컨테이너와 클라우드가 공 위에서 균형을 이루고 있는 삽화
바로 가기

의료 분야의 AI(인공지능) 혁신

URL 복사

Red Hat OpenShift AI로 다양한 환경에서 신속하게 AI를 시작하세요

Red Hat® OpenShift® AI가 통합된툴, 반복 가능한 워크플로우, 유연한 배포 옵션, 그리고 신뢰할 수 있는 파트너 생태계를 통해 AI/ML 모델과 애플리케이션의 전체 라이프사이클을 가속화하는 방법을 오른쪽 영상(한국어 자막)에서 확인하세요. 
(비디오를 보려면 쿠키를 활성화해주세요.)

의료 분야의 인공지능(AI)은 의료 시장의 세 가지 주요 범주, 즉 의료 응용(생명 과학), 의료 서비스 제공(의료 기관), 의료 서비스 사용(납부자) 분야에서 머신 러닝(ML)으로 훈련된 알고리즘의 사용을 나타내는 포괄적인 용어입니다.

이러한 유형의 알고리즘 머신 러닝의 발전에 힘입어 이제 의료 분야의 인공지능 활용 사례가 과거의 반응형 AI를 넘어 확장될 수 있습니다. 이러한 발전은 의료 혁신과 현대화를 이끄는 데 있어 중요한 역할을 할 수 있습니다. 

의료 데이터를 분석하고 조치를 취하려면 데이터를 액세스 가능하고 실행 가능하도록 만들어야 합니다. 그래야만 의료 서비스를 더 광범위하고 효과적이고 효율적으로 적용할 수 있습니다.

AI는 크게 다음 네 가지 유형으로 분류할 수 있습니다.

  • 반응형 AI: 머신 러닝을 사용하지 않고 동일한 상황이 발생할 때마다 똑같은 방식으로 개선하고 반응하는 인공지능입니다.
  • 메모리 제한 AI: 이 인공지능은 과거 성능을 기반으로 머신 러닝을 사용하여 알고리즘을 만듭니다. 현재 대부분의 발전이 이 AI 유형에서 발생하고 있으며 인공지능을 AI/ML이라고 부르는 것도 이런 이유에서입니다. 또한 딥러닝이라는 머신 러닝 하위 집합에는 원시 데이터에서 더 많은 의미를 추출하기 위해 다양한 계층의 분석이 수반됩니다.
  • 마음 이론 AI: 감정을 이해하고 기억하고 해당 모델을 기반으로 사람과 상호 작용할 수 있는 AI입니다. 마음 이론 AI는 현재 대체로 초기 단계이거나 이론 단계입니다.
  • 자기 인식 AI 또는 '진정한' AI: 자기 인식 AI는 자신의 감정을 인식하고 인간과 유사한 의식 수준을 가지고 있습니다. 자기 인식 AI는 현재 이론 단계에 있습니다.

의료 분야의 AI는 메모리 제한 AI의 알고리즘과 애플리케이션 분야에서 이루어진 급속한 발전을 주로 지칭합니다.

의료 AI의 발전으로 의사와 기타 의료 종사자가 더 정확한 진단과 치료 계획을 제공할 수 있게 되면 환자의 치료 결과를 근본적으로 바꿀 수 있습니다. 이러한 발전은 관리자가 의료 자원을 신중하고 정확하게 할당하는 데에도 도움이 될 수 있습니다.

이는 여러 면에서 의료 시장의 세 분야(생명 과학, 의료 기관, 납부자)에 도움이 될 수 있습니다. 최신 정보를 효율적으로 획득하여 배포하고 활용하면 임상의가 환자를 더 잘 치료하고, 여러 소스에서 데이터를 신속하게 추출하여 기존 병력을 더 효과적으로 관리하고, 새로운 질환 또는 질병 발병을 예측하거나 확인하는 데 도움이 될 수 있습니다. 

분산 데이터 프로세스가 향상되면 관리자가 청구 우선순위를 더 효율적으로 지정 및 확인하고, 전체 청구 프로세스를 간소화하여 환자, 고객, 의료 기관에 전달되는 정보의 정확성과 속도를 개선할 수 있습니다. 전반적으로 의료 알고리즘에 대한 데이터를 조합하면 미래 위험을 예측하는 데 도움이 되고 의료 관리자가 사회에 제공되는 치료를 관리하고 개선하도록 더 많은 힘을 실어줄 수 있습니다.

의료 분야에서 AI가 환자, 의료 기관, 납부자에게 도움이 될 수 있는 몇 가지 방법은 다음과 같습니다.

더 빠른 진단
AI 알고리즘과 실시간 예측 분석을 통해 처리한 데이터 인사이트를 사용하여 진단 속도를 높일 수 있습니다. 즉, 환자가 더 빨리 치료 받고 더 나은 결과를 얻을 수 있으며 전체적으로 더 적은 의료 자원을 사용해 문제를 해결할 수 있습니다. 그러한 예로, 미국 최대의 의료 시설 업체 중 하나인 HCA Healthcare는 Red Hat 솔루션을 사용하여 생명을 위협할 수 있는 패혈증을 더 정확하고 신속하게 감지하는 실시간 예측 분석 제품 시스템을 구축했습니다.

