Purpose
This study aimed to identify the components of artificial intelligence-based healthcare interventions and determine their effects on health behaviors and physiological, psychological, and cost-effectiveness outcomes among adults.
Methods
Nine core electronic databases were searched for articles published between January, 2009 and May, 2021 using terms related to artificial intelligence, healthcare, and randomized controlled trials. Qualitative synthesis was then performed.
Results
Of the 1,194 retrieved articles, 20 were selected for analysis. Many of the studies targeted adults who wanted to change their health behaviors, patients with diabetes, and those aged 20~50 years. The characteristics of the artificial intelligence-based healthcare interventions were analyzed in terms of the following components: external data, artificial intelligence technology, problem solving, and goals. Many interventions offered personalized suggestions by learning participant behavior patterns using machine learning technology and diet and physical activity data. The majority of interventions targeted health behaviors and physiological outcomes. These artificial intelligence-based healthcare interventions were effective in decreasing hospital visits and improving psychological outcomes and health behaviors.
Conclusion
Artificial intelligence-based healthcare interventions can be an important part of decreasing hospital visits and improving psychological outcomes and health behaviors among adults. The results suggest that there is a need to develop and apply appropriate artificial intelligence algorithms for patients with chronic diseases that require continuous management in Korea.
This study aimed to identify the components of artificial intelligence-based healthcare interventions and determine their effects on health behaviors and physiological, psychological, and cost-effectiveness outcomes among adults.
Nine core electronic databases were searched for articles published between January, 2009 and May, 2021 using terms related to artificial intelligence, healthcare, and randomized controlled trials. Qualitative synthesis was then performed.
Of the 1,194 retrieved articles, 20 were selected for analysis. Many of the studies targeted adults who wanted to change their health behaviors, patients with diabetes, and those aged 20~50 years. The characteristics of the artificial intelligence-based healthcare interventions were analyzed in terms of the following components: external data, artificial intelligence technology, problem solving, and goals. Many interventions offered personalized suggestions by learning participant behavior patterns using machine learning technology and diet and physical activity data. The majority of interventions targeted health behaviors and physiological outcomes. These artificial intelligence-based healthcare interventions were effective in decreasing hospital visits and improving psychological outcomes and health behaviors.
Artificial intelligence-based healthcare interventions can be an important part of decreasing hospital visits and improving psychological outcomes and health behaviors among adults. The results suggest that there is a need to develop and apply appropriate artificial intelligence algorithms for patients with chronic diseases that require continuous management in Korea.
4차 산업혁명 시대를 맞이하여 빅데이터를 잘 다루고 활용하는 능력의 중요성이 특히 강조된다[1]. 빅데이터를 효율적으로 활용하기 위해 인공지능(Artificial Intelligence, AI) 기술의 적용 범위가 크게 확대되고 있으며 건강관리 분야도 예외는 아니다. 빅데이터를 활용하는 인공지능 기반 중재는 인간보다 효율적이고 정확하고 믿을만하며, 피로, 잊어버림, 선입견에 취약하지 않아 맞춤 의료 제공, 부족한 인적자원 보완 및 지속적 자가관리 유도에 활용될 수 있다[2, 3]. 지속적 자가관리가 필수적으로 요구되는 고혈압, 당뇨병, 비만, 고지혈증 등과 같은 생활습관병은 성인에게서 증가하고 있는 추세[4]인 반면 대상자의 다양한 정보를 고려한 맞춤형 중재를 지속적으로 제공하기에는 건강관리자의 수와 시간이 부족하며[5, 6] 개인의 환경이나 생활방식을 고려하지 않은 획일화된 건강관리 중재는 건강행위를 크게 변화시키지 않거나 오히려 저하시킬 수 있다[7]. 건강관리 중재가 종료되면 대부분의 대상자들은 스스로 건강관리를 지속하는 것에 어려움을 겪으며[8], 건강행위를 지속하지 않는 경우 합병증 발생이나 조기사망 등의 부정적 결과를 초래할 수 있다[9]. 그러므로 지속적인 자가관리를 유도하는 대책으로 인공지능을 활용한 중재를 고려할 수 있으며 효과적인 중재 개발을 위해 기존의 인공지능을 활용한 건강관리 중재를 체계적으로 고찰하는 것은 필수적이다.
