인공지능 | 헬스케어 산업 내에서 AI adoption을 방해하는 요소들

머신러닝의 발전으로 최근 10년간 인공지능(Artificial Intelligence, AI)은 급속하게 진보할 수 있었습니다. 헬스케어 시스템은 진단(diagnosis), 치료(treatment), 관리(administration) 및 운영(operation) 측면에서의 미래 시나리오들을 예측해야합니다. 이러한 특성 때문에 머신러닝의 역량과 헬스케어 시스템의 요구조건 때문에 AI adoption의 영향이 매우 클 것으로 내다보았고 실제로 시장에는 AI를 이용한 다양한 헬스케어 디지털 스타트업들이 존재합니다. 하지만 Brookings Instutute의 의견은 다릅니다. 미국 Brookings Institute에 따르면 미국 기준으로 다른 산업에 비해서 헬스케어 산업에서의 AI adoption은 저조한 편이라고 합니다. 헬스케어 산업 내에서 AI adoption이 저조하다고 말한 근거는 무엇이고 저조하게 만드는 이유는 무엇이 있는지 알아보겠습니다.

 

헬스케어 내에서 AI의 활용

Deep Medicine의 저자 Eric Topol(MD)은 AI가 헬스케어 내에서 다음과 같은 영역에서 활용될 수 있다고 정리하였습니다

• image-based algorithims(radiology, dermatology, surgery)
• patient monitoring
• genome interpretation
• drug discovery

병원 내에서 질병에 대한 진단(혹은 진단 보조) 뿐만 아니라 병원 행정차원에서 환자들을 모니터링하고 바이오텍 연구에서 genome을 해독하거나 제약회사의 신약개발과정에 기여하는 등 AI는 헬스케어 내에서 매우 폭 넓게 활용될 수 있는 잠재력이 있습니다.

 

헬스케어 내에서 AI adoption이 저조하다고 판단하는 이유

이러한 잠재력과는 별개로 Brookings Instutute은 AI adoption이 저조하다고 주장하였습니다. 이러한 결과를 도출하기까지 다음의 과정을 거쳤습니다.

Brookings Instutute은 산업별 전체 채용공고(job advertisement)의 수와 AI스킬이 요구되는 직무의 비율을 조사하였습니다. 일반적으로 채용공고에서 특정한 스킬을 요구하는 것은 technology diffusion pattern, 즉 해당 기술의 adoption지표로 평가된다고 합니다. 조사 결과 전체 채용공고에서 AI 스킬을 요구하는 비중이 헬스케어 산업에서 매우 낮은 편(0.05%)에 속하는 것을 확인하였고 이를 근거로 AI adoption이 낮다는 결론을 냈습니다.

산업별 전체 채용공고 중 AI스킬을 요구하는 비율

 

조사결과를 정리하자면 다음과 같습니다

• 조사를 시행한 회사 : Burning Glass Technologies
• 조사대상 : 40,000여개의 온라인 채용공고
• 조사기간 : 2015년부터 2018년
• 결과 상위권 : IT기업(1.40%), 금융, 제조 등
• 결과 하위권 : 헬스케어(0.05%), 부동산, 예술, 건설 등

타산업과 비교해서 낮은 편입니다.

위의 표에는 나타나지 않는데 채용직무와 병원구조에 따라서 AI adoption에 관련한 다음의 두가지 결과를 확인하였다고 합니다

• 병원에서 채용하는 직무가 clinic 쪽이 아닌 administrative, research 계열이면 AI adoption이 높았음
• 경영인 체제의 구조를 가진 병원에서는 administrative, clinical 계열의 AI adoption이 높았음(research계열은 높지 않았음)

 

 

헬스케어 산업내 AI adoption을  장애물

다음과 같이 정리합니다

 

1 Algorithmic Limitation

Neural network의 발전으로 AI의 활용도는 높아졌지만 결과값 해석(블랙박스)에 대한 우려 또한 커지고 있습니다. 결과값이 어떻게 만들어졌는지에 대한 과정을 명확히 알 수 없고 의료사고 등 문제가 발생하면 책임소재에 대한 해명을 해야하는 병원이나 의료관계자 입장에서는 현재 상태의 AI 기술에 대에서 높은 수준의 신뢰를 주는데 한계가 있습니다. 

 

2 Data access limitations

AI알고리즘의 성능은 사용가능한 데이터의 질과 비례합니다. 헬스케어 관련 데이터는 수집하기 어렵고 수집한 데이터가 불완전한 경우도 많습니다. 또 의료데이터에 액세스하기도 어려운 것으로 잘 알려져 있습니다. Electronic Healthcare Record(EHR)은 병원이나 시설 끼리 호환이 어렵고 대부분의 의료데이터는 병원별로 고립되어 있습니다. 대량의 고품질 데이터셋이 존재하지 않으면 고성능의 의료 AI를 개발하기 어렵습니다.

 

3 Regulatory barriers

크게 3가지 이슈가 있습니다.

1. 민감한 개인정보 보호 목적의 규제로 의료정보 수집이 어려우니 AI 모델 개발이 어려움
2. 신기술에 특히 엄격한 규제기관 인허가 과정
3. 책임 소재 관련 의료인력의 신기술 사용하는 것에 대한 두려움

 

4 Misaligned incentives

의료인력이 AI와 같은 신기술로 인하여 자신들의 자리를 위협받다고 느끼며 AI의 사용을 주저합니다. 영상을 판독하는 Radiologist의 경우 이미지에 기반하여 진단을 보조하는 AI 스타트업이 많이 생기는 것을 생각한다면 이러한 현상은 이해하기 어려운 것도 아닙니다. 

 

 

결론

헬스케어 산업내에서 AI adoption이 타 산업에 비해서 상대적으로 낮다고 주장하는 Brookings Institute의 견해를 알아 보았습니다. 사람들은 변화를 좋아하지 않고 현상유지를 선호하는 성향이 강해서 새로운 기술을 시장에 출시하고 사람들이 기술을 적극적으로 사용하기(technology adoption) 까지는 많은 난관을 극복해야 합니다. 디지털 전환(DX)의 성공적인 사례를 보더라도 반에도 못 미치는 30% 수준에 지나지 않습니다. 

Brookings Institute이 사용한 metric(AI adoption in healthcare)이 다양하지는 않아서 아쉽기는 한데 그래도 기술의 확산과 수용에 대한 비교지수로 참고하는 역할은 충분히 하는 것으로 보입니다.

헬스케어 내에서 AI Adoption을 높이기 위해서는 AI모델의 발전도 중요하지만 알고리즘 결과값에 대한 투명성, 데이터 수집과 액세스, 규제에 대한 문제를 해결해 줄 수 있는 complementary innovation도 뒷받침되어야 하는 점을 강조하고 있습니다. Electronic medical record와 inegrating software system 혁신 등을 complementary innovation의 예로 꼽고 있으며 이는 단독 기술만의 발전으로는 technology adoption에 한계가 있을 수 있음을 보여줍니다. 

 

다음과 같이 마무리 하겠습니다.

• 타산업 대비 AI adoption이 낮은 헬스케어
• Adoption 낮은 이유 : 신기술에 대한 불신 및 두려움, 의료데이터 액세스, 규제기관 인허가 이슈, 
• 병원 직무 및 경영 구조에 따른 AI adoption 인식에 대한 차이
• Adoption barrier를 극복하게 해주는 complementary innovation에 대한 필요성