Impact of AI-assisted chest radiography on clinical decision-making: A temporal analysis of CT referral rates and the proportion of positive CT in cardiology outpatient setting

병원의 조용하고 종종 간과되는 구석진 곳에서는 매일 수천 번의 일상적인 흉부 X선 촬영이 이루어집니다. 심장 전문의를 찾는 환자에게 이 영상은 주로 심장 자체의 크기, 모양, 그리고 심장에 영양을 공급하는 혈관의 건강 상태를 보여주는 지도와 같습니다. 의사의 눈은 심부전이나 판막 질환의 징후를 찾도록 훈련되어 있습니다. 하지만 폐는 심장 바로 뒤에 위치하며, 심장과는 전혀 상관없는 문제를 숨기고 있을 수 있습니다. 초기 폐암의 징후일 수 있는 작은 점이나 감염 부위는 의사가 심장에 집중하고 있을 때 쉽게 놓칠 수 있습니다. 여기서 인공지능이 이야기 속으로 들어옵니다. 이러한 컴퓨터 프로그램은 의료 영상을 스캔하여 주의가 필요한 영역을 강조하도록 설계되었으며, 지치지 않는 제2의 눈 역할을 합니다. 의사들에게 중요한 질문은 단순히 컴퓨터가 이러한 숨겨진 지점들을 찾아낼 수 있는지 여부가 아니라, 그것을 보는 것이 의사가 다음에 내릴 결정에 실제로 변화를 주느냐 하는 것입니다. 컴퓨터가 의사가 더 심각한 질병을 잡아내도록 돕는 것일까요, 아니면 그저 불필요한 경보의 홍수를 만드는 것일까요?

대한민국의 용인 세브란스 병원 연구진은 심장 전문의들이 특정 인공지능 도구를 4년 동안 어떻게 사용했는지 관찰함으로써 이 질문에 대한 답을 찾고자 했습니다. 연구진은 심장 클리닉을 처음 방문하여 흉부 X선을 촬영한 성인 환자 약 9,300명을 조사했습니다. 이 기간 동안 병원은 모든 X선을 자동으로 분석하는 상용 소프트웨어 시스템을 사용했습니다. 이 소프트웨어는 단순히 심장 문제만을 찾는 것이 아니라 결절, 액체 축적 또는 감염 징후와 같은 폐의 문제를 포착하도록 프로그래밍되었습니다. 시스템은 X선 이미지에 보고서를 첨od하여 의심스러운 영역을 강조하고, 문제가 발생할 가능성이 얼마나 높은지를 나타내는 점수를 부여했습니다. 연구진은 이 디지털 조수의 존재가 의사들의 행동을 변화시키는지 확인하고 싶었습니다. 구체적으로, 연구진은 심장 전문의들이 흉부 컴퓨터 단층촬영(CT)이라 불리는 더 정밀한 검사를 얼마나 자주 주문하는지, 그리고 그 CT 검사가 실제로 치료가 필요한 무언가를 발견했는지를 추적했습니다.

연구는 환자들을 방문 시기에 따라 두 그룹, 즉 초기 기간과 후기 기간으로 나누었습니다. 시간이 흐르고 의사들이 인공지능 도구를 계속 사용함에 따라, 연구진은 명확한 행동 변화를 관찰했습니다. 심장 전문의들이 CT 검사를 주문하는 비율이 유의미하게 증가했습니다. 연구의 전반부에는 환자의 약 1.6%가 CT 촬영을 받았습니다. 후반부에는 그 수치가 3.3%로 두 배 이상 증가했습니다. 이것은 단순한 무작위 변동이 아니었습니다. 데이터는 매년 꾸준히 상승하는 의뢰 건수를 보여주었습니다. 더 중요한 것은, 이러한 증가가 아무 이유 없이 더 많은 검사를 주문한 것이 아니라는 점을 연구진이 발견했다는 것입니다. 의뢰된 CT 검사 중 실제로 심각하고 치료 가능한 문제를 발견한 비율도 높아졌습니다. 초기에 의뢰된 CT 검사의 약 34%가 활동성 감염이나 의심스러운 종괴와 같은 중요한 소견을 보였습니다. 연구 종료 시점에는 그 수치가 거의 47%까지 치솟았습니다.

이러한 결과는 의사들이 인공지능 도구에 대한 경험을 쌓으면서, 언제 그 경고를 신뢰해야 하는지 더 잘 알게 되었음을 시사합니다. 처음에는 컴퓨터가 너무 많은 것을 지적하는 것처럼 보였을 수도 있지만, 시간이 지나면서 의사들은 사소하고 무해한 소견과 추가 조사가 진정으로 필요한 소견을 구분하는 법을 배웠습니다. 또한 연구는 많은 경우에서 의사들이 인간 방사선 전문의의 공식 보고서가 작성되기도 전에 CT 검사를 주문했다는 점에 주목했습니다. 이는 인공지절 도구가 정보를 제공하는 속도를 강조하며, 심장 전문의가 환자가 아직 클리닉에 있는 동안 즉시 결정을 내릴 수 있게 해주었습니다. 연구진은 이 도구가 심장 문제로 온 환자들에게서 예상치 못한 폐 문제를 찾아내는 데 특히 효과적이라는 것을 관찰했는데, 이들은 평소에 폐를 면밀히 살피지 않을 수도 있는 의사 집단입니다.

연구 저자들은 인공지능 단독으로 이러한 변화를 일으켰다고 확정적으로 말할 수는 없다는 점을 주의 깊게 언급합니다. 의사들이 수년에 걸쳐 단순히 경험이 쌓였거나 소프트웨어 자체의 변화와 같은 다른 요인들이 역할을 했을 가능성이 있습니다. 연구 기간 동안 소프트웨어가 업데이트되어 더 넓은 범위의 폐 문제를 감지할 수 있게 되었으며, 이것이 결과에 기여했을 수 있습니다. 그러나 데이터는 이 기술이 일상적인 업무 흐름에 통합됨으로써 의사들이 추가적인 케어가 필요한 환자들을 식별하는 데 도움을 주었음을 강력하게 시사합니다. 연구는 이 도구가 무해한 것으로 판명되는 불필요한 검사의 홍수를 초래했다는 증거를 찾지 못했습니다. 대신, 주문된 검사들은 점점 더 적절한 검사일 가능성이 높았습니다.

궁극적으로, 이 연구는 느리지만 꾸준한 적응의 모습을 그려냅니다. 인공지능이 의료 환경에 도입될 때, 인간 의사가 그것과 효과적으로 협업하는 법을 배우는 데는 시간이 걸린다는 것을 보여줍니다. 이 도구는 의사의 판단을 대체하는 것이 아니라, 오히려 의사의 판단력을 날카롭게 하여 전문가들이 가장 도움이 필요한 환자에게 집중할 수 있도록 도왔습니다. 연구는 지속적인 사용을 통해 인공지능이 임상 의사 결정의 가치 있는 파트너가 될 수 있으며, 완전히 다른 이유로 내원한 환자들 사이에서도 예상치 못한 건강 문제를 조기에 발견하도록 도울 수 있다고 결론짓습니다. 여기서의 이야기는 기계가 인간을 대신하는 것이 아니라, 환자 케어를 개선하기 위해 팀이 함께 협력하는 법을 배워가는 과정입니다.