Interoperability of standardised electronic healthcare records facilitates transfer learning of clinical language models
본 연구는 전자 건강 기록을 OMOP 공통 데이터 모델로 표준화하는 것이 인구통계학적 차이와 어휘의 한계에도 불구하고 응급 입원 재입원에 대한 높은 예측 성능을 달축하며 다양한 영국 내 데이터셋 간의 임상 언어 모델 전이 학습을 효과적으로 가능하게 한다는 점을 입증한다.
원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. 이것은 동료 심사를 거치지 않은 프리프린트의 AI 생성 설명입니다. 의학적 조언이 아닙니다. 이 내용을 바탕으로 건강 관련 결정을 내리지 마세요. 전체 면책 조항 읽기
병원과 의원들은 환자에 대한 방대한 양의 디지털 기록을 지속적으로 생성합니다. 이러한 전자 기록에는 모든 방문 이력, 모든 처방, 그리고 모든 검사 결과가 포함되어 있습니다. 그러나 서로 다른 시스템들이 이 정보를 기록하는 방식은 종종 일관되지 않습니다. 어떤 클리닉은 고혈압 수치에 대해 특정 코드를 사용하는 반면, 다른 곳은 정확히 같은 현상에 대해 완전히 다른 코드를 사용할 수도 있습니다. 이러한 통일성의 결여는 서로 다른 곳의 데이터를 결합하여 패턴을 찾거나 컴퓨터가 건강 트렌드를 인식하도록 가르치는 것을 어렵게 만듭니다. 이를 해결하기 위해 연구자들은 의료 데이터의 보편적 번역기라고 불리는 '공통 데이터 모델(common data model)'을 개발했습니다. 이것을 서로 다른 코딩 시스템이 의료 사건의 의미에 동의하도록 강제하는 공유 사전이라고 생각하면 됩니다. 이는 혼란스러운 지역별 약어들을 하나의 표준화된 언어로 변환해 줍니다. 연구의 희망은 만약 컴퓨터가 한 환자 집단으로부터 이 보편적 언어를 이해하는 법을 배운다면, 처음부터 다시 학습할 필요 없이 다른 곳에 있는 완전히 다른 환자 집단에도 그 지식을 적용할 수 있을 것이라는 점에 있습니다.
최근 한 연구에서 연구자들은 이 아이디어가 실제 세계에서 작동하는지 테스트하기 위해 영국의 두 가지 대규모 건강 기록 컬렉션을 사용했습니다. 그들은 특정 과업에 집중했습니다: 환자가 퇴원 후 30일 이내에 응급 상황으로 인해 병원에 다시 입원해야 할지 여부를 예측하는 것입니다. 그들이 선택한 두 데이터 소스는 상당히 달랐습니다. 하나는 영국 전역의 일반 진료소 네트워크에서 온 데이터였고, 다른 하나는 런던의 진료소에서만 온 데이터였습니다. 이 두 집단은 연령, 인종, 경제적 배경 면에서 차이가 있었으며, 각 시스템의 컴퓨터는 원래 서로 다른 코딩 시스템을 사용하여 의료 기록을 기록했습니다. 연구자들은 먼저 두 기록 세트를 앞서 언급한 표준 보편적 언어로 번로했습니다. 그런 다음, 정교한 컴퓨터 프로그램인 '임상 언어 모델(clinical language model)'을 훈련시켜 첫 번째 데이터셋의 패턴을 이해하도록 했습니다. 이 프로그램은 의료 사건의 순서를 읽고 미래의 응급 재입원 가능성을 추측하는 법을 배웠습니다.
결정적인 테스트는 연구자들이 훈련된 프로그램을 두 번째 데이터셋인 런던 데이터에 대해 추가적인 훈련 없이 살펴보라고 요청했을 때 이루어졌습니다. 그들은 첫 번째 집단에서 얻은 지식이 두 번째 집단으로 전이될 수 있는지 확인하고 싶었습니다. 결과는 고무적이었습니다. 런든 데이터를 본 적이 없는 이 모델은 처음부터 해당 집단에 맞춰 특별히 훈련된 모델만큼이나 새로운 집단에서 거의 비슷하게 잘 수행되었습니다. 이 모델은 위험이 있는 환자를 높은 정확도로 올바르게 식별해 냈으며, 사전 학습 없이 처음부터 구축된 모델보다 훨씬 뛰어난 성능을 보였습니다. 이는 데이터 표준화가 컴퓨터로 하여금, 비록 서류상으로는 매우 달라 보일지라도, 서로 다른 인구 집단 전반에 적용되는 건강 위험에 대한 일반적인 원칙을 학습할 수 있게 해주었음을 시사합니다.
연구자들은 또한 어떤 부분이 이러한 예측을 주도하는지 이해하기 위해 더 깊이 파고들었습니다. 그들은 가장 중요한 정보가 환자의 질병 이력과 증상 또는 신체 검사 소견과 같은 의사의 관찰 내용에서 나온다는 것을 발견했습니다. 흥게롭게도, 약물 목록이나 특정 측정 수치와 같은 다른 요인들의 중요성은 사용된 데이터셋에 따라 달랐습니다. 한 그룹에서는 약물 데이터를 제거했을 때 모델의 성능이 향상된 반면, 다른 그룹에서는 측정 데이터를 제거했을 때 동일한 효과가 나타났습니다. 이는 보편적 언어가 컴퓨터가 큰 그림을 이해하는 데 도움을 주었지만, 가장 중요한 구체적인 세부 사항은 여전히 데이터가 원래 어떻게 수집되고 조직되었는지에 따라 달라질 수 있음을 나타냅니다.
이러한 성공에도 불구하고, 이 연구는 몇 가지 실질적인 한계를 강조했습니다. 기록을 표준 언어로 번역하는 과정은 완벽하지 않았습니다. 특정 지역 코드가 보편 사전과 직접적으로 일치하는 대응 항목이 없었기 때문에 일부 정보가 손실되었습니다. 또한 컴퓨터 프로그램은 제한된 어휘력을 가지고 있어서, 새로운 데이터셋에서 마주치는 모든 코드를 인식할 수 없었습니다. 그럼에도 불구하고 핵심적인 발견은 견고합니다: 지저분한 지역 의료 기록을 표준화된 형식으로 변환함으로써, 연구자들은 서로 다른 병원과 지역에서 작동하는 강력한 도구를 구축할 수 있습니다. 이 접근 방식은 의료 예측 도구가 단일 시스템에 갇히지 않도록 하여, 한 공동체로부터 얻은 통찰력이 지역적 코딩 습관이나 인구 통계적 구성의 차이와 관계없이 잠재적으로 다른 환자들에게 혜택을 줄 수 있는 유망한 길을 제시합니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.