의료교육·임상시험·수술영상·환자상담·보안관리 등에 폭넓게 적용 가능
비용 낮아지고 품질 향상되는 추세…대규모 언어 모델 도입 적극 고려해야
인공지능(AI) 자동화 기술 중 하나인 ‘대규모 언어 모델(Large Language Model, LLM)’이 의료교육, 임상시험, 수술 영상 분석, 환자 상담 검토 등 셀 수 없이 많은 영역에서 활용이 가능한 만큼 적극적인 도입을 통해 병원경영의 효율성을 높여야 한다는 조언이 나왔다.
의료 분야에서 생성되는 데이터를 통해 형성된 LLM은 병원 곳곳에 긍정적인 영향을 미쳐 경영 효율성의 극대화에 큰 도움을 줄 수 있다는 이유에서다.
AI 데이터 분석 솔루션 글로벌 과학 회사 ‘Gramener’의 공동 창립자이자 대표이사인 Anand S는 10월 2일 열린 ‘국제 병원 및 헬스테크 박람회(K-HOSPITAL+HEALTH TECH FAIR with HIMSS 2024, KHF 2024)’ 개막식 기조연설에서 이같이 강조했다.
Anand S 대표의 강의 주제는 ‘병원경영의 재구상; AI가 주도하는 헬스케어 운영의 미래’로, LLM이 의료 분야에 어떻게 응용 가능한지를 설명했다.
Anand S 대표는 세계 최초 공식 LLM 심리학자 타이틀을 보유하고 있으며 인도 상위 데이터 과학자 10명 중 한 명으로 인증받은 AI 및 빅데이터 분석 전문가다.
대규모 언어 모델이라고 불리는 LLM은 사용자가 텍스트를 입력하면 한 번에 한 단어씩, 마치 마음에 떠오르는 다음 단어를 말하는 것처럼 새로운 텍스트를 계속 생성하는 특징이 있다.
예를 들어 △apple △orange △studio를 LLM에 입력할 경우 ‘apple’과 ‘orange’는 유사점으로 나타나지만 ‘studio’는 연결성이 없다고 나온다.
그러나 △photo를 추가 입력하면 ‘apple’과 ‘orange’, ‘studio’와 ‘photo’ 같이 유사한 단어를 각각 묶고 얼마나 유사점이 있는지를 나타낸다.
이러한 방식은 정량적이고 신뢰 가능해 의료 분야에도 적용할 수 있다는 게 Anand S 대표의 주장이다.
Anand S 대표는 “캘리포니아의 한 대학병원 환자 9만 명의 데이터에서 ‘심장’과 관련된 자료를 찾을 때 LLM에 질문을 하면, 알고리즘을 거쳐 가장 유사한 문서를 찾아 클러스터를 생성한다”며 “구체적인 실행 입력값을 통해 가장 필요한 토픽 리스트만 집중해서 찾을 수도 있다”고 설명했다.
Anand S 대표의 설명처럼 의료 분야에서의 LLM 응용은 무궁무진하다.
우선, ‘전자 건강 기록(Electronic Health Record, EHR)’에 있는 방대한 양의 비정형 임상 데이터를 분석해 일반적인 건강 상태, 치료 패턴, 우려 사항을 식별할 수 있다(EHR 마이닝).
연구자는 많은 양의 의학 문헌 데이터베이스를 조사해 의료 분야에서 떠오르는 추세와 주제를 발견할 수 있으며(연구 문헌 추세 분석), 예상치 못한 주제나 누락된 정보를 식별해 임상 문서의 불일치나 차이점을 강조하고 규제 표준 준수를 개선할 수 있다(임상 문서 개선).
유사한 환자 의견과 리뷰를 그룹화함으로써 병원에 널리 퍼진 우려 사항을 빠르게 파악할 수 있고(환자 피드백 클러스터링), 환자 및 고객 서비스 문의를 분류해 적합한 부서나 전문가에게 효율적으로 전달해 대응 시간과 전반적인 서비스 품질을 향상시킨다(고객 문의 분류).
