임상 연구와 신약 개발에서 AI의 역할

인공지능(AI)은 환자 모집을 개선하고 신약 개발을 효율화하여 임상 연구를 변화시키고 있습니다. 이 글에서는 고급 데이터 분석과 예측 모델링을 통해 AI가 임상 시험에 미치는 영향을 살펴보겠습니다.

AI는 진단 개선, 맞춤형 치료, 운영 효율성 향상 등 의료 분야에 영향을 미치고 있습니다. 잘 알려지지 않은 부분은 임상시험에서 머신러닝의 중요성이 커지고 있다는 점입니다. 머신러닝은 데이터 분석, 예측 모델링, 환자 모집 최적화를 통해 발전을 이끌고 있습니다.

AI는 신약 발굴을 가속화하고 임상시험 정확도를 높이며 비용을 절감하는 동시에 치료제 개발을 앞당깁니다. 예를 들어 AI 알고리즘은 방대한 데이터를 효율적으로 분석해 잠재적인 약물 후보를 식별하고 치료 결과를 정확하게 예측하며 더 빠르고 성공적인 임상시험을 위해 설계를 최적화합니다. Ultralytics YOLOv8과 같은 컴퓨터 비전 모델도 고품질 주석 데이터로 학습해 제약 분야와 의료 애플리케이션에서 객체 감지, 인스턴스 분할, 자세 추정, 분류 등의 작업을 지원합니다.

또한 DeepMind의 AlphaFold와 같은 AI 기반 플랫폼은 분자의 3차원 구조를 예측하는 능력을 입증했으며, 신약 설계 및 발굴 과정을 변화시키고 있습니다.

그림 1. 생물체의 유전 정보를 담고 있는 분자 구조인 DNA 이중 나선.

또한 일리노이 대학교 어배너-섐페인 캠퍼스의 Jimeng Sun 연구실은 약물 분자, 표적 질환, 환자 적격성을 바탕으로 임상시험 성공 여부를 예측하는 HINT(계층적 상호작용 네트워크)를 도입했습니다. 이 연구실의 SPOT(임상시험 결과 순차 예측 모델링) 시스템은 최신 데이터에 우선순위를 부여하여 제약 임상시험 설계와 잠재적 대체 약물에 영향을 미칩니다.

그럼에도 임상 개발에 AI를 도입하는 기업은 확고한 입지를 가진 소수에 불과합니다.

임상시험에서의 AI 활용#

효율성, 정확성, 결과를 개선하기 위해 임상 연구의 다양한 분야에 AI가 적용되고 있습니다. AI가 임상시험에 큰 영향을 미치는 주요 분야를 자세히 살펴보겠습니다.

• 데이터 분석 및 패턴 인식. AI는 임상시험, 전자의무기록 및 기타 출처의 방대한 데이터를 분석해 인간의 능력으로는 파악하기 어려운 패턴과 상관관계를 발견할 수 있습니다. 이를 통해 치료 효과와 환자 반응을 더욱 정밀하게 파악할 수 있습니다.
• 환자 모집 및 유지. AI 알고리즘은 임상시험 참가자 선정을 간소화하고, 방대한 데이터셋을 분석하여 적격 환자를 신속하고 정확하게 식별할 수 있습니다. 이를 통해 모집을 가속화하고 참가자와 임상시험 기준의 일치도를 높여 유지율을 개선합니다.
• 치료 결과 예측 분석. 과거 및 현재 환자 데이터를 분석하는 예측 알고리즘은 치료 결과를 정확하게 예측합니다. 이를 통해 효율적인 임상시험을 설계하고 치료를 맞춤화할 수 있으며, 개별 환자의 치료 결과를 개선하고 부작용을 최소화할 가능성이 있습니다.
• 데이터 수집 및 관리 자동화. AI는 데이터 수집, 정리, 분석을 자동화하여 인적 오류를 줄이고 실시간 인사이트를 제공할 수 있습니다. 이를 통해 프로세스가 간소화되고 연구가 빨라지며 새로운 치료법 개발이 진전됩니다.

임상 연구에서의 AI: 과제 해결하기#

AI가 임상 연구의 변화를 계속 이끄는 가운데, 기대 효과뿐 아니라 잠재적 위험도 인식해야 합니다. AI는 효율성 향상, 정확도 개선, 환자 모집 간소화, 비용 절감과 같은 매력적인 이점을 제공하지만, 도입 과정에 어려움이 없는 것은 아닙니다. 주요 고려 사항은 다음과 같습니다.

