생각에서 길을 잃다 - 인간의 마음의 한계와 미래 의학(New Eng J Med, 2017)

생각에서 길을 잃다 - 인간의 마음의 한계와 미래 의학(N Engl J Med, 2017)

Lost in Thought — The Limits of the Human Mind and the Future of Medicine

Ziad Obermeyer, M.D., and Thomas H. Lee, M.D.

좋은 옛날에, 임상의는 그룹으로 생각했습니다. 와드 또는 방사선과 판독실의 "라운딩"은 동료가 하나의 정신으로 해결하기 어려운 문제에 대해 함께 작업 할 수있는 기회였습니다.

In the good old days, clinicians thought in groups; “rounding,” whether on the wards or in the radiology reading room, was a chance for colleagues to work together on problems too difficult for any single mind to solve.

오늘날 생각은 매우 다르게 보입니다. 우리는 컴퓨터 화면의 푸른 빛을 쬐며 혼자서 그렇게합니다.

Today, thinking looks very different: we do it alone, bathed in the blue light of computer screens.

우리의 무릎반사는 컴퓨터를 비난하는 것이지만, 이 변화의 뿌리는 훨씬 더 깊어집니다.

Our knee-jerk reaction is to blame the computer, but the roots of this shift run far deeper.

컴퓨터는, 문제가되는 것이 아니라, 해결책입니다. 그러나 21 세기 의학의 복잡성을 관리하기 위해 그것들을 사용하기 위해서는, 우리가 생각하고 의학 교육과 연구의 구조에 대해 생각하는 방식에 근본적인 변화가 필요할 것입니다.

Computers, far from being the problem, are the solution. But using them to manage the complexity of 21st-century medicine will require fundamental changes in the way we think about thinking and in the structure of medical education and research.

역설적이지만, 임상의가 일상적으로 생각을 할 시간이 없다고 느낄 때, 깊은 생각에 대한 필요성은 그 어느 때보다도 절실합니다. 면역학, 유전학, 시스템 생물학의 진보에 힘 입어 의료 지식은 급속도로 확대되고있다. 환자는 나이가 들어 병이 풍부 해지고 약물이 많이 투여됩니다. 전문가는 더 많은 전문가를 만나고 더 많은 진단 테스트를 거쳐 전자 건강 기록 (EHR) 데이터를 기하 급수적으로 계산합니다. 모든 환자는 과거의 궤도와 현재 상태에 대한 방대한 양의 정보로 "큰 데이터"문제에 직면 해 있습니다.

It’s ironic that just when clini-cians feel that there’s no time in their daily routines for thinking, the need for deep thinking is more urgent than ever. Medical knowledge is expanding rapidly, with a widening array of ther-apies and diagnostics fueled by advances in immunology, genet-ics, and systems biology. Patients are older, with more coexisting illnesses and more medications. They see more specialists and undergo more diagnostic testing, which leads to exponential accu-mulation of electronic health rec-ord (EHR) data. Every patient is now a “big data” challenge, with vast amounts of information on past trajectories and current states.

이 모든 정보는 우리의 생각을 하는 집단적 능력을 제한시킨다. 의료 의사 결정이 복잡하게 복잡해졌습니다.

All this information strains our collective ability to think. Medical decision making has become maddeningly complex.

따라서 우리가 이러한 결정 중 많은 부분을 잘못 이해하게 된 것은 놀라운 일이 아닙니다. 대부분의 검사는 음성으로 돌아 오지만 오진은 흔합니다 .1 응급 치료를받는 환자는 병원에 불필요하게 입원하는 경우가 많지만 집에 돌아간 후 갑자기 사망하는 경우도 많습니다 .2 전반적으로 우리는 환자에게 우리가 기대하는 것보다 훨씬 적은 혜택을 제공합니다. 이러한 실패는 의사들 사이에 심한 불만족과 번아웃을 초래하고, 의료 시스템의 재정적 지속 가능성을 위협합니다.

So, it’s not surprising that we get many of these decisions wrong. Most tests come back negative, yet misdiagnosis remains common.1 Patients seeking emergency care are often admitted to the hospital unnecessarily, yet many also die suddenly soon after being sent home.2 Overall, we provide far less benefit to our patients than we hope. These failures contribute to deep dissatisfaction and burnout among doctors and threaten the health care system’s financial sustainability.

