An Online Survey of Healthcare Professionals to Understand the Use of Clinical Prediction Models in Practice
이 연구는 157명의 의료 전문가를 대상으로 설문 조사를 실시하여, 임상 예측 모델이 일반적으로 가치 있게 여겨지고 널리 사용되고 있음에도 불구하고, 그 효과적인 구현이 워크플로 통합 문제, 규제 불확실성 및 일관되지 않은 도입으로 인해 저해되고 있으며, 모델이 실제 현장에서 투명하고 사용자 친화적이며 엄격하게 검증되도록 보장하기 위한 조율된 노력이 필요하다는 것을 밝혔다.
원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기
인체를 매초 수백만 개의 작은 사건들이 일어나는 거대하고 북적이는 도시라고 상상해 보세요. 의사들은 이 도시가 원활하게 돌아가도록 관리하는 도시 계획가와 같지만, 때때로 이들은 교통 체증, 정전, 또는 폭풍이 발생하기 전에 이를 예측하는 데 약간의 도움이 필요합니다. 바로 여기서 **임상 예측 모델(Clinical Prediction Models, CPMs)**이 등장합니다. 이 모델들을 마법의 수정구슬이 아니라 인체를 위한 매우 정교한 기상 앱이라고 생각해보세요. 이 모델들은 연령, 가족력, 현재 증상과 같은 다양한 단서들을 모아 숫자를 계산하여 심장마비나 뇌졸중과 같은 미래의 건강 사건이 발생할 가능성을 추측합니다. 이 디지털 도구들은 의사들의 결정을 더 빠르고 안전하게 만들어주는 궁극적인 조력자가 되어야 하지만, 여기에는 미스터리가 있습니다. 왜 이 모델들이 어디에서나 사용되지 않는 걸까요? 어떤 의사들은 이 모델들을 전적으로 신뢰하는 반면, 어떤 이들은 존재조차 거의 알지 못합니다. 이러한 도구들을 도움이 필요한 사람들의 손에 제대로 전달하지 못한다면, 우리는 생명을 구하거나 질병을 예방할 기회를 놓칠 수 있기 때문에 이 간극을 이해하는 것은 매우 중요합니다.
이 논문은 의료 전문가들에게 보낸 거대한 글로벌 "거수" 설문 조사와 같습니다. 리버풀 대학교 연구진은 정확히 무슨 일이 일어나고 있는지 알아내고자 했습니다. 의사와 간호사들이 실제로 이 도구들을 사용하는가? 그들은 이 도구들을 좋아하는가? 그리고 만약 사용하지 않는다면, 무엇이 그들을 가로막고 있는가? 연구진은 전 세계 157명의 의료 종사자(비록 대부분은 영국인이었지만)에게 온라인 설문지를 작성하도록 요청했습니다.
결과는 다음과 같습니다. 설문에 참여한 사람들의 대부분(82%)은 이러한 모델의 존재를 알고 있었고, 상당수(71%)는 실제로 업무에서 이를 사용하고 있었습니다. 이 도구들이 얼마나 유용한지에 대해 전문가들은 10점 만점에 중간값 8점이라는 높은 점수를 주었습니다. 즉, 이 도구들이 작동할 때는 아주 잘 작동한다는 것입니다. 가장 인기 있는 모델은 뇌졸중 위험을 확인하는 CHA2DS2-VASc 점수나 심장마비 위험을 살펴보는 QRISK와 같이 연령 관련 위험을 예측하는 것들이었습니다. 흥미롭게도, 설문 대상에 산부인과 전문의들이 많이 포함되었음에도 불구하고, 그들을 위해 설계된 특정 도구들은 일반적인 도구들에 비해 놀라울 정도로 적게 사용되고 있었습니다.
하지만 이야기는 이 도구들이 어떻게 사용되는지를 볼 때 더 흥내려집니다. 의사와 간호사들은 무엇이 좋은 도구를 만드는지에 대해 매우 확고한 의견을 가지고 있습니다. 그들은 예측 모델이 마치 자판기에서 간식을 꺼내는 것처럼 사용하기 쉬우기를 원합니다. 이 도구들에 접근하는 가장 선호되는 방식은 웹사이트(47%)와 모바일 앱(33%)을 통하는 것입니다. 아무도 종이 설명서를 뒤적이고 싶어 하지 않습니다. 그들은 화면을 탭하기를 원합니다. 결과를 확인할 때, 그들은 단순한 백분율(예: "15% 확률")이나 "히트맵"(위험 수준을 한눈에 보여주는 색상 코드 격자)과 같은 명확하고 시각적인 형식을 선호합니다.
그러나 심각한 장애물들도 존재합니다. 가장 큰 문제는 도구의 수학적 계산이 잘못되었다는 것이 아니라, 그것들이 의사의 바쁜 일과에 맞추기가 어렵다는 점입니다. 설문 조사 결과, 만약 도구가 병원에서 이미 사용 중인 컴퓨터 시스템(예: 전자 환자 기록)에 제대로 통합되어 있지 않다면, 무시될 가능성이 높았습니다. 다른 장벽으로는 특정 환자에게 어떤 도구가 적합한지 모르는 점, 해당 도구가 법적으로 "의료 기기"로 간주되는지에 대한 우려, 그리고 전반적인 교육의 부재 등이 있었습니다. 한 의사는 만약 어떤 도구가 의과대학에서 가르쳐지거나 공식 지침에서 권장되지 않는다면, 팀 전체가 이를 사용하게 만드는 것은 어렵다고 언급했습니다.
연구진은 이 도구들이 진정으로 자리 잡기 위해서는 투명하고, 사용자 친화적이며, 의사들이 이미 사용하는 소프트웨어에 깊이 통합되어야 한다고 제안합니다. 또한 인공지능(AI)이 이러한 모델을 구축하기 시작함에 따라, 단순히 "블랙박스"를 믿는 것이 아니라 모델이 어떻게 그 추측을 내놓았는지 아는 것이 더욱 중요해진다고 지적합니다. 논문은 의료 전문가들이 이러한 모델을 가치 있게 여기지만, 우리는 단순히 모델을 만드는 것을 넘어, 그것들이 실제 현장에 어떻게 적합하게 들어갈 수 있는지 명확한 규칙과 좋은 교육을 바탕으로 고민해야 한다고 결론짓습니다. 그때까지 이 디지털 조력자들은 의사들이 이를 어떻게 가장 잘 사용할지 고민하는 동안 도구 상자 안에서 약간의 먼지만 쌓인 채 남아 있을지도 모릅니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.