방대한 데이터를 처리해 패턴을 찾아낼 수 있는 AI는 대량 환자 데이터를 수집하는 의료 현장에도 유용하다. 실제로 많은 병원이 퇴원하려는 환자 재입원 위험이나 환자가 패혈증 발벼알 위험 등을 판단하는 AI를 활용하고 있다.
미국 의료 보험 시스템 건강 유지 기구 조직이자 의료 기관을 운영하는 카이저파마넨트(Kaiser Permanente)는 환자 용체 악화를 예측하는 경보 모니터(Advance Alert Monitor)라는 예측 모델을 개발해 의료 현장에서 운용해왔다. 이 모니터는 환자 데이터를 지속적으로 스캔해 응급실로 운반되거나 사망할 위험을 예측하는 점수를 할당하고 의사가 사전에 용체 악화를 예방할 수 있게 해준다.
이곳 의사는 이런 경보 모니터가 수행하는 건 건초에서 바늘을 찾는 것과 같다며 모든 환자 중 가장 위험이 높은 사람을 선별해야 한다는 말로 AI가 인력보다 효율적으로 환자가 늦어지는 걸 막을 수 있다고 주장한다.
이 경보 모니터에선 병원 직원이 경고 피로에 빠지는 걸 방지하기 위해 점수는 직접 병원 직원에게 표시되는 게 아니라 훈련된 간호사가 원격으로 감시하는 시스템으로 이뤄져 있다. 환자 점수는 특정값에 도달하면 처음으로 원격 간호사가 병동 간호사에게 연락해 환자 공식 평가가 이뤄지고 응급실 이송을 포함한 프로그램에 대해 의사가 판단한다.
2021년 11월 의학지에 게재된 논문에선 3년간에 걸쳐 19개 병원에서 경보 모니터를 운용한 결과 시스템을 운용하지 않는 경우와 비교해 사망률과 긴급 치료실 이송률 저하, 입원 기간 단축 등 개선이 보고됐다. 현재 카이저파마넨트는 21개 병원에서 이 경보 모니터를 운용하고 있으며 간호사는 연간 1만 6,000건 이상 경보를 처리하고 있다고 한다.
병인이나 부상자에게 가장 위험한 상태 중 하나로 여겨지는 패혈증은 세균 감염에 의한 연쇄적 생체 반응에 의해 조직이나 장기에 장애가 발생하는 상태이며 빠르게 치료할 수 없으면 죽음에 이르는 일도 드물지 않다. 하지만 진단은 종종 어려울 수 있으며 2020년 연구에선 많은 패혈증 환자가 가이드라인을 따르는 치료를 받지 못하는 것으로 나타났다.
듀크대학 연구팀은 일반적으로 사용되는 모델이 병원에서 제대로 작동하지 않는다는 걸 밝혀내 듀크대학병원에서 수집한 환자 데이터를 이용해 패혈증 위험을 예측하는 독자 기계학습 모델을 제작하기로 했다. 연구팀은 4만 2,000명 이상 입원 환자로부터 수집한 바이탈사인 측정, 검사 결과, 투약 등 데이터를 바탕으로 알고리즘을 학습시키고 5분마다 환자 패혈증 위험을 진단하는 패혈증 시계(Sepsis Watch)라는 기계학습 모델을 개발했다.
패혈증 시계 예측 결과는 태블릿 등으로 접근할 수 있는 패혈증 모니터링 대시보드에서 위험별로 4개 색으로 나뉜 환자 목록으로 표시된다. 12시간 간격으로 한 간호사가 아이패드 대시보드를 모니터링하고 상황에 따라 응급실에 연락해 패혈증 위험에 노출된 모든 환자에 대해 토론한다. 의사는 의료 기록을 검토하고 패혈증 치료가 필요한지 여부를 판단하는 구조다.
패혈증 시계를 도입하기 전 듀크대학병원에선 패혈증 환자가 적절하게 처치된 비율은 31% 정도였지만 도입 이후에는 64%까지 처치 비율이 상승했다고 한다. 듀크대학병원 임상 데이터 전문가는 최종 분석이 진행 중이지만 사망률이 떨어지는 것으로 보인다고 밝혔다.
패혈증 예측에 AI가 도움이 되는 건 듀크대학병원 뿐 아니라 미국 최대 병원 체인인 HCA헬스케어도 스팟(Spot)이라고 불리는 독자 패혈증 예측 알고리즘을 개발, 운용하고 있다. HCA헬스케어에 따르면 스팟은 임상의보다 환자 패혈증을 6시간 빠르고 더 정확하게 검출할 수 있다고 한다. 또 160개 병원에서 패혈증 사마율이 30%나 감소했다는 것.
HCA헬스케어 연구팀은 스팟 플랫폼을 적용해 외상성 쇼크, 수술 후 합병증, 환자 용체 악화 등 환자를 위협하는 상태 조기 징후를 빠르게 검출하는 네이트(Nate)라는 더 광범위한 프로그램을 개발했다. 네이트는 코로나19에도 응용할 수 있어 유행 기간 중에도 인공호흡기 착용을 의료 종사자에게 추천하는 알고리즘을 개발할 수 있었다고 한다.
HCA헬스케어 AI개발팀은 임상직원과 협력해 어떤 예측 모델이 유용한지, 어떻게 하면 환자 케어에 적합한지 판단하고 있다. HCA헬스케어 측 관계자는 자사가 병원으로 가서 침대 옆에서 의료 종사자와 함께 일할 전문 혁신팀을 보유하고 있다며 갑자기 훈련된 AI가 있다고 말하는 게 아니라고 강조한다.
그 밖에도 퇴원한 환자가 재입원할 위험을 진단하는 AI나 대장암 건강 진단 기한이 지난 환자 중에서 기계학습 알고리즘으로 위험성이 높은 환자를 확이나고 건강 진단을 받도록 권장하는 시스템도 있다.
AI가 많은 병원에서 도입되면서 과제가 되는 건 어떤 경우 AI가 잘 작동하지 않는지 그리고 어떻게 하면 AI를 개선할 수 있느냐다. 알고리즘을 구축하는데 이용되는 데이터와 실제 데이터에는 많은 불일치가 있으며 적절하게 결함이 발견되지 않으면 중증 환자 진단에 실패하거나 유해 치료법을 권장할 위험이 있다. 예를 들어 미시간대학에선 코로나19 유행이 발생했을 때 지금까지 사용하고 있던 AI 패혈증 진단 알고리즘이 적절히 패혈증과 코로나19를 판별할 수 없었기 때문에 일시적으로 알고리즘을 무효로 한다.
한 전문가는 현재 병원은 이용 가능한 AI 모델 수에 압도되고 있다며 AI를 안전하게 취급하려면 AI가 의도하지 않게 작동할 경우를 이해하고 단순한 가용성 뿐 아니라 문제 해결을 강조해야 한다고 지적했다. 관련 내용은 이곳에서 확인할 수 있다.