초고령화 사회로의 진입으로 인해 웰니스에 대한 관심이 높아지면서, 인공지능 의사를 통한 개인 맞춤형 의료서비스가 확대되고 있는 추세이다. 개인 맞춤형 의료서비스를 위해서는 기존의 병원시스템 구성요소인 PM/PA, OCS, EMR, PACS, LIS 만으로는 정확한 의료분석 서비스를 제공하기 어려운 문제점이 발생된다. 따라서 개인 맞춤형 의료서비스에 적합한 병원시스템 모델 및 구축방안에 대한 제시가 필요한 실정이다. 현재 국내에서도 의료 클라우드 서비스, 왓슨을 도입한 인공지능 진료서비스 등이 일부 시행되고 있지만, 아직 체계적인 병원시스템 구축을 통한 사례는 많지 않다. 따라서 이 논문에서는 개인 맞춤형 의료서비스에 적합한 병원시스템 모델을 제안한다. 이를 위해 기존의 병원시스템 구성요소에 의료 빅데이터 구축 및 AI 의료 분석시스템을 하나로 통합한 모델을 설계하고 모듈별 구축방안을 제시한다. 제안 모델은 향후 새로운 병원시스템 도입 및 구축을 위한 포괄적인 가이드 라인을 제공하는 기반연구로서 의미를 가진다.
초고령화 사회로의 진입으로 인해 웰니스에 대한 관심이 높아지면서, 인공지능 의사를 통한 개인 맞춤형 의료서비스가 확대되고 있는 추세이다. 개인 맞춤형 의료서비스를 위해서는 기존의 병원시스템 구성요소인 PM/PA, OCS, EMR, PACS, LIS 만으로는 정확한 의료분석 서비스를 제공하기 어려운 문제점이 발생된다. 따라서 개인 맞춤형 의료서비스에 적합한 병원시스템 모델 및 구축방안에 대한 제시가 필요한 실정이다. 현재 국내에서도 의료 클라우드 서비스, 왓슨을 도입한 인공지능 진료서비스 등이 일부 시행되고 있지만, 아직 체계적인 병원시스템 구축을 통한 사례는 많지 않다. 따라서 이 논문에서는 개인 맞춤형 의료서비스에 적합한 병원시스템 모델을 제안한다. 이를 위해 기존의 병원시스템 구성요소에 의료 빅데이터 구축 및 AI 의료 분석시스템을 하나로 통합한 모델을 설계하고 모듈별 구축방안을 제시한다. 제안 모델은 향후 새로운 병원시스템 도입 및 구축을 위한 포괄적인 가이드 라인을 제공하는 기반연구로서 의미를 가진다.
With the entry into the aging society, we are increasingly interested in wellness, and personalized medical services through artificial intelligence are expanding. In order to provide personalized medical services, it is difficult to provide accurate medical analysis services only with the existing ...
With the entry into the aging society, we are increasingly interested in wellness, and personalized medical services through artificial intelligence are expanding. In order to provide personalized medical services, it is difficult to provide accurate medical analysis services only with the existing hospital system components PM / PA, OCS, EMR, PACS, and LIS. Therefore, it is necessary to present the hospital system model and the construction plan suitable for personalized medical service. Currently, some medical cloud services and artificial intelligence diagnosis services using Watson are being introduced in domestic. However, there are not many examples of systematic hospital system construction. Therefore, this paper proposes a hospital system model suitable for personalized medical service. To do this, we design a model that integrates medical big data construction and AI medical analysis system into the existing hospital system components, and suggest development plan of each module. The proposed model is meaningful as a basic research that provides guidelines for the construction of new hospital system in the future.
With the entry into the aging society, we are increasingly interested in wellness, and personalized medical services through artificial intelligence are expanding. In order to provide personalized medical services, it is difficult to provide accurate medical analysis services only with the existing hospital system components PM / PA, OCS, EMR, PACS, and LIS. Therefore, it is necessary to present the hospital system model and the construction plan suitable for personalized medical service. Currently, some medical cloud services and artificial intelligence diagnosis services using Watson are being introduced in domestic. However, there are not many examples of systematic hospital system construction. Therefore, this paper proposes a hospital system model suitable for personalized medical service. To do this, we design a model that integrates medical big data construction and AI medical analysis system into the existing hospital system components, and suggest development plan of each module. The proposed model is meaningful as a basic research that provides guidelines for the construction of new hospital system in the future.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
기존의 병원정보시스템에 저장된 의료정보를 빅데이터 환경으로 개선하기 위해서는 데이터의 수집, 저장, 관리 등의 다양한 기술에 대한 고려가 필요하다. 따라서 분산환경에서의 병원정보시스템 구축이 필요하므로, 이 절에서는 빅데이터 처리에 가장 많이 활용되는 하둡 기반의 분산환경 구조를 도입한 병원정보시스템 개발 방안을 제시한다. [Fig.
