[논문 리뷰] A Framework for Assurance of Medication Safety using Machine Learning

Yan Jia, Tom Lawton외 3명|arXiv (Cornell University)|2021. 01. 11.

Quality and Safety in Healthcare참고 문헌 70인용 수 9

한 줄 요약

이 논문은 기계 학습과 안전 공학을 융합한 하이브리드 프레임워크를 제안하여, HAZOP 기반 분석(SHARD)과 베이지안 네트워크 구조 학습, 프로세스 마이닝을 조합함으로써 약물 안전을 선제적으로 확보한다. 흉부외과에 적용된 결과, 예측된 약물 오류 원인과 실제 발생한 오류 패턴 간의 괴리를 밝혀내었으며, 이는 복잡한 의료 시스템에서 환자 안전 위험을 동적으로 관리할 잠재력을 보여준다.

ABSTRACT

Medication errors continue to be the leading cause of avoidable patient harm in hospitals. This paper sets out a framework to assure medication safety that combines machine learning and safety engineering methods. It uses safety analysis to proactively identify potential causes of medication error, based on expert opinion. As healthcare is now data rich, it is possible to augment safety analysis with machine learning to discover actual causes of medication error from the data, and to identify where they deviate from what was predicted in the safety analysis. Combining these two views has the potential to enable the risk of medication errors to be managed proactively and dynamically. We apply the framework to a case study involving thoracic surgery, e.g. oesophagectomy, where errors in giving beta-blockers can be critical to control atrial fibrillation. This case study combines a HAZOP-based safety analysis method known as SHARD with Bayesian network structure learning and process mining to produce the analysis results, showing the potential of the framework for ensuring patient safety, and for transforming the way that safety is managed in complex healthcare environments.

연구 동기 및 목표

• 병원에서 피할 수 있는 환자 피해의 주요 원인으로서의 약물 오류를 해결하기 위해.
• 기계 학습과 안전 공학 기법을 융합하여 데이터 기반의 동적 접근 방식을 통해 약물 안전 확보를 개발하기 위해.
• 전문가 분석에서 도출된 예측된 오류 원인과 임상 데이터에서 도출된 실제 오류 패턴 간의 격차를 규명하기 위해.
• 안전 데이터와 운영 데이터의 통합 분석을 통해 복잡한 의료 환경에서 선제적이고 적응적인 위험 관리 가능성을 확보하기 위해.
• 특히 베타 차단제 투여를 포함한 흉부외과 분야에서 실제 임상 환경에서의 프레임워크의 타당성과 가치를 입증하기 위해.

제안 방법

• 프레임워크는 흉부외과에서의 약물 오류 잠재 원인을 체계적으로 분석하기 위해 HAZOP 기반 방법인 SHARD를 적용한다. 특히 베타 차단제 사용과 관련된 사항에 중점을 둔다.
• 기계 학습 기법—특히 베이지안 네트워크 구조 학습—을 활용하여 전자 건강 기록 데이터에서 인과 관계를 추론한다.
• 프로세스 마이닝을 적용하여 병원 데이터 로그에서 실제 약물 투여 워크플로우를 추출하고 분석한다.
• 안전 분석 결과와 데이터 기반 기계 학습 분석 결과를 비교하여 예측된 오류 패턴과 실제 오류 패턴 간의 괴리를 규명한다.
• 전문가 기반의 위험 식별과 데이터 기반의 발견을 융합하여 안전 확보의 강건성을 향상시킨다.
• 이러한 방법의 통합은 약물 안전 위험에 대한 동적이고 증거 기반의 모니터링을 가능하게 한다.

실험 결과

연구 질문

• RQ1 어떻게 기계 학습 기법을 안전 공학 기법과 효과적으로 융합하여 약물 안전을 향상시킬 수 있는가?
• RQ2 전문가 분석에서 도출된 약물 오류 원인과 임상 데이터에서 도출된 실제 원인 간의 괴리는 무엇인가?
• RQ3 데이터 기반 기계 학습 분석이 복잡한 외과 환경에서 약물 오류의 탐지 및 관리에 얼마나 기여할 수 있는가?
• RQ4 베이지안 네트워크와 프로세스 마이닝을 활용하여 실제 약물 투여 프로세스와 그 고장 지점들을 어떻게 모델링하고 시각화할 수 있는가?
• RQ5 안전 분석과 데이터 분석의 통합은 의료 분야에서 더 선제적이고 적응적인 위험 관리로 이어질 수 있는가?

주요 결과

• 프레임워크는 흉부외과 사례 연구에서 예측된 오류 원인과 실제 오류 원인 간에 상당한 괴리를 성공적으로 규명하였다.
• 기계 학습 분석을 통해 전문가 기반 HAZOP 분석에서 포착되지 않은, 베타 차단제 투여 과정에서의 예상치 못한 고장 패턴이 드러났다.
• SHARD와 베이지안 네트워크 학습, 프로세스 마이닝의 통합은 단독으로 사용할 경우보다 더 포괄적인 약물 안전 위험 시각화를 가능케 하였다.
• 프레임워크는 전통적인 안전 공학 접근 방식을 실제 임상 환경에서 검증하고 향상시키기 위한 데이터 기반 방법의 타당성을 입증하였다.
• 전문가 지식과 데이터 분석을 융합할 경우, 약물 안전 위험의 더 정확하고 신속한 식별이 가능할 수 있음을 시사한다.
• 이 방법은 지속적이고 동적 모니터링을 가능하게 하여, 후행 분석이 아닌 사전 대응 기반의 개입을 지원한다.