AI가 연구자들의 의료 기록 검토에 도움을 줄 수 있다는 연구 결과가 나왔다

스탠포드 의대 연구자들은 전자 의무 기록에서 수천 개의 의사 기록을 읽고 추세를 감지하여 의사와 연구자들이 치료를 개선하는 데 도움이 되는 정보를 제공할 수 있는 인공지능 도구를 개발했습니다.

일반적으로, 치료에 대한 질문에 대한 답을 찾는 전문가들은 수백 개의 진료 기록을 꼼꼼히 살펴봐야 합니다. 하지만 새로운 연구에 따르면 복잡한 서면 언어에서 패턴을 찾을 수 있는 AI 도구인 대규모 언어 모델이 이런 번거로운 일을 대신할 수 있으며, 그 발견은 실용적인 용도가 있을 수 있습니다. 예를 들어, AI 도구는 약물 간의 위험한 상호 작용에 대한 언급을 확인하기 위해 환자의 진료 기록을 모니터링하거나, 의사가 특정 치료에 잘 반응하거나 잘 반응하지 않는 환자를 식별하는 데 도움이 될 수 있습니다.

12월 19일 Pediatrics 에 온라인으로 게재된 연구에 따르면 , AI 도구는 주의력 결핍 과잉 행동 장애가 있는 어린이가 새로운 약을 처방받은 후 적절한 후속 치료를 받았는지 의료 기록을 통해 파악하도록 설계되었습니다.

연구의 주저자인 소아과 조교수인 야이르 바넷 박사는 "이 모델을 통해 ADHD 관리의 몇 가지 차이점을 파악할 수 있습니다."라고 말했습니다.

이 연구의 수석 저자는 발달 및 행동 소아과 발린저-스윈델스 기부 교수인 하이디 펠드먼 박사입니다.

바넷은 연구진이 해당 도구의 통찰력을 활용해 의사들이 ADHD 환자와 그 가족을 추적하는 방법을 개선할 수 있는 전략을 찾아냈다고 언급하며, 이러한 AI 도구의 힘이 의료의 여러 측면에 적용될 수 있다고 덧붙였습니다.

인간에게는 힘든 일이지만 AI에게는 쉬운 일

전자 의료 기록에는 컴퓨터가 많은 환자를 쉽게 비교할 수 있는 형식으로 실험실 결과나 혈압 측정과 같은 정보가 들어 있습니다. 하지만 다른 모든 것(의료 기록의 약 80%)은 의사가 환자의 치료에 대해 작성하는 메모에 들어 있습니다.

이러한 노트는 환자의 차트를 읽는 다음 사람에게는 편리하지만, 자유형 문장은 대량으로 분석하기 어렵습니다. 이러한 덜 체계적인 정보는 연구에 사용하기 전에 분류해야 하며, 일반적으로 노트를 읽고 특정 세부 사항을 찾는 사람이 사용합니다. 새로운 연구는 연구자들이 대신 인공 지능을 그 작업에 사용할 수 있는지 살펴보았습니다.

이 연구에서는 6~11세의 1,201명의 어린이의 의료 기록을 사용했으며, 이들은 같은 의료 네트워크의 11개 소아과 일차 진료소에 입원해 있었고, 최소한 한 가지 ADHD 약물을 처방받았습니다. 이러한 약물은 어린이의 식욕을 억제하는 등 파괴적인 부작용을 일으킬 수 있으므로, 의사가 환자가 처음 약물을 사용할 때 부작용에 대해 문의하고 필요에 따라 복용량을 조절하는 것이 중요합니다.

이 팀은 의사의 메모를 읽도록 기존의 대규모 언어 모델을 훈련시켜, 새로운 약을 복용한 첫 3개월 동안 어린이 또는 부모에게 부작용에 대해 질문했는지 알아보았습니다. 이 모델은 연구자들이 검토한 501개의 메모 세트에 대해 훈련되었습니다. 연구자들은 부작용의 존재 또는 부재(예: "식욕 감소" 또는 "체중 감소 없음")를 언급한 메모를 후속 조치가 있었음을 나타내는 것으로 간주했고, 부작용에 대한 언급이 없는 메모는 후속 조치가 없었음을 의미하는 것으로 간주했습니다.

이러한 인간이 검토한 노트는 AI에서 모델의 "기본 진실"로 알려진 것으로 사용되었습니다. 연구팀은 노트 411개를 사용하여 모델에 부작용에 대한 문의가 어떤 것인지 가르쳤고, 나머지 90개 노트는 모델이 그러한 문의를 정확하게 찾을 수 있는지 확인하는 데 사용했습니다. 그런 다음 추가로 363개 노트를 수동으로 검토하고 모델의 성능을 다시 테스트하여 노트의 약 90%를 올바르게 분류했다는 것을 발견했습니다.

