Feasibility of using automatically extracted routine clinical data in a respiratory cohort study: The SPHN-SPAC demonstrator project.
SPHN-SPAC 데모니스트레이터 프로젝트는 자동으로 추출된 일상적인 임상 데이터가 데이터 완결성을 개선하고 더 많은 이벤트를 포착함으로써 소아 호흡기 코호트 연구에서 수동 추상화를 효과적으로 보완할 수 있음을 입증하지만, 이의 광범위한 적용은 현재 이질적인 기록 관행과 데이터 조화에 요구되는 상당한 노력에 의해 제약을 받고 있다.
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
거대한 퍼즐을 풀려고 노력 중이라고 상상해 보세요. 하지만 퍼즐 조각들은 거대한 도서관에 있는 수천 개의 서로 다른 상자들에 흩어져 있습니다. 이것이 바로 의료 연구의 세계입니다. 과학자들은 질병이 시간이 지남에 따라 사람들에게 어떤 영향을 미치는지 이해하려고 노력합니다. 이를 위해 그들은 보통 '코호트(cohort)'를 구축해야 하는데, 이는 그들이 밀접하게 추적하는 사람들의 집단을 뜻하는 멋진 용어입니다. 전통적으로 연구자들은 병원에 앉아 환자의 기록을 자신의 데이터베이스로 일일이 수기로 옮겨 적는 인간 필기사 역할을 해야 했습니다. 이는 느리고 비용이 많이 들며, 마치 티스푼으로 수영장을 채우려는 것과 같습니다.
최근 몇 년 사이 새로운 아이디어가 등장했습니다. 만약 우리가 병원의 컴퓨터에게 적절한 조각들을 자동으로 가져오라고 시킬 수 있다면 어떨까요? 여기서 '일상적 임상 데이터(routine clinical data)'라는 개념이 등장합니다. 이것은 의사와 간호사가 환자를 치료할 때 매일 생성하는 디지털 기록들입니다. 예를 들어 혈액 검사 결과, 방문 날짜, 진단명 등이 포함됩니다. 희망적인 점은, 만약 우리가 컴퓨터에게 이 데이터를 자동으로 추출하도록 가르칠 수 있다면, 훨씬 더 빠르고 저렴하게 거대한 집단을 연구할 수 있다는 것입니다. 하지만 여기에는 함정이 있습니다. 데이터가 컴퓨터에 존재한다고 해서 그것이 바로 사용할 준비가 되었다는 뜻은 아닙니다. 그것은 비밀 암호로 작성되어 있거나, 지저도한 형식으로 저장되어 있거나, 시스템의 서로 다른 부분에 숨겨져 있을 수도 있습니다. 연구자들이 던지는 큰 질문은 이것입니다. 과연 우리는 이 자동화된 디지털 수집기가 우리의 세심한 인간 필기사만큼 좋은 정보를 줄 것이라고 믿을 수 있을까요, 아니면 컴퓨터가 우리에게 부서진 퍼즐 조각 더미를 건네줄 뿐일까요?
이 논문은 스위스의 한 팀이 호흡기 문제를 가진 어린이 집단을 사용하여 이 아이디어를 테스트하기로 결정한 이야기를 들려줍니다. 그들은 '스위스 개인 맞춤형 헬스 네트워크(SPHN)'라는 자동화 시스템을 사용하여 인간 필사가를 대체하거나 혹은 최소한 도움을 줄 수 있는지 확인하기 위해 '시범 프로젝트'를 설정했습니다.
연구진은 '스위스 소아 기도 코호트(SPAC)'라는 연구의 일환이었던 1,075명의 어린이를 조사했습니다. 수년 동안 인간 연구팀은 이 아이들의 의료 기록을 수기로 복사해 왔습니다. 이번 새 프로젝트를 위해, 팀은 SPHN 시스템을 사용하여 병원 컴퓨터가 동일한 정보를 자동으로 추출하도록 요청했습니다. 그들은 세 가지를 확인하고자 했습니다. 데이터를 얻는 데 얼마나 걸리는지, 얼마나 많은 데이터를 실제로 얻을 수 있는지, 그리고 컴퓨터의 데이터가 인간의 데이터와 얼마나 잘 일치하는지였습니다.