• AI 알고리즘의 잠재적 편향. AI 시스템은 선택 편향, 표본 추출 편향, 측정 편향 등 내재적 편향이 포함될 수 있는 과거 데이터를 기반으로 학습합니다. 예를 들어 남성 위주의 학습 데이터로 인해 여성 환자에게 성능이 저조하거나(선택 편향), 도시 데이터로 학습해 농촌 환자에게 잘 일반화되지 않거나(표본 추출 편향), 데이터 수집의 체계적인 오류로 인해 부정확성이 지속될 수 있습니다(측정 편향). 이러한 편향을 방치하면 결과가 왜곡되어 환자 진료와 연구 결과에 영향을 미칠 수 있습니다.
• 데이터 개인정보 보호 및 보안 문제. 임상 연구에서는 민감한 환자 데이터가 대량으로 사용되므로 데이터 개인정보 보호와 보안을 보장하는 것이 무엇보다 중요합니다. AI 시스템은 사이버 공격과 침해에 취약해 환자 정보의 기밀성과 무결성에 관한 우려를 일으킵니다.
• 규제 및 윤리적 과제. AI 기술의 급속한 발전은 규제 체계와 윤리 지침보다 앞서가는 경우가 많습니다. 사전 동의, 투명성, 책임성 문제를 포함해 임상 연구에서 AI를 적절하게 사용하는 방법에 대한 의문이 제기되고 있습니다.
• 고품질 데이터 의존성. AI는 데이터를 기반으로 작동하지만, 효과는 데이터셋의 품질, 다양성, 규모에 따라 달라집니다. 부적절하거나 편향되었거나 부족한 데이터는 AI 기반 인사이트의 신뢰성과 타당성을 저해하고 임상 연구의 진전을 방해할 수 있습니다.

이러한 우려에 대응함으로써 이해관계자는 의료 성과 향상을 추구하는 과정에서 임상 연구에 인공지능을 책임감 있게 통합할 기반을 마련할 수 있습니다.

FDA 규정: 임상 연구에서의 AI 역할#

미국 식품의약국(FDA)은 최근 AI/머신러닝 요소를 포함하는 의약품 및 생물학적 제제 신청이 눈에 띄게 증가했으며, 2021년에는 100건이 넘는 제출이 기록되었다고 밝혔습니다. 이러한 신청은 약물 탐색, 임상 조사, 시판 후 안전성 모니터링, 첨단 의약품 제조 등 약물 개발의 다양한 단계를 아우릅니다.

신약 개발 혁신을 지원하기 위해 FDA는 임상 연구에서 사용할 여러 AI 도구와 기술을 승인했습니다. 여기에는 환자 모집을 위한 예측 분석부터 의료 영상 분석을 통한 진단 목적 활용까지 포함됩니다.

임상시험에 대한 FDA 지침을 제공함으로써 FDA는 AI와 머신러닝이 약물 개발에 기회와 과제를 모두 제시한다는 점을 인정합니다. 양쪽 모두에 대응하기 위해 FDA는 공중 보건 보호를 우선시하면서 혁신을 촉진할 수 있도록 규제의 유연성을 강화하고 있습니다.

AI와 머신러닝은 신약 개발에서 중요한 역할을 할 것으로 예상되며, FDA는 혁신을 촉진하고 환자 안전을 보호하는 유연한 위험 기반 규제 체계를 개발하고 도입할 계획입니다.

의료 분야 AI 혁신: 주요 기업#

전 세계 기업들은 신약 발굴과 맞춤형 치료 계획을 가속화하기 위해 AI를 점점 더 많이 활용하고 있습니다. 다음은 AI를 활용하는 주요 기업입니다.

• Pfizer: Pfizer는 약물 발견 및 개발에 AI를 활용하여 새로운 치료제의 식별과 개발을 가속화하고, 연구부터 시장 출시까지의 과정을 간소화합니다.
• Medidata Solutions: 이 클라우드 기반 소프트웨어 솔루션 기업은 데이터 분석을 간소화하고 환자 참여를 높이며 결과를 실시간으로 예측하여 임상시험을 최적화하는 데 AI를 활용합니다. 이를 통해 연구를 가속화하고 임상시험 성공률을 높일 수 있습니다.

