임상시험 효율화를 위한 인공지능 기술의 적용 정유채 Page 1 / 8 BRIC View 2017-T40
임상시험 효율화를 위한 인공지능 기술의 적용
정 유 채
서울대학교 융합과학기술대학원 E-mail: ycjung7@snu.ac.kr 요약문 4차 산업혁명과 더불어 신약개발의 다양한 분야에서 ICT 기술이 적용되고 있다. 그 중에서도 가장 큰 비중을 차지하는 신약 임상시험 절차를 효율화하기 위해 인공지능 기술이 적용되고 있다. 특히 임상시험 자원을 통합하고, 환자의 의료 빅데이터를 분석하기 위해 머신러닝 알고리즘이 적용되고 있으며, 적절한 임상시험을 매칭하는 과정에서도 인공지능 기술이 적용되고 있다. 이러한 변화를 통해 환자에게 맞춤형 임상시험 정보를 제공함으로써 신약개발의 비용을 절감하고 임상시험 절차를 효율화할 수 있다. Key Words: 신약개발, 임상시험, 인공지능, 헬스케어 빅데이터, 머신러닝목 차
1. 서론 2. 본론 2.1 신약개발의 절차 2.2 임상시험(Clinical trial)이란? 2.3 임상시험(Clinical trial)과 인공지능 기술 3. 결론 4. 참고문헌 BRIC View 동향리포트임상시험 효율화를 위한 인공지능 기술의 적용 정유채 Page 2 / 8
1. 서론
4차 산업혁명과 신약개발 제4차 산업혁명은 2016년 세계경제 포럼(World Econmic Forum, WEF)에서 처음 언급된 용어로써 인공지능, 로봇공학, 사물인터넷(IOT), 3D 프린팅, 나노 기술 등의 분야에서의 기술적 혁신을 의미한다. 특히 인공지능 기술과 더불어 사물인터넷(IOT), 3D 프린팅, AR/VR 등이 의료 분야와 접목되면서 헬스케어 산업 전반에 변화를 가져오고 있다. 예를 들면 다양한 웨어러블 디바이스에서 생성된 헬스케어 데이터를 IOT 기술을 통해 수집하고, 인공지능(AI) 기술을 이용해 분석함으로써 환자의 건강상태를 모니터링 하여, 의료기관에 전송함으로써 스마트 헬스케어 서비스를 가능하게 할 수 있다. 또한 다양한 헬스케어 빅데이터(유전체정보, EHR, 센서 데이터 등)를 통합하고 분석하여 사용자들의 특성에 따라 구분하여 환자 별 맞춤 의료서비스 제공이 가능해지게 된다(그림 1). 이러한 보건의료 빅데이터를 활용해 신약개발 및 제약산업 전반에 적용함으로써 글로벌 신약개발을 앞당기는데 중요한 역할을 할 것으로 전망된다. 자료: e-KIET 산업경제정보, 2015-04-09 그림 1. 스마트 헬스케어 구조
2. 본론
2.1 신약개발의 절차
신약개발의 과정은 대략 5,000∼1만 개의 신약 후보 물질을 탐색하면 10∼250개 물질이 세포나 동물을 이용한 비임상시험 단계에 진입하고, 여기서 10개 미만의 물질이 실제 사람에게 투여하는 임상 시험에 돌입해 3단계에 걸친 임상시험을 거쳐 하나의 신약이 탄생하게 된다. 이러한 과정에 걸리는 시간은 평균 10∼15년(발굴: 5년, 임상시험: 7.5년, 상용화: 2년)에 달하고, 1조-2조원이임상시험 효율화를 위한 인공지능 기술의 적용 정유채 Page 3 / 8 넘는 자금이 투입되고 있다. 이러한 신약개발 과정에서 평균 2∼3 년이 걸리던 신약 후보 탐색 기간을 인공지능 기술을 활용해 후보물질 간의 상호작용을 시뮬레이션을 통해 대폭 단축하고, 부작용 우려가 있는 후보 물질을 걸러내 신약 개발 절차를 효율화시킬 수 있다(그림 2). 자료: 식약처 그림 2. 인공지능 기술을 적용한 신약개발 과정 실제로 국내외 제약회사들이 인공지능 기술을 적용하여 신약후보물질을 선별하고, 후보물질들의 상호작용을 예측하여 신약개발을 가속화하고 있다. 또한 유전체 정보와 임상자료와 같은 보건의료 빅데이터를 기계학습 방법으로 분석하여 신약의 부작용이나 약리기전을 예측하고 질병 관련 바이오마커를 선별하여 질병의 진단 및 치료에도 활용하고 있다(표 1). 표 1. 인공지능 기술을 신약개발에 적용한 국내외 제약회사 국외기업 기 술 현 황 인실리코 메디슨 (Insilico Medicine) • 딥러닝을 통해 분자구조 분석·추론을 하여 신약 및 바이오마커를 개발하고, 종양 등 질병 치료를 위한 새로운 분자 구조 연구 결과를 발표하는 등 학술활동도 활발하게 진행하고 있음. Prognos Registry’ • Prognos Registry는 30여가지의 질환을 진단받은 1억명의 환자에 대한 5억개에 육박하 는 임상 기록을 보유.
