보건 부문 내 AI 기반 스마트 솔루션 확장 (2023.9.13)

글로벌보건산업동향_487호

 

- 의료 및 기술 부문, 정부, 연구소 등에서는 인공지능(AI)과 기계학습(ML)을 활용한 보건 혁신을 대망했지만,

정작 의료 공급자, 환자, 정책입안자, 비즈니스 지도자에 대한 신뢰 구축 방법 중 공동의 비전을 품고 다자간 연합체들이 단결할 수 있는 방안은 결여되어 있는 상황

 

- 의료의 비효율성, 인력 부족, 의사들의 번아웃, 보건 지출 증가 등이 악순환을 거듭하는 가운데

△의료 데이터의 기하급수적 증가

△의료서비스 제공자 부족

△AI 기술의 역량 증대 등

 

의 요소를 지닌 AI가 문제 해결의 잠재력을 제공하고 있으며, 이를 실현하기 위해서는 다자간 협력이 필수

 

-동 보고서 발행의 목적으로는

△AI가 사용되고 있는 의료 어플리케이션의 범위를 표현할 공동의 분류체계 창조

△지속적 민관 투자를 통해 글로벌 보건 결과를 개선할 수 있는 AI 활용 사례 규명

△의료 부문에서 AI의 책임감 있는 채택 및 규모 확장에 있어 가장 중요한 요소 정의

 

1. 보건 부문 AI의 활용 사례 및 AI 촉진을 위한 원칙

■ 보건 부문에서의 AI 활용 사례

 

△진단 및 리스크 등급 분석

△감염병 보안 및 예측

△임상시험 최적화

 

- (진단 및 리스크 등급 분석) 전통적 치료가 건강결과에 미치는 영향은 10-20% 수준에 불과한 하고 나머지는 유전적․사회적․행동적 요소에 의해 결정되는 만큼 질병 리스크 관리가 중요

 

1.  ‘아폴로병원 (Apollo Hospital)’에서 개발한 ‘AI 기반의 혈관질환 리스크 툴(AICVD)’은

△환자의 리스크 등급을 ‘높은 수준/보통 수준/경미한 수준’으로 분류

△의료 제공자들에게 환자의 리스크 스코어를 낮추기 위해 필요한 ‘의료적 조치’를 추천

 

 AICVD는 기존에 미국과 유럽 등지에서 보편적으로 사용되던 ‘플레이밍험 위험점수(FRS)’보다 정확하며, 현재 최소 8개국 사용되고 있는 중

* 플래밍험 위험지수(Framingham risk score)는 개인의 성별에 따른 10년 심혈관질환 발생위험을 평가하는 지수

 

https://apollo-aicvd-v2.web.app/login

Apollo AICVD

 

 - (감염병 보안) 팬데믹을 국가 차원에서 조기에 대처할 경우 집단적 혜택이 지대한 까닭에, 각국 정부는 공중보건 자원을 보다 효과적으로 총괄할 수 있도록 전 인구 수준의 전염병 예방 역량 구축에 큰 규모로 투자

 

- 미국 보스턴의 ‘깅코 바이오웍스(Ginkgo Bioworks)’가 개발한 AI 기반의 최첨단 컴퓨터 연산 플랫폼 ‘ENDAR’는

△변종 샘플에 대해 조기에 경보를 제공

△유전자의 잠재적 변형 범위를 감지

△기존의 바이오 보안 인프라에 통합되어 복잡한 실세계 생물 샘플을 수집 및 분석

 

* 깅코는 미국 국가정보국 산하의 연구기관 ‘고등정보연구계획국(IARPA)’와 공동으로 ENDAR(Engineered Nucleotide Detection and Ranking)를 개발

 

- ENDAR는 유전자 조작의 위협에 대응하고 바이오 기술의 오용을 무력화하는 등, 바이오 보안에 있어서 AI의 혁신적 잠재력을 보여 주는 중대 인프라

 

Lab space at the Ginkgo Bioworks offices in Boston, Massachusetts. Photographer: Adam Glanzman/Bloomberg

https://www.prnewswire.com/news-releases/iarpa-ginkgo-bioworks-and-draper-announce-new-technologies-to-detect-engineered-dna-301650505.html

