The EHR Density Index: A new method to control for EHR data inconsistency across patients

당신이 거대하고 엉망진창인 의료 기록 도서관을 이용해 미스터리를 풀려고 노력하고 있다고 상상해 보세요. 이 도서관은 모든 책이 깔끔하게 정리된 곳이 아니라, 어떤 사람들은 일기장과 사진, 영수증이 담긴 상자 전체를 남겨두고, 어떤 사람들은 단 하나의 포스트잇만 떨어뜨리고 간 듯한 혼란스러운 다락방과 같습니다. 의료 연구의 세계에서 이것이 바로 "전자 건강 기록(EHR)"의 현실입니다. 이것들은 의사들이 환자를 추적하기 위해 사용하는 디지털 파일이지만, 과학자가 아닌 일상적인 진료를 위해 작성되었기 때문에 종종 불균형합니다. 어떤 환자들, 주로 매우 아픈 환자들은 병원을 끊임없이 방문하기 때문에 페이지 수 페이지에 달하는 방대한 데이터를 가지고 있습니다. 반면, 더 건강하거나 일 년에 한 번 정도만 의사를 만나는 사람들은 기록이 매우 빈약합니다.

오랫동안 연구자들은 이 난장판을 해결하기 위해 "찰슨 동반질환 지수(Charlson Comorbidity Index, CCI)"라는 도구를 사용해 왔습니다. CCI를 "질병 점수"라고 생각해 보세요. 이 지수는 환자의 기록을 살펴보고 그 사람이 얼마나 많은 심각한 질병을 가지고 있는지를 계산합니다. 핵심은, 누군가가 얼마나 아픈지를 알면 다른 사람들과 공정하게 비교할 수 있다는 것입니다. 하지만 여기에는 함정이 있습니다. CCI는 환자가 얼마나 아픈지를 측정할 뿐, 그들에 대해 얼ano만큼 알고 있는지를 측정하지는 못한다는 점입니다. 만약 매우 아픈 환자가 세부 사항을 거의 기록하지 않는 전문의만을 만난다면, CCI는 그 사람이 아프다는 것은 알려주겠지만, 기록 자체는 텅 비어 보일 수 있습니다. 이는 까다로운 문제를 야기합니다. 환자의 결과가 나쁜 이유가 정말로 더 아파서인가, 아니면 단지 의료 파일이 더 얇기 때문인가? 과학자들에게는 환자의 질병과는 별개로, 파일 자체의 "두께"를 측정할 방법이 필요합니다.

여기서 노스캐롤라이나 대학교의 연구팀이 **EHR 밀도 지수(EHR Density Index, EDI)**라는 새로운 아이디어로 등장합니다. 그들은 의료 데이터로부터 공정한 결과를 얻으려면, 환자의 건강뿐만 아니라 그들의 서류 "양(volume)"도 알아야 한다는 것을 깨달았습니다. 그들은 환자가 실제로 의사를 방문하는 횟수를 고려하여, 매년 환자의 파일에 얼마나 많은 정보가 채워져 있는지를 정확하게 측정하는 시스템을 구축했습니다.

"서류 탐정" 이야기

연구진은 거대한 데이터 더미에서 시작했습니다: 2018년부터 2024년까지 UNC 헬스의 성인 환자 24,987명의 의료 기록입니다. 그들은 "이 환자는 데이터가 많다" 또는 "이 환자는 데이터가 매우 적다"라고 말할 수 있으면서도, 이를 "이 환자는 매우 아프다"라는 사실과 혼동하지 않는 새로운 도구를 만들고자 했습니다.

이를 위해 그들은 단순히 텍스트의 줄 수를 센 것이 아닙니다. 그들은 의료 체계와 상호작용하는 방식에 따라 사람들을 그룹으로 분류하는 탐정 역할을 수행했습니다. 그들은 "가우시안 혼합 모델(Gaussian Mixture Model)"이라는 정교한 수학적 기법(똑똑한 분류 기계라고 생각하세요)을 사용하여, 방문 패턴에 따라 네 가지 뚜렷한 "이용 클러스터"로 환자들을 분류했습니다:

1. 고빈도 입원(High Inpatient): 입원 횟수가 많거나 입원 기간이 긴 사람들.
2. 중등도 입원(Moderate Inpatient): 가끔 병원에 가는 사람들.
3. 외래 정기 방문(Outpatient Regular): 클리닉에서 꾸준하고 예측 가능한 시간대에 의사를 만나는 사람들.
4. 외래 불규칙 방문(Outpatient Irregular): 드물고 예측 불가능한 시간에 방문하는 사람들.