그림 2. 임상시험 등록 일정을 준수하려면 시험 기관 선택을 최적화하는 데 AI가 중요합니다.

• BenevolentAI: BenevolentAI는 가설 생성과 검증에 AI를 활용하여 방대한 데이터셋을 실행 가능한 인사이트로 전환하고, 생의학 연구의 혁신과 발견을 이끌어냅니다.
• Tempus: GlaxoSmithKline과 협력하는 Tempus는 AI 기반 플랫폼을 통해 치료를 개인화하고 효능을 최적화하며 부작용을 최소화합니다. 양사는 함께 연구 개발(R&D)의 성공을 앞당기고 환자에게 더 빠르게 맞춤형 치료를 제공하고자 합니다.
• Exscientia: Exscientia는 약물 설계와 최적화에 AI를 선도적으로 도입하여 약물 개발 기간을 단축하고 치료적 중재의 정밀도를 높여 더 효과적인 치료법 개발을 이끕니다.

임상 연구에서 AI의 주요 적용 분야와 미래 전망#

심장학, 종양학, 신경학, 희귀 질환은 여러 요인으로 인해 임상 연구에서 AI를 도입하는 주요 분야로 부상했습니다. 첫째, 이러한 분야에는 복잡한 데이터셋이 자주 포함되어 AI 기반 분석과 예측을 적용하기에 적합합니다.

둘째, 심장병, 암, 신경 질환, 희귀 질환과 같이 이러한 분야에서 다루는 질환은 중대한 결과를 초래할 수 있으므로 진단과 치료에 정밀하고 개인화된 접근 방식이 필요하며, AI는 이를 효과적으로 제공할 수 있습니다.

또한 AI 기술의 발전으로 연구자는 각 의료 전문 분야가 직면한 고유한 과제에 맞는 혁신적인 솔루션을 개발할 수 있게 되었습니다. 그 결과 AI는 이러한 분야의 임상 연구에 점점 더 통합되고 있으며, 환자 치료 결과를 개선하고 의료 서비스 제공의 효율성을 높일 기반을 마련하고 있습니다.

그러나 AI 활용의 가능성은 이러한 분야를 훨씬 넘어섭니다. 기술이 발전하고 데이터 가용성이 높아짐에 따라 AI가 다른 의료 분야를 개선할 잠재력도 상당합니다.

피부과부터 영상의학과, 정신의학과까지 AI는 다양한 전문 분야에서 진단, 치료 계획, 환자 진료를 개선할 가능성이 있습니다. 연구자들이 AI의 역량을 계속 탐구함에 따라 임상 연구에서 AI의 역할은 더욱 확대되어 정밀 의료의 새로운 시대와 의료 성과 개선을 지원할 전망입니다.

AI와 임상 연구: 주요 요점#

AI가 의료에 미치는 혁신적 영향은 진단, 맞춤형 치료, 운영 효율성 전반에 걸쳐 나타납니다. 임상시험에서 머신러닝은 데이터 분석, 예측 모델링, 환자 모집 최적화를 발전시키며 중추적인 역할을 합니다. 이를 통해 약물 발견을 가속화하고 임상시험 정확도를 높이며 비용을 효과적으로 절감할 수 있습니다.

예를 들어 AI 알고리즘은 방대한 데이터를 효율적으로 분석해 약물 후보를 식별하고 치료 결과를 예측합니다. 또한 DeepMind의 AlphaFold와 같은 AI 플랫폼은 분자 구조를 예측해 신약 설계 방식을 변화시키고 있습니다.

그러나 AI의 잠재력은 이러한 분야를 넘어 다양한 전문 분야의 발전을 약속합니다. 편향과 데이터 개인정보 보호 우려와 같은 과제가 있지만, AI를 임상 연구에 통합하면 혁신적인 가능성이 열리고 정밀 의료와 의료 성과 개선의 새로운 시대가 시작될 수 있습니다.

AI에 관심이 있으신가요? 인공지능 관련 최신 소식을 확인하려면 커뮤니티에 참여하세요. GitHub 저장소를 방문해 농업, 제조 등 다양한 분야의 컴퓨터 비전 애플리케이션을 살펴보세요!