또한 병력의 유사성을 분석해 적합한 임상시험에 환자를 매칭하면 모집 프로세스가 가속화되고 환자에게 새롭고 잠재적으로 유익한 치료법을 제공할 뿐만 아니라(임상시험 환자 매칭), 비디오를 통해 검색 가능한 데이터베이스를 구축한 후 학생과 전문가가 특정 주제나 시술을 빠르게 찾아 공부할 수 있도록 학습 효율성을 향상시킨다(의료 교육).
의료 서비스 제공자가 상호작용을 정확하게 문사화하고 향후에도 중요한 세부 정보를 보관할 수 있게 도우며(환자 상담 검토), 병원 내 사건을 빠르게 검색하고 요약해 보안 문제에 신속하게 대응한다(보안 영상 분석).
이와 함께 임상 기록에서 관련 정보를 추출하고 올바른 청구 코드를 할당해 오류를 줄여 환불 프로세스를 가속화하며(자동화된 의료 청구 및 코딩), 규정 체크리스트에 따라 문서를 검토해 정책·절차·임상 문서가 법률 및 인증 기준을 충족하는지 확인할 수 있다(규정 준수 및 규제 문서 검토).
필요한 법적 기준에 따라 동의서를 확보해 환자의 권리, 기관의 책임을 보호하기도 한다(환자 동의서 검증).
아울러 상처 사진을 찍어 치유 진행 상황을 분석하고 감염 징후를 확인해 치료 단계를 권장할 수 있으며(상처 평가 및 모니터링), 검사 결과나 처방전과 같은 종이 문서를 사진으로 촬영해 정보를 추출하고 디지털화한 다음 EHR에 직접 저장할 수 있다(문서 디지털화 및 데이터 추출).
점이나 피부 병변의 이미지를 촬영해 피부암이나 기타 질환을 조기에 발견하는 용도로 사용하는 것도 가능하다(피부 병변 분석).
이 외에도 LLM은 △의료 기록 분류 △계 약 조항 유사성 감지 △중복 환자 기록 감시 △지식 기반 구성 △임상 문서 개선 △청구 사기 감지 △부작용 클러스터링 △보험 청구 패턴 감지 △소셜 미디어 공중 보건 감시 △약물 안전 모니터링 △생물 의학 연구 통찰력 분류 △임상시험 데이터 추출 △약물 조정 △보험 청구 처리 △수술 안전 체크리스트 준수 △EHR 데이터 입력 △병리학 보고서 데이터 추출 △의료 기록 감사 △식사 사진 식이 평가 △의료 장비 식별 △실험실 결과 및 영상 보고서 디코딩 △재고 관리를 위한 바코드 스캐닝 △환자 교육을 위한 시각 보조 도구 생성 등에 광범위하게 쓰이는 게 가능하다.
Anand S 대표는 “LLM은 문서에서 구조화된 정보를 추출하는 데 매우 능숙하다는 점에서 많은 노동 시간을 줄일 수 있다”며 “비디오를 분석할 때도 사용되는데, 오디오나 텍스트가 없어도 이미지를 분석해 가장 관련성 있는 영상을 보여주는 기능을 지녔다”고 강조했다.
그는 이어 “하지만 LLM이 가진 가장 강력한 기능은 바로 ‘프로그램’을 만들 수 있다는 점”이라며 “프로그래밍 언어를 배우지 않아도 누구나 요청사항 및 요구사항을 입력하면 애플리케이션을 자체적으로 만들어 낸다”고 부언했다.
이처럼 LLM의 편리성과 활용성이 점차 증대하는 것과 반대로 도입 비용은 계속 낮아지고 있으니 의료기관 차원에서 큰 부담 없이 도입을 고려해 보라고 조언한 Anand S 대표다.
Anand S 대표는 “대부분의 병원들은 비용 문제에 대한 걱정 때문에 LLM 도입을 우려하거나 꺼려 한다”며 “최근 LLM의 비용은 계속 낮아지고 있는 반면에 품질은 점점 더 향상하는 추세이니 더 많은 병원들이 LLM을 사용해 효율적인 경영 운영에 도움을 받길 바란다”라고 말했다.
