희귀 질환 진단은 흔히 '진단 방랑(diagnostic odyssey)'이라 불릴 만큼 고된 과정으로 통한다. 환자들은 정확한 병명을 알기 위해 수년을 기다려야 하며, 의료진은 방대한 양의 비정형 임상 기록을 일일이 검토해야 하는 어려움을 겪는다. 이에 따라 연구진은 이러한 과정을 자동화하기 위한 AI 프레임워크 RARE-PHENIX를 도입했다. 이 시스템은 무질서한 임상 텍스트를 표준화된 데이터로 변환함으로써 의사가 특정 희귀 질환을 시사하는 핵심 증상을 신속하게 식별하도록 돕는다.

해당 프레임워크는 실제 의료 현장의 진료 과정을 반영한 정교한 3단계 워크플로우로 작동한다. 먼저 의사의 진료 기록에서 직접 의료 관찰 데이터를 추출한 뒤, 이를 표현형 이상을 표준화한 어휘 체계인 인체 표현형 온톨로지에 매핑한다. 마지막으로 지도 학습 기반의 랭킹 모듈이 진단적 관련성이 가장 높은 용어의 우선순위를 결정한다. 이러한 방식은 가장 유용한 증상 정보가 의료진의 시야 상단에 노출되도록 보장하여 진료 효율성을 극대화한다.

밴더빌트 대학교 의료 센터의 실제 임상 기록 16,000건 이상을 활용한 평가 결과, RARE-PHENIX는 기존 딥러닝 모델을 크게 앞지르는 성과를 거두었다. 연구 결과에 따르면 표현형 분석을 단순한 텍스트 추출로 보지 않고 전체 임상 워크플로우를 모델링했을 때 정확도와 실용성이 훨씬 높아졌다. 특히 인간이 의사 결정 과정에 개입하는 '인간 참여형(human-in-the-loop)' 접근 방식은 복잡한 진단에 필요한 노동력을 줄여 환자들이 답을 찾는 시간을 단축할 것으로 전망된다.

희귀 질환 진단은 흔히 '진단 방랑(diagnostic odyssey)'이라 불릴 만큼 고된 과정으로 통한다. 환자들은 정확한 병명을 알기 위해 수년을 기다려야 하며, 의료진은 방대한 양의 비정형 임상 기록을 일일이 검토해야 하는 어려움을 겪는다. 이에 따라 연구진은 이러한 과정을 자동화하기 위한 AI 프레임워크 RARE-PHENIX를 도입했다. 이 시스템은 무질서한 임상 텍스트를 표준화된 데이터로 변환함으로써 의사가 특정 희귀 질환을 시사하는 핵심 증상을 신속하게 식별하도록 돕는다.

해당 프레임워크는 실제 의료 현장의 진료 과정을 반영한 정교한 3단계 워크플로우로 작동한다. 먼저 의사의 진료 기록에서 직접 의료 관찰 데이터를 추출한 뒤, 이를 표현형 이상을 표준화한 어휘 체계인 인체 표현형 온톨로지에 매핑한다. 마지막으로 지도 학습 기반의 랭킹 모듈이 진단적 관련성이 가장 높은 용어의 우선순위를 결정한다. 이러한 방식은 가장 유용한 증상 정보가 의료진의 시야 상단에 노출되도록 보장하여 진료 효율성을 극대화한다.

밴더빌트 대학교 의료 센터의 실제 임상 기록 16,000건 이상을 활용한 평가 결과, RARE-PHENIX는 기존 딥러닝 모델을 크게 앞지르는 성과를 거두었다. 연구 결과에 따르면 표현형 분석을 단순한 텍스트 추출로 보지 않고 전체 임상 워크플로우를 모델링했을 때 정확도와 실용성이 훨씬 높아졌다. 특히 인간이 의사 결정 과정에 개입하는 '인간 참여형(human-in-the-loop)' 접근 방식은 복잡한 진단에 필요한 노동력을 줄여 환자들이 답을 찾는 시간을 단축할 것으로 전망된다.