현재 국내에서도 의료 클라우드 서비스, 왓슨을 도입한 인공지능 진료서비스 등이 일부 시행되고 있지만 아직 체계적인 병원시스템 구축을 통한 사례는 많지 않다. 따라서 이 논문에서는 개인 맞춤형 의료서비스에 적합한 병원시스템 모델을 설계하고 구축방안을 제시한다. 이를 통해 향후 새로운 병원시스템 도입 및 구축을 위한 가이드라인을 제공한다.
제안 시스템은 클라우드 기반의 의료정보 서비스에 쉽게 접목이 가능하고, 머신러닝을 통해 환자 진료에 좀 더 과학적인 분석을 적용할 수 있는 장점을 가진다. 아울러 새로운 시스템 구축에 필요한 포괄적인 프레임워크를 제시하였다. 향후에는 각 시스템 모듈의 상세 설계에 관한 연구를 수행하고, 머신러닝 알고리즘의 실질적인 응용 사례를 발굴하는 연구를 진행할 것이다.
개인 맞춤형 의료서비스는 의사 개인에 의한 단순한 진단 및 치료를 의미하는 것이 아니다. 의사가 분석하지 못하는 개인의 유전정보 및 의료 빅데이터를 병원시스템을 통해 분석하고, 시스템이 제시하는 결과를 토대로 의료진의 협업을 통해 보다 정확한 의료서비스를 제공하는 것이다. 이와 같은 개인 맞춤형 의료서비스를 위해서는 기존의 병원시스템 구성요소인 HIS, OCS, EMR, PACS, LIS 만을 사용해서는 정확한 서비스가 부족하게 된다.
따라서 기존의 병원시스템에 추가적으로 의료 빅데이터 구축, AI 기반의 의료 분석시스템 구축, 클라우드 환경의 의료정보 서비스 등이 가능한 병원시스템 모델이 필요하다. 이 논문에서는 기존의 병원시스템에 의료 빅데이터 및 AI 의료 분석시스템을 하나로 통합한 병원시스템 모델을 설계하고 구축방안을 제시한다.
의료 빅데이터 분석을 통한 질병 예측 및 진단 분야에서 적용되는 인공지능 기술은 데이터 마이닝, 시맨틱 웹, 머신러닝, 딥러닝 등이 있다[18,19]. 이 논문에서는 머신러닝(Machine Learning)을 기반으로 하는 의료분석 시스템 처리과정을 기술한다.
이 절에서는 개인 맞춤형 의료서비스의 개념과 이를 위한 병원시스템의 모델을 제안한다. 개인 맞춤형 의료서비스는 질병의 진단, 치료, 예방을 모두 포함하며, 의료기관 및 유전자정보 관리기관 들의 다양한 정보들이 통합되어 하나의 빅데이터를 구성해야 한다.
제안 방법
대용량 의료 빅데이터를 대상으로 머신러닝 알고리즘을 구축하기 어려우므로, 학습된 데이터 셋을 사용한 머신러닝 알고리즘 학습과정(ML algorithm training)을 수행한다. 이 때 가장 중요한 것이 의료 학습 데이터(Medical training data)의 구축이다.
데이터 수집(Data collection) 및 저장 단계에서는 병원에서 수집되는 각종 환자, 진단, 진료, 검사, 입원, 방사선 등의 정보를 기존의 RDBMS에 개별 테이블 형태로 저장하지 않고, 다양한 Node(서버)에 분산된 형태로 저장하는 하둡 분산파일 시스템(HDFS) 형태로 구성한다. HDFS 형태의 구성을 통해 효율적인 저장기술의 활용이 가능하다.
클라우드 서비스를 활용하는 각 의료기관마다 서비스의 활용 목적 및 제반 시스템 인프라 환경이 매우 상이하다. 따라서 서비스의 활용 형태가 일원화되는 것은 효율성이 감소되므로, 이 논문에서는 클라우드 서비스를 활용하는 병원의 유형을 [Table 1]처럼 3가지 형태로 분류하여 서비스하는 방법을 기술한다.
