Cannabis Use Documentation within the Electronic Health Record: A Use Case for Natural Language Processing Methods

이 연구는 자연어 처리 (NLP) 기술을 활용하여 전자의무기록의 비정형 임상 기록에서 대마초 사용 정보를 자동으로 추출하고 분류하는 모델을 개발하여, 대마초 사용자의 유병률과 관련 위험 요인을 효과적으로 파악할 수 있음을 입증했습니다.

핵심

이 연구 논문은 **"병원 기록 속에 숨겨진 대마초 **(마리화나)에 대한 이야기입니다.

한마디로 요약하면, **"의사들이 컴퓨터에 적어둔 긴 글 **(진료 기록)는 연구입니다.

이 복잡한 내용을 누구나 쉽게 이해할 수 있도록 비유와 예시를 들어 설명해 드릴게요.

---

1. 문제: "보이지 않는 대마초 사용"

병원에는 환자의 건강 상태를 기록하는 거대한 전자책 (전자의무기록, EHR) 이 있습니다. 하지만 대마초를 사용하는지 여부는 보통 '체크박스'에 딱 찍어두지 않습니다. 대신 의사나 간호사가 "환자가 대마초를 가끔 씹는다", "진통제 대신 대마초를 쓴다" 같은 내용을 **긴 수기 **(글)로 적어둡니다.

• 비유: 도서관에 책이 수백만 권 있는데, '대마초'라는 단어가 들어간 책만 찾으려는데, 책 제목이 아니라 책 내용 중간중간에 숨어있다면 어떻게 찾겠습니까? 사람이 일일이 모든 책을 펼쳐서 읽는다면 몇 년이 걸릴 겁니다.

2. 해결책: "AI 비서 (NLP) 의 등장"

연구팀은 이 문제를 해결하기 위해 **인공지능 **(AI)을 고용했습니다. 이 AI 는 '자연어 처리 (NLP)'라는 기술을 사용합니다.

• 비유: 이 AI 는 엄청난 속도로 글을 읽는 초인적인 비서입니다. 이 비서는 수백만 페이지의 진료 기록을 순식간에 훑어보며, "아, 여기엔 대마초 이야기가 있네!", "아니, 여기 'joint(관절)'라는 말은 대마초가 아니라 무릎 통증 이야기네?"라고 구분을 해냅니다.

3. 연구 과정: "AI 훈련시키기"

AI 가 처음부터 다 아는 건 아닙니다. 연구팀은 먼저 **사람들 **(연구진)을 시켜서 진료 기록 3,650 개를 꼼꼼히 읽고 "이건 대마초 사용이야, 이건 아니야"라고 표시해 주었습니다. 이걸 정답지로 만들어 AI 에게 가르쳤습니다.

• 훈련 결과: AI 는 사람과 거의 똑같은 수준 (90% 이상 정확도) 으로 대마초 사용 기록을 찾아냈습니다. 특히 **'Bio-ClinicalBERT'**라는 이름의 AI 모델이 가장 잘했습니다. 마치 의학 전공을 마친 최고의 수석 비서가 된 셈입니다.

4. 발견한 사실: "숨겨진 진실"

이 AI 를 이용해 펜실베이니아주의 170 만 명 이상의 환자 기록을 분석한 결과, 놀라운 사실들이 드러났습니다.

1. 숨겨진 사용량: 기록상으로는 8.6% 만 대마초를 쓴다고 나왔지만, 실제 설문조사 등에서는 더 많은 사람이 쓴다고 합니다. 즉, 병원 기록에는 대마초 사용이 제대로 기록되지 않고 있다는 것을 확인했습니다.
2. 함께하는 습관: 대마초를 사용하는 환자들은 담배, 술, 다른 마약을 함께 사용할 확률이 일반인보다 9~10 배나 높았습니다.
3. 체중: 대마초 사용자의 평균 체질량지수 (BMI) 가 일반인보다 높았습니다. (기존 연구들과는 다른 결과라 연구팀은 "왜 그럴까?"라고 고민했지만, 술을 많이 마시는 등 다른 요인이 작용했을 수도 있다고 설명합니다.)

5. 왜 이 연구가 중요할까요?

이 연구는 단순히 "누가 대마초를 쓰나"를 찾는 것을 넘어, 미래의 의료 시스템을 바꿀 수 있는 가능성을 보여줍니다.

