미국자살예방재단 (American Foundation for Suicide Prevention)에 따르면, 자살은 2018년에 140만 건 이상의 자살시도가 기록된 미국에서 10번째로 큰 사망 원인이다. 자살시도를 할 가능성이 있는 환자를 가려내는 기술이 나왔다.
사우스캐롤라이나의과대학과 사우스플로리다대학의 연구원들은 JMIR Medical Informatics에서 다음을 기반으로 고의적 자해 위험이 높은 환자를 자동으로 식별 할 수있는 인공지능알고리즘을 만들어 문제를 해결하기위한 중요한 조치를 취했다. 전자건강 기록의 임상기록에있는 정보를 활용한다.
이 연구는 MUSC Biomedical Informatics Center의 공동책임자 Jihad Obeid, MD, Brian Bunnell, Ph.D., 이전 MUSC에서 현재는 University of South Florida의 정신행동신경과학과 조교수가 주도했.
이 팀은 딥 러닝이라고도하는 인공지능의 한 형태인 복잡한 인공 신경망을 사용하여 전자건강기록의 비정형 텍스트 데이터를 분석했다. 딥러닝 방법은 인공네트워크 레이어를 점진적으로 사용하여 원시 입력 데이터에서 더 높은 정보를 추출한다. 팀은 이러한 모델이 일단 훈련되면 의도적인 자해위험에 처한 환자를 식별 할 수 있음을 보여주었다.
Obeid는 “이러한 종류의 작업은 최신 기술을 활용하여 자살과 같은 중요한 문제를 해결하고 위험에 처한 환자를 식별하여 적절한 관리를 취할 수 있기에 중요하다.
지금까지 연구자들은 위험에 처한 환자를 식별하고 예측하기 위해 전자건강기록의 구조화된 데이터에 주로 의존했다. 구조화된 데이터는 임상치료의 일부로 전자건강기록의 지정된 필드에 입력된 표 형식 정보를 말한다. 예를 들어, 의사가 환자를 진단하고 ICD (International Classification of Disease) 코드를 할당하면 구조화된 데이터가 생성된다. 이러한 종류의 표로 구성된 구조화된 데이터는 컴퓨터 프로그램이 분석하기 쉽다.
그러나 전자건강기록에있는 관련 정보의 80 ~ 90%는 텍스트 형식으로 갇혀 있다. 즉, 전자건강기록에있는 임상기록, 진행보고서, 치료계획 기록 및 기타 설명 텍스트는 연구를위한 막대한 미개발 자원을 나타났다. Obeid의 연구는 심층 신경망을 사용하여 전자건강기록의 임상기록을 "읽고" 자해위험에 처한 환자를 식별 및 예측하기 때문에 독특하다.
MUSC의 Institutional Review Board에서 제안된 연구에 대한 규제윤리검토 및 승인 후 Obeid는 MUSC 연구 데이터웨어 하우스에서 의도적 자해를 나타내는 ICD 코드와 관련된 환자기록을 식별하는 것으로 시작했다. 사우스캐롤라이나 임상중개연구소의 지원을 받아 만들어진 이 창고는 MUSC 연구자들이 필요한 허가를받은 경우 환자 전자건강기록 데이터에 대한 접근을 허용한다.
실제 시나리오를 시뮬레이션하기 위해 Obeid와 그의 팀은 임상기록을 모델 교육에 사용된 2012-2017 레코드와 교육된 모델 테스트에 사용된 2018-2019 레코드의 두 가지 시간 범주로 나누었다. 먼저, 그들은 ICD코드가 할당된 병원 방문 중에 기록 된 임상 기록을 살펴 보았다. 이를 훈련데이터세트로 사용하여 모델은 환자의 전자의료기록의 임상기록에서 어떤 언어 패턴이 의도적 자해에 대한 ICD 코드할당과 관련되는지 "학습"했다. 모델이 훈련된 후에는 98.5%의 정확도로 임상노트의 텍스트 분석만을 기반으로 환자를 식별 할 수있었다. 전문가들은 모델의 정확성을 확인하기 위해 레코드의 하위 집합을 수동으로 검토했다.
