원격 진단 및 모니터링에 대한 수요가 점차 증가하면서 원격 의료(telehealth)솔루션도 함께 증가하고 있습니다. 또한 데이터량 역시 폭발적으로 늘어나면서 모든 데이터를 전송하는 대신 높은 비용을 지불할 것인지, 아니면 AI를 적용하여 SNR(Signal to noise ratio:신호 대 잡음비) 향상시키고 데이터 전송을 줄일 것인지 취사 선택해야 하는 상황입니다.
더 자세히 알아보기
두 가지 방법 모두 이점이 있습니다. AI 기반의 데이터 필터링 압축 방법을 사용하면 시그널 전송을 대폭 줄일 수 있기 때문에 배터리 수명이 개선되는 효과가 있습니다. 반대로 모든 데이터를 전송할 경우 향후 데이터 마이닝, 알고리즘 개발에 활용할 수 있고 중앙 데이터 처리 방식을 통해 유연성을 더 높일 수 있습니다.
따라서 적절한 데이터 처리 방법 선택은 기술적 솔루션과 전략적 비전 모두를 실현시킬 수 있는 상세 필수 요건에 따라 크게 좌우됩니다. 가치제안(Value proposition) 인터페이스 디자인(interface design) 보안(security) 시스템 아키텍쳐(system architecture) 및 데이터 품질(data quality) 등의 주제로 연재했던 원격 의료(telemedicine) 시리즈의 마지막 편인 본 칼럼에서는 사례를 통해 다양한 처리 방법을 소개할 예정입니다.
기본적인 의료용 원격 의료
원격 의료 시스템의 주된 목적은 환자와 의료인 간 진단 정보 관련 커뮤니케이션을 지원하는 것입니다. COVID 19 팬데믹이 발생하면서 베이비론 헬스(Babylon Health) 푸시닥터(PuchDockter), NHS 앱 등 기본적인 통합 원격 헬스케어 서비스가 급부상하게 되었습니다. 이러한 원격 의료 시스템은 환자와 의료인 모두의 리스크를 줄이고 서비스의 높은 편의성을 제공하는 등 그 이점이 무궁무진 합니다.
이러한 원격 의료 제품들이 늘어나면서 휴대폰 또는 웹 기반의 플로우차트, 문자, 음성, 또는 영상 채팅으로만 서비스가 제공되는 제로 인프라 또는 공동 인프라 방식이 가능하게 되었습니다. 이러한 플랫폼 내에서는 데이터 충실도(data fidelity)가 증가하여 좀 더 통합적인 진단이 가능합니다. 즉, 거의 모든 곳에서 모바일 플랫폼 및 3/4G 데이터 또는 Wi-Fi에 접근이 가능하기 때문에 상호 작용을 제한하는 대역폭을 통해 얻을 수 있는 이익은 거의 없습니다.
이러한 기본적인 의료 원격 플랫폼은 대면 문진 및 중증 분류(triage)에는 효과적이지만 상세 진단에 사용되는 물리적 또는 화학적 생체지표(biomarker, 일종의 질병 지표) 전송이 불가합니다. 이러한 생체 지표를 전송하기 위해서 원격 의료 기기를 사용하고 있습니다.
이러한 기기들은 일반적으로 건강 상태 관리 목적으로 가장 널리 활용되고 있는데, 기기 기반 플랫폼에 투자된 금액은 전통적인 헬스케어 시스템에서 발생하는 장기 치료 비용으로 상쇄되고 있습니다. 웨어러블 ECG, 커넥티드 흡입기, CGM(지속적 포도당 관찰 시스템), 심지어 페이스메이커 등의 형태의 기기들이 이에 해당됩니다.
당뇨 및 천식은 제대로 관리하지 않으면 급속도로 상태가 악화될 수 있기 때문에 커넥티드형 CGM 및 흡입기 플랫폼이 가장 널리 사용되고 있으며 앞서 말했듯이 다양한 기기 제조사들이 서로 다른 데이터 처리 방식을 사용하고 있습니다.
온디바이스(on-device, 또는 엣지(edge)) 프로세싱
CGM센서를 1-2 주 정도 삽입하게 되면 그 기간 동안 신체가 이에 반응하게 되고 센서 성능이 저하됩니다. 이를 보정하기 위한 다양한 솔루션이 있는데, 멀티 센서 임플란트, 브로드밴드 분광 센서 기술, 재보정(recalibration) 주기가 높은 저비용 센서 등이 이에 해당합니다. 이러한 솔루션들은 질병 관리 측정 정확도가 매우 중요하기 때문에 원자료(raw data)를 해석하여 혈당 및 온디바이스 센서 성능 매트릭스로 변환할 수 있는 AI/ML 알고리즘을 CGM시스템에 적용하고 있습니다.
