단체사진
단체사진

‘디지털 헬스케어는 의료를 어떻게 바꿀 것인가’ 강연 정리

지난 4월 11일에 서울의대에서 대통령 직속 청년위원회 주최로

‘디지털 헬스케어는 의료를 어떻게 바꿀 것인가’ 행사가 있었습니다.

예상보다 많은 분들께서 참여해 주셔서 미리 준비한 140인분의 식사가 동나고

추가로 구입한 김밥까지 전부 소진되었습니다.

참석해 주신 분들께 다시 한번 감사드립니다.

사정이 있어 참여하지 못한 분들을 위해 강연 내용을 요약 정리해서 올립니다.

정리해 준 서울의대 강형창,  김재원 학생에게 감사를 전합니다.

청년위원회 박용호 위원장님 인사말씀

청년위원회 박용호 위원장님 인사말씀

 

 

연자 1: 김치원 (서울와이즈요양병원 원장)

김치원

김치원

디지털 헬스케어의 구분

– 1,2,3차 예방이라는 개념을 이용하여 구분 가능.

 

1. 일차 예방: 아직 병에 걸리지 않은 사람이 계속해서 병에 걸리지 않게 도와주는 것
– Fitbit: 디지털 만보계. 심박수 측정 등 기능 추가됨

  • 활동량 측정계 세계 시장 점유율 1위
  • 시가총액 8조로 LG전자를 넘어섰던 적이 있을 정도로 주목을 받았지만 지금은 절반 이하 수준임
  • 이런 제품들은 아직 단순히 몇 걸음 걸었는지를 정확히 알려주는 수준에 머물러 있음
  • 이전보다 더 많이 걷도록 유발하는 행동변화가 핵심이 되어야 함
  • 또 한가지 고려할 것이 얼마나 지속하는 지의 이슈임
  • Fitbit이 발표한 자료를 보면 2015년 1~3분기 사이에 구매한 사람 중 50% 정도가 2015년 내에 사용을 중단함

– 최근 들어 실질적인 효용을 제공하는 제품들이 나오고 있음

  • Moov: 웨어러블 + 앱을 통하여 달리기 목표를 입력하고 달리면 달리기 거리를 늘리기 위한 실시간 코칭을 해줌
  • IBM Watson을 결합하여 만든 생활습관 개선 앱이 나옴. 인공지능을 더하면 사람의 생활패턴을 분석해서 행동 변화에 도움을 줄 수 있을 가능성 있음
  • Noom의 사례: 체중감량으로 시작해서 당뇨전단계 및 당뇨, 고혈압 등의 질별 관리를 도와주는 앱만듦. 처음에는 인공지능만을 적용하다가 인공지능만으로는 행동 변화가 지속되기 힘들다는 점을 알고 사람 코치를 붙이기 시작했음. 사람들과 rapport 를 쌓고 지속적으로 행동을 바꿔야 하는 부분에 있어서는 사람만이 가질 수 있는 역할이 있을 것이라고 봄.

– 1차 예방 정리

  • ‘다이어트의 가장 큰 고객은 다이어트가 필요 없는 사람들이다.’ 라는 말이 있음.
  • Fitbit 같은 제품을 현재 구입하는 사람은 기존에 운동을 열심히 하는 사람들이 self-check 하기 위해서 구매하는 경우가 많을 것임
  • 현재의 1차 예방 제품들을 사용했을 때, 행동변화가 생기고 이를 지속할 수 있을 지에 대해서는 의문이 있음

 

2. 2차 예방: 아직 진단되지 않은 질병을 빠르게 진단하는 것이 전통적인 개념. 기술이 발전하면 발병 이전에 예측하는 것도 가능할 것임

– 현대 의학은 환자에게 문제가 일어난 다음에 병원에 온 이후에 진단하고 치료하는 것에 초점을 둠.

  • 미래에 apple watch 에 심전도 기술이 포함되면, 심근경색이 발생한 환자들에서 그 전 심전도 데이터를 뽑아서 심근경색 발생 전에 생기는 변화를 찾아낼 수도 있음
  • 작년까지는 가설적으로 이야기 ㅎ에 불과한 이야기였지만, 더 이상 가설이 아닌 세상이 열리기 시작했음.