인공지능은 의사결정, 문제해결, 학습과 같은 인간의 사고 활동을 자동화하는 것[10], 사람이 의식적으로 하는 행동을 컴퓨터가 할 수 있도록 하는 것[11], 외부데이터로부터 학습한 것을 이용하여 특정 목표와 작업에 달성하는 것[3] 등으로 다양하게 정의된다. 인공지능을 활용한 중재는 공통적으로 외부자료, 인공지능 기술, 문제해결, 목표 등의 구성요소를 가지며 실행 수준에 따라 강한 인공지능과 약한 인공지능으로 구분된다[11]. 강한 인공지능은 자아의식, 감정, 양심, 신념 등의 요소까지 포함하며, 약한 인공지능은 특정 문제를 해결할 수 있는 수준으로 대부분의 연구는 약한 인공지능에 대한 것이다. 외부자료는 스마트폰이나 웨어러블 디바이스와 같은 장비에서 얻어지며 인공지능은 외부자료로 대상자의 특성을 학습하고 대상자의 특성과 목표 간의 관련성을 학습하며 이러한 훈련을 통해 인공지능은 더욱 효율적으로 사용될 수 있다[12, 13]. 인공지능 기술은 외부자료를 가지고 추론, 학습, 계획, 지각과 같은 지능의 기능을 수행하기 위해 필요하며 인공지능 기술에는 기계학습, 자연어 처리, 컴퓨터 비전 등이 있다[13]. 인공지능을 활용한 건강관리 중재에서 문제해결 유형은 대상자의 패턴을 학습하여 맞춤형 제안을 제공하는 것, 건강위험을 탐지하고 행동 변화를 제안하는 것, 가상 인간(virtual human)이 대상자와 직접 상호작용하여 건강증진행위를 추천하는 방법 등이 있다[13]. 스마트폰이나 다양한 디바이스를 통해 지속적으로 수집된 대상자의 데이터는 점점 더 정확한 행동 예측 모델을 구축하고 발생 가능한 위험과 위험이 증가할 수 있는 상황을 예측함으로써 예방적 중재가 가능하다[14].
인공지능을 활용한 건강관리 중재의 문제해결 유형에 따른 효과를 살펴보면, 첫 번째 유형인 대상자의 패턴을 학습하여 맞춤형 제안을 제공하는 중재는 규칙 기반(rule-based) 제안보다 효과적인 것으로 나타났다. 당뇨 전 단계 대상자의 패턴(일정, 실시간 위치, 이동 경로, 체중 등)을 학습하여 맞춤형 조언을 제공한 결과, 공복 혈당에는 효과가 없었지만, 신체활동 증가, 체중감소, 당화혈색소(HbA1c) 감소에는 효과가 있었다[15]. 신체활동과 식이 패턴을 학습하여 동기부여가 되어있는 대상자들에게 맞춤형 행위변화 제안을 제공한 결과, 열량 섭취량 감소에는 효과가 없었지만 걷기 시간 증가에는 효과가 있었다[16]. 대상자의 걸음 수, 열량 섭취량, 음식과 운동의 선호도, 목표 달성 가능성, 목표 미달성으로 경험하는 불만족감, 목표 달성 자기효능감 등을 포함하는 정교한 알고리즘에 의한 맞춤형 목표설정은 지난 10일간의 신체 활동량의 60 백분위수(percentile)를 목표로 하는 중재[17]보다 신체활동 증가와 체중감소에 더 효과적이었다[7, 18]. 두 번째 유형인 건강위험을 탐지하고 행동 변화를 제안하는 중재도 효과적인 것으로 나타났으며 저혈당과 고혈당 위험이 탐지될 경우 임신성 당뇨병 환자에게 식이 조절에 관한 자동 추천을 제공한 결과, 병원 방문율이 감소하였다[19]. 세 번째 유형인 가상 인간이 건강증진행위를 추천하는 중재도 효과적인 것으로 나타났으며 자동화된 건강 상담 에이전트(counselor agent)와 대화하는 중재를 시행한 결과, 체중은 유의한 변화가 없었지만, 신체활동과 과일/채소 섭취량은 유의하게 증가하였다[20]. 다양하게 시도된 인공지능을 활용한 건강관리 중재는 건강행위 증진에 효과적이었으며 건강위험을 미리 탐지하여 의료비를 절감하는 경제적 효과도 있었다[21]. 그러나 중재의 전략이 다양하여 일관적인 효과를 나타내는 핵심 중재 요소와 중재에 민감한 결과변수를 파악하는 것은 힘들었다.
