[논문 리뷰] Towards a New Science of a Clinical Data Intelligence

Volker Tresp, Sonja Zillner외 15명|arXiv (Cornell University)|2013. 11. 17.

Machine Learning in Healthcare참고 문헌 9인용 수 7

한 줄 요약

이 논문은 임상 데이터 지능을 위한 새로운 과학적 프레임워크를 제안한다—다양하고 완전한 환자 기록에서 유래한 빅데이터를 활용하여 근거 기반의 개인화된 의료를 가능하게 한다. 지식 공 ing, 비정형 임상 텍스트에서의 정보 추출, 통계적 기계학습을 통합함으로써 예측 모델링, 결과 분석, 의사결정 지원 시스템을 통해 임상 의사결정을 향상시키는 것을 목표로 하며, 신장 이식 환자에서의 약물 부작용과 약물 상호작용을 줄이는 데 중점을 둔다.

ABSTRACT

In this paper we define Clinical Data Intelligence as the analysis of data generated in the clinical routine with the goal of improving patient care. We define a science of a Clinical Data Intelligence as a data analysis that permits the derivation of scientific, i.e., generalizable and reliable results. We argue that a science of a Clinical Data Intelligence is sensible in the context of a Big Data analysis, i.e., with data from many patients and with complete patient information. We discuss that Clinical Data Intelligence requires the joint efforts of knowledge engineering, information extraction (from textual and other unstructured data), and statistics and statistical machine learning. We describe some of our main results as conjectures and relate them to a recently funded research project involving two major German university hospitals.

연구 동기 및 목표

• 임상 빅데이터를 분석하여 환자 치료 향상을 위한 일반화 가능하고 신뢰할 수 있는 통찰을 도출하기 위한 과학적 기반을 구축하기 위해.
• 의료 기록의 구조화되지 않은 데이터를 포함한 환자 정보의 전체 맥락을 모델링하여 복잡한 임상 의사결정 문제를 해결하기 위해.
• 체계적인 데이터 분석과 의사결정 지원을 통해 신장 이식 환자에서의 약물 부작용과 약물 상호작용을 줄이기 위해.
• 전자 건강 기록에 통합된 임상 의사결정 지원 시스템을 개발하여 오류를 방지하고 환자 안전을 향상시키기 위해.
• 임상 워크플로우에서의 개인정보 보호와 사용성 확보를 바탕으로 클리닉 및 기관 간 데이터 공유를 촉진하기 위해.

제안 방법

• 지식 공학, 임상 텍스트에서의 정보 추출, 통계적 기계학습을 융합한 다학제적 접근을 활용한다.
• 임상 사실을 정확하게 표현하고 의미 일관성을 확보하기 위해 의료 온톨로지와 용어 체계를 적용한다.
• 환자 기록의 데이터 마이닝 기법을 적용하여 신장 이식 환자에서 이전에 알려지지 않은 약물 상호작용과 부작용을 식별한다.
• 구조화된 데이터와 비구조화된 자료를 포함한 종합적인 환자 데이터를 기반으로 임상 행동(예: 진단, 치료)에 대한 예측 모델을 개발한다.
• 실시간 근거 기반 권고를 제공하기 위해 임상 의사결정 지원 시스템을 통해 결과를 전자 환자 기록에 통합한다.
• 환자 포럼 및 소셜 미디어에서의 환자 생성 데이터를 포함한 다양한 데이터 소스—청구 데이터, 옴믹스 데이터—를 활용하여 맥락을 향상시킨다.

실험 결과

연구 질문

• RQ1 임상 빅데이터를 체계적으로 분석하여 환자 결과 향상에 기여하는 과학적으로 타당하고 일반화 가능한 결과를 도출하는 방법은 무엇인가?
• RQ2 다양하고 대규모의 환자 데이터를 활용해 복잡한 임상 의사결정 과정을 모델링하기 위해 필요한 기술적 및 방법론적 프레임워크는 무엇인가?
• RQ3 의사 메모 및 보고서와 같은 비구조화된 임상 데이터를 예측 모델에 효과적으로 추출하고 통합하는 방법은 무엇인가?
• RQ4 이질적인 데이터 소스 간에 임상 사실을 정확하게 표현하기 위해 의미론적 데이터 모델과 온톨로지가 수행하는 역할은 무엇인가?
• RQ5 실제 전자 건강 기록 환경에서 임상적으로 사용 가능하고 안전하며 효과적인 의사결정 지원 시스템을 설계하고 구현하기 위한 방법은 무엇인가?

주요 결과

• 특히 빅데이터 환경에서 대규모이고 종합적인 환자 데이터를 분석할 경우, 임상 데이터 지능의 과학은 실현 가능하며 필수적이다.
• 지식 공학, 정보 추출, 통계적 모델링의 통합은 더 정확하고 신뢰할 수 있는 임상 의사결정 지원을 가능하게 한다.
• 체계적인 분석을 통해 잘 구조화된 이식 센터 데이터베이스에서 신장 이식 환자에서 높은 빈도의 약물 상호작용과 부작용이 확인되었다.
• 현대적 데이터 마이닝 기법은 이전에 알려지지 않은 약물 상호작용과 부작용을 성공적으로 식별하였으며, 환자 및 이식 기능 유지에 측정 가능한 영향을 미쳤다.
• 전자 건강 기록 내 임상 의사결정 지원 시스템을 구현함으로써 복용량 오류가 크게 감소하고 위험한 약물 상호작용을 방지할 수 있었다.
• 클리닉 간 데이터 공유에는 기술적·절차적 과제가 존재하지만, 임상 데이터 지능의 잠재력을 극대화하기 위해 필수적이다. 이에 따라 레지스트리와 오픈 이노베이션 모델이 핵심 추진력으로 부상하고 있다.