결과는 '기쁜 소식'과 '아직은 이르다'는 내용이 섞여 있었습니다. 첫째, 자동 시스템은 (좋은 의미에서) 데이터를 갈구하는 괴물이었습니다. 그것은 인간이 찾아낸 것보다 훨씬 더 많은 방문 기록을 찾아냈습니다. 예를 들어, 한 병원에서 컴퓨터는 1,963건의 외래 방문을 찾아낸 반면, 인간은 1,049건만을 기록했습니다. 다른 병원에서는 컴퓨터가 2,343건을 찾아낸 것에 비해 인간은 1,010건만을 찾아냈습니다. 컴퓨터는 또한 부모님이 추적 설문지를 작성하지 않은 아이들의 방문 기록까지 찾아내어, 인간이 놓친 정보를 잡아내는 안전망 역할을 했습니다.
하지만 이 데이터를 얻는 것은 단순히 '다운로드' 버튼을 누르는 것처럼 간단하지 않았습니다. 팀은 데이터를 준비하는 데 약 24개월, 즉 꼬박 2년이 걸렸습니다! 그들은 각기 다른 언어를 사용하는 다양한 병원 컴퓨터 시스템의 미로를 헤쳐 나가야 했습니다. 데이터는 RDF(Resource Description Framework)라는 형식으로 나왔는데, 이는 컴퓨터가 사랑하지만 인간이 읽기에는 매우 추상적이고 구조화된 방식의 정보 정리법입니다. 팀은 이 데이터를 연구에 실제로 사용할 수 있는 형식으로 번역하기 위해 막대한 시간과 비용(선행 비용으로 약 242,000 스위스 프랑)을 소비해야 했습니다.
마침내 두 데이터셋을 비교했을 때, 컴퓨터는 자신이 찾을 수 있는 항목들에 대해 놀라울 정도로 정확했습니다. 키, 몸무게, 폐 기능 검사(폐활량 측정)와 같은 구조화된 숫자들에 대해서는 컴퓨터와 인간이 거의 완벽하게 일치했습니다. 숫자가 너무나 밀접하게 일치했기 때문에, 이러한 특정 항목들에 대해서는 컴퓨터의 데이터가 인간의 데이터만큼 신뢰할 수 있었습니다. 하지만 컴퓨터가 완벽했던 것은 아닙니다. 컴퓨터는 외래 방문 중에 처방된 약물에 대한 세부 사항이나 알레르기 검사를 위한 피부 단자 검사 결과와 같이 인간이 쉽게 찾아내는 것들을 놓쳤습니다. 또한 특정 칸에 입력된 형식이 아니라 자유 형식의 노트(free-text notes)에 적힌 정보를 찾는 데 어려움을 겪었습니다.
연구팀은 또한 응급실 방문에 대한 부모의 설문 보고와 컴퓨터의 데이터가 얼마나 잘 일치하는지도 확인했습니다. 컴퓨터와 부모는 방문 여부에 대해서는 대체로 일치했습니다(높은 '음성 일치도'). 하지만 실제 방문이 발생했을 때, 정확한 시점이나 세부 사항에 대해서는 항상 일치하지는 않았습니다. 이는 아마도 부모가 컴퓨터가 보지 못한 다른 병원에서의 방문을 기억하고 있거나, 혹은 사소한 방문을 잊어버렸기 때문일 것입니다.
결론적으로, 이 논문은 자동 데이터 추출이 연구자들에게 더 많은 정보를 제공하고 인간이 놓칠 수 있는 것을 잡아낼 수 있는 강력한 도구이지만, 아직 인간의 손길을 완전히 대체할 수는 없다고 시사합니다. 컴퓨터는 쉽고 구조화된 숫자를 잡는 데는 뛰어나지만, 환자의 이야기 중 무질서하거나 자유 형식인 부분을 이해하는 데는 여전히 많은 도움이 필요합니다. 연구진은 이 기술이 유망하긴 하지만, 우리가 이 기술에 전적으로 의존하기 위해서는 병원이 노트를 작성하는 방식을 개선하고 컴퓨터의 언어를 번번역할 더 나은 도구를 구축해야 한다고 결론지었습니다. 이것은 매우 유용한 조수이지만, 현재로서는 퍼즐 조각들이 올바르게 맞는지 확인하기 위해 인간 감독자가 여전히 필요합니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.