환자들이 이 그룹들로 분류된 후, 연구진은 기록의 "밀도"를 살펴보았습니다. 그들은 다음과 같이 물었습니다: "이 특정 그룹 내에서, 이 사람은 평균보다 서류가 더 많은가 아니면 더 적은가?" 그들은 네 가지 특정 유형의 의료적 단서를 확인했습니다: 질환(진단명), 약물(처방약), 측정치(혈액 검사 등), 그리고 처치(수술이나 X-레이 등).

만약 "외래 정기 방문" 그룹에 속한 환자가 주변 이웃들보다 훨씬 더 많은 검사 결과와 약물 기록을 가지고 있다면, 그 환자는 높은 "밀도 점수"를 받게 됩니다. 반대로 기록이 적다면 낮은 점수를 받습니다. 이 점수는 "잔차(residual)"라고 불리는데, 이는 단순히 "평균에서 얼마나 벗어나 있는가"를 뜻하는 전문 용어입니다.

그들이 발견한 것

연구팀은 흥미로운 사실을 발견했습니다: 아픈 것과 서류가 두꺼운 것은 관련이 있지만, 두 가지는 서로 다른 것입니다.

그들은 "질병 점수(CCI)"가 "서류 점수(EDI)"를 예측할 수 있는지 확인했습니다. 그 결과, 아픈 환자들이 방문 횟수가 더 많아 데이터가 많아지는 경향은 있지만, 그 연결 고리는 약하다는 것을 발견했습니다. 실제로 그들은 매우 아프지만 기록은 매우 빈약한 환자들과, 덜 아프지만 믿기지 않을 정도로 상세한 파일을 가진 환자들이 존재한다는 것을 찾아냈습니다.

논문은 기존의 "질병 점수(CCI)"만으로는 데이터 문제를 해결할 수 없다는 의견을 명시적으로 주장합니다. 저자들은 CCI가 환자가 얼마나 아픈지는 잘 알려주지만, 파일 안에 실제로 정보가 얼마나 들어있는지는 알려주는 데 매우 형편없다는 것을 보여줍니다. 병원을 자주 방문하지 않는 환자는 질병 점수가 높더라도 여전히 "얇은" 파일을 가질 수 있으며, CCI는 이를 인지하지 못합니다. 그러나 EDI는 이러한 얇은 파일을 즉각적으로 포착해 냅니다.

또한 연구진은 EDI가 CCI를 대체하는 것이 아니라, 동반자라는 점을 보여주었습니다. 케이크를 굽는다고 상상해 보세요. CCI는 밀가루(질병이라는 주요 재료)이고, EDI는 계량컵(당신이 실제로 가진 재료의 양을 알려주는 도구)입니다. 둘 다 있어야 올바른 결과를 얻을 수 있습니다. 만약 밀가루의 양을 측정하지 않고 밀가루만 사용한다면, 당신의 케이크는 엉망이 될 수 있습니다.

이것이 중요한 이유

저자들은 EDI를 CCI와 함께 사용함으로써 과학자들이 실수를 저지르는 것을 막을 수 있다고 제안합니다. 과거에 특정 약물이 어떤 사람들에게 더 효과적이라는 연구 결과가 나왔다면, 그것은 약이 실제로 효과가 좋아서가 아니라, 그 사람들이 의사가 더 많은 내용을 기록하는 "두꺼운" 파일을 가졌기 때문일 수도 있습니다. 연구에 EDI를 추가함으로써, 연구자들은 이러한 불균형을 "통제"할 수 있습니다.

이 논문은 자신들의 방식이 세상의 모든 병원에 완벽하게 들어맞는 숫자를 해결했다고 주장하는 것이 아닙니다. 병원마다 기록하는 방식이 다르기 때문에 그들의 특정 수치가 모든 곳에서 똑같이 작동하지 않을 수 있음을 인정합니다. 그들은 다른 과학자들이 이 방법을 가져가서 자신들의 지역 데이터로 "재학습(retrain)"시키기를 권장합니다. 또한 현재의 도구는 구조화된 데이터(체크박스나 코드 등)만을 다루며, 의사들이 직접 쓰는 자유 형식의 노트(free-text)는 아직 읽지 못한다는 점도 언급했습니다.

요약하자면, EHR 밀도 지수는 환자의 의료 이야기가 얼마나 "두꺼운지" 측정하는 새로운 자입니다. 이는 파일이 얇다고 해서 반드시 환자가 건강하다는 뜻이 아니라, 단지 이야기가 아직 기록되지 않았을 뿐이라는 것을 이해하도록 도와줍니다. 이 새로운 도구를 통해 과학자들은 자신들의 발견을 모두를 위해 더욱 정확하고, 공정하며, 신뢰할 수 있게 만들기를 희망하고 있습니다.