대규모 언어 모델이 잘 작동하자 연구원들은 이를 사용하여 환자 차트에 있는 15,628개의 모든 메모를 빠르게 평가했습니다. 이는 AI가 없었다면 풀타임 근무로 7개월 이상 걸렸을 작업입니다.

분석부터 더 나은 치료까지

AI 분석에서 연구자들은 그렇지 않았다면 발견하지 못했을 정보를 찾아냈습니다. 예를 들어, AI는 일부 소아과 진료소가 환자 부모와 전화 통화 중에 약물 부작용에 대해 자주 질문하는 반면, 다른 진료소는 그렇지 않다는 것을 알아냈습니다.

"그것은 우리가 한 것처럼 16,000개의 지폐에 이 모델을 적용하지 않았다면 절대 감지할 수 없는 일입니다. 왜냐하면 인간은 앉아서 그런 일을 하지 않을 테니까요."라고 바넷은 말했습니다.

AI는 또한 소아과 의사가 특정 약물에 대한 후속 질문을 덜 자주 한다는 것을 발견했습니다. ADHD가 있는 어린이는 각성제를 처방받을 수 있고, 덜 흔하게는 일부 유형의 항불안제와 같은 비각성제 약물을 처방받을 수 있습니다. 의사는 후자의 약물에 대해 질문할 가능성이 낮았습니다.

바넷은 이번 발견은 AI가 할 수 있는 일의 한계를 보여주는 사례라고 말했습니다. 즉, AI가 환자 기록에서 패턴을 감지할 수는 있지만 그 패턴이 왜 존재하는지 설명할 수는 없다는 것입니다.

그는 "이 문제를 이해하기 위해 소아과 의사들과 꼭 상의해야 했습니다."라며, 소아과 의사들이 각성제의 부작용을 관리하는 데 더 많은 경험이 있다고 말했다고 언급했습니다.

연구자들은 AI 도구가 분석에서 약물 부작용에 대한 문의 중 일부를 놓쳤을 수 있다고 말했습니다. 부작용에 대한 대화 중 일부는 환자의 전자 의료 기록에 기록되지 않았을 수 있으며, 일부 환자는 정신과 의사와 같은 전문 치료를 받았지만 이 연구에 사용된 의료 기록에는 추적되지 않았습니다. AI 도구는 또한 여드름 약과 같은 다른 질환에 대한 처방의 부작용에 대한 몇 가지 의사 메모를 잘못 분류했습니다.

AI를 안내하다

과학자들이 의학 연구를 위한 AI 도구를 더 많이 구축함에 따라, 그들은 도구가 무엇을 잘하고 무엇을 잘하지 못하는지 고려해야 한다고 Bannett은 말했습니다. 수천 개의 의료 기록을 분류하는 것과 같은 일부 작업은 적절하게 훈련된 AI 도구에 이상적입니다.

그는 의료 환경의 윤리적 함정을 이해하는 것과 같은 다른 것들은 신중한 인간의 사고가 필요할 것이라고 말했습니다. Bannett과 동료들이 최근 Hospital Pediatrics 에 게재한 사설은 잠재적인 문제 중 일부와 이를 해결하는 방법을 설명합니다.

"이러한 AI 모델은 기존 의료 데이터로 훈련되었으며, 수년에 걸친 많은 연구를 통해 의료에 격차가 있다는 것을 알고 있습니다."라고 Bannett은 말했습니다. 연구자들은 AI 도구를 구축하고 이를 작업에 적용할 때 이러한 편견을 완화하는 방법을 생각해야 하며, 적절한 주의가 있다면 AI가 의사들이 업무를 더 잘 수행할 수 있도록 도울 수 있는 잠재력에 대해 기대하고 있다고 그는 덧붙였습니다.

"각 환자는 각자의 경험을 가지고 있고, 임상의는 각자의 지식 기반을 가지고 있지만, AI를 사용하면 대규모 인구의 지식을 손끝에 제공할 수 있습니다."라고 그는 말했습니다. 예를 들어, AI는 결국 의사가 환자의 나이, 인종 또는 민족, 유전적 프로필, 진단 조합을 기반으로 특정 약물로 인해 개인이 나쁜 부작용을 겪을 가능성이 있는지 예측하는 데 도움이 될 수 있다고 그는 말했습니다. "이를 통해 의사는 의료 관리에 대한 개인화된 결정을 내리는 데 도움이 될 수 있습니다."

이 연구는 스탠포드 모자건강연구소와 국립정신건강연구소의 지원을 받아 진행되었습니다(지원금 K23MH128455).

출처: https://www.sciencedaily.com/releases/2024/12/241220132929.htm