IARPA, Ginkgo Bioworks and Draper Announce New Technologies to Detect Engineered DNA

https://drive.google.com/file/d/15K7xJohKgho7NGZcMmssng4pvhyG1O3h/view

ENDAR Overview

(임상시험 최적화) 임상시험 참가자 모집은 생명과학 및 의료기술 부문의 주요 난제로, 미국인 중 임상시험 참가자는 5%에 불과하고 임상시험의 80%가 참가자 모집 목표를 달성하지 못하고 있는 실정

- 미국 기반의 기술 업체 ‘H1’의 AI 솔루션은

△제약사들의 신속한 의사결정을 지원

△임상시험 사이트 선정 실패율을 저감

△임상시험 환자 모집을 촉진

 

- 그 외, AI는 환자 분류, 행정업무, 신약 규명, 공급망 및 제조 영역에서도 잠재성이 지대

 

■  AI의 가치 실현에 있어 4대 장애물

- 글로벌 보건 및 의료 혁신을 구현하기 위해서는 AI의 가치 실현을 저해하는 장애물 처리가 급선무이며, 대표적 장애물로는 빈곤한 데이터 풀, 제한된 채택 등 

항목	설명
빈곤한 데이터 풀	알고리즘은 데이터를 기반으로 훈련되지만, 선진국에서조차 ⾮일관된 데이터 수집 및 상호운용성 부족으로 조직과 국경을 아우르는 AI 모델의 확장을 저해
저조한 신뢰	AI에 대한 신뢰가 저조한 이유는 기존 워크플로우에 알고리즘 통합의 어려움, 의사를 대체하는 AI에 대한 불편한 정서, 알고리즘 훈련에 사용되는 데이터 세트에 내재된 편견 등
확장 및 협력 부족	AI 솔루션을 고소득 국가에 제한하지 않고 그 너머로 확장할 인센티브의 부족, 국가 간 정책 격차 등이 AI 어플리케이션의 확장을 저해하고 있어서, 무엇보다도 국경 간 이동 가능한 툴을 설계하는 것이 중요.
부적절한 기술 인프라	정보통신 및 데이터 인프라의 열악함, 적절한 데이터 풀의 부족 등이 가치 실현의 가장 큰 장애물로 작용

 

■ AI 촉진을 위한 원칙

책임감 있는 AI 발전을 저해하는 장애물을 극복하기 위해 필요한 것으로는 고품질 데이터에 대한 접근성, 기술의 적응성, 용이한 확장성

항목	설명
데이터 접근성	사용 가능한 대표성을 지닌 데이터를 활용하기 위해, 스탠포드⼤ 등에서는 ‘생성형 적대 신경망(GAN)’을 기반으로 합성 임상시험이나 생물의학 연구에 쓸 수 있는 합성 환자 데이터를 생성하여 시장 출시까지의 시간을 단축 * 생성형 적대 신경망(Generative Adversarial Networks)은 생성자와 식별자가 서로 경쟁하며 데이터를 생성하는 모델
	이런 시도가 유망하지만 확장되기에 앞서 검증이 필요한데, ‘메이요클리닉 플랫폼(Mayo Clinic Platform)’이 주도하는 데이터 공유 협정 같은 파트너십이 문제 해결을 지원할 수 있을 것으로 기대
	https://www.mayoclinicplatform.org/
기술 적응성	AI 채택에 있어 저항을 줄이기 위해서는 신뢰성이 보장되어야 하며, 이와 관련하여 △‘의료AI연합체(CHAI)’에서는 신뢰 증진을 위해 ‘신뢰성 있는 AI를 위한 청사진(Blueprint for Trustworthy AI)’을 수립
	https://www.coalitionforhealthai.org/
	△‘ITU AI for Good’ 이니셔티브는 신뢰성 있는 AI 솔루션을 보장하기 위한 프레임워크를 개발하는 중
	https://aiforgood.itu.int/
용이한 확장성	AI는 보다 큰 규모에서 효율성도 함께 제고되기 때문에 AI가 채택되기 위해서는 설계에 따라 손쉬운 확장 가능성이 필수

 

■  보건 부문 AI의 잠재력 실현을 위한 권장사항

 

[WEF, 2023.06.26.]

 

https://www.khidi.or.kr/board/view?pageNum=1&rowCnt=10&no1=493&linkId=48900543&menuId=MENU01784&maxIndex=00489005439998&minIndex=00488571949998&schType=0&schText=&schStartDate=&schEndDate=&boardStyle=&categoryId=&continent=&country=

글로벌 보건산업 동향 Vol.487(2023.09.11)