eBook

챕터 2

조기 진단을 실현하고 임상 의사결정을 지원하는 AI

최근 보도에 따르면 미국의 사망 원인 중 3위는 의료 과실입니다[2]. 대부분은 오진 및 미진단 등 진단 관련 과실입니다. 미국인의 대부분은 일생 중에 이러한 오진을 최소 한 번 경험하고 그중 10%는 사망에 이르게 됩니다[2] [3].

AI를 이용하면 정보 처리와 의사결정의 효율이 높아지고 실수가 발생할 가능성이 낮아집니다. 아래의 예는 AI 기반 기기가 어떻게 의료 제공자들이 의료 영상, 생리 신호 또는 환자 건강 기록으로부터 직접 향상된 진단 결과를 내리도록 도와주는지 보여줍니다.

AI 기반의 실시간 심장 및 전기 활성도 지도는 의사들이 심방세동에 대한 수술적 중재를 특정하도록 돕습니다. (이미지 출처: Corify Care)

관성 센서와 머신러닝을 사용한 노인 낙상 위험 평가

과제

매년 65세 이상 성인 3명 중 거의 1명이 낙상을 경험하며, 낙상은 이 연령대의 치명상 및 비치명적 부상의 주요 원인이 되고 있습니다.

솔루션

Kinesis Health Technologies는 QTUG™(Quantitative Timed Up and Go)라는 기기를 개발했으며 이는 환자의 다리에 장착한 무선 관성 센서를 사용하여 낙상 위험, 노쇠, 이동 장애를 선별하는 객관적이고 정량적인 방법입니다. 최종 제품은 MATLAB으로 개발한 AI 기반 모델을 활용하여 FRE(낙상 위험 추정값) 및 FI(노쇠 지수)를 계산합니다.

  • QTUG 테스트에서 환자는 양쪽 다리의 무릎 아래에 각각 1개씩 두 개의 무선 관성 센서를 착용합니다. 각 센서에는 가속도계와 자이로스코프가 포함되어 있습니다.
  • 센서에서 수집한 데이터에서 고주파 잡음을 제거하기 위해 그들은 Signal Processing Toolbox™의 필터 디자이너로 설계한 디지털 필터를 사용했습니다.
  • 이 팀은 Statistics and Machine Learning Toolbox™를 사용하여 예측도가 가장 높은 특징의 부분 집합을 선택하고 MATLAB에서 구현한 정규화된 판별 분류기 모델을 검증했습니다.
  • 팀은 수천 명의 환자에게서 수집한 임상 시험 데이터로 모델을 훈련시키고 조합된 분류기가 산출한 결과를 평가했습니다.
  • 새로운 참조 데이터셋에 기초하여 분류기 계수를 업데이트하기 위해 엔지니어들은 MATLAB에서 계수를 리소스 파일로 내보내고 해당 파일을 빌드에 통합했습니다.
QTUG 테스트에서 수집한 메트릭의 로그.

환자의 정량적 메트릭. (이미지 출처: Kinesis Health Technologies)

결과

지금까지 8개 국가의 임상의들이 QTUG를 사용하여 20,000명 이상의 환자를 평가했습니다. 팀은 새로운 결과가 나오는 대로 지속적으로 참조 데이터셋을 개선하고 있습니다. 이 팀은 Java®에서 개발할 때에 비해 개발 시간이 3배 빨라졌으며 미국 FDA, Health Canada, EMA(European Medicine Agency) 클래스 1 기기로서 등록하고 출시하는 시간이 단축된 것으로 추정하고 있습니다.

기사 보기

참고문헌

[2] Makary, Martin A, and Michael Daniel. “Medical Error—the Third Leading Cause of Death in the US.” BMJ, May 3, 2016. https://doi.org/10.1136/bmj.i2139.

[3] Balogh, Erin, Bryan T. Miller, and John Ball. Improving Diagnosis in Health Care. Washington, DC: The National Academies Press, 2015.