• 비유: 만약 의사가 환자에게 약을 처방할 때, AI 비서가 "이 환자는 대마초를 쓰는데, 이 약과 섞이면 위험할 수 있습니다"라고 알려준다면?
  • 약물 상호작용 방지: 대마초와 다른 약이 섞였을 때 생기는 위험을 미리 막을 수 있습니다.
  • 정확한 진단: 대마초 때문에 생기는 구토나 정신 질환 등을 더 빨리 알아챌 수 있습니다.
  • 연구의 발전: 앞으로 대마초가 우리 건강에 어떤 영향을 미치는지 더 정확하게 연구할 수 있는 기초를 마련했습니다.

결론

이 연구는 **"컴퓨터 속에 숨겨진 대마초 사용 정보를 AI 가 찾아내어, 더 안전하고 정확한 치료를 가능하게 한다"**는 것을 증명했습니다.

앞으로 병원에서는 의사가 일일이 기록을 읽지 않아도, AI 가 자동으로 환자의 대마초 사용 여부를 파악하고 의사에게 "주의하세요!"라고 알려주는 시대가 올 수 있다는 희망을 주는 연구입니다.

기술 요약

논문 기술 요약: 전자의무기록 (EHR) 내 대마초 사용 기록을 위한 자연어 처리 (NLP) 방법론

1. 연구 배경 및 문제 제기 (Problem)

• 문제: 미국에서 대마초 (Cannabis) 사용은 흔하지만, 전자의무기록 (EHR) 내에서의 기록은 주로 비구조화된 자유 텍스트 (Free-text) 형태 (예: 진행 노트, 간호 기록 등) 로 존재합니다. 이는 구조화된 데이터 필드가 아니기 때문에 의료진이 약물 상호작용을 확인하거나, 연구자가 특정 환자 군을 식별하는 데 있어 실질적으로 활용하기 어렵습니다.
• 현황: 기존 연구들은 주로 특정 질환군 (정신병, 수술 전 환자 등) 이나 특정 연령대에 국한된 NLP 적용에 그쳤으며, 전체 인구를 아우르는 포괄적인 분석은 부족했습니다.
• 목표: 비구조화된 EHR 노트에서 대마초 사용 (CU) 관련 정보를 자동으로 식별하고 분류할 수 있는 고성능 NLP 알고리즘을 개발하여, 임상적 의사결정과 역학 연구에 활용할 수 있는 기반을 마련하는 것입니다.

2. 연구 방법론 (Methodology)

가. 데이터 수집 및 전처리 (Data Collection & Preprocessing)

• 대상: 2013 년 1 월 1 일부터 2022 년 6 월 30 일까지 펜실베이니아주 게싱어 (Geisinger) 의료 시스템에서 최소 1 회 이상 진료를 받은 환자 (약 176 만 명).
• 데이터 소스: 간호 기록, 진료 기록, 문제 목록 기반 자유 텍스트 등 총 1 억 3 천 5 백만 건 이상의 EHR 노트 중 대마초 관련 키워드가 포함된 279 만 8 천 건의 텍스트 조각 (Snippets) 을 추출.
• 어휘 개발 (Lexicon): 'Marijuana', 'Cannabis', 'THC', 'CBD', 'Weed' 등 20 가지 이상의 관련 용어를 포함하는 어휘집을 구축.
• 정제 과정:
  • 문맥적 오분류 제거: 'Pot' (Neti pot, Hypotension 등), 'CBD' (Common Bile Duct), 'Joint' (관절 통증 등) 와 같이 대마초와 무관한 문맥에서 사용된 용어는 제외.
  • 부정 표현 제거: "사용 없음 (no use)"과 같은 부정 문장을 필터링.
  • 최종 분석 샘플: 2,790,896 건의 EHR 노트.

나. 수동 주석 (Manual Annotation)

• 레이블링 체계: 6 가지 범주로 분류하여 수동 주석을 수행.
  1. True mention: 대마초를 지칭하는 용어인지 여부.
  2. Patient use: 환자의 사용인지 타인의 것인지.
  3. Indication of use: 사용 사실의 명시적 언급.
  4. Medical use: 의학적 목적 사용.
  5. Current use: 현재 사용 중인지.
  6. History of use: 과거 사용 이력.
• 신뢰도: 3 명의 주석자가 독립적으로 작업하며, 범주별 Kappa 계수 > 0.83 의 높은 상호 주석자 신뢰도 달성. 총 3,650 개의 고유한 훈련 예제 생성.

