anderson 암센터와 협력해 AI를 활용한 진료 서비스를 제공하고 있다. 국내에서는, 분당서울대병원, 한림대학교의료원, 가천대 길병원 등에서 자체적인 CDSS를 적용하고 있다[17].

CDSS는 아직 기술의 성숙도와 활용성이 높지 않다. 통합된 전자의무기록 시스템의 부재로 각 의료기관들은 자체적인 전자의무기록을 활용해서 CDSS를 구축하기 때문이다. 통합된 전자의무기록을 가지고 시스템을 개발한다면 방대한 데이터를 활용해서 보다 범용적이고 정밀한 CDSS를 구축할 수 있을 것이다. 통합이 어려운 이유는 법률적인 규제, 기술적 난이도 등이 있다. 현재 의료법상 국내에서는 병원간 의료정보 공유가 불가능하다. 또한, 의료정보 표준화나 공유에 대한 구체적인 가이드라인이 없어서 기술이 있어도 실제 현장에 쉽게 도입할 수 없는 상황이다[18]. 세계적으로 의료IT솔루션이 클라우드 환경에서 제공되는 추세로 진화하고 있는 만큼 CDSS의 활성화를 위해 제도적인 개혁이 필요한 부분이 있다.

개별적인 전자의무기록을 해야 의료 빅데이터를 활용할 수 있지만, 통합이 쉽지 않다. 현재 미국에서 100개가 넘은 전자의무기록 통합 업체가 있지만 최근 연구에 따르면 이들은 모두 수동으로 데이터를 통합하고 있다[19]. 각 전자의무기록의 스키마(Schema)가 다르기 때문에 이를 자동으로 통합하기란 매우 어려운 일이다. 일대일의 데이터 매칭을 통한 통합이 아니라 보다 높은 레벨에서의 통합을 통해 방대한 의료정보를 활용할 수 있는 방안이 필요하다. 방대한 데이터를 통해 의학적으로 10년 전에는 절대 알지 못했던 흐름이나 연관성을 찾을 수 있을 것으로 기대된다[20].

현재 CDSS는 주로 비정형적인 의료 데이터로 규칙 기반에 기초적인 지원을 하는 시스템이다[19]. 최근 학계에서 주목하고 있는 딥 러닝 등 기계학습 기술을 CDSS에 부분적으로 적용한다면 미처 알 지 못했던 의학적 지식을 활용할 수 있다. 하지만 딥러닝은 설명력이 부족하다는 단점 때문에 이를 의학적인 목적으로 사용하기는 아직 조심스럽다. 그러나, 기계학습을 잘 활용한다면 의학 문헌자료에서 최신 연구 내용들은 CDSS에 빠르게 적용시킬 수 있다. 이를 통해 최신 연구가 의학적인 진단에 바로 반영이 될 수 있다. 발전된 영상처리 기술을 활용하여 의료영상분석기술을 통한 의료영상 데이터까지 통합 된다면 통합적인 CDSS를 제공할 수 있을 것이다.

실제로 사용이 가능한 CDSS가 개발되기 위해선 임상의들의 주도적인 참여가 필요하다. CDSS의 주 사용자는 임상의이기 때문에 시스템은 이들이 실제로 원하고 유용하고 사용할 수 있는 형태로 만들어 져야 한다. 현실과 이상의 괴리를 없애기 위해서 기획, 개발 그리고 평가단계에서까지 임상의들의 노력이 필요하다. 또한, 의료 분야는 공공성의 성격이 짙으므로 민간 기관에서 주관하는 연구에는 제한점이 있다. 공공기관에서 주관 또는 각 의료기관이 공동으로 주관해서 의료 선진화를 위한 노력이 필요한 부분이다.

약어 정리

CAGR

Compound Annual Growth Rate

CDSS

Clinical Decision Support System

CNN

Convolutional Neural Network

CT

Computed Tomography

DL

Deep Learning

DUR

Drug Utilization Review

EMR

Electronic Health Records

GPU

Graphics Processing Unit

GRIP

Glucose Regulation for Intensive Care Patients

LSTM

Point-wise mutual information

MRI

Magnetic Resonance Imaging

NLP

Natural Language Processing

PHR

Personal Health Record

POEMS

Post-operative Expert Medical System

[1] 

https://www.hira.or.kr/rg/dur/form.do?pgmid=HIRAA030033000000

[2] 

https://en.wikipedia.org/wiki/Clinical_decision_support_system

[3] 

조인숙, 김정아, “평생전자건강진료기록(Electronic Health Records) 기반 임상의사결정지원 시스템 연구 동향,” 정보과학회지, vol. 29, no. 2, 2011, pp. 92-100.

