brunch

You can make anything
by writing

- C.S.Lewis -

약물 치료 오류로부터 환자를 보호하기 위한 절차

2020년 4월 2일(목) - 구글 AI 리서치 블로그

어떠한 의사, 간호사 또는 약사들이 환자에게 해를 끼치는 실수를 하고 싶지는 않지만, 입원한 환자의 2 %가 생명을 위협하거나 영구적으로 해를 입히거나 사망에 이를 수 있는 심각한 막을 수 있는 약물 관련 사건을 경험하는 것으로 연구 결과로 나타났습니다. 개별 임상의의 결함보다는 결함이있는 시스템, 도구, 프로세스 또는 작업 조건에 기인한 의학적 실수에 기여하는 많은 요인이 있습니다 (IOM 보고서). 이러한 과제를 해결하기 위해 표준 전자 건강 기록 소프트웨어에서 제공하는 현재 규칙 기반 에러 경고보다 시스템이 더 정교하다고 상상할 수 있습니다. 이 시스템은 도난된 카드에서 비정형 신용 카드 구매에 대한 경고를 생성하는 시스템과 유사하게 환자와 현재 상황에 비정상적으로 보이는 처방을 식별합니다. 그러나 주어진 시간에 특정 환자에게 적합한 약물을 결정하는 것은 복잡합니다. 의사와 약사는 기술을 습득하기 전에 수년간 훈련합니다. 전자 건강 기록이 널리 사용됨에 따라 이제 이 데이터를 사용하여 처방의 정상 및 비정상 패턴을 식별하는 것이 가능할 수 있습니다.


이 문제에 대한 해결책을 모색하기 위한 초기 노력의 일환으로 UCSF의 Bakar Computational Health Sciences Institute와 제휴하여 전자 건강 기록에 근거한 머신러닝이 의사의 처방 패턴을 예측할 수 있는 정도를 평가하는 “전자 건강 기록 데이터의 입원 환자 약물 주문 예측(Predicting Inpatient Medication Orders in Electronic Health Record Data”을 임상 약리학 및 치료학 저널(Clinical Pharmacology and Therapeutics)에 게시했습니다. 이전 연구와 마찬가지로, 생체 신호, 실험실 결과, 과거 약물 치료, 절차 및 진단의 순서 등을 포함하여 신원 미상의 환자 기록의 종합적인 임상 데이터를 사용했습니다. 환자의 현재 임상 상태 및 병력에 근거하여, 가장 좋은 모델은 3/4 시간 내에 의사의 실제 처방 결정을 예상할 수 있었습니다.


모델 훈련

모델 훈련에 사용된 데이터셋에는 100,000 개 이상의 입원에서 약 3백만 건의 약물 주문이 포함되었습니다. 이름, 주소, 연락처, 기록 번호, 의사 이름, 자유로운 텍스트 메모, 이미지 등을 포함하여 HIPAA에 따라 무작위로 날짜를 변경하고 기록의 식별 부분을 제거함으로써 식별되지 않은 회고 전자 건강 기록 데이터를 사용했습니다. 데이터가 다른 데이터와 결합되거나 결합되지 않았습니다. 모든 연구는 이전에 머신 러닝에 의료 데이터를 보다 효과적으로 만드는 데 사용했던 오픈 소스 FHIR (Fast Healthcare Interoperability Resources) 형식을 사용하여 수행되었습니다. 데이터셋은 특정 질병 또는 치료 영역으로 제한되지 않았으므로 머신러닝 작업이 더욱 어려워졌으며 모델이 더 다양한 조건을 식별할 수 있도록 하는 데 도움이 되었습니다. 예를 들어, 탈수증을 앓고 있는 환자는 외상성 부상 환자와 다른 약물을 필요로 합니다. <EOF>


우리는 두 개의 머신러닝 모델인, LSTM(Long short-term memory)을 사용하는 순환 신경망(Recurrent Neural Network)과 규칙적인 타임-버킷을 가진 로지스틱 회귀 모델(logistic model)을 평가하여 임상 연구에 일반적으로 사용됩니다. 둘 다 환자의 병원 서비스 (예 : 일반 의료, 일반 외과, 산부인과, 심장학 등)와 입원 이후의 시간을 기준으로 가장 자주 주문되는 약물의 순위를 매긴 간단한 기준선과 비교했습니다. 작은 양의 데이터에서 약물을 주문할 때마다 모델은 990개의 가능한 약물 목록에 순위를 매겼으며, 모델이 각 경우에 의사가 실제로 주문한 약물에 높은 확률을 할당했는지 여부를 평가했습니다.


모델 평가 방법의 예로 감염 징후가있는 병원에 도착한 환자를 상상해 보십시오. 이 모델은 환자의 전자 건강 기록 (고온, 높은 백혈구 수, 빠른 호흡 속도)에 기록된 정보를 검토하고 해당 상황에서 다른 약물이 처방 될 가능성을 추정했습니다. 모델의 성능은 의사가 실제로 처방한 약물 (이 예에서는 항생제 반코마이신 및 재수화를 위한 염화나트륨 용액)과 등급 선택을 비교하여 평가 되었습니다.

