[논문 리뷰] Artificial Intelligence Decision Support for Medical Triage

Chiara Marchiori, Douglas D. Dykeman외 7명|PubMed|2020. 11. 09.

COVID-19 diagnosis using AI참고 문헌 25인용 수 7

한 줄 요약

이 논문은 90만 건의 독일어 통신 상담 기록을 기반으로 기계학습과 자연어 처리(NLP)를 활용한 인공지능 기반 의료 선별 시스템을 제시한다. 이 시스템은 모바일 앱을 통해 개인화되고 실시간으로 환자와 상호작용할 수 있도록 설계되었으며, 임상 기록에서 지식 그래프를 구축하고, 증상 정밀화를 위한 데이터 기반 대화 엔진을 활용하며, 투명하고 고정밀도의 치료 경로 권장 사항을 제공한다. 의료진 검증을 거친 결과, 응답 시간은 1초 이내이며 임상 정확도가 매우 높다.

ABSTRACT

Applying state-of-the-art machine learning and natural language processing on approximately one million of teleconsultation records, we developed a triage system, now certified and in use at the largest European telemedicine provider. The system evaluates care alternatives through interactions with patients via a mobile application. Reasoning on an initial set of provided symptoms, the triage application generates AI-powered, personalized questions to better characterize the problem and recommends the most appropriate point of care and time frame for a consultation. The underlying technology was developed to meet the needs for performance, transparency, user acceptance and ease of use, central aspects to the adoption of AI-based decision support systems. Providing such remote guidance at the beginning of the chain of care has significant potential for improving cost efficiency, patient experience and outcomes. Being remote, always available and highly scalable, this service is fundamental in high demand situations, such as the current COVID-19 outbreak.

연구 동기 및 목표

• 원격으로 24시간 이틀 내내 작동하고 확장 가능한 환자 안내 기능을 제공함으로써 의료 접근성을 햖을 수 있는 인공지능 기반 선별 시스템을 개발하기 위해.
• 환자의 병력과 유사한 과거 사례를 실시간 추천에 통합함으로써 임상 의사결정을 향상시키기 위해.
• 설명 가능한 인공지능과 의료진이 개입하는 검증 방식을 통해 시스템의 투명성, 사용자 신뢰도, 임상 적용도를 확보하기 위해.
• 실제 의료 현장에서 고수요 환경에 적합한 높은 성능과 확장성을 달성하기 위해.
• 비정형 임상 기록에서 지식을 자동으로 추출하고 재사용 가능한 多국어 의료 지식 기반을 구축하기 위해.

제안 방법

• 90만 건의 통신 상담 기록을 기반으로 다단계 NLP 파이프라인을 활용해 실체 및 관계 추출을 수행함으로써 지식 그래프(KG)를 구축하였다.
• 언어에 종속되지 않은 딥러닝 강화 NLP 모델을 적용하여, 비공식적, 철자 실수, 불완전한 기록에서도 높은 정밀도와 재현율을 확보한 의료 실체 및 관계를 추출하였다.
• 개인화된 질문을 생성하여 증상을 정밀화하고 환자를 정확한 선별으로 이끌 수 있도록 데이터 기반 대화 시스템을 개발하였다.
• 역사적 사례 유사도와 임상 지침을 기반으로 증상 프로파일을 최적의 치료 경로 및 시간대에 매핑하는 추론 엔진을 구현하였다.
• 지식 그래프를 메모리에 유지하여 저지연 그래프 탐색을 실현하였으며, 워커 수에 비례해 선형 확장 가능한 성능을 달성하여 1건의 쿼리당 응답 시간이 1초 이내가 되도록 하였다.
• 의료진 검증 기반 참값을 활용한 자동 테스트 파이프라인을 통합하여 시스템 출력의 지속적 검증과 신뢰성 확보를 위한 피드백 루프를 구축하였다.

실험 결과

연구 질문

• RQ1 비정형 통신 상담 기록을 어떻게 자동으로 구조화되고 설명 가능한 의료 지식 기반으로 변환할 수 있는가?
• RQ2 비공식적, 저품질의 임상 기록에서 의료 실체 및 관계를 고정밀도로 추출하는 데에 적합한 NLP 기법은 무엇인가?
• RQ3 AI 기반 대화 시스템은 어떻게 실시간으로 환자의 증상을 정밀화하여 선별 정확도를 향상시킬 수 있는가?
• RQ4 실시간 환자 상호작용에 적합한 저지연, 고확장성 성능을 보장하는 시스템 아키텍처는 어떻게 설계되어야 하는가?
• RQ5 안전성과 신뢰성을 확보하기 위해 임상 검증과 자동 테스트를 개발 라이프사이클에 어떻게 통합할 수 있는가?

주요 결과

• 충분한 컴퓨팅 자원이 확보된 조건에서 시스템은 평균 쿼리 응답 시간이 1초 이내로, 4초 이내의 요구 조건을 충족하였다.
• 지식 그래프를 통해 효율적이고 저지연의 그래프 탐색이 가능했으며, 밀리초 수준의 성능을 확보하여 실시간 추론을 지원하였다.
• 자동 테스트 절차가 개발 파이프라인에 성공적으로 통합되어 지속적인 검증과 피드백 루프가 가능해졌다.
• 의료진 검증 기반 참값 세트를 활용해 시스템 성능을 평가하였으며, 특히 긴급 케이스 탐지에 있어 재현율, 정밀도, F-스코어가 모두 요구 기준을 초과하였다.
• 시스템은 높은 확장성을 입증하였으며, 컴퓨팅 자원(워커 수) 증가에 따라 응답 시간이 선형적으로 향상되었다.
• 환자의 병력과 유사 과거 사례 통합을 통해 치료 권장 사항의 개인화 및 정확도가 향상되었다.