현대 의학에서 활용하는 센서 기반 진단 기법
의료용 측정 진단 기술은 의사가 환자를 진찰하는 동안 감각을 증강하고 객관화함으로써 의료 분야에 도움을 주는 데 있어서 아마도 다른 분야들보다 우위에 있을 것입니다. 의사는 체온, 혈압, 폐활량, 골절 변위, 염증, 심전도, 그리고 증상 및 환자 병력과 함께 환자 건강 상태를 가늠하기 위한 다양한 바이오마커를 정확하게 측정할 수 있습니다. 최근에는 센서와 인공 지능(AI)의 발전 덕분에 보다 객관적인 테스트, 측정 및 해석이 과거의 주관적인 그것들을 대체하고 있습니다.-
이번 포스트에서는 환자의 자가측정을 개선하고 이렇게 수집한 환자 데이터를 실증 연구에 연결하는 다양한 의료용 측정 진단 기술의 발전상을 살펴보겠습니다.-
현대 의학에서 활용하는 센서 기반 진단 기법 (출처: Elnur/Shutterstock.com)
--
테스트 및 측정의 객관성 강화
뇌진탕과 같은 부상을 검진하는 것은 객관적인 테스트가 주관적인 테스트를 어떻게 대체하는지를 보여줍니다. 미국 질병통제예방센터(CDCP)에 따르면 미국에서 매년 300,000명 이상의 운동 선수가 스포츠 및 레크리에이션 관련 뇌진탕 진단을 받습니다. 뇌진탕 및 그 심각도를 판정할 때 기본 측정은 동공의 광반사 평가입니다. 의사는 환자의 눈에 빛을 비추고 그에 대한 반응으로 동공의 수축과 확장을 관찰합니다. 이 방식은 환자마다 차이가 크고, 의사마다 동공의 크기와 반응을 주관적으로 해석한다는 게 논란이 되기도 합니다.-
이러한 수작업 동공 측정 평가를 대체하기 위해, 복잡한 기술과 센서의 파이프라인을 사용하는 컴퓨터 기반의 대안 테스트 방법에 대한 검토가 진행 중입니다. 예를 들어, 스마트폰이나 가상 현실(VR) 헤드셋에 내장된 소형 고해상 카메라는 초당 최대 수백 프레임으로 눈의 모양을 기록할 수 있습니다. 실시간 분석에 최적화된 컴퓨터-비전 프로세스는 이러한 이미지들로부터 공막, 홍채, 동공과 같은 각 기관들의 특징을 추출합니다. 인간이 감지할 수 없는 적외선 스펙트럼은 이 같은 구분을 크게 단순화합니다. 그 다음에는 복잡한 수학적 모델이 이 픽셀 데이터를 3차원 눈 모델로 전송하여 예컨대 밀리미터 같은 실제 측정 단위를 도출합니다. 마지막으로 머신 러닝(ML) 알고리즘은 데이터에서 노이즈를 제거하고, 시계열의 패턴을 인식하며, 전체 모집단으로부터 추정된 매개변수 분포에 대한 레퍼런스를 설정해서, 이러한 결과를 제공합니다. 이러한 파이프라인은 측정의 정확도를 높이고 주관성을 배제하며, 환자에 대한 확인, 결과 해석, 소견에 대한 의사의 부담을 덜어줍니다.-
앞서 설명한 것과 같은 파이프라인은 특정 의료 애플리케이션에 최적화하여 궁극적으로 이전에는 불가능했던 객관적인 진단을 가능하게 합니다. 예를 들어, 최신 열화상 카메라는 고급 노이즈 저감 알고리즘을 사용하여 염증과 심지어 유방암을 감지하는 데까지 사용되고 있습니다. 기존의 X-선 유방조영술과 달리, 이 검사 방식은 실제로 암의 초기 단계에서 진단 정확도가 더 높을 수 있으며, 비접촉식이고, 잠재적으로 위험한 방사선도 사용하지 않습니다. COVID-19 확산 방지 대응 같은 대규모 발열 테스트의 시기에도 이러한 열화상 기술은 다른 접촉식 기법보다 훨씬 더 정확한 비접촉식 테스트 결과를 제공합니다.
