Leapfrogging cancer diagnostics with AI: a mixed-methods assessment of implementation determinants in low- and middle-income countries

암은 어디에서나 사람들을 공격하는 끈질긴 질병이지만, 이를 빠르고 정확하게 진단하는 능력은 전 세계에 평등하게 공유되지 않습니다. 많은 저소득 및 중소득 국가에서 치료로 가는 길은 치료가 시작되기도 훨씬 전에 가로막히는 경우가 많습니다. 암과 싸우는 첫 번째 단계는 암을 찾아내는 것이며, 이는 대개 병리학자—현미경으로 미세한 조직 조각을 관찰하여 질병을 식으로 식별하는 의사—를 필요로 합니다. 이러한 전문가들은 세계 여러 지역에서 매우 부족하며, 그들이 일하는 실험실은 종종 가장 작은 세부 사항까지 볼 수 있는 고급 도구가 부족합니다. 명확한 진단이 없으면 환자들은 너무 오래 기다리게 되고, 생존 가능성은 떨어집니다.

최근 몇 년 사이, 이 상황을 바꿀 수 있는 가능성을 지닌 새로운 도구가 등장했습니다. 바로 인공지능입니다. 이것은 패턴을 인식하도록 훈련된 컴퓨터 소프트웨어로, 인간 의사와 동일한 조직 슬라이드를 보고 암의 징후를 매우 빠른 속도로 찾아낼 수 있습니다. 이 스마트한 프로그램들을 개발도상국의 진단 시스템에 구축할 수 있다면, 의사들이 더 빠르고 정확하게 작업하도록 도와, 이 국가들이 전통적인 병리학 실험실을 구축하는 느리고 비용이 많이 드는 단계를 건너뛰고 곧바로 현대적인 디지털 시스템으로 도약할 수 있게 할 수 있다는 아이디어입니다. 하지만 이것이 성공하려면, 기술이 필요한 곳의 현실에 부합해야 합니다. 단순히 외부에서 가져와 던져놓는 방식이 되어서는 안 됩니다. 현지 의사들, 예산, 그리고 규칙들이 소프트웨어와 어떻게 상호작용하는지를 이해해야 합니다.

한 연구팀은 이것이 실제로 어떻게 작동할 수 있는지 정확히 이해하기 위해 연구를 시작했습니다. 그들은 단순히 컴퓨터 프로그램을 만들고 테스트하는 데 그치지 않았습니다. 대신, 기술을 실제로 사용할 사람들에게 가서 그들이 무엇을 필요로 하고 무엇이 그들을 가로막고 있는지 물었습니다. 그들은 병리학과 산부인과, 즉 암 진단과 가장 밀접한 관련이 있는 분야의 전문가인 12개국 12명의 의사와 대화를 나누었습니다. 여기에는 비교를 위한 2개의 고소득 국가와 10개의 저소득 및 중소득 국가가 포함되었습니다. 연구진은 현재 실험실의 상태를 파악하기 위한 설문조사로 시작하여, 집단 토론을 통해 문제점을 심층적으로 파고든 다음, 마지막으로 특정 이슈에 대해 의사들이 얼마나 강하게 느끼는지를 측정하는 두 번째 설문조사를 실시하는 등 다양한 방법을 혼합하여 사용했습니다.

연구진은 현장의 상황이 단순히 부유한 나라와 가난한 나라라는 단순한 목록보다 훨씬 더 복잡하다는 것을 발견했습니다. 모든 지역에서 조직 슬라이드를 시각화하기 위한 기본적인 염색법에는 접근할 수 있었지만, 더 발전된 검사를 수행할 수 있는 능력은 천차만별였습니다. 저소득 지역 10곳 중 7곳의 실험실은 암 진단을 확정하는 데 흔히 요구되는 특수 화학 검사를 수행할 능력이 부족했습니다. 10곳 중 6곳에서는 종양의 유전적 구성을 살펴보는 분자 검사가 아예 없거나 거의 불가능했습니다. 이는 컴퓨터가 문제를 포착할 수 있다 하더라도, 인간 의사들이 그것을 확인하거나 정확히 어떤 종류의 암인지 이해할 도구가 부족함을 의미했습니다.

인공지능에 필요한 디지털 도구의 가용성 또한 엇갈린 모습을 보였습니다. 대부분의 현장에는 물리적인 슬라이드를 디지털 이미지로 변환할 수 있는 스캐너가 있어, 컴퓨터가 이미지를 "볼" 수 있는 필수적인 첫 단계를 갖추고 있었습니다. 그러나 인공지능 소프트웨어를 실행하는 데 필요한 강력한 컴퓨터는 절반 이상의 장소에서 부족했습니다. 이는 기묘한 단절을 만들어냈습니다. 어떤 곳은 이미지를 생성할 스캐너는 있지만 분석할 컴퓨터가 없었고, 다른 곳은 컴퓨터는 있지만 스캐너가 없었습니다. 연구진은 이러한 차이가 일반적인 국가 부의 패턴을 따르지 않는다는 점에 주목했습니다. 국가의 소득 수준은 특정 병원이 인공지능을 사용할 준비가 되었는지 예측하는 신뢰할 만한 지표가 아니었습니다. 저소득 국가의 일부 기관은 놀라울 정도로 잘 갖춰져 있었던 반면, 부유한 국가의 일부 기관은 기본적인 결핍으로 어려움을 겪고 있었습니다.