• 83가지의 측정 기준을 가진 HEDIS(Healthcare Effective Data and Information Set)의 가 이드라인에 근거해 각종 진단과 의료행위와 관련된 정보를 제공.
• 현재 500여개 이상의 분석 기술과 학습 임상 알고리즘의 인공 지능을 보유하고 있으 며, 이를 활용해 만성질환 고객들을 식별하고 그들에게 건강 관리를 위한 조기 지원이 가능해짐.
임상시험 효율화를 위한 인공지능 기술의 적용 정유채 Page 4 / 8 아톰와이즈 (Atom Wise) • 아톰넷 (AtomNet)’ 스크리닝 시스템은 서로 다른 후보 물질들의 상호작용을 인공지 능으로 분석하여 물질 별 분자들의 행동과 결합 가능성을 학습하고 예측하도록 설계 됨 • 아톰넷은 디지털 3차원 분자 모델을 이용하여 구조의 안정성을 분석하고, 인체에 미 치는 영향을 예측함으로써 하루에 100만 개의 화합물을 선별하여, 수개월씩 걸리던 신약 개발 초기단계인 후보물질 선별과정에 걸리는 시간을 현저히 단축시킴. • 아톰넷의 예측 기능을 활용하여 에볼라와 다발성경화증의 두 가지 질병에 대한 신약 후보 2개를 발견했으며, 암 관련 데이터를 분석하여 새로운 항암제 후보물질을 확보 함. • 에볼라 관련 신약은 상호 심사 저널에서 추가 분석 과정 중에 있고, 다발성경화증 신 약은 영국 제약회사의 임상 허가를 받았음. 투사(twoXAR) • 단백질의 상호작용과 진료 기록, 유전자 발현 등 방대한 생의학 데이터와 AI 알고리듬 을 활용해 신약 개발을 시작함. • 스탠포드대, 시카고대, 뉴욕 마운틴 시나이병원 등과 협력해 희귀 피부질환, 간암, 당뇨 병성 신장 질환, 죽상동맥경화증 등에 대한 신약 개발을 추진하고 있음. 국내기업 기 술 현 황 뷰노 (Vuno) • 딥러닝 기술이 적용된 소프웨어 Vuno-med 개발 • 의료영상 (X-ray, CT, MRI) 인식 및 딥러닝 알고리듬 기술 개발을 통한 임상진단 루닛 (Lunit) • 의료영상 (흉부 X-ray, 유방촬영술) 임상 진단 • 영상인식 및 딥러닝 알고리듬 개발 스탠다임 (Standigm) • 시스템생물학 전문 스타트업 기업 • 머신러닝 기술을 신약개발에 활용 디오텍 (Dioteck) • 의사-환자 간 대화음성을 텍스트로 전환하는 지능형 의료 녹취 시스템 개발 • 음성인식 및 딥러닝 기술개발 신테카 바이오 • 유전체 분석기업 신테카바이오는 디지털헬스케어 기업 휴레이포지티브와 MOU 체결 을 통해 '유전체 분석 기반 맞춤형 만성질환 관리 정밀의료 모델'을 개발함
• 양사는 앞으로 유전체 정보(Genetic Record)와 라이프로그(Life Log: 신체활동, 혈당, 혈압수치, 식사기록 등과 같은 정보들의 일기 같은 기록)의 빅데이터를 통합 분석해 만성질환 개인 맞춤형 관리를 위한 정밀의료 모델을 공동으로 개발함.
2.2 임상시험(clinical trial)이란?