우리의 도전 과제의 근본 원인이 복잡성이라면, 그 해결책도 간단하지 않을 것입니다.

If a root cause of our challenges is complexity, the solutions are unlikely to be simple.

우리는 모두 어떤 보살핌이 필요한지 식별하는 것이 얼마나 어려운지 알고 있습니다.

we all know how difficult it’s become to identify what care is necessary.

우리는 의사가 적은 치료를 제공하는 것에 대해 보상 할 수 있지만, 아마도 그 결과는 더 나은 치료가 아니라 그저 더 적은 치료일 수 있습니다.

we can reward physicians for delivering less care, but the end result may simply be less care, not better care.

해결책을 향한 첫 번째 단계는 인간의 정신력과 의학의 복잡성 사이의 심오한 불일치가 있음을 인정하는 것입니다. 오래 전에, 우리는 우리의 선천성 감각기관 만으로는 신체의 내부 동작을 면밀히 조사하기에 부적합하다는 것을 깨달았습니다. 그래서 우리는 현미경, 청진기, 심전도 및 방사선 사진을 개발했습니다. 마찬가지로, 우리의 선천적 인지 능력만으로 새로운 세기의 건강과 질병의 신비를 해결할 수 있습니까? 현재 우리 헬스케어 시스템은 이에 대해서 긍정적인 이유를 거의 주지 않는다.

The first step toward a solution is acknowledging the profound mismatch between the human mind’s abilities and medicine’s complexity. Long ago, we realized that our inborn sensorium was inadequate for scrutinizing the body’s inner workings — hence, we developed microscopes, stethoscopes, electrocardiograms, and radiographs. Will our inborn cognition alone solve the mysteries of health and disease in a new century? The state of our health care system offers little reason for optimism.

그러나 희망이 있습니다. 이미 데이터 과학이 중대한 문제로 우리를 도울 수 있다는 징후가 있습니다.

But there is hope. Already, there are indications that data science can help us with critical problems.

심전도 판독의 어려움을 생각해보십시오. 우리는 Holter 모니터를 여러 날 동안 기록하는 것만 큼은 아니지만 10 초간의 추적에서 파형을 진정으로 "읽습니까"? 그러나, 반대로 알고리즘은 모든 심박동을 체계적으로 분석 할 수 있습니다. 그리고 그들은 새로 발견 된 예측 자의 메커니즘에 관한 기초 연구를 안내 할 수 있습니다.

Consider the challenge of reading electrocardiograms. can we ever truly “read” the waveforms in a 10-second tracing, let alone the multiple-day recording of a Holter monitor? Algorithms, by contrast, can systematically analyze every heartbeat. And they could guide basic research on the mechanisms of newly discovered predictors.

방대한 양의 EHR 데이터를 분석하기 위한 알고리즘도 배포되어, 2 형 당뇨병에는 3 가지 하위 유형이 있으며, 각각 자체 생물학적 특성 및 질병 궤적이 있음을 시사합니다.

Algorithms have also been deployed for an analysis of massive amounts of EHR data whose results suggest that type 2 diabetes has three subtypes, each with its own biologic signature and disease trajectory.4

알고리즘이 의학에 깔린 사고를 변형시킬 것이라는 것에는 의심의 여지가 없다. 유일한 변화는 이 변환을 이끌 세력이 의학 내부에 있느냐 또는 외부에 있느냐 여부입니다. 의학이 자신의 미래를 통제하고자 한다면, 의사들은 알고리즘을 포용해야 할 뿐만 아니라, 그것을 개발하고, 평가할 수 있어야 하며, 기계학습을 의료 영역으로 가져와야 한다.

There is little doubt that algo-rithms will transform the think-ing underlying medicine. The onlyquestion is whether this transfor-mation will be driven by forces from within or outside the field. If medicine wishes to stay in con-trol of its own future, physicians will not only have to embrace algorithms, they will also have to excel at developing and evalu-ating them, bringing machine-learning methods into the medi-cal domain. 

기계 학습은 이미 천체 물리학에서 생태학에 이르기까지 다양한 분야에서 혁신을 일으켰습니다.

Machine learning has already spurred innovation in fields ranging from astrophysics to ecology.

천체 물리학 자나 생태 학자 인 현장의 전문가가 연구 의제를 설정하고 관련 데이터에 기계 학습을 적용하는 일상적인 비즈니스를 이끌고 있습니다.

experts in the field — astrophysicists or ecologists — set the research agenda and lead the day-to-day business of applying machine learning to relevant data.

