Building a clinical and academic health research network using data science and artificial intelligence

의학 과학의 세계에서 복잡한 건강 문제를 해결하는 일은 결코 고립된 상태에서 일어나지 않습니다. 연구자, 의사, 그리고 기관들이 힘을 합칠 때, 그들은 지식, 자원, 그리고 환자를 공유하여 단 한 명의 개인이 혼자 감당하기에는 너무 큰 문제를 해결하기 위한 구조적인 방식인 연구 네트워크를 형성합니다. 이러한 동맹은 과학적 발견을 실제 세상의 치료법과 정책으로 전환하는 데 필수적입니다. 그러나 이러한 네트워크를 구축하는 것은 전통적으로 느리고 수동적인 과정이었습니다. 과학자들은 종-종 누가 무엇을 연구하고 있는지 찾기 위해 개인적인 인맥, 설문 조사 또는 기관 기록에 의존해 왔습니다. 이러한 방식은 노동 집약적이고, 인간의 실수에 취약하며, 새로운 전문가가 등장하고 기존 팀이 해체됨에 따라 빠르게 구식이 됩니다. 이는 마치 광활하고 변화하는 풍경을 발로 직접 한 걸음씩 걸으며 지도를 그리려는 것과 같습니다. 작동은 하겠지만, 매우 소모적이며 가장 중요한 경로를 놓칠 수도 있습니다.

헐 대학교(University of Hull)의 한 연구팀은 이러한 연결을 구축하는 다른 방법, 즉 컴퓨터의 속도와 패턴 인식 능력을 사용하는 방법을 제안했습니다. 그들은 데이터 과학과 인공지능이 연구 네트워크(특히 북잉글랜드의 알코올, 중독 및 정신 건강을 연구하는 이들을 위한 네트워크)에 참여할 적절한 사람들을 자동으로 찾아낼 수 있는지 질문했습니다. 전화 통화나 스프레드시트에 의존하는 대신, 그들은 수백만 편의 과학 논문을 스캔하여 저자를 찾고, 그들의 신원을 확인하며, 누가 이미 함께 협력하고 있는지를 파악하는 시스템을 구축했습니다. 목표는 기계가 네트워킹의 힘든 일을 대신 수행하여, 확장 가능하고 체계적인, 명확하고 최신 상태의 연구 지형도를 만들 수 있는지 확인하는 것이었습니다.

연구진은 물질 사용 및 정신적 웰빙과 관련된 공중 보건 과제에 직면한 지역인 영국 북부 지역에 주목했습니다. 그들은 이 지역에서 알코올, 중독 및 정신 건강에 대해 활발하게 발표하고 있는 학자와 임상의를 식별하고자 했습니다. 이를 위해 그들은 방대한 양의 무료 의학 문헌 데이터베이스인 PubMed를 활용했습니다. 그들은 알코올, 중독, 정신 건강에 관한 연구가 발표되는 것으로 알려진 26개의 특정 학술지를 선정했습니다. 컴퓨터 프로그램을 사용하여 지난 5년 동안 이 학술지들에 발표된 모든 논문을 검색했습니다. 소프트웨어는 이 학술지들에서 저자의 이름과 그들이 소속된 대학 또는 병원을 추출했습니다.

이런 종류의 작업에서 주요한 난관은 많은 연구자가 같은 이름을 공유한다는 점입니다. 이를 해결하기 위해 연구팀은 과학자들을 위한 고유 ID 카드 역할을 하는 ORCID라는 디지털 도구를 사용했습니다. 컴퓨터는 논문에서 발견된 이름과 소속을 이 고유 ID와 대조하여, 한 대학의 "존 스미스(John Smith)"가 다른 대학의 "존 스미스"와 혼동되지 않도록 했습니다. 저자들이 식별되고 신원이 확인되면, 연구팀은 그들의 관계를 나타내는 디지털 지도를 구축했습니다. 이 지도에서 모든 연구자는 하나의 점이며, 두 점이 함께 논문을 작성했다면 두 점을 잇는 선이 생깁니다. 이 시각적 구조는 누가 누구와 협력하고 있는지, 그리고 서로 다른 그룹들이 얼마나 긴밀하게 연결되어 있는지를 보여줍니다.

