방법: 고급 분석으로 의료 분야의 증가하는 위험 완화

지급자에서 공급자에게로 위험 부담에 대한 책임이 넘어가면서 예방 위주의 국민 건강 관리 전략은 이러한 위험 관리의 핵심이 되고 있습니다. 따라서 의료 서비스 공급자들은 위험에 처한 환자들에 대한 예측을 개선해야 하며 이를 위해서는 더 많은 데이터와 더 발전된 고급 분석이 필요합니다. 이 글에서는 고급 분석 구현을 위한 빠른 개념 증명(POC)에 대해 알아봅니다.

비용 증가와 인구 노령화로 인해 전 세계 의료 업계는 서비스당 과금 모델로부터 지급자에서 공급자에게로 위험 부담에 대한 책임이 옮겨지는, 보다 책임감 있는 가치 중심 시스템으로 전환 중입니다.

이러한 전환으로 인해 의료 서비스 공급자들의 운영 방식에 대대적인 변경 또한 요구되고 있습니다. 각 환자에게 맞는 맞춤형 의료 서비스 제공을 위해 주력하면서, 넓게는 전체 국민들의 건강에서 나타나는 패턴도 심층적으로 파악해야 합니다.

고급 분석을 통해 의료 서비스 공급자들은 대량의 데이터를 빠르고 정확하게 분석해 미래의 위험 상황을 예측하는 것은 물론 이를 해결하기 위한 제안까지 내놓을 수 있습니다.

의료 업계의 디지털화로 이제 대부분의 의료 기관들은 디지털화된 방대한 데이터 풀을 이용할 수 있게 되었습니다. 병원에서 매일 환자당 100개가 넘는 데이터 포인트를 수집하는 것은 이례적인 일이 아니며1, 미국에서는 의료 기관 중 85퍼센트 이상이 전자 건강 기록(EMR) 시스템을 채택했습니다.2 그 결과, 데이터 유형과 이러한 데이터를 가져오는 소스가 빠르게 증가하면서 데이터의 볼륨뿐 아니라 복잡성도 증가하고 있는 추세입니다.

인텔은 환자들의 위험을 파악해 완화하고자 많은 의료 기관들과 협력하여 데이터에 고급 분석을 적용할 수 있는 혁신적인 방법을 모색하는 중입니다. 그 동안의 노력으로 이미 가시적인 성과를 거둔 의료 서비스 공급자 3곳의 사례를 살펴보겠습니다.

Sharp Healthcare: 머신 러닝 및 EMR 데이터로 환자 감소 예측

캘리포니아주 샌디에이고에 본사가 있는 Sharp HealthCare는 응급 상황을 위해 전문적인 신속 대응 팀을 운영 중입니다. Sharp HealthCare는 인텔, 클라우데라 및 ProKarma의 기술을 통해 병원의 EMR 데이터를 활용함으로써 정해진 시간 내에 신속 대응 팀의 개입이 필요한 위급한 환자를 파악할 수 있는 예측 모델을 개발했습니다. 이 솔루션은 혈압, 체온, 맥박수를 비롯한 다양한 데이터를 분석하고 머신 러닝을 통해 시간이 지남에 따라 알고리즘을 교육시킵니다.

Sharp가 기존 데이터를 사용해 이 개념 증명(POC) 모델을 테스트한 결과, 1시간 이내에 신속 대응 팀이 출동해야 할 사건의 발생 가능성을 예측하는 정확도가 80퍼센트나 되는 것으로 나타나면서3 실시간 임상 개입 추진, 치료 결과와 리소스 활용도 개선을 위한 잠재력이 모두 입증되었습니다.

Penn Medicine: 패혈증과 심부전의 예측 및 예방

Penn Medicine은 펜실베니아주와 뉴저지주 남부에 의료 시설 네트워크를 운영 중입니다. Penn의 전담 데이터 과학 팀은 데이터를 활용해 현재의 진단 기법으로는 놓칠 수 있는 중증 질환으로 위험에 처한 환자들을 파악하는 데 도움을 얻는 것이 목표입니다.

