여러 번 말했지만 AI는 의료 산업에서 게임 체인저로 입증되고 있습니다. 환자는 의료 체인의 수동적인 참여자에서 벗어나 이제 완벽한 AI 기반 환자 모니터링 시스템, 웨어러블 장치, 상태에 대한 시각화된 통찰력 등을 통해 건강을 책임지고 있습니다. 의사와 의료 서비스 제공자의 관점에서 AI는 로봇 팔, 정교한 분석 및 진단 모듈, 보조 수술 로봇, 유전 질환 및 우려 사항을 감지하는 예측 날개 등을 위한 길을 닦고 있습니다.
그러나 AI가 의료 측면에 계속 영향을 미치면서 데이터 생성 및 유지 관리와 관련된 문제도 마찬가지로 증가하고 있습니다. 아시다시피 AI 모듈이나 시스템은 장기간에 걸쳐 관련성 있고 상황에 맞는 데이터 세트로 정확하게 훈련된 경우에만 잘 수행될 수 있습니다.
블로그에서 우리는 의료 분야에서 AI의 사용 사례가 복잡성 측면에서 계속 증가할 때 전문가와 의료 전문가가 직면하는 고유한 문제를 탐구할 것입니다.
1. 개인정보 보호의 어려움
의료는 개인 정보 보호가 중요한 분야입니다. 들어가는 디테일부터 전자 건강 기록 원격 환자 모니터링을 위한 웨어러블 장치가 전송하는 데이터에 이르기까지 임상 시험 중에 수집된 환자 및 데이터는 의료 공간의 모든 구석에서 최고의 개인 정보 보호를 요구합니다.
개인 정보가 너무 많이 관련되어 있는 경우 의료 분야에 배포된 새로운 AI 애플리케이션은 어떻게 교육을 받습니까? 음, 몇몇 경우에 환자들은 일반적으로 자신의 데이터가 연구 및 연구 목적으로 사용된다는 사실을 인식하지 못합니다. HIPAA에서 언급한 규정은 조직과 의료 제공자가 의료 기능을 위해 환자 데이터를 사용하고 관련 비즈니스와 데이터 및 통찰력을 공유할 수 있음을 의미합니다.
이에 대한 실제 사례가 많이 있습니다. 기본적인 이해를 위해 Google은 Mayo Clinic과 10년 간의 연구 이해 관계를 견고하게 유지하고 있으며 익명화 또는 비식별화.
이것은 매우 노골적이지만 시장에서 예측 분석 솔루션을 출시하는 작업을 하는 여러 AI 기반 신생 기업은 일반적으로 양질의 AI 교육 데이터 소스에 대해 침묵합니다. 이것은 분명히 경쟁적인 이유 때문입니다.
매우 민감한 주제이기 때문에 개인 정보 보호는 베테랑, 전문가 및 연구원들이 계속해서 진행 중인 백모자에 대해 점점 더 관심을 갖고 있는 것입니다. 데이터 비식별화를 위한 HIPAA 프로토콜과 재식별에 대한 조항이 마련되어 있습니다.. 앞으로 우리는 고급 AI 솔루션을 개발하는 동시에 얼마나 원활하게 개인 정보를 설정할 수 있는지에 대해 작업해야 합니다.
2. 편견과 오류 제거의 과제
의료 부문의 오류와 편견은 환자와 의료 기관에 치명적일 수 있습니다. 잘못 배치되거나 정렬되지 않은 세포, 무기력 또는 부주의로 인한 오류는 환자의 약물 치료 또는 진단 과정을 변경할 수 있습니다. Pennsylvania Patient Safety Authority에서 발표한 보고서에 따르면 EHR 모듈에서 약 775개의 문제가 확인되었습니다. 이 중 인적 오류는 약 54.7%, 기계 오류는 45.3%에 가깝습니다.
오류 외에도 편향은 의료 회사에 바람직하지 않은 결과를 초래할 수 있는 또 다른 심각한 원인입니다. 오류와 달리 편견은 특정 신념과 관행에 대한 고유한 성향 때문에 발견하거나 식별하기가 더 어렵습니다.
편견이 얼마나 나쁜지에 대한 고전적인 예는 인간의 피부암을 감지하는 데 사용되는 알고리즘이 밝은 피부색에서 증상을 감지하도록 대부분 훈련되었기 때문에 어두운 피부색에서 정확도가 떨어지는 경향이 있다는 보고서에서 나옵니다. 편견을 감지하고 제거하는 것은 의료 분야에서 AI를 안정적으로 사용하는 데 매우 중요하며 유일한 방법입니다.
3. 운영기준 수립의 어려움
데이터 상호 운용성은 의료에서 기억해야 할 중요한 단어입니다. 아시다시피 의료는 다양한 요소의 생태계입니다. 진료소, 진단 센터, 재활 센터, 약국, R&D 동 등이 있습니다. 종종 이러한 요소 중 하나 이상이 의도한 목적에 맞게 데이터가 작동해야 합니다. 이러한 경우 수집되는 데이터는 누가 보더라도 동일하게 보이고 읽을 수 있도록 통일되고 표준화되어야 합니다.
표준화가 이루어지지 않으면 각 요소가 동일한 레코드의 자체 버전을 유지하는 혼란이 있을 것입니다. 따라서 새로운 관점에서 데이터 세트를 보는 사람은 자동으로 길을 잃고 데이터 세트의 내용을 이해하기 위해 관련 당국의 도움이 필요합니다.
이를 피하기 위해 표준화는 엔티티 전반에 걸쳐 더 효과적이어야 합니다. 의미, 특정 형식, 조건 및 프로토콜은 의무 준수를 위해 명확하게 제시되어야 합니다. 그래야만 해당 데이터가 원활하게 상호 운용될 수 있습니다.
4. 보안 유지의 어려움
보안은 의료에서 또 다른 중요한 관심사입니다. 이것은 데이터 프라이버시와 관련된 측면이 덜 심각하게 받아들여질 때 가장 비용이 많이 드는 것입니다. 의료 데이터는 해커와 악용자에게 통찰력의 보물 상자이며 최근에는 수많은 사이버 보안 침해 사례가 있었습니다. 랜섬웨어 및 기타 악의적인 공격이 전 세계적으로 수행되었습니다.
코로나19 사태 속에서도 가까운 설문 응답자의 37% 랜섬웨어 공격을 경험했다고 밝혔습니다. 사이버 보안은 특정 시점에서 핵심입니다.
최대 포장
의료 분야의 데이터 문제는 이것에만 국한되지 않습니다. 의료 분야에서 AI의 고급 통합 및 작업을 이해함에 따라 문제는 더욱 복잡해지고 중복되며 얽혀 있습니다.