청구 관리
의료비 청구 및 지불 절차에는 수천 시간의 업무 시간이 소요될 수 있습니다. 각 청구를 수동으로 수행하면 프로세스에 오류가 발생할 위험이 높아져 청구를 하는 환자나 결산하는 의료 기관 모두에게 바람직하지 않습니다. AI는 청구 관리 데이터 분석을 기반으로 서류 관리를 자동화하고 유용한 권장 사항을 제공하는 데 도움이 될 수 있습니다. 이를 통해 청구를 빠르게 처리하고 직원과 고객의 경험을 개선할 수 있습니다.

부정 행위, 낭비, 남용
로봇 프로세스 자동화(RPA)는 수동 작업보다 훨씬 빠르고 정확하게 문서를 처리할 수 있습니다. 이러한 알고리즘은 부정한 활동이나 낭비가 발생할 경우 플래그를 지정할 수 있고, 점차 알고리즘이 개선되면서 문제를 더 효과적으로 파악할 수 있습니다.

의료 서비스 이용 확대
AI 지원 진단을 사용하면 서비스를 받는 환자 그룹을 확대할 수 있습니다. 예를 들어, AI 지원 방사선 및 의료 영상을 통해 더 많은 전문가가 초음파를 판독할 수 있게 되어 소수의 전문가에게 몰리는 병목 현상이 감소하고 기술을 이용할 수 있는 환자가 늘어날 수 있습니다.

신약 개발
새로운 약물에는 적절한 투여량과 전달 특성을 파악하는 과정이 필요합니다. 컴퓨팅을 활용한 AI 툴은 시행착오 방식을 개선하거나 대체할 수 있으며 더 빠르고 효율적인 모델로 전체 프로세스를 모니터링할 수 있습니다. 이를 통해 신약 개발 속도를 높일 수 있어 제약 회사와 최종 고객 모두 비용을 절감할 수 있습니다.

의료 분야 AI는 많은 장점을 제공할 수 있지만 구현하는 데 몇 가지 복잡한 문제가 있을 수 있습니다. AI로 인해 의료 산업에서 발생할 수 있는 몇 가지 과제는 다음과 같습니다.

데이터 관리 및 운용 수집
대부분의 과제는 의료 데이터를 수집, 분석, 적용하는 과정에서 발생합니다.

AI가 관련 알고리즘을 올바르게 제공하기 위해서는 엄청난 양의 데이터를 실시간으로 처리해야 합니다. 따라서 데이터 수집 과제는 다면적입니다.

데이터 수집에 필요한 하드웨어, 소프트웨어, 절차를 의료 워크플로우에 삽입해야 합니다. 의료 워크플로우는 특정 구조, 계층 구조, 특정 수준의 수동 입력을 중심으로 구축됩니다. 건강 데이터는 다양한 네트워크에 분산되어 있으며 단일 데이터베이스로 중앙화되지 않거나, 일부의 경우 종이 기반에서 디지털 형식으로 복사도 되지 않습니다.

이러한 프로세스에서 마찰을 줄이고 조직이 AI 및 ML 구현을 최대한 활용하기 위해서는 프로세스의 모든 다양한 이해관계자(데이터 과학자, IT, 운영 팀, 의료 실무자, 의료 기관, 독립 소프트웨어 벤더(ISV), 벤더 등 포함) 간의 조정이 필요합니다. 이해관계자는 이 과제를 처리하기 위해 민첩하고 벤더에 구애받지 않는 소프트웨어를 사용하여 문제를 명확히 기술하고 여러 ISV와 호환되는 확장 가능한 클린 데이터를 활용해야 할 수 있습니다.

데이터는 다양한 소스에서 수집된 정보와 연동되는 상호 운용 가능하고 사용 가능한 형식으로 수집 및 변환되어야 합니다. 데이터가 수집된 네트워크 지점이나 때로는 엣지 기기를 통해 데이터를 전송하려면 대규모 대역폭이 필요합니다. 특히 의료 영상, IOMT, 엣지와 같은 의료 시스템에서 수집되는 데이터의 폭발적 증가로 인해 스토리지 공간이 급속도로 확장되고 있습니다.

클라우드 컴퓨팅은 이러한 과제를 해결하는 고성능과 용량을 모두 제공하지만 많은 경우, 특히 농촌 환경과 강력한 IT 및 의료 인프라가 제공되지 않는 지역에서는 실용적이지 않을 수 있습니다. 이러한 핵심 과제를 해결하기 위해서는 네트워크 엣지에서 운영을 개선하고 의료 현장에서 데이터를 분석하는 경제적인 솔루션이 필요합니다.