– Apple Research Kit

  • 애플이 만든 연구용 플랫폼. 병원, 연구기관들이 앱을 만들어서 임상 시험을 할 수 있음
  • 사례 1: 발달장애가 있는 아이들에게 비디오를 보여주고 표정을 찍어서 보내주면 이를 이용해서 발달장애를 진단하는 방법을 연구. 표정 딥러닝으로 처리해서 발달장애를 판단할 가능성이 있음
  • 사례 2: 점이 있는 사람들이 평소에 지속적으로 사진을 찍어두면 나중에 피부암이 발생한 사람들에서 피부암이 어느 단계부터 의심되었는 지를 역추적할 수 있는 지를 연구

– IBM Watson: Medtronic 회사의 지속형 혈당 측정계의 데이터를 모아서 Watson 으로 분석했더니 최대 3시간 전에 저혈당을 찾아낼 수 있는 알고리즘을 찾아냄.

–  Vuno: 중환자실에서 심전도를 계속 monitor했더니 VT 를 미리 알아낼 수 있는 알고리즘을 개발함. 평소에 지속적으로 발생하는 데이터를 모아서 분석하니 여러 함의를 찾아낼 수 있었던 것.

 

3. 3차 예방: 질병이 있는 사람의 질병을 잘 관리하는 치료 의학 개념
– BlueStar: 당뇨병 관리 앱

  • 저혈당 시 관리와 같이 당뇨병 관리와 관련된 다양한 기능이 있음
  • 디지털 헬스케어 업계가 풀어내야 하는 과제를 다 풀어낸 몇 안 되는 회사임.
  • FDA 의 승인을 받고, 일부 EMR과 연동하여 결합을 시켜서 진료 시에 데이터가 바로 뜸. 일부 보험회사에서 보험적용도 받아냄
  • 숙제들을 다 풀어냈지만 돈을 별로 벌지 못한다고 함. 추정되는 이유는 다음과 같음
     미국 의사도 한국 의사만큼이나 보수적이기에 앱을 처방한다는 개념이 희박함. 의사들의 태도가 바뀌는 데에 걸리는 시간을 생각해야 함.
     의사가 개발했는데 의사의 입장에서 당뇨 환자에 도움이 될 만한 기능들을 넣었으나 환자 입장에서는지나치게 많은 기능이 들어있음.  환자에게 중요한 문제 몇 가지에 집중하는게 좋지 않았을까 하는 의견이 있음.

– 혈당 측정계

  • 다양한 디지털 혈당 측정계들이 나오고 있음. 블루투스로 연결을 해서 혈당을 관리해줌. 이런 제품들이 가지는 장점은? 단지 스마트폰과 연결된다는 점 이외의 가치를 내놓지 못하는 경우가 많다.
  • Glucotrack: 혈당 측정할 때에 바늘로 찌르는 과정이 고통스럽기에 이를 대체하는 기술이 개발됨. 가격이 $2000으로 부담이 됨. 6개월마다 센서 교체 필요. 일년에 300~400만원 들 것
  • Abott freestryle libre system: 소아 혈당을 관리하기 위한 제품. 몸에 붙이고 다니면서 옆에 혈당계를 가져다 대면 혈당수치를 알 수 있음. 한달 쓸 수 있는 패치 두개에 리더기 합해서 20만원 대.
  • 성인을 대상으로 하는 Glucotrack의 경우 지불 의향을 조사해보면 50만원 이상을 지불하겠다는 경우가 드물지만 소아를 대상으로 하는 Abbott의 freestyle libre의 경우 대부분 한달에 20~30만원은 쓰겠다고 함. 비슷한 효용을 주는 기술이지만 성인보다 소아 대상일 때 지불의향이 더 높은 것을 보여줌

 

연자 2:  최형진 (서울의대 해부학교실 조교수)

최형진

최형진

 

1. What is data driven healthcare

– 먼 과거에는 symptom based medicine이었음. 요즘 널리 받아들여지는 Evidence based medicine 은 통계 기반으로 치료를 하자는 개념

– 앞으로 algorithm based 로 개개인에게 맞추어 치료를 해야 한다는 개념이 precision medicine 임.