의료 분야에서 활용된 인공지능 문헌고찰 연구로는 혈당을 예측하고 저혈당과 고혈당 발생을 탐지하는 인공지능 모델의 정확도 고찰[9], 질환의 진단, 중증도 분류, 약물 용량 결정과 같이 의료진의 의사결정을 돕기 위해 활용된 인공지능 기술 고찰[9, 22, 23, 24, 25, 26]이 있었다. 최근에 시행된 문헌고찰 연구[27]는 임상 실무에 적용한 인공지능의 정확도, 민감도, 특이도, 타당도를 분석하였고 인공지능을 기반으로 한 의사결정의 분류, 진단에 대한 효과를 분석하여 건강행위 증진을 위해 인공지능을 활용하는 것과 같은 건강관리 차원의 접근이 부족하였다. 분석된 결과변수 중 환자 결과와 관련된 것은 입원기간, 사망률, 입원율 등이 있었으며[27] 대상자의 생리적, 심리적 결과 등에 미치는 효과에 대한 정보는 부족하였다. 또한 대상자의 신체활동이나 식이와 같은 건강행위와 관련된 문제를 조기에 발견하여 피드백을 제공하거나 자가관리를 지속하도록 돕기 위해 인공지능 기술을 적용한 문헌을 통합적으로 고찰한 연구는 거의 없었다[9]. 금연이나 환상사지통증에 대한 인공지능 중재의 효과를 분석한 문헌고찰[28]과 대화형 에이전트에 대한 문헌고찰[29]은 무작위 대조군 실험연구를 2~3편만 포함하여 방법론적 질이 낮고 대화형 에이전트 이외의 인공지능 중재의 유형, 내용, 방법 등에 대한 체계적이고 통합적인 고찰이 부족하였으며 2018년까지의 문헌을 포함하여 최근 시행된 중재의 효과를 반영하는 데 한계가 있었다. 이에 본 연구는 건강관리를 위해 인공지능을 활용한 중재연구를 고찰하여 중재의 내용과 임상적 효과를 분석하고 근거기반실무에 효과적인 중재 방안을 제시하고자 한다.
본 연구의 목적은 인공지능을 활용한 건강관리 중재를 성인에게 적용한 무작위 대조군 실험연구를 대상으로 중재의 특징, 유형, 구성요소를 확인하고 건강행위, 생리적 결과, 심리적 결과, 중재 만족도, 병원 방문율에 미치는 효과를 통합하는 것이다.
본 연구는 인공지능을 활용한 건강관리 중재의 특징, 유형, 구성요소 및 효과를 파악하기 위해 수행된 체계적 고찰이다. 코크란 연합(Cochrane collaboration)이 제시한 체계적 고찰 핸드북[30]과 Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA) 그룹이 제시한 체계적 문헌고찰 보고지침[31]에 따라 본 연구를 수행하였다(PROSPERO registration number: CRD42020199426).