임상시험이란 신약을 시판하기 전 안전성과 치료 효용성을 증명할 목적으로 해당 약물의 체내 분포, 대사 및 배설, 약리효과와 임상적 효과를 확인하고 부작용 등을 알아보기 위해 사람을 대상으로 실시하는 시험을 의미한다. 임상시험의 목적은 신약 개발(new drug)과 새로운 치료법 탐색으로 대개 다음과 같은 4가지 단계로 이루어진다[1].임상시험 효율화를 위한 인공지능 기술의 적용 정유채 Page 5 / 8 • 제1상 임상시험(Phase 1): 임상약리시험 건강한 사람(경우에 따라서는 환자)에게 투약하는 것으로 약물의 체내흡수, 분포, 대사, 배설과정과 안전성을 확인하는 단계 • 제2상 임상시험(Phase 2): 치료적 탐색 임상시험 해당 환자에게 투약하는 것으로 가장 적절한 약물의 용량이 결정되고, 유효성 및 안전성을 탐색하는 단계 • 제3상 임상시험(Phase 3): 치료적 확증 임상시험 2상에서 결정된 용량에 대한 유효성 및 안전성을 확증하는 단계 • 시판 신약허가 승인을 받은 약이 소비자에게 판매되는 단계 • 제4상 임상시험(Phase 4): 치료적 사용 임상시험 약이 시판된 후 실제 사용상의 안전성에 대한 추가적인 자료수집과 새로운 적응증을 탐색하는 단계 임상시험은 신약개발에 필수적인 요소로 여러 제약회사들은 부족한 피험자로 인해 신약개발이 지연되는 문제를 겪고 있으며 이를 해결하기 위해 다국가 임상시험에 참여하고 있다. 전 세계적으로는 17만 건 이상의 임상시험이 진행되고 있으며, 환자들이 이러한 임상시험 중에 최적의 연구를 찾는 것은 거의 불가능하다. 따라서 다양한 신약 임상시험에 적합한 환자를 효율적으로 매칭(clinical trial matching)하는 것이 중요한 이슈로 대두되고 있다. 따라서 인공지능 기술(머신러닝 알고리즘)을 이용해 임상연구 자료 및 임상시험 관련 데이터를 학습·분석하여, 임상 시험에 적합한 환자를 효율적으로 식별하여 매칭함으로써 임상시험 성공률을 증가시키고 신약개발 절차를 효율화할 수 있다.
2.3 임상시험과 인공지능 기술
신약의 안전성과 유효성을 검증하는 임상시험은 무작위 임상시험(Randomized Controlled Trials)의 성공률은 40-80%로 편차도 크고 실패율도 높은 편이다. 실패의 가장 큰 원인은 임상시험에 대한 적절한 환자 수 확보가 어렵기 때문인데 이러한 임상시험 환자 선별 과정을 기계학습을 통해 최적화 함으로써 임상시험 과정을 효율화 할 수 있다. 2016년 맥킨지 보고서에 따르면 기계학습이 환자선별을 포함한 임상시험 설계 최적화 등 제약산업 전반에 영향력을 나타낼 것으로 전망했다[2]. 기계학습 기법을 이용해 임상시험 과정 전반을 효율화할 수 있는데, 특히 환자 매칭 과정에서 적절한 환자 집단의 확인, 선별, 등록에 기계학습 방법을 이용해 적절한 환자집단을 선별하여 임상시험 참여율을 높일 수 있다[3]. 또한 인공지능 기술을 활용해 환자의 전자의무기록(EMR)을임상시험 효율화를 위한 인공지능 기술의 적용 정유채 Page 6 / 8 학습함으로써 임상시험 대상자를 과거의 질병기록과 임상시험 참여 여부에 따라 미리 구분하여 임상시험 매칭 과정을 효율화할 수 있다(표 2). 표 2. 임상시험 절차에서 인공지능 기술을 적용 가능한 분야 임상시험 기존방법 AI 적용가능성 신약개발 가속화 여러 물질들의 생물학적 특성을 실험적인 방법으로 일일이 확인함 여러 물질들의 조합을 AI 기술을 통해 빠르게 확인하여 부작용을 줄임 임상시험 대상자 모집 의사가 환자의료기록을 보면서 임상시험 등재기준에 적합한지를 확인함 머신러닝 알고리듬을 이용해 환자를 적절한 임상시험에 매칭함 약물복용 여부 복용여부를 환자의 대답에 의존함 얼굴인식 알고리듬으로 환자와 약모양을 인지하여 복용여부 확인 데이터 수집과 분석 정기검진을 위해 병원 방문 바이오센서가 환자의 활력 징후를 확인하여 병원에 결과를 보냄 환자의 정보보호 방화벽과 기존 백신 SW 에 의존 자동화된 모니터링 방법을 활용해 지속적으로 확인함 표 3. 임상시험 관련 기업의 인공지능 기술 적용 현황 임상시험 관련 인공지능 기술 활용의 예 Trial Prospector • 다양한 환자정보(랩 test 결과, 진단정보 등)를 통합 분석하여 현재 시행 중인 종양 관 련 임상시험에 자동 매칭해주는 시스템으로 웹기반으로 개발됨. • Trial Builder 모듈은 임상시험 등재 기준을 판단해 주고, 임상시험 등재 기준 데이터베 이스를 관리해 주는 역할을 수행함.
