혁신적인 GAME 알고리즘: 전자 건강 기록 데이터 기반 다기관 연구의 새로운 지평

Zhou 박사 연구팀이 개발한 GAME 알고리즘은 전자 건강 기록(EHR) 데이터의 이질성과 개인정보보호 문제를 해결하여 다기관 연구를 가능하게 하는 혁신적인 기술입니다. 지식 그래프, 언어 모델, 그래프 어텐션 네트워크를 통합하여 기관 간 코드 관계를 파악하고, 전이 학습과 연합 학습을 통해 개인정보를 보호하면서 다양한 질환 연구에 활용될 수 있습니다.

전자 건강 기록(EHR)의 도입은 데이터 기반 알고리즘을 임상 진료 및 연구에 활용할 수 있는 기회를 넓혔습니다. 하지만 다기관 EHR 연구를 효과적으로 수행하는 데 있어 주요 병목 현상은 바로 데이터 이질성입니다. 각 기관마다 코드 체계가 다르고, 같은 질환을 나타내는 코드조차 상이하게 사용될 수 있습니다. 여기에 데이터 프라이버시 문제까지 더해지면 다기관 환자 수준 데이터를 통합하여 연구하는 것은 더욱 어려워집니다.

이러한 어려움을 해결하기 위해, Zhou 박사 연구팀을 비롯한 국제 공동 연구진은 GAME 알고리즘을 개발했습니다. 7개 기관과 2개 언어에 걸쳐 테스트 및 검증을 마친 GAME 알고리즘은 데이터를 여러 수준에서 통합하는 혁신적인 기술을 선보입니다.

GAME 알고리즘의 핵심은 다음과 같습니다.

1. 기관 수준 통합: 지식 그래프를 활용하여 각 기관의 코드와 기존 지식 원천 간의 관계를 설정합니다. 이를 통해 표준 코드의 의학적 의미와 상호 관계를 명확히 파악할 수 있습니다.
2. 기관 간 통합: 언어 모델을 활용하여 기관별 코드와 표준 코드 간의 관계를 파악합니다. 서로 다른 코드 체계를 가진 기관 간의 데이터를 효과적으로 연결하는 핵심 기술입니다.
3. 관계 강도 정량화: 그래프 어텐션 네트워크를 사용하여 코드 간 관계의 강도를 정량적으로 측정합니다. 이를 통해 데이터 분석의 정확성을 높일 수 있습니다.
4. 개인정보보호: 전이 학습과 연합 학습을 통해 기관 간 데이터 공유 없이 공동 학습을 수행합니다. 이는 개인정보보호 문제를 효과적으로 해결하는 핵심 전략입니다.

GAME 알고리즘은 심부전, 류마티스 관절염 등 다양한 질환 연구에 적용되어 AI 기반 알고리즘의 입력 특징을 선택하는 데 효과적으로 활용될 수 있음을 보여주었습니다. 특히, 알츠하이머병의 예후와 정신 건강 장애 환자의 자살 위험 연구에 적용되어 기관 간 환자 수준 데이터 공유 없이도 효과적인 연구 결과를 도출할 수 있음을 입증했습니다.

결론적으로, GAME 알고리즘은 다기관 EHR 연구의 난제를 해결하고, AI 기반 의료 연구의 새로운 지평을 열어줄 잠재력을 지닌 획기적인 기술입니다. 데이터 이질성과 개인정보보호 문제를 동시에 해결함으로써 보다 정확하고 효율적인 다기관 연구가 가능해졌다는 점에서 큰 의미를 가집니다.