[논문 리뷰] Before and After: Machine learning for perioperative patient care

Iuliia Ganskaia, Stanislav Abaimov|arXiv (Cornell University)|2022. 01. 20.

Artificial Intelligence in Healthcare and Education인용 수 8

한 줄 요약

이 다학제적 리뷰는 휠개수술 환자 간호에서 기계학습(ML) 응용 프로그램을 위한 기술적 분류 프레임워크를 제안하며, 프로세스, 환자, 운영자, 피드백, 기술 중심으로 시스템을 분류한다. 이는 데이터 기반 의사결정 지원을 통해 전수술 진단, 수술 중 모니터링, 수술 후 회복 단계에서 ML이 어떻게 향상시키는지를 보여주며, 실제 임상 적용을 위한 신뢰, 사이버보안, 윤리적 문제를 부각시킨다.

ABSTRACT

For centuries nursing has been known as a job that requires complex manual operations, that cannot be automated or replaced by any machinery. All the devices and techniques have been invented only to support, but never fully replace, a person with knowledge and expert intuition. With the rise of Artificial Intelligence and continuously increasing digital data flow in healthcare, new tools have arrived to improve patient care and reduce the labour-intensive work conditions of a nurse. This cross-disciplinary review aims to build a bridge over the gap between computer science and nursing. It outlines and classifies the methods for machine learning and data processing in patient care before and after the operation. It comprises of Process-, Patient-, Operator-, Feedback-, and Technology-centric classifications. The presented classifications are based on the technical aspects of patient case.

연구 동기 및 목표

• 컴퓨터 과학과 간호학 간 격차를 메우기 위해 기계학습을 휠개수술 환자 간호에 통합하는 것.
• 수술 전후 환자 결과 개선 잠재력이 아직 탐색되지 않은 기계학습의 잠재력을 다루기 위한 것.
• 프로세스, 환자, 운영자, 피드백, 기술 등의 기술적 및 운영적 차원을 기반으로 환자 간호 분야의 기계학습 응용 프로그램을 분류하기 위한 것.
• 임상 환경에서 기계학습 도입을 위한 신뢰, 사이버보안, 윤리적 문제를 특정하기 위한 것.
• 간호 및 수술 간호에서 임상 전문 지식을 대체하기보다는 지원하는 AI 도구의 향후 개발을 이끄는 것.

제안 방법

• 휠개수술 간호에 대한 기계학습 응용 프로그램을 위한 다섯 차원 분류 체계를 제안: 프로세스 중심, 환자 중심, 운영자 중심, 피드백 중심, 기술 중심.
• 스마트 침대, IoT 센서, 로봇 시스템 등의 기존 스마트 장치가 실시간 모니터링 및 데이터 처리를 위해 기계학습과 통합된 방식을 분석한다.
• 역사적 및 스트리밍 건강 데이터를 기반으로 예측 진단을 위해 지도학습, 비지도학습, 강화학습 기법을 사용해 모델을 훈련시킨다.
• 기계학습 응용 프로그램이 인간 중심 간호 원칙과 일치하도록 개념적 프레임워크로 마슬로우의 욕구계층 이론을 적용한다.
• 데이터 기밀 수준—익명, 기밀, 공개—을 ML 파이프라인 내에서 평가하여 준수 및 보안을 확보한다.
• 실시간 데이터 처리 및 모델 해석 가능성의 현재 한계를 검토하며, 기계학습 시스템의 점진적이고 조언 기반의 구현을 주장한다.

실험 결과

연구 질문

• RQ1 기계학습은 휠개수술 환자 간호의 맥락에서 체계적으로 어떻게 분류될 수 있는가?
• RQ2 간호 및 수술 지원 시스템에 효과적인 기계학습 통합을 정의하는 데 기여하는 기술적 및 운영적 차원은 무엇인가?
• RQ3 기계학습은 임상 판단을 대체하지 않으면서 어떻게 전수술 진단 및 수술 후 회복을 향상시킬 수 있는가?
• RQ4 실시간 임상 환경에서 환자 간호에 기계학습을 도입할 때 주요 윤리적, 보안적, 신뢰 관련 과제는 무엇인가?
• RQ5 기계학습 기반 시스템은 간호사 및 임상의의 인간 직관과 전문 지식을 대체하기보다는 어떻게 지원하도록 설계될 수 있는가?

주요 결과

• 기계학습은 의료 서비스의 효과를 크게 향상시키고, 환자 회복 속도를 가속화하며, 휠개수술 단계 동안 스트레스를 감소시킬 수 있다.
• 현재 기계학습 응용 프로그램은 주로 데이터 수집 및 분석 최적화에 국한되어 있으며, 실시간 자율 의사결정 지원에는 미치지 못하고 있다.
• 사이버보안 위협은 심각한 위험을 초래하며, 의료 시스템에 대한 랜섬웨어 공격과 관련된 환자 사망 사례가 기록되어 있다.
• 의료 종사자들 사이에서 기계학습 시스템에 대한 신뢰는 인간의 의사결정과 비교해 충분한 정확성과 해석 가능성 부족으로 인해 낮은 편이다.
• 특히 생명과 사망을 결정하는 데 영향을 미치는 자율 시스템에 대한 윤리적 우려로 인해 기계학습의 의료 분야 통합이 제약을 받고 있다.
• 표준화 및 규제 지침—영국 국가 스크리닝 위원회가 임시로 발표한 AI 지침 등—이 등장하고 있지만, 광범위한 도입을 위해서는 여전히 부족한 상황이다.