– Data-driven science는  데이터를 분석해서 새로운 가설을 만들어내는 방법

  • 대표적인 예시가 GWAS (Genome-wide Association study)임.
  • 예전에는 하나의 유전자를 골라서 어떤 기능을 가지는지 알아보고자 했다면, GWAS 는 모든 유전자를 연구해서 새로운 유전자를 찾아내는 방식임. 이런 방식이 큰 성공을 거둠
  • 많은 사람의 모든 유전자 정보를 분석했을 때 특정 유전자의 변이와 골밀도가 연관성이 높다면 양자가 관계가 있다는 가설을 만들 수 있음.
  • 환경인자나 표현형(Phenotype)에 대해서도 모든 인자를 다 모아놓고, 분석해서 그 중 어떤 인자가 중요한지를 확인하는 연구도 나옴.
  • 모든 유전자, 모든 표현형에 대해서 분석을 하면 전체 의학을 한 번 훑을 수 있는 것임.
  • 자가면역질환과 유전자 사이의 cluster 를 확인할 수 있는 data driven science 가 작년과 올해에 많이 발전하게 됨.

 

2. Healthcare Big data

A. Genome

– 암치료 시 표적치료 할 때 많이 사용함.

– 유전성이 강한 병과 환경 인자가 강한 병이 있음. 혈우병은 유전인자가 큰 대표적인 경우.  교통사고와 같이 전적으로 환경인자만 해당하는 경우도 있음. 많은 병들은 다양한 환경인자와 유전인자가 연관됨. 어느 정도 포함되었는지는 병마다 다를 것.

– 심혈관 질환의 경우 다른 병을 유발하는 유전자가 관련이 있을 수도 있고, 환경적인 요인에 의해서도 발병확률이 높아짐

– 유전인자와 환경인자가 연관된 지점을 분석하는 서비스가 나오기도 함

– 의학계에서 유명한 NEJM 저널에서 희귀 유전질환이 의심되면 whole genome sequencing 을 권해볼 정도로 유전체학이 발전함.

– 유전체 궁합을 보는 서비스도 있음. 유전병을 가지고 태어날 확률을 알아줌. 여러 수정란을 만들어서 유전병 유전자를 가지지 않는 수정란을 이용해서 수정을 하면 됨.

– 약물유전체. 다양한 약들이 다양한 타겟을 가지고 있음. 간에서 약물을 대사하는 능력이 개인별로 다 다름. 개인별 약물반응 특성을 분석하는 서비스도 있음.

–  23andMe: 개인 대상 유전체 분석 서비스.

  • 인터넷으로 신청하면 소포가 와서 여기에 침을 뱉어 보내면 유전자가 분석을 해줌.
  • 현재 100만명이 훌쩍 넘어가는 서비스 결과를 가지게 됨.
  • 비용 대비 효과가 있을지에 대해서 의문을 가질 수 있음. 대부분의 서비스는 비용대비 효과가 나오지 않아서 실패하게 됨.
  • 유전자 분석 이후에 추가 비용이 사실상 발생하지 않기 때문에 사용 장벽이 없어질 것.

– 유전자를 검사하는 비용이 계속 떨어지고 있음. 의사를 만나는 데에 드는 비용이 유전자 검사 비용보다 비싸게 되면 유전자 검사를 더 선호하게 될 것.

B. EMR

– EMR 데이터를 machine learning 으로 clustering 분석을 하는 식으로 EMR 데이터를 잘 활용할 수 있게 될 것.

– 글로 쓰는 EMR 을 word cloud 로 분석해보니 어떤 질환일 지 대략적으로 예측이 가능해짐. Natural language processing (NLP) 가 가능할 수 있음

– 심평원은 청구 데이터를 가지고 있는데 이는 전국민을 대상으로 하므로 좋은 데이터 세트임. 예를 들어 고혈압 환자를 모아서 먹는 약에 따라서 뼈가 부러질 확률이 어떻게 다른가를 찾아봄.

– 국가 건강검진 결과를 중앙으로 모으려는 움직임이 있음. 심평원 자료에는 진단과 처방이 있고, 공단에는 검사결과가 있음. 서로 다른 분야의 데이터를 merge 하게 되면 큰 의미를 가질 수 있을 것.