이 자동화된 검색 결과는 시사하는 바가 컸습니다. 시스템은 북잉글랜드의 21개 기관에 걸쳐 420명의 고유한 연구자를 식별했습니다. 연구진이 이 연구자들이 어디에 기반을 두고 있는지 살펴보았을 때, 요크셔와 험버(Yorkshire and Humber) 지역이 총 181편의 출판물을 생산하며 가장 활발한 것으로 나타났습니다. 노스웨스트(North West)가 162편으로 그 뒤를 이었고, 노스이스트(North East)는 55편을 기록했습니다. 개별 대학 중에서는 셰필드 대학교(University of Sheffield)가 94편으로 가장 눈에 띄었으며, 요크 대학교(University of York)가 57편, 리버풀 대학교(University of Liverpool)가 52편으로 그 뒤를 이었습니다. 데이터는 명확한 추세를 보여주었습니다. 최근 몇 년 동안 이러한 주제에 대한 총 논문 수는 약간 감소했지만, 북부 지역의 전문 지식 집중도는 여전히 상당하다는 점입니다.

연구진이 이 과학자들 사이의 연결성을 조사했을 때, 그들은 중간 정도의 연결성을 가진 네트워크를 발견했습니다. 평균적으로 각 연구자는 약 7명의 다른 사람과 협력했습니다. 지도는 많은 협력이 단일 대학 내에서 일어나지만, 서로 다른 기관 간에도 건전한 수준의 협업이 이루어지고 있음을 보여주었습니다. 셰필드 대학교는 요크셔와 험버 지역의 중심 허브로 부상하여 많은 연결의 초점이 되었습니다. 그러나 이 네트워크는 완벽한 거미줄은 아니었습니다. 분석 결과, 이 연구자들 사이의 가능한 모든 협력 중 실제로 존재하는 협력은 약 4%에 불해서, 새로운 파트너십이 형성될 여지가 여전히 많다는 것을 나타냈습니다.

이 연구는 인공지능을 사용하여 연구 네트워크를 구축하는 것이 전통적인 방법에 대한 실행 가능하고 강력한 대안임을 시사합니다. 저자들은 수동적인 접근 방식이 대규모 프로젝트에 유용하기에는 너무 느리고 일관성이 없는 경우가 많은 반면, 자동화된 방식은 잠재적 협력자의 포괄적인 목록을 빠르게 생성할 수 있다고 주장합니다. 이 접근 방식은 실제 발표된 저작물을 바탕으로 연구 지형을 있는 그대로 볼 수 있는 방법을 제공합니다. 그러나 연구진은 자신들의 방법이 완벽하지는 않다고 주의를 기울였습니다. 시스템이 발표된 논문에 의중하기 때문에, 아직 논문을 발표하지 않은 신진 연구자나 선택된 학술지에 글을 쓰지 않는 임상의를 놓칠 수 있습니다. 또한, 컴퓨터가 모든 저자에 대해 고유 ID를 찾을 수 없었기 때문에 일부 이름은 나타난 그대로 사용되어야 했으며, 이는 작은 오류의 위험을 수반합니다.

이러한 제한 사항에도 불구하고, 이 작업은 연구 커뮤니티가 어떻게 형성되고 이해될 수 있는지에 대한 명확한 경로를 보여줍니다. 방대한 규모의 혼란스러운 과학 문헌을 구조화된 지도로 바꿈으로써, 이 방법은 자금 지원 기관과 정책 입안자들에게 전문 지식이 어디에 있고 어디에 공백이 있는지 식별할 수 있는 도구를 제공합니다. 연구는 자동화된 데이터 기반 접근 방식이 기존의 네트워킹 방식보다 훨씬 진보된 단계라고 결론짓습니다. 이는 이미 업무를 수행하고 있는 사람들을 체계적으로 식별하여, 그들을 모아 북잉글랜드와 그 너넘의 복잡한 건강 문제를 해결하기 쉽게 만드는 방법을 제공합니다. 향-후 이 작업의 과제는 더 많은 연구자를 포착할 수 있도록 도구를 개선하고, 구축된 소프트웨어를 다른 이들도 사용할 수 있도록 하여, 이러한 필수적인 연결을 구축하는 것이 과학적 과정의 표준이 되도록 만드는 것입니다.