이 연구는 제가 최근에 읽었던 논문들 중에서 가장 재미있으면서도, 가장 많은 상상의 나래를 펴게 했습니다. 누구나 한번쯤 ‘가상 세계’ 속에서 사람(?)들이 서로 상호작용하며 살아가는 것을 상상해본 적이 있을 것입니다. 이를 소재로 한 게임이나, 영화도 많이 있지요. 제게는 라이널 레이놀즈가 주연한 2021년 영화 ‘프리가이‘가 떠오릅니다. 이 영화는 가상 현실 게임 속에서 살아가는 NPC (Non-Player Character, 게이머가 아닌 주변 캐릭터)들이 자의식을 가지게 되면서 벌어지는 일들을 다루고 있는데요. 이 게임 속에서는 여러 직업을 가진 존재들이 실제 인간처럼 서로 상호작용하고 살아가는 모습을 그립니다. 여기에서 우리는 흥미로운 질문을 던져볼 수 있습니다. 가상 세계 속의 존재들이 시간이 지나면서 경험을 쌓을 수 있게 한다면, 직업적인 역량이 좋아질까요? 예를 […]
세상에는 좋은 의학 저널에 실린, 훌륭한 (인공지능/머신러닝 기반의) 예측 모델이 수없이 많은데요. 하지만 이들 대부분은, 혹은 거의 모두는, 실제 임상 현장에서 사용되지 못하고 사장되고 맙니다. 그런 논문에서는 여러 미사여구를 활용해서 임상 활용에 대한 가능성을 제시함에도 불구하고 말이지요. 대체 왜 그럴까요? 최근 npj Precision Oncology에 실린 이 아티클은, 그 이유에 대해서 신랄하면서도 현실적인 인사이트를 전해주고 있습니다. 저자는 캠브리지 대학의 연구자로, 지난 20년 동안 의료 예측 모델을 개발하고 이를 사업화하는 과정에서 시행착오를 겪으면서 얻은 인사이트를 가감없이 전하고 있습니다. 소위 정말 뼈때리는(?) 명언들이 많은데요. (서준교 선생님께서 알려주신 아티클입니다. 덕분에 감사히 잘 읽었습니다!) 최근에 의료 인공지능 분야에서 본인의 연구 성과에 기반하여 의사 창업, 교수
의료는 본질적으로 멀티모달(multimodal) 입니다. 환자를 진료, 진단하고 질병을 치료하기 위해서는 언어, 이미지, 유전체 등 다양한 모달리티의 데이터를 해석하고, 다양한 모달리티를 통해서 환자 및 다른 의료진과 커뮤니케이션 할 수 있어야 합니다. 하지만 지금까지 인공지능은 주로 하나의 모달리티에 대해서만 개발되어 왔습니다. 하지만 여러 기술적 발전에 따라서, 멀티모달 인공지능의 개발이 시도되고 있는데요. 이를 (하나의 모달리티에 대해 speicalized 된 인공지능에 대비해서) 소위 제너럴리스트 인공지능(generalist AI) 라고 부릅니다. 최근에 여러 분야에서 generalist AI 를 개발하려는 시도들이 시작되고 있는데 (대표적인 것이 구글의 PaLM-E), 의료 분야에서도 generalist AI에 대한 개념 최근 제안되기 시작했습니다. 제너럴리스트 의료 인공지능의 조건 작년 4월에는 네이쳐에서 ‘Foundation Models for generalist medical artificial
최근 Nature Medicine에 실린, LLM이 헬스케어를 변화시키는 여섯가지 방식에 대한 짧은 리뷰 아티클입니다. 관련 연구 및 사업을 하는 여섯 명의 전문가의 의견을 짤막하게 정리하였습니다. 대부분 자신이 현재 하고 있는 연구 혹은 사업에 대한 설명과 향후 전망에 대해서 이야기하고 있습니다. 간략히 요약해보면, 1. Virtual Nurses: 미국에서 만성질환 환자에 비해서 간호사가 너무 부족하기 때문에 LLM이 이러한 간호사의 역할을 보조할 수 있다는 것입니다. 최근에 실리콘밸리의 의료 LLM 스타트업으로 Hippocratic AI라는 팀이 유명한데, 이런 virtual nurses를 개발하고 있지요. 이 CEO의 인터뷰입니다. LLM이 간호사의 여러 administrative 업무를 보조하고, 만성질환 환자에게 ‘목소리’로 환자들의 질문을 듣고, 답하고, 스케쥴 잡고, 복약 알람 주고, 치료 계획에 대해서 설명해주고 등등의