다음으로 팀은 가장 정확한 모델이 미래의 자해를 예측하기 위해 전자건강기록의 임상기록을 사용할 수 있는지 테스트했다. 이를 위해 Obeid의 팀은 의도적인 자해를 제시한 환자의 기록을 확인하고 의도적인 자해 병원 방문 전 6개월에서 1개월 사이의 임상기록을 사용하여 모델을 교육했다. 그런 다음 훈련된 모델이 이러한 환자가 나중에 의도적인 자해를 보일지 여부를 정확하게 예측할 수 있는지 테스트했다.
임상기록만을 기반으로 미래의 자해를 예측하는 것은 방대한 양의 환자 이력이 모델에 포함될 때 발생하는 추가 "노이즈"로 인해 현재 위험에 처한 환자를 식별하는 것보다 더 어려운 것으로 입증되었다. 역사적 임상기록은 다양하며 항상 관련이있는 것은 아니다. 예를 들어, 환자가 의도적인 자해로 병원을 방문하기 6개월 전에 우울증이나 기타 정신건강 문제로 목격된 경우 임상기록에 관련 정보가 포함될 가능성이 크다. 그러나 환자가 정신건강과 관련이없는 상태로 들어온 경우 메모에 관련 정보가 포함될 가능성이 적다.
관련없는 정보를 포함하면 데이터 분석에 많은 노이즈가 발생하지만 이 모든 정보는 결과를 예측하기 위해 모델의 환자 전체에 포함되어야한다. 그 결과, 모델은 단순히 현재 환자를 자살위험으로 분류하는 것보다 의도적인 자해를 위해 나중에 어떤 환자가 나타날지 예측하는 데 덜 정확했다. 그럼에도 불구하고 이 모델의 예측 정확도는 구조화된 데이터에 의존하는 모델에 대해 이전에 보고 된 것과 매우 경쟁력이 있었고 비교적 높은 감도와 정밀도로 거의 80%의 정확도에 도달했다.
Obeid의 팀은 임상 기록만으로 의도적인 자해위험이있는 환자를 식별하기 위해 딥러닝 모델을 사용할 수 있음을 보여주었다. 이 연구는 또한 환자가 전자건강기록의 임상 기록을 기반으로 의도적인 자해에 대해 미래에 제시할 모델을 상당히 충실하게 예측하는 데 사용할 수 있음을 보여주었다.
이러한 초기 결과는 유망하며 임상수준에서 큰 영향을 미칠 수 있다. 딥러닝 모델을 사용하여 임상기록을 기반으로 자살위험이 높은 환자를 예측할 수 있다면 임상의는 적절한 치료를 위해 조기에 고위험 환자를 추천 할 수 있다. 이러한 모델을 사용하여 환자를 자해위험에 처한 것으로 분류하면 자살과 관련된 잠재적인 새로운 치료법에 대한 임상연구 및 시험 등록을 용이하게 할 수 있다.
향후 연구에서 Obeid는 자신의 모델에 대한 예측 시간 창의 변화를 평가하는 것을 목표로한다. 예를 들어 6개월이 아닌 의도적인 자해에 대한 환자의 발표 1년 전 기록을 살펴본다. 팀은 또한 자살 또는 자살 관념과 같은 다른 결과를 조사할 계획이다. 모델이 MUSC에서 잘 작동하는 동안 Obeid는 이제 다른 기관에 일반화 할 수 있음을 보여 주어야한다.
"모델을 한 위치에서 교육하고 다른 위치로 전송해도 계속 작동 할 수 있다. 다른 기관이 교육기간 동안 모델이 올바른지 확인하기 위해 비용이 많이 들고 시간이 많이 걸리는 수동차트 검토를 수행 할 필요가 없어 중요한 인적 자원이 절약된다.” TechnologyNetworks.com
