A Schematic of DOCL project
의료지원팀 김서연 오승아 작성
의학총괄 한덕재 감수
Post-COVID-19 pandemic
전세계는 현재 유례없는 COVID-19 (SARS-CoV-2, severe acute respiratory syndrome–Coronavirus-2)의 확산을 마주하면서 그야말로 신종 감염병 시대를 맞이하였다. 세계의 많은 의학 및 과학 분야의 학자들은 앞으로 주기적으로 맞닥뜨리게 될 바이러스와의 전쟁을 선포하면서 ‘post COVID-19’, 신종 코로나 사태 이후의 시대에 대비할 것을 경고하고 있다.
그리고 그 중심에는 인공지능(AI, artificial intelligence)와 기계학습 (ML, machine learning)을 활용한 소프트웨어 플랫폼이 있다.
실제로 이번 COVID-19의 세계적 확산을 세계보건기구(WHO, World health organization)보다 앞서 예측한 캐나다의 블루닷 (BlueDot)은 2003년 SARS (SARS-CoV, severe acute respiratory syndrome–Coronavirus)의 확산을 목격한 의료진들이 제2의 SARS 사태를 막기 위해 만든 인공지능 플랫폼이다. 이들은 이번 COVID-19의 전세계적 확산에 관한 첫 번째 과학 논문[1]을 출간하기도 하였는데, 여기서 블루닷은 세계보건기구보다 9일 앞서서 우한에서 최초로 발병한 COVID-19 가 서울, 도쿄, 홍콩 등으로 퍼질 가능성이 높다고 경고했다. 이는 인공지능 예측 모델의 성공적인 활용으로 볼 수 있다.
Importance of data collection
한편, 바이러스 확산의 예측과 더불어 환자에 대한 데이터 수집은 바이러스와의 전쟁에서 그 자체로 의미 있는 무기로 활용될 수 있을 것으로 보인다. 환자 데이터를 기반으로 한 환자의 중증도 분류는 한정된 자원의 효율적 분배를 가능하게 할 것이고, 바이러스에 특히 취약한 고위험군 환자의 생명을 살리는 골든 타임을 사수할 수 있게 해줄 것이다.
실제로 SJTREM (Scandinavian journal of trauma, resuscitation and emergency medicine)에 등재된 연구 논문에 의하면, 응급의료 (EMS, emergency medical service) 현장에서 환자의 기본적인 정보만을 가지고도 인공지능 알고리즘을 활용하여 환자에 대한 중증치료 (CC, critical care)의 필요도를 기존의 응급환자 분류체계 (triage) 모델보다 정확하게 예측할 수 있었다고 한다.[2] 물론 감염병과 응급의료 현장에서의 대처에는 차이가 있겠지만, 수집된 환자 데이터를 바탕으로 인공지능 알고리즘을 활용해 중증도 분류를 한다는 점에서 지향점을 공유하고 있다고 볼 수 있다.
Difficulties in data collection
그러나 이와 같이 환자 데이터의 축적과 활용이 중요함에도 불구하고, 의료현장에서 의료인이 필요한 시점에 최신 임상 사례의 정리본을 얻어 그것을 바로 임상에 적용하는 것은 현실적으로 매우 어려운 일이다. 자료를 수집하여 이를 활용하기까지 생각보다 많은 시간이 소요되기 때문이다.
공중보건연구소(IPH, Institute of Public Health)의 연구에 따르면, 최신 연구 자료를 실제 치료에 접목시키기 위해서는 약 17년의 시간이 걸린다고 하는데, 이 마저도 공식화할 수 없는 수치로 상황에 따른 변화폭 (variation)이 매우 크다고 한다.[3]
DOCL, to overcome
그렇다면 환자에 대한 정확하고 다양한 데이터를 최대한 빠르게 수집하여 COVID-19 pandemic을 이겨낼 수 있는 방법은 없을까? DOCL (Doctors on the cloud) 프로젝트는 이 점에 착안하여 만들어진 ‘COVID-19 중증도 및 예후 예측 모델’이다. 새로운 질병이 탄생하고 그 질병에 관한 임상정보가 의료현장에 적용되기까지의 시간적 간극을 메우기 위해 인공지능을 도입하였다.
매일 쏟아지는 새로운 임상정보를 지속적으로 축적하고 이를 실시간으로 기계학습해 나감으로써 매번 더 정확한 예측모델로 나아가는 진화형 모델인 것이다.
그 구체적인 메커니즘은 다음과 같다.
- 최신 연구 결과를 바탕으로 한 COVID-19 환자 증상 선별
각종 논문의 메타분석 및 여러 병원의 사례연구를 통해 COVID-19 환자에게서 발생할 수 있는 항목을 선별하여 환자용 앱 항목을 구성하였다.
- 데이터베이스를 매개로 한 환자와 의료진 간 연결
DOCL 프로젝트의 환자용, 의료진용 2가지 앱은 서로 연결되어 있다. 환자가 스마트폰이나 컴퓨터의 인터넷 브라우저를 이용해 환자용 앱에 본인의 증상을 입력하면 환자에게 입원과 확진 검사의 필요성이 제공되고 환자가 기록한 정보는 데이터베이스에 저장된다.