독점 솔루션과는 달리 Red Hat의 지원을 받는 엔터프라이즈용 오픈소스 소프트웨어는 수많은 개발자들의 협업을 통해 개발되며, 여기에는 필요에 따라 해당 소프트웨어를 사용하고 개선하는 의료 업계 종사자들도 포함됩니다. 고객은 Red Hat의 개방형 모듈식 AI/ML 접근 방식을 통해 AI/ML 프로젝트를 신속하게 운용하여 개인화, 이해관계자 관리, 투명성 수준을 높일 수 있습니다. 조직은 Red Hat의 유연하고 개방적인 접근 방식을 통해 다음을 수행할 수 있습니다.

  • 필요한 경우 가치를 더하면서 현재의 IT 투자를 보호합니다. Red Hat의 파트너십과 통합은 AI/ML 프로젝트의 배포 및 라이프사이클 관리를 가속화하고 간소화하는 데 도움이 됩니다. 
  • 하이브리드 클라우드 솔루션의 일부로 업계 최고의 오픈소스 기술로 구성된 전체 제품군에 액세스합니다. 이 제품군은 비즈니스 규칙, 프로세스 자동화, 제약 조건 해결, 비즈니스 최적화, 머신 러닝 분야에서 가장 수요가 높은 AI 기능을 제공합니다.
  • Red Hat의 서비스로서의 지능형 데이터(Intelligent Data-as-a-Service)를 사용하여 강력한 데이터 연결 기능을 활용합니다. 서비스로서의 지능형 데이터는 진화하는 내부 및 외부 요건에 대한 수요 이니셔티브에 맞게 사용자 정의할 수 있습니다. 
  • 유연한 구성 요소로 구동되는 플랫폼 기반 기능을 확장하여 반복성과 보안을 제공함으로써 신속하게 혁신합니다.
  • 규범적이면서도 유연한 지속적 통합/지속적 제공(CI/CD) 아키텍처를 구동하여 머신 러닝 모델링 및 교육에서 배포 및 지속적인 개선(MLOps라고도 함)으로 원활하게 전환합니다.

다음은 Red Hat AI 의료 솔루션의 몇 가지 실제 적용 사례입니다.

HCA 헬스케어(HCA Healthcare): 테네시주 내슈빌에 본사를 둔 의료 회사로, 오랜 업계 과제에 대한 혁신적인 솔루션을 찾기 위해 데이터 리소스를 사용합니다. HCA 헬스케어의 임상의, 데이터 과학자, 기술 전문가로 이루어진 다기능 팀은 Red Hat® OpenShift® Container PlatformRed Hat® Ansible® Automation Platform을 사용하여 실시간 예측 분석 제품인 SPOT(Sepsis Prediction and Optimization of Therapy)을 개발했습니다.

보스턴 아동 병원(Boston Children’s Hospital)은 Red Hat OpenShift 및 Linux® 컨테이너를 사용하여 의료 역량을 강화하고 의사의 인지 능력을 높이고 있습니다.

조직이 개방형 플랫폼 접근 방식을 통해 AI/ML 전략을 운용하도록 Red Hat이 지원하는 방법 또는 혁신적인 의료 서비스를 위한 Red Hat의 기타 솔루션에 대해 자세히 알아보려면 redhat.com/health를 확인하시기 바랍니다.

 

추가 자료

문서

생성형 AI란?

생성형 AI는 대규모 데이터 세트로 학습한 딥러닝 모델을 사용하여 새 콘텐츠를 생성합니다.

문서

머신 러닝이란?

머신 러닝이란 명확한 프로그래밍 없이 패턴을 찾고, 예측하고, 경험을 통해 학습하도록 컴퓨터를 훈련하는 기술입니다.

문서

기반 모델이란?

기반 모델이란 다양한 태스크를 수행할 수 있도록 사전에 훈련된 ML(머신 러닝) 모델의 한 유형을 말합니다. 

AI/ML에 대해 자세히 알아보기

제품

Red Hat OpenShift에서 AI/ML 실험 및 모델을 훈련, 튜닝, 서비스, 모니터링 및 관리할 수 있는 툴을 제공하는 AI 중심 포트폴리오입니다.

선택한 인프라에서 애플리케이션 출시 테스트를 마친 통합 서비스 세트가 포함된 엔터프라이즈 애플리케이션 플랫폼입니다. 

IBM watsonx Code Assistant가 통합된 Red Hat Ansible Lightspeed는 Ansible 오토메이터, 오퍼레이터 및 개발자가 자신의 작업을 위해 설계한 생성형 AI 서비스입니다. 

리소스

e-book

프로덕션 레디 AI/ML 환경을 구축하기 위해 고려해야 할 중요 사항

애널리스트 문서

MLOps용 Red Hat 하이브리드 클라우드 플랫폼의 Total Economic Impact™

웨비나

오픈소스 및 쿠버네티스로 AI 최대한 활용하기