[4] 

MarketsandMarkets, “Clinical Decision Support System (CDSS) Market by Product - Integrated(EHR, CPOE)], Model(Knowledge-based), Applica-tions(Drug Allergy Alerts, Drug Interactions), Delivery Mode(Web-based, Cloud-based), Component(Hardware, Software) - Global Forecast to 2018,” Feb. 2014.

[5] 

P&S Market Research, “Global Clinical Decision Support System(CDSS) Market Size, Share, Development, Growth and Demand Forecast to 2022 - Industry Insights by Product(Integrated and Standalone), by Application (Drug Dosing Support, Clinical Guidelines, Clinical Reminders, Drug-Drug Interactions, Drug Allergy Alerts, and Others), by Model(Knowledge-Based, and Non-Knowledge-Based), by Mode of Delivery(Web-Based, Cloud-Based and On-Premises), by Component(Software, Hardware, and Ser-vices), and by Healthcare Provider Entity Capacity,” Feb. 2016.

[6] 

MarketsandMarkets, “Clinical Decision Support System(CDSS) Market by Product - Integrated(EHR, CPOE)], Model (Knowledge-based), Applications(Drug Allergy Alerts, Drug Interactions), Delivery Mode(Web-based, Cloud-based), Component(Hardware, Software) - Global Forecast to 2018,” Feb. 2014.

[7] 

A.B. AL-Badareen et al., “A Review on Clinical Decision Support Systems in Healthcare,” Journal of Convergence Information Technology(JCIT), vol. 9, no. 2, 2014, pp. 125-135.

[8] 

http://www.vuno.co/home/

[9] 

A.S. Epstein et al, “Next Steps for IBM Watson Oncology: Scalability to Additional Malignancies,” ASCO Annual Meeting Proceedings, 2014.

[10] 

K. Takahashi et al, “MD Anderson's Oncology Expert Advisor powered by IBM Watson: A Web-Based Cognitive Clinical Decision Support Tool,” ASCO Annual Meeting Proceedings, 2014.

[11] 

G. Octo Barnett et al., “DXplain: An Evolving Diagnostic Decision-Support System,” Journal of American Medical Association, vol. 258, no. 1, July 3rd, 1987, pp. 67-74.

[12] 

D. Ferrucci, “Building Watson: An Overview of the DeepQA Project,” AI Magazine, vol. 31, no. 3, 2015.

[13] 

http://www.visualdx.com

[14] 

https://www.mskcc.org/blog/msk-trains-ibm-watson-help-doctors-make-better-treatment-choices

[15] 

http://www.nygenome.org/news/clinicians-tap-watson-to-accelerate-dna-analysis-and-inform-personalized-treatment-options-for-patients/

[16] 

http://aftertherain.kr/10년-뒤-의료는-어떻게-바뀔까

[17] 

IT조선, “[SW중심사회] 인공지능, 생활속에 들어오다,” 2016. 4. 26.

[18] 

디지털 타임스, “규제에 성장막힌 의료IT, 국내시장 포기기업 속출,” 2016. 4. 7.

[19] 

C. Castaneda et al., “Clinical Decision Support Systems for Improving Diagnostic Accuracy and Achieving Precision Medicine,” Journal of Clinical Bioinformatics, vol. 5, no. 4, 2015.

[20] 

안재후, “빅데이터가 삶을 구할 수 있을까?,” 서울경제, 2016. 4. 20.

(그림 1)

세계의 CDSS 시장 연평균 성장률 추이[6]

images_1/2016/v31n4/ETRI_J003_2016_v31n4_77_f001.jpg
(그림 2)

폐암진단을 도와주는 뷰노메드[8]

images_1/2016/v31n4/ETRI_J003_2016_v31n4_77_f002.jpg
(그림 3)

스마트폰 환경에서 VisualDX의 수행모습[13]

images_1/2016/v31n4/ETRI_J003_2016_v31n4_77_f003.jpg
<표 1>

IBM Watson의 질병진단 정확도[10]

images_1/2016/v31n4/ETRI_J003_2016_v31n4_77_t001.jpg
Sign Up