C. Morphometry
– Toward data driven medicine.  Lunit, Vuno 에서 X-ray 혹은 CT 를 이용해서 판독을 도와주는 기술을 개발하고 있음

D. Sensor
– 당뇨병을 가진 사람들의 데이터를 스마트폰으로 모아서 자가관리에 쓰거나 교육간호사가 도움을 주는데 사용함. 개개인의 식이, 운동 패턴을 분석할 수 있었음. 이런 정보를 이용해서 치료의 guideline 을 제공하려고 시도해본 적이 있음.

E. Data integration

– 의료 빅 데이터를 통합하려는 움직임이 있음.

– 애플의 헬스 앱에서도 이런 시도를 하고 있음. EMR 업체와 의료 서비스와 합작해서 서비스를 제공하려고 함.

– 여러 정보를 모아서 clinical decision making 을 하자는 여러 관점들이 소개되고 있는 상황임.

– 이런 개념이 인공지능과 합쳐지면 새로운 적용이 가능해지게 됨.

– IBM Watson 이 이 분야에서 가장 유명함. 많은 교과서와 저널을 모두 섭렵한 상태로 새로운 변화를 일으킬 수 있음. Ex. 증상을 입력하면 어떤 증상일 확률이 더 높을지 알려줌. 근거도 제시해 줌.

  • 이런 일이 왜 가속되고 있는지? 정부, 보험회사에서 모두 좋아함.
  • 왓슨이 melanoma 를 진단하는 데에 있어서 95% 의 정확도를 내고 있음.
  • IBM은 클라우드 기반 PACS 회사인 Merge를 인수했는데, 영상 데이터를 분석하여 판독을 도와주는 advisor 의 기능을 하겠다는 움직임을 보임.
  • Pathway genomics 라는 유전체 정보 회사와도 합작을 시작함.
  • 인슐린 제조 회사와 함꼐 용량을 결저을 도와주는 연구를 하고 있음

– 이외에 흥미로운 논문으로  800명을 대상으로 혈당을 연속적으로 측정하고 분석을 해 보니 사람별로 혈당변화의 패턴이 다르다는 것을 찾아내어 인공지능이 식단을 추천해주어서 혈당을 관리할 수 있다는 결론이 나온 것이 있음

 

연자 3: 조미진 (의사, 루닛 General Manager)

조미진

조미진

 

– 변화하는 시대에 무엇을 준비해야 할까?

– 알파고 이후로 인공지능 때문에 앞으로 의사의 일자리가 사라진다거나 영상의학과 지원자가 떨어질 것이라는 말이 있음. 의사가 정말로 인공지능을 두려워해야 하는 것인가? -> 인공지능이 어떻게 만들어지는지, 어떻게 작동하는지 잘 모르기 때문에 지나치게 두려워 하는 면이 있음.

– Data-driven Imaging biomarker의 개념: 이미지 데이터로부터 추출한 image biomarker임. 특정 질환 또는 상태에 특징적인 feature 를 인공지능 알고리즘이 스스로 학습해서 병변 등의 유무 및 위치를 대규모 임상 데이터로부터 추출하는 기술.

– 궁극적으로 하려고 하는 일은 여러 임상 데이터를 효율적으로 활용할 수 있도록 도와주는 것.

– 연구 결과들을 보면 사람이 판독하는 screening mammo 의 sensitivity 는 87.3%에 불과하고, Low Dose Chest CT의 specificity 가 73.4% 대 정도임.  Chest X-ray 도 73.5%로 sensitivity 가 떨어짐.

– 인공지능은 일관된 판단, 정량적인 분석, 정확한 진단에 따른 적합한 치료를 도와줄 수 있을 것임.

– Lunit scope 소개: Data-driven Imaging Biomarker를 병리에 적용한 것. 전체 field에서 Mitosis cell 을 counting 하고, 해당 부분을 spotting 해서 보여주게 됨.

– Lunit mammogram 소개: mammogram에서 유방암이 의심되는 병변을 highlight 해서 표시하고 양성/악성일 확률을 수치로 보여줌.

– Lunit Tb 소개: chest X-ray 에서 결핵(Tb) 병변의 위치와 probability를 정량화하여 보여줌.

