[논문 리뷰] Machine Learning Applications In Healthcare: The State Of Knowledge and Future Directions

Mrinmoy Roy, Sarwar J. Minar외 2명|arXiv (Cornell University)|2023. 07. 26.

Artificial Intelligence in Healthcare인용 수 5

한 줄 요약

이 논문은 의료 분야에서 기계학습(ML) 응용 프로그램에 대한 종합적이고 체계적인 리뷰를 제공하며, 공동체 건강, 위험 관리, 운영, 원격 간호, 조기 진단의 다섯 영역으로 분류하여 빠른 접근을 위한 표 형태의 참고문헌을 제공한다. 임상의와 ML 전문가 간의 지식 격차를 해소하고자 현재의 응용 프로그램을 통합하며 향후 연구 방향을 제시한다.

ABSTRACT

Detection of easily missed hidden patterns with fast processing power makes machine learning (ML) indispensable to today's healthcare system. Though many ML applications have already been discovered and many are still under investigation, only a few have been adopted by current healthcare systems. As a result, there exists an enormous opportunity in healthcare system for ML but distributed information, scarcity of properly arranged and easily explainable documentation in related sector are major impede which are making ML applications difficult to healthcare professionals. This study aimed to gather ML applications in different areas of healthcare concisely and more effectively so that necessary information can be accessed immediately with relevant references. We divided our study into five major groups: community level work, risk management/ preventive care, healthcare operation management, remote care, and early detection. Dividing these groups into subgroups, we provided relevant references with description in tabular form for quick access. Our objective is to inform people about ML applicability in healthcare industry, reduce the knowledge gap of clinicians about the ML applications and motivate healthcare professionals towards more machine learning based healthcare system.

연구 동기 및 목표

• 의료 분야에서 기계학습 응용 프로그램에 산재해 있는 지식을 체계적이고 접근하기 쉬운 형식으로 통합하기 위해.
• 실제 응용 프로그램에 대한 명확하고 참조 가능한 개요를 제공함으로써 임상의와 ML 전문가 간의 지식 격차를 줄이기 위해.
• 더 쉽게 발견하고 도입할 수 있도록 핵심 의료 영역에서의 기존 ML 응용 프로그램을 식별하고 분류하기 위해.
• 실제 적용을 방해하는 요인인 설명 불가능성 부족과 낮은 문서화 수준과 같은 과제를 부각하기 위해.
• 증거 기반의 체계적인 통찰을 통해 의료 전문가들이 ML 기반 솔루션의 도입을 더 적극적으로 추진하도록 유도하기 위해.

제안 방법

• 공동체 건강, 위험 관리, 의료 운영, 원격 간호, 조기 진단의 다섯 주요 영역으로 ML 응용 프로그램을 체계적으로 분류하기 위해.
• 각 영역을 특정 임상 또는 운영 분야(예: 질병 예측, 환자 모니터링, 자원 배분 등)로 하위 그룹화하기 위해.
• 각 응용 프로그램 영역에 대해 관련된 동료 심사 논문을 수집하고 간결한 설명을 제공하기 위해.
• 빠른 참고 및 접근성 향상을 위해 정보를 표 형식으로 제시하기 위해.
• 이론적 또는 실험적 모델이 아닌 임상적으로 관련성 있고 실제 적용 가능한 응용 프로그램에 중점을 두기 위해.
• 향후 연구 및 구현을 안내하기 위해 설명 가능성과 실질적 구현 과제에 중점을 두기 위해.

실험 결과

연구 질문

• RQ1 의료 분야의 다양한 임상 및 운영 영역에서 기계학습의 현재 주요 응용 프로그램은 무엇인가요?
• RQ2 의료 현장에서 기계학습의 도입을 방해하는 주요 장애물은 무엇이며, 특히 의료 전문가들 사이에서 어떤가요?
• RQ3 의료 전문가들이 더 쉽게 접근하고 활용할 수 있도록 ML 응용 프로그램은 어떻게 더 잘 문서화하고 체계화할 수 있나요?
• RQ4 기계학습 통합에 가장 유망한 의료 영역는 무엇이며, 대표적인 사용 사례는 무엇인가요?
• RQ5 의료 분야에서 기계학습의 임상적 관련성과 설명 가능성을 향상시키기 위해 필요한 향후 연구 방향은 무엇인가요?

주요 결과

• 기계학습은 큰 데이터셋을 신속하게 처리하고 숨겨진 패턴을 탐지할 수 있는 능력 덕분에 의료 분야에서 점점 더 중요한 역할을 하고 있다.
• 다수의 유망한 응용 프로그램이 존재하지만, 실제로 현재 의료 시스템에 성공적으로 통합된 것은 제한되어 있다.
• 표준화되고 설명 가능하며 잘 문서화된 ML 자원의 부족은 임상 적용을 방해하는 주요 장애물로 남아 있다.
• 이 연구는 ML 응용 프로그램을 다섯 가지 주요 영역으로 성공적으로 분류하였으며, 각 영역은 관련 참고문헌으로 뒷받침되었다.
• 응용 프로그램을 설명과 참고문헌과 함께 표 형식으로 제시함으로써 임상의들이 더 빠르게 접근하고 정보에 기반한 의사결정을 내릴 수 있게 되었다.
• 논문은 지식 공유 향상과 임상의 중심의 ML 문서화 개선이 실제 적용을 가속화하기 위해 명백히 필요하다고 규명하였다.