많이 늦었지만, Apple Heart Study 에 대한 논문을 이제라도 간략히 리뷰합니다. 스탠퍼드 대학은 애플의 후원을 받아, 애플워치의 부정맥 탐지 기능에 대한 임상 연구를 수행하였고, 이 연구의 결과는 무려 NEJM에 2019년 11월 실렸습니다. NEJM은 전세계 의학 저널 중에 (사실 모든 분야의 학술 저널 중에) 가장 임팩트 펙터가 높은 초특급 권위지입니다. 이 논문이 나온지 시간이 꽤 많이 흘렀지만, 제가 뒤늦게 읽었습니다. 이 논문은 생각보다 어렵고, 주요 메시지를 파악하는데 시간이 걸렸습니다. 논문 자체가 어렵다기보다는, 무엇보다 임상 연구의 디자인이 다소 복잡하고 특이합니다. 전통적인 세팅 내에서의 RCT를 한 것이 아니라, 소위 pragmatic trial 로, remote, site, decentralized, patient-reported outcome 등을 기반으로 한 아주 특이한 스터디라고
흥미롭게 읽은 신박한(?) 연구입니다. 지난 5월 Nature Medicine 에 출판된 논문인데요. 심전도(ECG)는 아주 중요한 데이터임에도 불구하고, 그 자체로 예후 예측을 위해서는 잘 사용되지는 않았습니다. 하지만 딥러닝에 기반하면 12-lead ECG의 voltage-time trace, 즉 심전도 그래프 그 자체가 환자의 1년 후 사망율을 (그리고 더 장기간의 사망율도) 예측할 수 있다는 흥미로운 연구입니다. 미국의 대형 병원인 가이징거의 연구자들은 가이징거의 지난 34년 동안의 진료기록을 후향적으로 분석하여, 딥러닝으로 환자 25만여 명의 1.16M 개의 12-lead resting ECG를 학습시켰습니다. 그 결과 ECG를 측정한지 1년 이후의 사망율의 예측에 ECG trace 만 사용했을 때에는 AUC 0.855, 그리고 여기에 나이와 성별을 추가하면 AUC 0.876 의 높은 정확도를 달성했습니다. 더 흥미로운 결과는
최근 하버드 비즈니스 리뷰에 23andMe의 CEO 이자 공동창업자인 앤 워짓스키의 글이 실렸다. 개인 유전 정보 분석회사 23andMe가 어떻게 FDA의 규제를 거쳐서 지금에 이르렀는지를 담담하게 회고하는 글이다. 참고로 23andMe는 기업가치 $2B 이상의 유니콘으로 천만 명 이상의 사람들이 23andMe를 통해 자신의 유전정보를 분석했다. (참고로 DTC (Direct-to-Consumer) 유전정보 서비스는 몇몇 예외를 제외하면 한국에서는 불법.) 23andMe는 개인 소비자에게 직접 유전 정보 분석 서비스를 판매하는 DTC 모델을 창업 초기부터 지금까지 고수하고 있다. 초창기에는 질병 위험도 분석, 보인자 분석 등의 민감한 분석까지 최대 $99의 저렴한 가격에 제공하면서 미국에서 선풍적인 인기를 얻었다. 그러다가 갑자기 2013년 11월에 FDA로부터 사업을 중지하라는 Letter를 받게 된다. 당시로서는 업계가 발칵 뒤집힐만한 일이었다.