의사들에게 인공지능이 무엇을 해주기를 원하는지 묻자, 그들의 답변은 실용적이었고 즉각적인 필요에 집중되어 있었습니다. 그들은 소프트웨어가 자신들을 대체하거나 미래를 완벽하게 예측하기를 요구하지 않았습니다. 대신, 그들은 컴퓨터가 암을 더 일찍 발견하고, 자신의 진단을 재확검하며, 표준 염색 슬라이드로부터 특정 생물학적 표지를 예측해 주기를 원했습니다. 그들은 컴퓨터가 수천 개의 슬라이드를 훑으며 의심스러운 것들을 표시해 두어, 인간 의사가 그 특정 사례들에 집중할 수 있도록 돕는 시스템을 구상했습니다. 이는 마치 지치지 않고 세부 사항을 놓치지 않는 유능한 조수가 있어, 과중한 업무에 시달리는 의사들이 정확성을 희생하지 않으면서도 더 많은 환자를 볼 수 있게 하는 것과 같습니다.

그러나 이 비전을 현실로 만드는 길은 일련의 연결된 장애물들에 의해 가로막혀 있습니다. 연구진은 인공지능이 이러한 환경에서 실제로 사용될 수 있는지를 결정하는 여섯 가지 주요 요인을 식별했습니다. 첫째는 문해력으로, 의사와 환자가 기술을 이해하고 신뢰해야 함을 의미합니다. 둘째는 증거로, 소프트웨어가 단지 부유한 국가의 사람들뿐만 아니라 이 국가들의 특정 인구 집단에 대해서도 잘 작동한다는 것을 입증할 필요가 있다는 것입니다. 셋째는 거버넌스로, 기술이 어떻게 사용될지, 그리고 문제가 발생했을 때 누가 책임을 질지에 대한 규칙과 법을 만드는 것을 포함합니다. 넷째는 임상 배치로, 소프트웨어를 병원의 워크플로우에 물리적으로 도입하는 과정을 다룹니다. 다섯째는 자금 지원이며, 여섯째는 다양한 집단 간의 협력입니다.

이 모든 도전 과제 중에서 돈은 단일한 가장 큰 장애물로 떠올랐습니다. 의사들은 재정적 제약이 모든 영역에서 지배적인 장벽이라고 보고했습니다. 그들은 안정적인 자금원이 없다면 필요한 컴퓨터를 살 수도 없고, 이미지를 전송하는 데 필요한 인터넷 연결 비용을 지불할 수도 없으며, 직원들을 교육할 수도 없다고 설명했습니다. 초기 장비를 구입하기 위한 국제적 보조금이나 연구 자금은 존재했지만, 의사들은 이러한 자금이 바닥나면 비싼 기계들을 유지하거나 수리할 수 없는 상태로 남게 될 것을 우려했습니다. 그들은 인공지능이 지속되려면 일시적인 기부금이 아니라 정부의 정기적인 보건 예산에 의해 지원되어야 한다고 강조했습니다.

협력은 다른 해결책들을 여는 열쇠로 식별되었습니다. 의사들은 어떤 개인이나 병원도 이 문제들을 혼자서 해결할 수 없다는 점을 깨달았습니다. 그들은 정책을 만들기 위해 정부와 협력해야 하고, 차세대 의사들을 교육하기 위해 대학과 협력해야 하며, 장비 비용을 분담하기 위해 민간 기업과 협력해야 했습니다. 그들은 현재의 노력들이 종종 파편화되어 있으며, 서로 다른 그룹들이 고립되어 작업하고 있다고 보았습니다. 연구진은 가장 성공적인 경로는 이러한 다양한 이해관계자들이 힘을 합쳐 자원과 지식을 공유함으로써 스스로 지속 가능한 시스템을 구축하는 조정된 노력이라고 결론지었습니다.

연구는 인공지능이 저소득 및 중소득 국가들이 전통적이고 느린 병리학 실험실 발전 단계를 뛰어넘는 데 큰 가능성을 지니고 있지만, 모든 곳에 동일한 방식으로 적용될 수 있는 마법 같은 해결책은 아니라고 결론지었습니다. 이 기술을 사용할 준비 상태는 국가의 전체적인 부와 상관없이 병원마다 크게 다릅니다. 성공은 특정 지역의 필요를 해결하고, 지속 가능한 자금을 확보하며, 강력한 파트너십을 구축하는 데 달려 있습니다. 이러한 토대가 없다면, 기술은 생명을 구하는 도구가 되기보다는 실험실에서 먼지만 쌓인 채 방치된 또 하나의 사용되지 않는 장비가 될 위험이 있습니다. 연구진은 이러한 시스템을 본격적으로 도입하기 전에, 각 기관이 기술을 작동시킬 수 있는 인력, 규칙, 그리고 자금을 갖추고 있는지 면밀히 평가해야 한다고 제안합니다.