-
가정에서 실시간 테스트 실현
소형 기술, 특히 소형 웨어러블 테스트 장치는 의료용 임상 장비가 없는 환경에서도 테스트가 가능하게 합니다. 예를 들어, 심전도(ECG)가 필요한 환자는 의료 기관에 가지 않고도 일상 생활을 하면서 홀터 모니터(Holter monitor)를 착용하고 장기적인 ECG 데이터를 수집할 수 있습니다. 홀터 모니터는 소형 카메라 크기에 전극이 부착된 형태이며, 24~48시간 동안 착용합니다. 이 모니터는 부피가 크고 일부 환자들에게는 활동이 조금 불편할 수도 있지만, 의료 시설에서 수행되는 테스트보다 환자의 심장 박동에 대한 광범위한 정보를 제공할 수 있습니다.-
소형화 기술의 발전은 의료 분야의 진보를 더욱 가속화하고 있습니다. 피트니스 팔찌와 스마트워치에 내장된 차세대 광학 센서는 유용한 데이터들의 지속적인 수집과 사용자에게 보다 편안한 환경을 약속합니다. 데이터 품질이 아직까지는 전극 기반의 데이터 품질과 다를 수도 있지만, 최근 애플(Apple)은 스마트워치가 일부 형태의 심장 부정맥을 감지하는 데 사용될 수 있는 가능성을 시연하여 전문가들 사이에 커다란 파문을 일으키기도 했습니다. 심혈관계의 일부를 측정하는 이러한 장치들 말고도, 센서 기술은 굉장히 다양한 분야들을 겨냥하고 있습니다. 예를 들어, 뇌파 검사를 위해 환자를 낯선 수면실에 눕힐 필요 없이, 자신의 방에서 착용하기만 하면 되는 수면 마스크 형태의 현대적인 휴대용 뇌파(EEG) 헤드셋이 이미 사용 중일 수 있습니다. 활용할 수 있는 인증된 오픈소스 센서들이 점점 더 증가함에 따라 작지만 강력한 의료 기기 개발은 이제 더 이상 몇몇 영향력 있는 기업들의 전유물이 아닙니다.
-
환자 데이터의 검색 및 액세스 표준화
의사들이 직면한 한 가지 중요한 문제는 환자 관련 정보를 얻기 위해 임상 시험, 연구, 저장소, 레지스트리 등을 활용하는 것입니다. 임상 시험과 기타 리소스에는 표준화가 일부 이루어져 있지만 의료 기관이나 의료계 또는 지역 전반에 걸쳐 표준화가 되어 있는 것은 아닙니다. 표준의 부재는 의사가 연구 결과를 찾고, 액세스하고, 사용하는 것을 방해합니다. 이를 위해서는 두 가지 과제를 해결해야 합니다. 하나는 의사가 관련 정보를 찾고 액세스할 수 있는 시스템을 개발하는 것이고, 다른 하나는 의료 정보 시스템 전반에 걸쳐 상호 운용성을 허용하는 것입니다.-
이러한 요건을 충족하여, 사람의 개입을 최소화면서 FAIR(검색 가능, 액세스 가능, 상호 운용 가능 및 재사용 가능) 데이터를 도출하기 위한 표준이 등장하고 있습니다. 예를 들어, SNOMED CT(Systematized Nomenclature of Medicine Clinical Terms)는 의료 데이터를 색인, 저장, 검색 및 집계하는 데 일관된 방법을 제공하는 것을 목표로 하는 의료 코드, 용어, 동의어, 소견, 증상, 질병, 절차, 장치 등의 컴퓨터 친화적인 모음입니다. 이와 비슷하게, LOINC(Logical Observation Identifiers Names and Codes)는 의료 실험실 관찰을 식별하기 위한 데이터베이스이자 표준입니다.
이러한 표준의 메타데이터 요건들은 의사들이 데이터 세트 전반에 걸쳐 도출해낸 데이터와 인사이트에 접근 및 사용할 수 있게 합니다. NFDI4Health와 같은 프로젝트는 바이오마커와 같은 경험적 건강 데이터를 질병 및 장애 메타데이터에 포함시켜, 이를 굉장히 다양한 환자 풀에서 머신러닝(ML) 알고리즘을 사용하여 후속 분석이 이루어질 수 있게 합니다. 이전에는 객관적으로 진단하기 어렵거나 불가능했던 질병과 장애, 예를 들면 정신의학 같은 것들도 이제는 센서와 머신러닝 알고리즘의 도움을 받아 바이오마커를 기반으로 하는 새로운 토대를 구축하고 있습니다.
환자 진단은 의사가 측정 장비를 사용하여 감각을 향상시키는 능력과 밀접하게 연관되어 있습니다. 이러한 장비를 통해서만 보다 정확하게 거리를 잴 수 있고 온도를 측정할 수 있으며 육안으로 볼 수 없는 물체와 유기물도 식별할 수 있습니다. 의료 센서와 AI는 객관적인 데이터를 제공하고, 환자가 자신이 편안한 환경에서 테스트를 할 수 있게 하고, 환자 데이터와 연구 결과를 결합함으로써 측정 진단에 혁신을 일으키고 있습니다.