의료 인공지능 스타트업 VUNO와 메디플렉스 세종병원의 공동연구로 이번 달에 출판된 논문에 대한 간단한 리뷰. 뷰노에서는 이예하 의장님을 비롯한 연구원 분들, 세종병원에서는 권준명 과장님, 전기현 과장님 등께서 연구를 주도하셨다. Critical Care Medicine 이라는 IF=8 정도의 저널에 출판. (e-pub는 2월에 되었는데, 저널에는 이번 달에 출판되었다. sci-hub에 PDF가 늦게 올라오는 바람에 이제야 확인함) 딥러닝 기반으로 원내에서 발생하는 심정지를 예측하는 인공지능이 실제 의료 현장에서 어느 정도의 정확성을 보여주는지에 대해서 증명한 논문이다. 연구진은 기존에 이런 기능을 하는 딥러닝 기반의 인공지능 “DEWS”를 개발해서, 2018년 JAHA에 출판한 논문을 통해 정확성 및 퍼포먼스를 보여준 바 있다. EMR에 입력되는 체온, 수축기 혈압, 호흡수, 심박수의 4가지 데이터를 RNN으로 학습하여, 심정지를
신종 코로나 바이러스의 창궐에 대응하여, 디지털 헬스케어 분야의 기술이나 서비스 중에 무엇을 활용할 수 있을지에 대해서 몇 번에 걸쳐 소개하고 있다. 첫번째 글에서는 코로나19 검사의 필요성 여부를 선별해주는 문진 솔루션 (앱, 웹페이지, 챗봇, 인공지능 스피커), 원격진료와 원격 환자 모니터링에 대해서 다루었다. 두번째 글에서는 웨어러블, IoT 센서 등으로 측정한 빅데이터를 기반으로 감염 추이를 인구 수준에서 실시간으로 파악할 수 있음을 소개했다. 이번에는 스마트폰의 GPS, 블루투스 등을 바탕으로 확진자의 동선을 파악하거나, 접촉 여부를 추적하는 방안에 대해서 이야기 해보겠다. ‘코로나 바이러스와 디지털 헬스케어’ 시리즈 (1) 재조명 받는 원격의료 (2) 빅데이터 기반의 실시간 감염 트렌드 파악 (3) 스마트폰을 통한 확진자 역학 검사 확진자의 동선을
지난 포스팅에 이어서, 신종 코로나 바이러스의 창궐에 대응하여, 디지털 헬스케어 분야의 기술이나 서비스 중에 무엇을 활용할 수 있을지에 대해서 더 이야기 해보려고 한다. 첫 번째 글에서는 코로나19 검사의 필요성 여부를 선별해주는 문진 솔루션 (앱, 웹페이지, 챗봇, 인공지능 스피커), 그리고 원격진료와 원격 환자 모니터링에 대해서 다루었다. 이번에는 웨어러블, IoT 센서 등으로 측정한 헬스케어 빅데이터를 기반으로 감염 추이를 인구 수준에서 지역별, 실시간으로 파악하거나, 감염의 조기 진단을 시도하는 사례들을 소개하려 한다. 미국 질병관리본부(CDC)는 인플루엔자 등의 감염 질환에 대해서는 지속적인 모니터링을 통해서 매주 트렌드를 발표하고 있다. 하지만 이는 감염의 전파 추이를 실시간으로 파악하지는 못한다. 병원의 데이터를 취합하는 등 오프라인에 기반한 방법을 활용하므로 일반적으로 실제
신종 코로나 바이러스(코로나19, COVID-19)의 창궐로 전세계가 큰 어려움을 겪고 있다. 의료계를 포함한 사회 각계 각층에서 코로나 바이러스에 대비하기 위한 사투를 벌이고 있는 상황이다. 이러한 비상 상황을 타개하기 위해서, 과연 디지털 헬스케어는 어떠한 도움을 주고 있을까? 일견 디지털 기술 자체는 코로나 바이러스를 진단하거나, 검출하기 위해서는 직접적인 도움이 되지는 않을 수도 있다. 하지만 감염질환이 가지는 특성상 디지털 헬스케어는 이미 다양한 측면에서 코로나 바이러스와의 전쟁에서 인류의 중요한 무기가 되어가고 있다. 이번에는 코로나 바이러스에 대비해서 활용할 수 있는, 혹은 이미 활용되고 있는 디지털 기술은 무엇이 있는지 소개해보려고 한다. ‘코로나 바이러스와 디지털 헬스케어’ 시리즈 (1) 재조명 받는 원격의료 (2) 빅데이터 기반의 실시간 감염 트렌드 파악