– 의료 분야에 deep learning 을 적용할 때에 다른 분야에 비해서 특수한 점이 있음. Deep learning algorithm 을 학습시킬 때에는 매우 방대한 데이터가 필요함.  의료 영상은 학습에 충분한 규모가 존재하는 경우가 드물기 때문에  다른  이용해서 학습을 시키게됨

– 일반적으로 병변 부위가 어디인지 사람이 입력해 준 것을 컴퓨터에게 학습을 시켜주는 것이 일반적인데, 이 경우 사람 손이 매우 많이 가게 됨.

– Lunit의 인공지능 알고리즘은 영상의학 데이터에 별도의 annotation 없이 질병 유무만 알려주면 학습하지 않은 새로운 영상에 대해서도 질병의 유무는 물론, 질병이 의심되는 부위까지 찾아냄.

– 결핵 환자 X-ray 10,000 case 정도를 학습에 사용함. 이 때, 결핵이 의심되는 병변을 표시하지 않고 결핵 유무에 따라 데이터를 나누어 학습시킴. 이렇게 학습시켰을 때 결핵이 의심되는 부위를 상당히 잘 찾아냈음.

– 결핵 진단 성능도 상당히 뛰어남. 학습한 데이터와는 다른 특성을 가진 중국, 미국 dataset에 적용하였을 때에도 상당히 좋은 performance 를 보여줌.

– Lunit의 deep learning technology는 궁극적으로 임상 데이터를 이용해서 환자를 볼 때에 좀더 정확하게, 효율적으로 볼 수 있도록 해서 환자들이 좋은 의료 서비스를 받을 수 있도록 함.

– 결국 Lunit의 deep learning algorithm을 활용하여 환자를 진단할 사람은 의사이고, 임상 현장에서 어떻게 효율적으로 활용할 수 있을지 가장 잘 아는 것도 의사일 것임.

– 따라서 의료에 인공지능이 도입되는 것이 거스를 수 없는 흐름이라면, 도대체 인공지능이 어떻게 개발되며, 어디에 활용할 수 있을지, 어떤 과정을 거쳐서 결과가 나오는지 좀더 능동적으로 받아들이고, 적극적으로 참여하여 연구할 필요가 있을 것.

 

연자 4. 김영인 (의사, 눔 Medical Director)

김영인

김영인

1. 눔 소개

– 한국인이 창업자 중 한명인 미국회사

– 식단 기록을 통해서 체중 감량, 당뇨 예방, 당뇨 등 만성질환 관리를 도와주는 앱 서비스임.

– 체중감량뿐만 아니라, 질환과 관련된 정보를 서로 교환하는 플랫폼의 기능도 가짐.

– 행동심리학적인 접근을 제품에 많이 녹여내도록 노력함. B2C 시장에서는 3년 째 1위를 하고 있음.

 

2. 어떻게 의사로 스타트업에 입사하게 되었나.

– 학교 다닐 때부터 지속적인 딴짓을 함.

– 공보의 근무 후 미국에 수련 받으러 갈  준비를 하다가  Noom이라는 회사를 우연히 알게 되고, 잠시 경험하기 위해서 들어가 봤다가 이 분야의 가능성을 보고 눌러앉게 됨.

– Noom 에서 의사가 필요했던 이유?

  • 스타트업에서 일하고 있는 의사는 손에 꼽을만함.
  • 헬스케어 관련 스타트업 자체가 적기도 하고, 의사를 채용하기 위해서 스타트업이 부담해야 하는 비용이 이슈가 됨
  • 실제로 가고 싶어하는 의사가 적기도 함.
  • 눔 입장에서 (보험회사, 의료기관을 상대로 하는) B2B로 비지니스 모델을 전환하는 과정에서 의사들의 언어를 알아야 소통이 가능하기에 의사의 필요성을 느낌.
  • 다이어트와 같이 단순한 관리 대상에서 당뇨 등 여러 질환의 관리로 초점이 넘어가게 되면서 의학적인 지식이 필요하게 된 것.
  • Health 쪽의 needs 를 아는 사람이 필요하기에 의사의 고용이 이루어진 것.

– 처음에는 세일즈, 타이틀(의사를 포함하고 있으면 스타트업의 입장에서도 협상에 효과적이기에), 임상연구의 역할을 담당하기 위해서 들어갔음.

