[논문 리뷰] Machine Learning and Visualization in Clinical Decision Support: Current State and Future Directions

Gal Levy-Fix, Gilad J. Kuperman외 1명|arXiv (Cornell University)|2019. 06. 06.

Machine Learning in Healthcare참고 문헌 157인용 수 10

한 줄 요약

이 논문은 임상 의사결정 지원(CDS)에서 기계학습과 데이터 시각화의 통합을 검토하며, 강력한 연구 잠재력에도 불구하고 실제 구현에 있어 뚜렷한 격차가 있음을 밝힌다. 인터랙티브 시각화와 기계학습 기반 추론이 환자 데이터 검토를 향상시킬 수 있으며, 기계학습을 활용한 의사결정 지원 시스템의 개발은 아직 미비한 상태로, 향후 시스템 설계 및 임상 적용 전략 개선이 필요함을 시사한다.

ABSTRACT

Deep learning, an area of machine learning, is set to revolutionize patient care. But it is not yet part of standard of care, especially when it comes to individual patient care. In fact, it is unclear to what extent data-driven techniques are being used to support clinical decision making (CDS). Heretofore, there has not been a review of ways in which research in machine learning and other types of data-driven techniques can contribute effectively to clinical care and the types of support they can bring to clinicians. In this paper, we consider ways in which two data driven domains - machine learning and data visualizations - can contribute to the next generation of clinical decision support systems. We review the literature regarding the ways heuristic knowledge, machine learning, and visualization are - and can be - applied to three types of CDS. There has been substantial research into the use of predictive modeling for alerts, however current CDS systems are not utilizing these methods. Approaches that leverage interactive visualizations and machine-learning inferences to organize and review patient data are gaining popularity but are still at the prototype stage and are not yet in use. CDS systems that could benefit from prescriptive machine learning (e.g., treatment recommendations for specific patients) have not yet been developed. We discuss potential reasons for the lack of deployment of data-driven methods in CDS and directions for future research.

연구 동기 및 목표

• 기계학습과 데이터 시각화 기법이 임상 의사결정 지원(CDS) 시스템에서 현재 어떻게 활용되고 있는지 평가하기.
• 강력한 연구 관심에도 불구하고 데이터 기반 기법(예: 기계학습, 시각화)이 실제 임상 현장에서 왜 아직 활용되지 않는지 규명하기.
• 인터랙티브 시각화와 기계학습 기반 추론이 환자 데이터 정리 및 의료진의 의사결정 과정을 어떻게 향상시킬 수 있는지 탐색하기.
• 기계학습을 활용해 개인화된 치료를 제안하는 예측형 CDS 시스템이 아직 개발되지 않은 이유를 분석하기.
• 기계학습과 시각화를 임상적으로 실현 가능하고 사용자 중심적인 CDS 도구에 통합하기 위한 향후 연구 방향을 제시하기.

제안 방법

• 경고, 데이터 검토, 치료 제안의 세 가지 CDS 유형을 기반으로 기계학습, 시각화, CDS 분야의 종합적 문헌 검토 수행.
• 환자 데이터 정리 및 해석에 기여하는 히وري스틱 지식, 기계학습 모델, 시각화 기법의 역할 분석.
• 임상 데이터 검토를 위한 인터랙티브 시각화와 기계학습 추론을 융합한 프로토타입 시스템 평가.
• 실제 임상 현장에서 기계학습 기반 CDS의 구현을 저해하는 기술적, 임상적, 조직적 장벽 규명.
• 의료진을 지원하기 위해 설명 가능한 기계학습과 인터랙티브 시각화를 통합한 미래 CDS 시스템의 프레임워크 제안.
• 연구 프로토타입에서 임상 현장 구현으로의 전환에 초점 맞추기. 사용성과 기계학습 출력에 대한 신뢰도 강조.

실험 결과

연구 질문

• RQ1 기계학습과 시각화 기법이 현재 임상 의사결정 지원 시스템에서 얼마나 활용되고 있는가?
• RQ2 강력한 잠재력을 지닌 기계학습 및 시각화 프로토타입이 왜 실제 임상 환경에 도입되지 않고 있는가?
• RQ3 인터랙티브 시각화와 기계학습 기반 추론은 의료진이 환자 데이터를 정리하고 해석하는 데 어떻게 기여할 수 있는가?
• RQ4 기계학습을 활용해 개인화된 치료를 제안하는 예측형 CDS 시스템 개발에 직면한 주요 과제는 무엇인가?
• RQ5 기계학습 연구와 임상 적용 간 격차를 메우기 위해 어떤 향후 연구 방향이 필요한가?

주요 결과

• 임상 경고를 위한 예측 모델링에 대한 연구는 상당히 진행되었지만, 현재 CDS 시스템은 이러한 기계학습 기법을 실제 적용하지 않고 있다.
• 환자 데이터 검토를 위한 인터랙티브 시각화와 기계학습 추론을 융합한 접근 방식은 점차 주목받고 있지만, 아직 프로토타입 수준에 머물러 있다.
• 개인화된 치료를 기계학습을 통해 제안하는 예측형 CDS 시스템은 아직 개발되지 않은 상태이다.
• 데이터 기반 CDS 방법의 도입 부족은 신뢰도 부족과 사용성 문제를 포함한 기술적, 임상적, 조직적 장벽 탓이다.
• 설명 가능한 기계학습과 인터랙티브 시각화를 통합한 임상적으로 실현 가능하고 사용자 중심의 CDS 시스템을 구축하기 위한 향후 연구가 명백히 필요하다.
• 특히 실시간이고 개인화된 환자 치료를 고려할 때, CDS에서 시각화와 기계학습의 융합은 아직 충분히 탐색되지 않은 분야이다.