최근의 강아지 구충제 논란을 보면서 계속 떠오르는 것은 2011년 네이처 바이오테크놀러지에 실린 한 논문이다. “환자들이 온라인으로 자발적으로 보고한 데이터와 환자-매칭 알고리즘을 이용한 가속화된 임상적 발견 (Accelerated clinical discovery using self-reported patient data collected online and a patient-matching algorithm)”이라는 제목의 이 논문은 흥미롭게도 세계 최대의 온라인 환자 커뮤니티인, ‘환자들의 페이스북’, PatientsLikeMe를 기반으로 나온 논문이다. 즉, 검증되지 않은 약을 ‘자발적으로’ 복용한 난치병 환자들이 self-reporting한 데이터를 기반으로, 이 실험적인 약의 효능에 대해서 분석을 시도한 논문이다. 루게릭병에 대한 리튬의 환자 주도 임상 이 이야기는 2008년으로 거슬러 올라간다. 2008년 (역시나 저명한 학술 저널인) PNAS에 리튬을 복용하면 ALS (루게릭 병)의 진행을 늦출 수 있다는 인간 대상의 소규모
연세대학교 의학과 대학원의 ‘의료인공지능개론’ 수업의 특강으로 2019년 9월 5일에 진행한 강의입니다. 강의 영상 [youtube id=”xuU_H2GBItk” width=”620″ height=”360″] 강의 슬라이드
현재 미국에서는 어마어마한 규모의, 인류 역사상 가장 큰 규모의 코호트 구축 프로젝트가 진행되고 있습니다. 이름하여 ‘All-of-Us’ 라는 프로젝트인데요. 이름에 걸맞게 그야말로 ‘모든 사람’의 ‘모든 데이터’를 모으겠다는 야심찬 프로젝트라고 보면 됩니다. 정말 정말 야심찬 프로젝트입니다. 이 프로젝트에 대한 업데이트가 이번 NEJM에 스페셜 리포트로 실렸습니다. All-of-Us는 2015년 오바마 대통령이 천명했던 ‘정밀 의료 이니셔티브’의 일환으로 시작되었던 프로젝트입니다. 당시에는 ‘Precision Medicine Initiative cohort program’으로 부르다가, 이제는 All-of-Us로 명칭이 바뀌었습니다. 이 프로젝트의 목표는 최소 100만 명 이상의 사람의 데이터를 모으는 것입니다. 수집하는 데이터는 건강 관련 설문 조사를 비롯해서, EHR의 진료 기록, 건강 검진, (웨어러블과 센서 등을 활용한) 디지털 헬스케어 데이터, 그리고 생체 시료 (아마도 혈액)까지 정말
제가 2019년 4월 국내 모 로펌에서 발표한 자료입니다. 최근 디지털 헬스케어 분야에서는 관련 이슈들이 매우 빠르게 변하고 있기 때문에, 이 자료의 내용은 언제든지 out-of-date 될 가능성이 있다는 것을 감안하시고 보셔야 합니다.
애플의 헬스케어 생태계를 논할 때, 헬스키트와 함께 언급해야 할 또 하나의 플랫폼은 바로 애플 헬스 레코드(Apple Health Record)이다. 애플 헬스 레코드는 개별 병원의 전자의무기록(EMR)에 저장된 진료 기록, 처방 기록, 진단검사(lab test) 결과, 예방 주사 기록 등을 환자가 자신의 아이폰으로 받아올 수 있게 한다. 아이폰에 저장된 데이터는 ‘건강’ 앱의 가장 오른쪽에 있는 ‘의료 정보’ 탭에서 확인할 수 있다. 예전에 여러번 강조한 적 있는, 헬스키트가 환자 유래의 의료 데이터를 아이폰을 기반으로 통합하는 플랫폼이라면, 이 애플 헬스 레코드는 병원에서 측정되는 (전통적인 의미의) 의료 데이터를 아이폰을 기반으로 통합하는 플랫폼이다. 전문 용어로는 이러한 애플 헬스 레코드와 같은 플랫폼을 ‘개인 건강 기록(Personal Health Record, PHR)’이라고 한다.