다. 모델 개발 및 학습 (Model Development)

• 사용된 모델: 4 가지 NLP 모델 비교 평가.
  1. 전통적 머신러닝: 로지스틱 회귀 (LR), 서포트 벡터 머신 (SVM). (Bag-of-words, Unigrams/Bigrams/Trigrams 사용)
  2. 트랜스포머 기반 (Transformer-based): BERT, Bio-ClinicalBERT.
• 학습 설정: 5 교차 검증 (5-fold cross-validation) 수행. Bio-ClinicalBERT 는 Hugging Face 라이브러리를 통해 사전 학습된 모델을 파인튜닝 (Fine-tuning) 함.
• 평가 지표: 정밀도 (Precision), 재현율 (Recall), F-score.

3. 주요 결과 (Key Results)

가. 모델 성능

• 최고 성능 모델: Bio-ClinicalBERT가 'True mention'과 'Indication of use' 분류에서 인간 수준의 성능을 보임.
  • 가중치 평균 F-score: 92.4% (정밀도 91.4%, 재현율 93.3%).
• 기타 모델 비교:
  • SVM 은 'Medical use' 및 'Current use' 분류에서 ClinicalBERT 보다 약간 우수한 성능을 보임.
  • ClinicalBERT 는 'Patient use' 및 'Past use' 분류에서 가장 우수함.
  • 전통적 모델 (LR, SVM) 보다 트랜스포머 기반 모델이 전반적으로 우수한 성능을 보였으나, 'Medical use' 분류는 모든 모델에서 성능이 낮음 (F-score 45~68%).

나. 환자 군 특성 및 유병률

• 대마초 사용자 식별: 전체 176 만 명 중 150,726 명 (8.6%) 이 대마초 사용자로 분류됨.
• 인구통계학적 특징:
  • 대마초 사용자의 평균 BMI 는 전체 인구보다 높음 (28.5 vs 26.9).
  • 비만 (BMI > 30) 비율이 전체 인구 (23.9%) 보다 대마초 사용자군에서 높음 (36.8%).
  • 인종별로는 아시아계보다 아프리카계 미국인에서 대마초 사용 기록이 더 많이 발견됨.
• 동반 약물 사용 (Substance Use):
  • 대마초 사용자는 전체 인구 대비 담배 사용 10 배, 알코올 사용 10 배, 불법 약물 사용 9 배 더 높은 확률을 보임.

4. 연구의 공헌 및 의의 (Contributions & Significance)

• 포괄적 접근: 특정 하위 집단이 아닌, 단일 의료 시스템 내 전체 인구를 대상으로 한 최초의 대규모 NLP 기반 대마초 사용 분석 수행.
• 기술적 검증: 비구조화된 EHR 텍스트에서 대마초 사용 정보를 추출하기 위해 Bio-ClinicalBERT 와 같은 최신 트랜스포머 모델이 인간 주석자 수준의 정확도로 작동함을 입증.
• 임상 및 연구적 함의:
  • 추출된 데이터를 통해 약물 상호작용 경고, 환자 안전 관리 (예: 어린이 보호), 그리고 대마초 관련 질환 (대마초 사용 장애 등) 의 진단 지원이 가능해짐.
  • 기존 구조화된 데이터만으로는 파악하기 어려웠던 대마초 사용의 실제 유병률과 관련 위험 요인 (비만, 다중 약물 사용 등) 을 규명.
• 한계 및 향후 과제:
  • '의학적 사용'과 '비의료적 사용'을 구분하는 모델 성능이 낮아, 법적/임상적 구분이 명확하지 않음을 시사.
  • 단일 의료 시스템 데이터이므로 외부 타당성 검증 필요.
  • 대마초에 대한 낙인과 보고 편향 (Under-reporting) 이 데이터에 반영되어 있을 가능성 존재.

5. 결론

이 연구는 자연어 처리 (NLP) 기술을 활용하여 전자의무기록의 비구조화된 노트에서 대마초 사용 정보를 효과적으로 추출하고 분류할 수 있음을 입증했습니다. 특히 Bio-ClinicalBERT 모델은 높은 정확도를 보였으며, 이를 통해 대마초 사용의 역학적 특성을 이해하고 임상 의사결정을 지원하는 새로운 가능성을 열었습니다. 향후 인공지능 기반 도구를 활용하여 대마초 사용 기록의 자동화와 데이터 품질을 개선하는 노력이 필요하다고 결론지었습니다.