의료 인공지능(AI) 분야에서 환자의 건강 변화를 예측하고 임상 의사 결정을 돕는 '환자 세계 모델(Patient World Model)'과 '임상 에이전트(Clinical Agent)'의 중요성이 커지고 있습니다. 이러한 시스템을 개발하려면 환자의 상태, 치료 내역, 그리고 각 의사 결정 시점에 어떤 정보가 사용 가능했는지에 대한 신뢰성 높은 이력이 필수적입니다. 하지만 전자의무기록(EHR)은 다양한 방식으로 기록되기 때문에 일관성 있게 활용하기 어렵다는 고질적인 문제가 있었습니다. 최근 공개된 'EHR2Trace' 시스템은 이 문제를 해결하며, 여러 출처의 EHR을 추적 가능한 환자 이벤트 데이터로 변환하여 의료 AI 모델 훈련 및 평가의 기반을 마련합니다.
EHR2Trace는 EHR 데이터를 표준화된 추적 가능한 이벤트로 변환하는 과정을 통해 여러 핵심 기능을 제공합니다. 첫째, 모든 이벤트를 원본 기록과 연결하여 데이터의 출처를 명확히 합니다. 둘째, 이벤트 발생 시간과 정보가 시스템에 입력되어 '사용 가능해진' 시점을 엄격하게 분리합니다. 이는 특히 진단 시점과 진단 정보가 의료진에게 전달된 시점의 차이로 인해 AI 모델의 성능이 과대평가될 수 있는 문제를 방지하는 데 중요합니다. 셋째, 약물 처방(order), 조제(dispensing), 투여(administration)와 같은 세부적인 의료 행위를 명확히 구분하여 데이터의 정밀도를 높입니다. 이 시스템은 OMOP과 MEDS 같은 공통 데이터 모델을 지원하며, 자동화된 유효성 검사 및 재현 가능한 빌드를 제공합니다. 실제 세 가지 임상 데이터셋에 적용한 결과, 8억 4,640만 개의 이벤트를 성공적으로 변환했으며, 대부분의 검증 절차를 통과하며 높은 신뢰성을 입증했습니다.
EHR2Trace의 등장은 환자 세계 모델 및 임상 에이전트 연구에 있어 재사용 가능한 데이터 기반을 제공함으로써 의료 AI의 신뢰성과 정확성을 한 단계 끌어올릴 것으로 기대됩니다. 특히 정보 가용성 시점을 명확히 구분하는 기능은 모델 훈련 시 발생할 수 있는 데이터 누수(data leakage) 문제를 해결하고, 실제 임상 환경에서의 모델 성능을 보다 현실적으로 평가할 수 있게 합니다. 이는 연구자들이 환자 이력을 면밀히 검토하고, 데이터 변환 결정을 확인하며, 명확한 데이터 규칙에 따라 모델을 평가할 수 있도록 지원함으로써 궁극적으로 더 안전하고 효과적인 임상 AI 시스템 개발에 기여할 것입니다.