Global Alliance for Genomics and Health
• Global Alliance for Genomics and Health에서 만든 ‘암 관련 지식네트워크’ 로써, 유전 학, 후성유전학, 그리고 임상정보를 결합하여 환자에게 정밀의료를 통한 맞춤암치료를 제공하기 위해 만들어짐. • 이러한 data-ecosystem model은 다양한 플랫폼에서 데이터 분석을 가능하도록 하기 위해 상호운용성을 고려한 가상화 기술인 “Docker”를 사용하여 유전체 분석 툴과 파 이프라인을 portable한 형태로 만들었음. 페이션츠라이크미 (PaitentsLikeme) • ‘환자들의 페이스북’ 으로 불리는 미국의 페이션츠라이크미(PatientsLikeMe)는 환자들 을 위한 소셜네트워크 서비스로 40만명이 넘는 환자들이 이 플랫폼을 통해서 질병 관련 정보(복용한 약, 치료법, 부작용)를 교류함. • 환자들은 이 플랫폼을 통해서 새로운 치료법(리튬 복용, 2008년 PNAS)을 스스로에게 직접 적용해보는 일종의 자체적인 임상 시험을 진행하였는데, 리튬이 효과가 없다는 것이 입증되어 기존 연구를 반박하는 결과가 2011년 네이쳐에 실렸음. • 크라우드소싱 방식에 의해 축적된 익명의 환자 데이터를 제약회사나 보험회사에 판매 하는 독특한 비즈니스 모델을 통해 수익을 내고 있음. 딥러닝을 이용한 EMR 데이터 분석 DeepR • CNN알고리즘을 이용해 EMR 데이터의 순서를 시간순서대로 연결하여 하나의 문장으 로 만들고, word2vec로 사전학습을 시키고, clinical motif(질병의 진행, 질병/치료 패
임상시험 효율화를 위한 인공지능 기술의 적용 정유채 Page 7 / 8 턴)를 찾아냄. • 데이터는 호주 병원체인에서 2011-2015년 사이의 환자 데이터를 수집하여 590,536개 의 의료기록(300K 환자 정보)을 가지고 개발되었으며, 830명의 환자 데이터로 model tuning을 실시함. DeepCare • RNN을 이용해 의료기록을 시간순서대로 분석하여 만성질환자에 대해 입원횟수와 기간을 분석하여 빈번하게 나오는 진단명을 찾아내고, 고위험 환자군을 찾아냄. Deep Patient
• 700,000명의 Mount Sinai 병원의 데이터 웨어하우스에 저장된 EHR 데이터로 비지도 학습 기법을 사용해 feature map을 자동추출하고 76,214명의 환자에 대해 performance를 검증함. • 당뇨병, 정신분열증, 그리고 다양한 암환자에 대해 임상예측이 더 정확하게 나타났으 며, 머신러닝과 결합된 임상의사결정지원 시스템을 제공함.
3. 결론
ICT 기술의 발전과 더불어 다양한 헬스케어 빅데이터(웨어러블 센서 데이터, 라이프로그 데이터, 유전체 정보 등)가 실시간으로 생성되고 있다. 따라서 보건의료 빅데이터를 통합하고, 잘 분석하여 신약개발 및 임상연구에 어떻게 활용하느냐가 제약산업 전반에서 신약개발의 성공가능성을 좌우하고 있다. 특히 신약개발의 성패를 좌우하는 임상시험에서의 환자모집 과정을 효율화하기 위해 인공지능 기술을 활용함으로써 임상시험 성공률을 높이고 비용을 절감하는 효과를 가져올 수 있다. 또한 환자들의 자발적인 임상시험 참여를 유도하고, 임상시험 관련 정보를 공유할 수 있는 보건의료 통합 플랫폼 개발을 통해 환자 중심의 임상시험 생태계를 구축이 필요할 것으로 전망된다.4. 참고문헌
[1] “신약개발과 임상시험” J Korean Med Assoc 2010 September; 53(9): 753-760
[2] “The age of analytics: Competing in a data-driven world” McKinsey 보고서 2016.12 McKinsey Global Institute
[3] “인공지능을 활용한 임상시험 프로세스 최적화” BioINwatch 17-60 생명공학정책연구센터('17. 8. 22) The views and opinions expressed by its writers do not necessarily reflect those of the Biological Research Information Center.
정유채(2017). 임상시험 효율화를 위한 인공지능 기술의 적용. BRIC View 2017-T40 Available from http://www.ibric.org/myboard/read.php?Board=report&id=2861 (Nov 20, 2017) Email: member@ibric.org
임상시험 효율화를 위한 인공지능 기술의 적용 정유채 Page 8 / 8 ※ 본 콘텐츠는 의 후원으로 작성되었습니다.