이를 통해 커넥티비티에 의존하지 않고 시간이 핵심인 중요한 의사 결정을 내릴 수 있게 되었습니다. 좀 더 장기적인 판단을 내릴 수 있도록 웹 기반 포탈 사이트(예: Abbot’s LibreVies)에서는 사용자들의 데이터를 담당 의사들이 열람할 수 있고 이를 기반으로 맞춤형 치료를 제공할 수 있도록 지원하고 있습니다. CGM 센서에서 수집한 광대역 데이터는 익명화 처리하여 센서로 재전송되며, 재전송된 데이터를 기반으로 현재 또는 향후 차세대 기술의 알고리즘과 성능을 향상 시킬 수 있습니다.
스마트 흡입기 역시 단순한 클립온 방식의 센서(예: Propeller Health)에 적합한 low-data 방식을 사용하여 치료 시스템이 제대로 작동하는데 초점을 맞춰져 있었습니다. 그러나 흡입 치료에 있어서 폐에 약물이 전달되어 효능을 발휘하기 위해서는 호흡 동기화와 속도가 매우 중요합니다. 이에 따라 최근 출시된 테바 디지털 흡입기(Teva Digihaler)와 같은 첨단 기기들은 사용사의 모바일 앱을 통해 최고흡기유량(peak inspiratory flow)를 보여주는 데이터를 전송하여 피드백을 제공하고 이를 기반으로 장치 테크닉을 조정할 수 있도록 설계되어 있습니다.
데이터 필요성의 균형잡기
여러 유형의 커넥티드 장치를 통해 협대역(narroband) 매트릭스와 광대역(broadband) 성능 데이터를 수집할 수 있고 이를 다양한 주파수에서 사용자, 의료진, 기기 제조사에 공유할 수 있습니다. 또한 온디바이스 매트릭스는 일반적인 모바일 장치를 데이터 처리 아키텍처에 통합함으로써 발생할 수 있는 플랫폼 소프트웨어와 하드웨어 간 불일치 리스크는 최소화할 수 있기 때문에 승인 프로세스 개선에도 도움이 됩니다. 또한 일반적으로 시스템에서 가장 많은 전력을 소모하는 장치 간 커뮤티네이션을 줄일 수 있기 때문에 의약품 유효 기간 이상으로 배터리를 사용할 수 있습니다.
데이터 처리 중앙화
온디바이스 데이터 전처리가 불가능하거나 데이터 조작이 필요한 데이터 처리는 시각 데이터 전송 이상의 처리가 필요한 경우에는 중앙집중화 데이터 처리 방식이 더 유리할 수 있습니다.
헬스케어에 도입된 최초의AI 기반의 딥러닝 알고리즘 중 하나는 심장 분할 시각화가 가능한 아터리즈(Arterys) 사의 “4D 혈류ARI 이미징 시스템”이었습니다. 환자 대면 원격 의료 응용 프로그램은 아니지만 이 데이터 처리 플랫폼은 최적화된 데이터 처리를 지원하는 컴퓨터 중앙 처리 아키텍처의 좋은 예시입니다.
4D MRI 데이터는 xyz 좌표와 시간 요소를 포함하고 있기 때문에 상대적으로 큰 데이터입니다. 단순한 심박 주기의 3D 시각 데이터가 gigabyte 수준이라고 볼 때 아터리즈 시스템은 심박 주기 뿐만 아니라 심장 내 혈류의 3D 시각화까지 처리하는 시스템입니다. 이를 통해 다양한 심장 기능 이상을 진단할 수 있습니다. 심장 외과의가 실시간으로 통합된 이미지를 볼 수 있을 만큼 빠른 분석이 가능하기 위해서는 고사양 컴퓨팅 기술이 필요합니다.
시각화된 데이터를 보기 위해서는 4K TV 프로그램 시청에 필요한 대역폭이면 충분하기 때문에 다른 사용자들에게는 노출되지 않고 중앙에서 컴퓨팅과 타임쉐어(timeshare)를 처리하는 방식을 선택하였습니다. 이 시스템은 잘 관리된 단일 플랫폼 형식으로 개발이 가능하여 지원과 개발 비용을 줄일 수 있기 때문에 새로운 진단법을 추가하는 것이 상대적으로 간단하다는 이점이 있습니다.
