[re:Invent2022] 제각각 다른 EMR 데이터도 상호연결, 의료 분석 비용 획기적으로 낮춰

라스베이거스(미국)이상일 2022.12.03 09:23:55

[디지털데일리 이상일기자] 2일(현지시간) 미국 라스베이거스에서 막을 내린 ‘AWS 리인벤트’ 행사에서 타하 카스 호우트(Taha Kass-Hout) AWS 헬스케어사업부문 총괄 부사장은 “AWS의 고도화된 압축기술 덕에 방대한 의료영상자료에 대한 분석이 가능해졌다. ‘AWS 헬스레이크 인증’ 솔루션을 사용하면 영상 자료를 이용하는 비용을 40% 이상 절감할 수 있다”고 밝혔다. 

AWS는 지난 15년간 의료 대기업에서부터 개별 시스템을 사용하는 병원들까지 클라우드 기반의 혁신을 가능하도록 했다. 이를 위해 의료분야를 타깃으로 목적형 헬스케어 서비스인 ‘AWS 헬스레이크’, 이번에는 ‘AWS 오믹스’ 등을 내놨다. 의료 분야의 머신러닝에 있어서도 ‘아마존 세이지 메이커’를 통해 광범위한 클라우드 서비스를 제공하고 있다.

한편 최근 헬스케어 분야에선 디지털 전환의 큰 진전이 있었다. 과거에는 환자의 의무기록의 10% 정도가 디지털화 되었지만 이제는 거의 대부분의 의무기록이 디지털화 되었다. 의료기기 측면에서도 웨어러블 의료기기가 등장하고 있고 예방 접종의 경우도 디지털로 처리되는 등 변화의 속도는 빠르다.

호우트 부사장은 “데이터 분석 기술의 확산도 빠르다. 인간 게놈 데이터는 물론 질병에 대한 염기서열 분석의 디지털 혁신도 이뤄지고 있다. 예를 들어 인간 게놈 분석을 위한 비용 하락은 10만배 이상 떨어졌다. 과거 게놈 분석을 위해선 수백만달러의 비용이 필요했다면 지금은 200달러로 줄었다”고 강조했다. 

다만 여전히 의료분야의 데이터 분석에는 접근성이 높지 않았다. 개별 환자의 경우 수백만개의 데이터 소스가 나오기 때문에 분석 역량이 매우 중요하다. 하지만 준비되지 않은 많은 의료기관 등 고객들이 데이터에 대응하는데 어려움을 겪고 있었다는 것이 호우트 부사장의 설명이다. 

그는 “의료 데이터의 구조적 특징 때문에 경험이 부족해 오류를 겪게 되고 그 결과 데이터가 다 활용되지 못하고 사라진다. 지금 다양한 헬스케어 분야의 기업들이 데이터를 보다 구조화하고 정형화하는 것을 원하고 있다. AWS는 임상설계, 조직의 효율화, 인구 모집단 관련 의학 관련 트랜드 발견을 가능하도록 지원한다”고 밝혔다. 

AWS는 2020년 ‘AWS 헬스레이크’ 발표를 통해 정형, 비정형 데이터를 저장, 변환, 분석하는 과정을 페타바이트 규모로 실행할 수 있도록 지원했다. 최근에는 ‘AWS 헬스레이크 이미징’을 발표해 의학영상진단 자료에 대해 페타바이트 기반의 분석이 가능하도록 하고 있다. 

이러한 ‘AWS 헬스레이크 이미징’은 많은 의학기관이 난제를 해결할 수 있도록 도와준다. 그는 “의료 분야에선 매년 55억건의 영상 기록이 생기는데 이를 진단에 활용하고 있다. 다만 이 작업을 수행할 영상진단전문의의 수는 줄고 있는데 AWS가 보조적 역할에 나서고 있다. AWS 헬스레이크 이미징은 클라우드 상의 암호화된 하나의 의료영상자료에서 밀리세컨드 단위로 데이터를 가져올 수 있다. 의료기관 등 고객은 어떤 애플리케이션을 사용하던지 언제든지 영상 데이터에 접근할 수 있다”고 밝혔다. 

이번에 발표된 ‘AWS 오믹스’는 연구자, 전문가, 과학자들이 지노믹스 등 오믹스(생물학) 기반 정보를 저장, 분석, 활용할 수 있도록 하는 서비스다. 오믹스에는 '오믹스 인지 스토리지'를 기반으로 원천 시퀀스 데이터를 인지해 가장 최저의 비용으로 저장하고 보안을 확보할 수 있게 한다.

‘오믹스 워크플로우’는 원천 데이터를 처리하고 의미를 추출하는 것을 하나의 워크로드로 구현해 반복 실행할 수 있도록 한다. ‘오믹스 애널리틱스’는 정보를 쿼리 가능하게 전환해 분자생물학 데이터에 대한 접근과 분석을 가능하게 하는 것으로 목적형 헬스케어 서비스를 통해 고객은 데이터에 대한 통찰을 이끌어낼 수 있다.

한편 AWS의 이러한 헬스케어 서비스는 의료기관 등 사용자들을 위한 보조적 역할에 한정하고 있다. 호우트 부사장은 “우리가 제공하는 것은 기술이고 고객은 자신들이 가지고 있는 데이터를 바탕으로 성과를 내는 것이다. 다만 유전체 분석 등 전문적인 영역에서 우리가 제공하는 서비스는 모두 사용하는 주체의 발전 수준, 머신러닝 깊이에 상관없이 평균적으로 사용할 수 있다”고 설명했다. 

예를 들어 ‘AWS 세이지 메이커 캔버스’는 코드 없이 머신러닝 학습은 물론 추론까지도 가능하다. ‘AWS 퀵사이트 Q’의 경우 자연어로 질문하게 되면 머신러닝이 답을 주는 기능이 있는 등 사용자의 숙련도와 상관없이 접근할 수 있다.  

표준화되지 않은 전자의무기록시스템(EMR) 탓에 데이터 표준화가 되지 않는 의료업계의 문제에 대해서도 ‘패스트 헬스케어 상호운용성 리소스’를 통해 접근하고 있다. 그는 “EMR로 인한 데이터 파편화는 전세계 고객들이 유사한 고충을 겪고 있다. 우리는 비정형 데이터를 통해 EMR 데이터를 동일한 스키마로 정형화하고 이를 연결하는 ‘패스트 헬스케어 상호운용성 리소스’를 기준으로 의료정보를 저장, 교환하는 역할에 나서고 있다”고 전했다.