익명성을 최대한 보장하기 위해, 환자에게 요구되는 개인 정보는 오직 이메일 계정뿐이다. 의료진용 앱과의 연동은 환자용 앱에서 무작위로 생성하는 코드를 의료진용 앱에 등록하는 것으로 연계되며, 이후 환자가 입력하는 값은 실시간으로 의료진에게 전달이 된다. 특히 입원환자의 경우 의사는 의료진 앱에서 임상 정보 (각종 검사 결과, 활력 징후, 치료 약제 등)를 언제든지 추가로 입력할 수 있다. 또한, 자가격리 중이거나 퇴원한 환자, 외래에서 경과 관찰하는 환자의 경우에도 지속적으로 의료진이 환자가 입력하는 정보를 확인할 수 있어 환자의 상태 변화를 인지하고 대처할 수 있다. 이렇게 환자와 의사가 입력한 자료는 모두 서버에 축적된다.
- 기계학습에 의한 학습 및 지속적 시스템 업데이트
환자와 의료진에 의해 입력된 자료는 다른 환자의 자료와 함께 실시간으로 분석되어 새로운 환자 예후 예측 결과값을 표시해준다. 기계학습을 통해 최신 임상정보를 지속적으로 업데이트할 수 있는 것이다.
Significance of DOCL
DOCL 프로젝트의 의의는 크게 다음과 같다.
- 기존에 없던 COVID-19에 대한 중증도 및 예후와 관련된 최신 데이터를 지속적으로 기계학습해 나감으로써 가장 최근의 COVID-19 임상양상을 반영해 환자에 관한 중증도 및 예후를 보다 정확하게 예측하여 제시하여 진료에 도움이 될 수 있다.
- 환자, 의료진이 앱을 통해 상호연결됨으로써 환자가 보고한 상태를 의료진은 실시간으로 관찰할 수 있으며, 환자의 상태가 악화되기 전에 중증도 및 예후 예측값을 통해 미리 대처하는 데 도움이 될 수 있다.
- 환자와 의료진 간 불필요한 접촉을 줄여 기회감염을 감소시킨다.
With your help, we can save the world
그러나 이러한 가치를 실현하기 위해서는 보다 정확하고 효과적인 자료의 수집이 필요하다. 그리고 그것은 바로 ‘의료인의 참여’에 달려있다. 데이터에 대한 알고리즘을 만들어내어 환자의 중증도를 신속하게 분류하는 것은 인공지능의 몫이나, 역설적이게도 환자에 대한 의미 있는 데이터를 수집하고 검수하는 것은 온전히 의료인의 몫이기 때문이다.
DOCL 프로젝트의 최종 목표는 COVID-19에 대한 완성도가 높은 모델을 개발하여 궁극적으로 의료자원이 가장 부족한 개발도상국에까지 이를 적용하는 것이다. 여러 국가가 COVID-19 pandemic을 대하는 대한민국의 의료자원과 의료시스템에 주목하고 있다.
의료선진국으로서 대한민국은 전세계가 함께 COVID-19를 이겨내는 데 선두주자가 될 의무가 있고, 이 프로젝트는 세계적인 연대를 향한 발판이 될 것이다.
이를 위해서는 무엇보다도 의료진들의 참여가 필요하다. 의사들이 적극적으로 참여하여 예측모델의 신뢰도를 높이고 환자들의 참여를 독려할수록 더 많은 데이터가 축적되고 본 플랫폼의 중증도 분류 및 예후 예측 모델은 더욱 정확해질 것이다. COVID-19를 바탕으로 학습된 우리의 프로젝트는 훗날 또 다른 신종감염병이 전세계를 강타했을 때, 이를 예측하고 예방할 수 있는 새로운 인공지능 플랫폼이 될 것이다.[4]
DOCL의 위상
DOCL은 완전한 비영리-비연구 project로, 국방부 산하 의무사령부 및 국군수도병원 소속 군의관 6명의 COVID-19 선별진료와 중증도 분류를 돕기 위한 고민에서 시작하였다. 보다 정확한 정보의 제공과 예측 모델 구축을 위해 연세대학교 의과대학과 MOU를 협약하여 project가 발전하기 시작하였으며, 초기 모델 개발 후 WHO digital atlas에 등재되는 쾌거를 이룩하였다. 규모가 성장함에 따라 정부 기관인 국방부 (국군수도병원 등 군 병원에서 사용), 외교부 (재외교민의 자가 상태 확인을 위한 사용), 보건복지부 산하 질병관리본부 (2차 유행 대비), 서울특별시와 긴밀한 관계 구축을 형성하고 추가 개발이 추진되고 있으며, 이를 토대로 더 방대하고 정확한 데이터 분석이 가능하게 되었다. 지속적으로 발전하는 모델로서, 빠른 중증도 분류 및 예후 예측을 통해 오직 환자와 의료진의 편의를 제공하기 위한 목적으로만 개발하고 있으며, 궁극적으로는 전세계의 감염 확산 저지에 기여할 수 있기를 고대하고 있다.
[1] I.I. Bogoch, et al. Pneumonia of Unknown Aetiology in Wuhan, China: Potential for International Spread via Commercial Air Travel. J Travel Med). 2020 Mar 13;27(2).
[2] D. Kang, et al. Artificial intelligence algorithm to predict the need for critical care in prehospital emergency medical services. SJTREM. 2020. 28(17)
[3] Z.S. Morris, et al. The answer is 17 years, what is the question: understanding time lags in translational research. SAGE journals. 2011. 104(12). p.510-520
[4] A.Alimadadi, et al. Physiol Genomics. 2020 Apr 1; 52(4): 200–202. Published online 2020 Mar 27. doi: 10.1152/physiolgenomics.00029.2020
0 Comments