이 논문에서 제안한 병원시스템 모델의 특성을 분석하기 위해 기존에 병원에서 보편적으로 구축되어 활용되고 있는 병원정보시스템(HIS)의 구성 및 기능을 크게 6가지로 항목으로 분류하여 비교하였다. 제안한 병원시스템 모델은 기존의 시스템이 지원하기 어려운 기능을 추가하여 새로운 모델 형태로 설계하였으므로 거의 모든 기능이 지원됨을 확인할 수 있다.
환자의 특성에 적합한 분석을 통한 개인 맞춤형 의료서비스를 위해서는 새로운 형태의 병원시스템 모델이 필요하게 되었다. 이 논문에서는 기존의 병원시스템에서 부족한 분산환경의 병원정보시스템 구축, 클라우드 기반의 의료 빅데이터 구축 및 서비스, 인공지능 의료 분석시스템을 통합한 병원시스템 모델을 설계하였다. 제안 시스템은 클라우드 기반의 의료정보 서비스에 쉽게 접목이 가능하고, 머신러닝을 통해 환자 진료에 좀 더 과학적인 분석을 적용할 수 있는 장점을 가진다.
대상 데이터
의료 빅데이터는 병원의 진료기록, 약물정보, 개인건강정보, 유전체 정보, 각종 영상정보 등 매우 다양한 포맷의 텍스트 자료는 물론 이미지 데이터들로 구성된다. 따라서 머신러닝 알고리즘을 처리하기 전에 비정형 데이터들을 표준화(Normalization)하고, 불필요한 데이터나 중복적으로 발생된 데이터 등에 대한 필터링 과정을 수행한다.
인공지능을 활용한 환자진료의 선두주자는 IBM의 왓슨이다. 왓슨포온콜로지(WfO)는 암환자 진단에 매우 정확한 결과를 주고 있으며, 왓슨포지노믹스(WfG)는 유전자분석에 막강한 기능을 가지고 있다[3,18].
이론/모형
HDFS 형태의 구성을 통해 효율적인 저장기술의 활용이 가능하다. 각각의 Node(서버)에 분산된 데이터를 연관데이터끼리 분류하고, 추출하기 위해서 하둡의 맵리듀스(MapReduce)를 활용한다. 이를 통해 데이터의 처리속도가 향상되고, 시스템의 확장성이 높아지는 장점을 가진다.
성능/효과
제안 시스템은 클라우드 기반의 의료정보 서비스에 쉽게 접목이 가능하고, 이를 통해 의료 빅데이터 구축에 매우 유리한 구조를 가진다. 아울러 머신러닝 등의 인공지능 알고리즘 구현을 통해 좀 더 과학적인 근거기반의 환자 진료를 지원할 수 있는 장점을 가진다.
이 논문에서 제안한 병원시스템 모델의 특성을 분석하기 위해 기존에 병원에서 보편적으로 구축되어 활용되고 있는 병원정보시스템(HIS)의 구성 및 기능을 크게 6가지로 항목으로 분류하여 비교하였다. 제안한 병원시스템 모델은 기존의 시스템이 지원하기 어려운 기능을 추가하여 새로운 모델 형태로 설계하였으므로 거의 모든 기능이 지원됨을 확인할 수 있다.
후속연구
이 논문에서는 기존의 병원시스템에서 부족한 분산환경의 병원정보시스템 구축, 클라우드 기반의 의료 빅데이터 구축 및 서비스, 인공지능 의료 분석시스템을 통합한 병원시스템 모델을 설계하였다. 제안 시스템은 클라우드 기반의 의료정보 서비스에 쉽게 접목이 가능하고, 머신러닝을 통해 환자 진료에 좀 더 과학적인 분석을 적용할 수 있는 장점을 가진다. 아울러 새로운 시스템 구축에 필요한 포괄적인 프레임워크를 제시하였다.
아울러 새로운 시스템 구축에 필요한 포괄적인 프레임워크를 제시하였다. 향후에는 각 시스템 모듈의 상세 설계에 관한 연구를 수행하고, 머신러닝 알고리즘의 실질적인 응용 사례를 발굴하는 연구를 진행할 것이다. 초고령화 사회로의 빠른 진입으로 인해 건강한 삶을 유지하기 위한 ICT 융복합 헬스케어 분야의 관심이 매우 고조되고 있다.