[그림 1] 환자의 병력과 현재의 임상 특성에 근거하여, 이 모델은 의사가 처방 할 가능성이 가장 높은 약물 순위를 나타냅니다.

연구 결과

가장 우수한 성능을 발휘한 모델은 텍스트 및 언어를 포함한 순차 데이터를 처리하는 데 특히 효과적인 모델인 LSTM 모델이었습니다. 이러한 모델은 데이터에서 이벤트의 순서 및 시간 최신 성을 캡처 할 수 있으므로이 문제에 적합한 선택입니다.


거의 모든 (93 %) 상위 10개 목록에는 다음날 내내 환자에게 임상의가 주문할 약이 하나 이상 포함되어 있습니다. 이 시간의 55 %에서 이 모델은 의사가 처방한 약을 가장 가능성이 가장 높은 10 가지 약물 중 하나로 배치했으며, 처방된 약물의 75%가 상위 25 위에 올랐습니다. 의사가 처방 한 약물이 상위 25개 결과에 나타나지 않은 '거짓 음성(false negatives)'의 경우에도 이 모델은 42%의 동일한 클래스에서 약물의 순위를 높였습니다. 이 성능은 단순히 이전에 처방된 약물을 예측하는 모델에 의해 설명되지 않았습니다. 우리가 이전 약물 주문에 대해 모델을 눈을 감았을 때에도 높은 성능을 유지했습니다.


이것은 환자와 임상의에게 무엇을 의미합니까?

이러한 방식으로 훈련된 모델은 과거 데이터에 나타나는 의사의 행동을 재현하며, 최적의 처방 패턴, 이러한 약물의 작동 방식 또는 부작용이 무엇인지 배우지 않은 것을 기억하는 것이 중요합니다. 그러나 '정상(normal)'을 배우는 것은 결국 비정상적이고 잠재적으로 위험한 질서를 발견하기 위한 출발점입니다. 다음 단계의 연구에서는 이러한 모델이 환자에게 해를 줄 수 있는 약물 치료 오류를 찾는 데 유용한 상황을 조사 할 것입니다.


이 탐색 작업의 결과는 실수를 방지하고 환자를 안전하게 보호하는 시스템을 구축하기 위해 머신러닝을 적용 할 수 있다는 가설을 테스트하기 위한 초기 단계입니다. 우리는 의사, 약사, 기타 임상의 및 환자와 협력하여 이러한 모델이 오류를 포착 할 수 있는지 여부를 정량화하여 병원에서 환자를 안전하게 보호 할 수 있는지 연구하고 있습니다.


감사의 말

이 블로그에 설명된 연구 작업에 기여한 Atul Butte (UCSF), Claire Cui, Andrew Dai, Michael Howell, Laura Vardoulakis, Yuan (Emily) Xue 및  Kun Zhang 에게 감사의 말씀을 전합니다. 또한 Gabby Espinosa, Gerardo Flores, Michaela Hardt, Sharat Israni (UCSF), Jeff Love (UCSF), Dana Ludwig (UCSF), Hong Ji, Svetlana Kelman, I-Ching Lee, Mimi Sun, Patrik Sundberg, Chunfeng Wen 및 Doris Wong 와 같은 분석 도구 개발, 데이터 수집, 연구 인프라 유지 관리, 데이터 품질 보증 및 프로젝트 관리에 도움을 주신 더 광범위한 연구 팀원들에게 감사의 말씀을 전합니다 : 


원복 제목: 약물 치료 오류로부터 환자를 보호하기 위한 절차(A Step Towards Protecting Patients from Medication Errors)
게시자 : Kathryn Rough, 연구 과학자 및 Alvin Rajkomar, Google Health, MD
원본 링크: https://ai.googleblog.com/2020/04/a-step-towards-protecting-patients-from.html
Temporal Trends in Rates of Patient Harm Resulting from medical Care 논문 기사: https://www.nejm.org/doi/full/10.1056/NEJMsa1004404#t=article
Deep learning for Electronic Health Records 블로그: https://ai.googleblog.com/2018/05/deep-learning-for-electronic-health.html
Making Healthcare Data Work Better with Machine Learning 블로그: https://ai.googleblog.com/2018/03/making-healthcare-data-work-better-with.html
To Err is Human: Building a Safer Health System 논문: https://pubmed.ncbi.nlm.nih.gov/25077248/
이 블로그는 2020년 4월 2일(목), Google AI Research Blog 기사를 영한 번역한 것입니다. 또한 이 번역 글은 정보 공유 목적으로만 작성했으므로 어떠한 상업용으로 사용할 수 없으며, 원본 저작물 모두 구글에게 저작권이 있음을 알려 드립니다. (First Draft Version)
매거진의 이전글 WaveNetEQ를 사용한 구글 듀오 오디오 품질 개선

매거진 선택

키워드 선택 0 / 3 0
브런치는 최신 브라우저에 최적화 되어있습니다. IE chrome safari