대조적으로, 의학에서 임상 기록은 비 임상 분야의 연구자를위한 데이터의 보물로 간주됩니다.

In medicine, by contrast, clinical records are considered treasure troves of data for researchers from nonclinical disciplines.

의사는 이 work의 intellectual center에서 멀리 떨어져 있으며, 알고리즘 개발 방법이나 임상 적용시 발생할 수있는 상황에 대해 생각하는 경우가 거의 없습니다.

Physicians are far from the intellectual center of the work and rarely engage meaningfully in thinking about how algorithms are developed or what would happen if they were applied clinically.

인간의 결정에서 배우는 알고리즘은 다음과 같은 인간의 실수도 배울 것이다.

• 과다 테스트 및 과다 진단,

• 돌봄에 대한 접근성이 없는 학생을 알아 차리지 못하고,

• 지불 할 수없는 사람들에 대한 과소 검사고

• 미러링 인종 또는 성별 편견.

이러한 사실을 무시한다면, 현재의 헬스케어 시스템이 가지고 있는 문제를 자동화하고 심지어 확대하는 결과를 낳을 것입니다 .5 이러한 문제를 인식하고 취소하려면 임상에서의 의사결정이나 그 과정에서 생성되는 데이터에 대한 깊이있는 지식이 필요합니다. 즉 알고리즘을 의사를 대체하는 것이 아니라, 의사의 thinking partner로서 보는 관점이 중요하다.

Algorithms that learn from human decisions will also learn human mistakes, such as overtesting and overdiagnosis, failing to notice people who lack access to care, undertesting those who cannot pay, and mirroring race or gender biases. Ignoring these facts will result in automating and even magnifying problems in our current health system.5 Noticing and undoing these problems requires a deep familiarity with clinical decisions and the data they produce — a reality that highlights the importance of viewing algorithms as thinking partners, rather than replacements, for doctors.

궁극적으로, medicine 그 자체가 그러하듯, medicine에서 기계학습은 팀 스포츠가 될 것입니다. 그러나 팀은 새로운 선수를 필요로 할 것입니다. 새로운 선수란 바로, 통계 및 컴퓨터 과학자로서 알고리즘 개발 및 평가에 의미있는 기여를하는 임상의입니다. 오늘날의 의학 교육 시스템은 이러한 요구를 충족시킬 준비가되어 있지 않습니다. 학부 의예과에서 지금 요구하는 것들은 어리석을 정도로 구식입니다. 의학 교육은 임상 실습에서 알고리즘을 개발, 평가 및 적용하는 데 필요한 데이터 과학, 통계 또는 행동 과학에서 의사를 훈련시키는 데별로 도움이되지 않습니다.

Ultimately, machine learning in medicine will be a team sport, like medicine itself. But the team will need some new players: clinicians trained in statistics and computer science, who can contribute meaningfully to algorithm development and evaluation. Today’s medical education system is ill prepared to meet these needs. Undergraduate premedical requirements are absurdly outdated. Medical education does little to train doctors in the data science, statistics, or behavioral science required to develop, evaluate, and apply algorithms in clinical practice.

데이터 과학 및 의학의 통합은 생각만큼 멀지 않습니다. 세포 생물학 및 유전학은 한 때 의학 연구에서 낯선 것이었지만, 지금은 의학 연구의 핵심이다. 의학교육은 모든 의사들이 이 분야의 informed consumer가 되게 만들었다. 비슷한 노력이 데이터 과학에서도 시급히 필요합니다.

The integration of data science and medicine is not as far away as it may seem: cell biology and genetics, once also foreign to medicine, are now at the core of medical research, and medical education has made all doctors into informed consumers of these fields. Similar efforts in data science are urgently needed.

---

N Engl J Med. 2017 Sep 28;377(13):1209-1211. doi: 10.1056/NEJMp1705348.

Lost in Thought - The Limits of the Human Mind and the Future of Medicine.

Obermeyer Z1, Lee TH1.

Author information

1

From Brigham and Women's Hospital and Harvard Medical School, Boston (Z.O., T.H.L.), and Press Ganey, Wakefield (T.H.L.) - both in Massachusetts.

PMID:

 

28953443

 

PMCID:

 

PMC5754014

 

DOI:

 

10.1056/NEJMp1705348