또한 이 시스템의 컴퓨팅 아키텍처가 자유롭게 변경 가능 (예: 엣지 컴퓨팅과는 다르게 확장 가능한 중앙처리 또는 클라우드 컴퓨팅) 하기 때문에 저명한 연구자들의 제 3의 응용 프로그램을 시스템 핵심 기능에 자유롭게 접목시킬 수 있습니다. 이는 최첨단 AI 기술을 빠르게 확산하고 응용할 수 있다는 것을 의미합니다. 예를 들어 COVID-19가 창궐한지 몇 달만에 아터리즈 앱스토어에 다양한 COVID-19 앱이 출시되었습니다.
클라우드 - 엣지 하이브리드 방식
엣지 퍼스트 시스템 은 배터리 수명이 길고 실시간 매트릭스를 제공하며, 클라우드 시스템 은 사실상 무제한 컴퓨팅, 최첨단 알고리즘을 제공하기 때문에 이 두 시스템의 장점만을 활용하여 잘짜여진 데이트 처리 전략을 세울 수 있습니다. 널리 사용되는 처리 방식은 저전력 하드웨어에서 주기적으로 승인 처리된, 해석 가능한 알고리즘을 기반으로 사용자들에게 엣지 기반의 피드백을 제공하는 방식입니다. 그 원리는 기기에 축적된 장기 데이터를 기반으로 임상 표현(clinical presentation)과 임상 설계(및 적응)을 위한 대시보드를 구현하는 방식입니다. 기기 제조사들은 이러한 장기 데이터를 활용하여 알고리즘을 개발하고 장기 전략 목표를 달성할 수 있습니다.
엣지 기반의 알고리즘은 저전력 하드웨어 성능에 국한되어 있고 규제가 상당히 많은 업데이트 사이클 때문에 속도가 느려진다는 단점이 있기는 하지만 빠르게 개선되고 있습니다. 차세대 프로세서는 NPU(신경망처리장치)를 통합하고 칩렛 기반의 설계를 적용하기 때문에 온디바이스 AI 가 가능한 맞춤형 저전력 솔루션을 구현할 수 있습니다. 또한 FDA의 SAMD(의료 기기용 소프트웨어) 승인 프로세스가 개선되고 업데이트 주기가 대폭 향상되면 AI 기반 솔루션과 개체군 기반 학습(PBL: Population-based learning) 알고리즘의 반복 처리 속도가 빨라져 신뢰성 높은 AI 적용 이 가능할 것으로 예상됩니다.
지속적인 발전
처리 효율성이 향상되고, 5G의 등장으로 저지연(low latency) D2C(direct-to-cloud)가 가능해지고, 센서를 통해 대량의 상세 데이터를 얻을 수 있게 되면서 데이터 처리 아키텍쳐도 앞으로 지속적으로 발전할 것으로 예상됩니다. 또한 엣지 디바이스에서 더 많은 데이터 처리가 가능할 뿐만 아니라 상호호환성(interoperability)이 높은 클라우드 내 응용프로그램으로 더 많은 환자 고유 식별 데이터를 전송할 수 있게 됨에 따라 보안 과 개인정보보호, 익명화 체계에 대한 수요도 증가할 것으로 예상됩니다. 고도로 지능화된 저전력 인터페이스가 지속적으로 발전되면서 편의성이 높고 다양한 개별 장치로 통합되거나 100% 앱 기반의 행동 치료와 병행할 수 있는 데이터 기반의 맞춤형 치료가 가능할 것입니다.
이러한 데이터로부터 얻은 정제된 정보 컨텐츠와 향상된 데이터 접근법 그리고 앱 공유 등을 통해 팬데믹을 조기에 발견하고 치료법 개발이 더 용이해지면서 더 많은 사람들에게 양질의 의료 서비스를 제공할 수 있을 것입니다. 다시 말해 환자가 주도적으로 자신의 치료를 관리할 수 있는 시스템이 가능할 것입니다. 특히 의료 기기와 제약 회사들이 의료인과 환자 등 사용자가 좀 더 쉽게 해석할 수 있는 데이터를 생성하는데 중점을 두고 있기 때문에 앞으로 환자 중심의 의료가 트렌드로 자리잡을 것으로 예상됩니다. 캠브리지 컨설턴트의 AI 기반의 커넥티드 시스템 설계 방법이 궁금하신 분은 연락 주시기 바랍니다.
*Rudin, C. 수많은 의사 결정을 내릴 때 마다 블랙박스 머신 러닝 모델을 설명하지 마시고 해석 가능한 모델을 사용하세요. Nat Mach Intell 1, 206–215 (2019). https://doi.org/10.1038/s42256-019-0048-x