질의응답
핵심어
질문
논문에서 추출한 답변
DUR란?
임상의사결정시스템(Clinical Decision Support System)을 통한 일반적인 진료에서도 포괄적으로 서비스되는 특징을 가진다. 현재 병원에서는 건강보험심사평가원의 의약품 처방 관련 정보를 제공해주는 DUR(Drug utilization review)[12]을 통해 간단한 임사의사결정의 보조적인 지원을 받고 있다. 이에 추가적으로 표준 진료지침(Clinical pathway), 합병증(Complication), 의료협진(Shared care) 등을 통한 임상의사결정의 체계적인 지원체계가 필요하며, 이를 통해 맞춤형 의료서비스의 품질이 향상될 수 있다.
병원정보시스템의 하위 모듈에서 생긴 데이터는 어디에 저장되는가?
병원정보시스템(Hospital Information System) 모듈은 전통적인 병원정보시스템의 기능을 그대로 포함하며 OCS, EMR, PACS, PM/PA 모듈을 가진다. 각 모듈에서 생성된 데이터는 기본적으로 병원 내의 자체 DB 서버에 저장이 된다. 아울러, 클라우드 서비스를 활용하는 병원의 경우에는 클라우드 기반의 의료 빅데이터 서버에 부분적으로 병원에서 생성되는 정보들이 저장된다. 따라서 전통적인 병원정보시스템이 분산환경의 데이터 저장관리 구조로 개선되어야 한다.
개인 맞춤형 의료서비스는 어떻게 수행되는가?
개인 맞춤형 의료서비스(Personalized medical service)는 병원정보시스템과 클라우드 기반의 의료 빅데이터를 활용하여 종양학(Oncology), 유전체학(Genomics) 등을 토대로 한 인공지능 의료분석 모듈을 통해서 수행된다[19]. 임상의사결정시스템(Clinical Decision Support System)을 통한 일반적인 진료에서도 포괄적으로 서비스되는 특징을 가진다.
Y. S. Jung, "Implementation Plan of Integrated Medical Information System for Ubiquitous Healthcare Service", Journal of the Korea Industrial Information Systems Research, Vol. 15, No. 2, pp. 115-126, 2010.
Ministry of Health and Welfare, "Standards for facilities and equipment necessary for management and preservation of electronic medical records", 2016
N. K. Lee and J. O. Lee, "A Study on the Architecture of Cloud Hospital Information System for Small and Medium Sized Hospitals", The Journal of Society for e-Business Studies, Vol. 20, No. 3, pp.89-112, 2015.
IBM Cloud, https://www.ibm.com/cloud-computing/solutions/healthcare
Korea University Hospital News, http://anam.kumc.or.kr/upload/letter/anam/letter121.pdf, 2017
National Health Insurance Service, http://www.nhis.or.kr/menu/retriveMenuSet.xx?menuIdF6000
Health Insurance Review & Assessment Service, http://opendata.hira.or.kr/or/orb/bigInfo.do
I. J. Lee, "Domestic and Overseas Healthcare Big Data Trends and Challenges", Weekly Technology Trends, IITP, No. 1654, pp. 14-23, 2014.
K. H. Kim, J. H. Lee, and A. S. Oh, "The convergence of medical IT and big data", Korean Society of Computer Information Review, Vol. 21, No. 2, pp. 17-26, 2013.
Ethicon Endo-Surgery, "Computer-Assisted Personalized Sedation System", Clinical User Guide/Operator's Manual, Document Part No. EES0001446 Revision B, 2009.
M. Rastgarpour and J. Shanbehzadeh, "Application of AI Techniques in Medical Image Segmentation and Novel Categorization of Available Methods and Tools", Proceedings of the IMECS 2011, Vol. I, 2011.
C. W. Hanson III and B. E. Marshall, "Artificial intelligence applications in the intensive care unit", Journal of the Critical Care Medicine, Vol. 29, No. 2, pp. 427-435, 2001.
K. Y. Lee and J. H. Kim, "Artificial Intelligence Technology Trends and IBM Watson References in the Medical Field", Korean Medical Education Review, Vol. 18, No. 2, pp. 51-57, 2016.
K. Y. Lee, J. H. Kim, and H. C. Kim, "Medical Artificial Intelligence Status and Tasks", Korea Health Industry Development Institute, Health Industry Brief, Vol. 219, pp. 12-22, 2016
※ AI-Helper는 부적절한 답변을 할 수 있습니다.