– 실제로 R&R (roles and responsibility) 은 한정되지 않고 빠른 속도로 늘었음. 컨텐츠 개발, 마케팅, 투자유치, 채용, 팀 관리 등의 역할을 모두 담당하게 됨.
–  Noom 의 전반적인 stance 가 여타 한국기업들에 비해서 수평적이고 효율적인 구조를 추구함.

– Global startup이기에 근무하면서 언어적인 장벽을 많이 느끼기도 함. 단순히 언어 능력뿐만 아니라 토론 능력이 더욱 중요한 것.
3. Noom 에 대해서

– 빅데이터를 모으는 업체는 매우 많았음. 한동안 데이터를 모으긴 했지만, 이를 어떻게 사용할 것인지에 대해서 생각해보게 됨.

– 이런 데이터를 기반으로 행동변화를 이끌어낼 수 있는지의 여부가 중요한 것. 앞서 언급되었던 fitbit 의 예시도 같은 맥락임.

– Noom 에서는 행동변화를 이끌어내는 것에 초점을 맞춤. 밥을 먹어서 얻는 칼로리를 정확하게 확인하는 것이 중요한 것이 아니라 그런 과정을 통해서 어떻게 행동을 바꿀 것인지가 중요한 것.

–  Fitness 관련해서 처음으로 개발된 앱. 처음에 만들어 진 것은 activity tracking 하기 위한 것. 대부분의 사용자가 체중감량을 위해 사용하고, 뛰거나 자전거를 타기보다는 걷는데에 사용하는 것을 확인함.

– Noom coach 는 식사 기록을 이용해서 요요현상이 오지 않고 적절하게 유지하는데 도움을 주는 기능을 가짐. 코치가 메시지를 보내서 행동 교정을 유도함.

– 이쪽 market 이 생각보다 돈이 많이 되지 않음. 본인의 체중관리를 위해서 돈을 그렇게 많이 쓰지 않음.

–  B2C 시장에서 얻은 4천만의 data 를 바탕으로 오래 사용되는 앱을 만들었고, 체중감량에 효과가 있음을 증명한 후에 B2B 로 넘어오게 됨.

– 데이터를 모으는 데에 중점을 두다가 행동 변화를 일으키는 쪽으로 점차 이동하고 있음.

– 헬스케어라는 분야가 cycle 이 매우 길어서 진입장벽이 매우 높은 편. 제약회사, 병원은 어떤 사업 주체보다도 보수적이기에 이들을 설득해서 돈을 벌기에 시간이 걸릴 것임.

– 여기에 의사가 들어와서 role 을 한다는 것이 시간을 앞당기는 데에 효과적일 것.

– 사용자 위주의 접근: 어떤 기능을 넣어달라는 요구에 맞춰서 모두 넣어준 앱의 경우에 살아남은 경우가 없음. 공급자 위주의 접근을 하며 사용자를 끌어들이는 것이 좋아 보일 것.

– 국내 시범 사업에서 3개월째 평균 67%가 앱을 사용함. 60대 사용자도 50% 이상이 3개월 이상 사용함.

 

4. 커리어에 대한 맺음말

– 꼭 스타트업에서 일을 해야 하나? 다양한 분야에서 일을 하는 의사는 적은 비율이면 충분함. 단순히 병원 생활이 싫어서 떠나는 것은 금물임.

– 스타트업에서 일을 하고 싶다면 고려할 점?

  • 스타트업에 적합한 성향의 사람인가?
  • 새로운 분야에 대해서 얼마나 배우고 성장할 자세가 되어 있는가? 기존에 알고 있었던 것 보다 새로 배워서 활용한 것이 70% 이상임.
  • Risk 를 감내할 준비가 되어 있는가? Financially unstable 함을 견딜 수 있는 mind, 환경적인 요소가 결합이 되어야 함.

– 스타트업을 하게 되면 예측하기 힘든 삶의 방향이 될 것.

– 지금 당장 할 수 있는 일? 우선 면허를 따자. 100명 중 5명에 해당하는 사람인가? 준비를 해야 할 점들이 매우 많은데, 이 과정 자체를 즐길 수 있는 것. 창업을 한다면 item 이 우선임.

Comments

comments

Leave a Reply

Your email address will not be published.