이를 위해 Penn Medicine에서는 인텔과 협력해 대규모 임상 데이터 및 빅 데이터를 토대로 의료진이 보다 신속하게 현명한 결정을 내릴 수 있게 해주는 Penn Signals*라는 협업용 오픈 소스 데이터 과학 플랫폼을 만들었습니다.

이 플랫폼의 최초 시험에서는 가장 흔하면서도 병원 입장에서는 비용이 많이 드는 두 가지 질환인 패혈증과 심부전을 테스트했습니다. 패혈증의 경우 시범 운영에서 식별률이 50퍼센트에서 85퍼센트로 개선되었으며, 패혈성 쇼크가 나타나기 전 식별 시간도 2시간에서 최대 30시간까지로 개선되었습니다.4

한편 심부전 환자들의 경우 Penn Medicine의 의료 팀은 이 알고리즘을 통해 병원 내 또는 병원 간 환자들의 수와 분포를 최초로 정확하게 파악할 수 있게 되었습니다. 기존 표준 진단 도구를 사용할 경우 심부전 환자 중 20–30퍼센트는 제대로 파악되지 못하던 상황이었습니다. 예측 모델을 통해 이런 환자들을 파악해서 질환에 대한 자가 관리 교육을 제공할 수 있게 됨에 따라 재입원 비율이 놀랄 만큼 줄어들게 되었습니다.5

Montefiore Health System: 전반적인 데이터 분석으로 환자 관리 개선

뉴욕에서 여러 의료 시설을 운영 중인 Montefiore Health System은 환자들의 위험 상황을 자동으로 보다 빠르게 파악하기 위해 고급 분석 솔루션인 Semantic Data Lake를 배포했습니다.

이 솔루션은 Montefiore의 시설에서 여러 데이터 소스 및 형식을 이용하여 현실에 맞는 전체 환자 프로필을 제공합니다. 이런 프로필은 임상 데이터부터 인구 통계학적, 환경, 행동 및 건강 연구 결과, 개체군 인구 통계 및 의료 영상에 이르기까지 다양합니다. 그리고 고급 분석 알고리즘을 이용해 데이터를 분석한 후 머신 러닝을 적용하면 점차 인사이트가 최적화됩니다.

Semantic Data Lake가 최초로 구현되면서 향후 48시간 이내(성공적인 의료 개입을 위한 골든 타임)에 사망 위험이 있거나 삽관이 필요한 환자들을 70퍼센트가 넘는 정확도로 예측해서 파악할 수 있게 되었습니다6. 그 결과, 의료진들은 치명적인 상황이나 호흡부전 예방에 도움이 되는 적절하고 정확한 처치를 좀 더 적시에 제공할 수 있게 되었습니다.

이 인텔의 새로운 백서를 통해 귀하의 의료 기관에서는 예측 분석을 어떻게 시작할 수 있을지에 대해 자세히 알아보십시오. 

제품 및 성능 정보

1  Montefiore Creates Data Analytics Platform to Advance Patient Care, 인텔 2017, p.1 https://www.intel.co.uk/content/www/uk/en/healthcare-it/solutions/documents/montefiore-advance-patient-care-solution-brief.html
4 Penn Signals Big Data Analytics Helps Penn Medicine Improve Patient Care, 인텔 2017, p.2 https://software.intel.com/sites/default/files/managed/1e/3e/Intel_UPenn_CaseStudy.pdf
5 Penn Signals Big Data Analytics Helps Penn Medicine Improve Patient Care, 인텔 2017, p.3 https://software.intel.com/sites/default/files/managed/1e/3e/Intel_UPenn_CaseStudy.pdf
6 Montefiore Creates Data Analytics Platform to Advance Patient Care, 인텔 2017, p.3 https://www.intel.co.uk/content/www/uk/en/healthcare-it/solutions/documents/montefiore-advance-patient-care-solution-brief.html