체계적 문헌고찰 보고지침의 질문 형식인 Population, Intervention, Comparison, Outcome, Study Design (PICO-SD)에 따라 문헌의 선정기준을 구체적으로 제시하면 다음과 같다. 1) 질병의 유무와 질병의 종류에 제한 없이 만 18세 이상의 성인을 대상(population)으로 한 문헌, 2) 건강관리를 위해 인공 지능 기술을 활용한 중재(intervention)를 수행한 문헌, 3) 비교군(comparison)에게 대상자 특성에 따라 통상적으로 제공되는 중재(usual care)를 제공하거나 인공지능 기반 중재가 아닌 다른 중재를 수행한 문헌, 4) 건강행위(신체활동, 식이, 복약 순응, 금연 등), 심리적 결과(체중조절 자기효능감 등), 생리적 결과(체중, 혈당, 당화혈색소, 혈중 약물 농도, 응고인자 등), 중재 만족도, 병원 방문율 중 하나 이상의 결과(outcome)를 보고한 문헌, 5) 무작위 대조군 실험연구설계(randomized controlled trials)를 사용한 문헌이고 무작위 대조군 교차 실험연구설계도 포함하였다. 높은 수준으로 통제된 연구방법을 통해 도출된 객관적인 연구결과를 고찰하기 위해 본 연구에서는 무작위 대조군 실험연구설계를 선정기준으로 정하였다. 문헌의 배제 기준은 1) 웨어러블 디바이스(wearable device)나 스마트폰 (smartphone)으로 질병 예방 · 관리, 건강관리 행위를 단순히 모니터링만 한 중재를 수행한 문헌, 2) 건강전문가가 대상자의 문제를 해결하는 데 주도적으로 도움과 피드백을 제공하는 중재를 수행한 문헌, 3) 질병을 진단하기 위해 인공지능을 활용한 문헌, 4) 출판되지 않은 학위논문이나 초록만 발표된 문헌이다.
문헌검색에 사용한 정보원은 한국학술정보(Koreanstudies Information Service System, KISS), 의학논문데이터베이스 (Korean Medical database, KMbase), 대한의학학술지편집인협의회의KoreaMed, 한국 과학기술정보센터(National Digital Science Library, NDSL), 한국교육학술정보원의 학술연구정보서비스(Research Information Sharing Service, RISS), Cochrane Library, Cumulative Index to Nursing and Allied Health Literature (CINAHL), Excerpta Medica data-BASE (EMBASE), MEDLINE으로, 미국국립의학도서관(National Library of Medicine)이 제시한 COre, Standard, Ideal (COSI) 모델을 근거로 선정하였다. 추가적으로 선행 문헌의 참고문헌을 토대로 수기검색을 시행하였으며, 검색일은 2021년 5월 23일부터 2021년 5월 31일까지였다.
검색식은 ‘건강관리’, ‘인공지능 기반 중재’(I)와 ‘무작위 대조군 실험연구’(SD)를 나타내는 검색어를 병합하여 구성하였다. 국외 데이터베이스에서 검색어는 Ovid-MEDLINE에서 사용된 검색어(Appendix 1)를 기본으로 각 데이터베이스 별특성에 맞게 수정하여 사용하였으며, Medical Subjects Headings (MeSH) 용어, 논리연산자, 절단 검색 등의 검색기능을 적절히 활용하였다. 건강관리는 ‘behavior therapy OR health promotion OR behavioral treatment OR healthy lifestyle OR lifestyle modification OR self-management OR self care’, 인공지능 기반 중재는 ‘artificial intelligence OR machine learning OR automated coaching OR personalized coaching’ 등으로 검색하였고 무작위 대조군 실험연구는 The Scottish Intercollegiate Guidelines Network (SIGN)에서 제시하고 있는 공인된 검색식을 사용하였다. 국내 데이터베이스에서 검색어는 국외 데이터베이스에서 사용한 검색어를 기본으로 하되 국내 데이터베이스의 검색기능을 고려하여 적절히수정하거나 간소화하여 사용하였다. 인공지능 기반 중재는 ‘인공지능 OR 머신러닝 OR 기계학습’으로 검색하였고 무작위 대조군 실험연구는 ‘무작위’로 검색하였고 각 데이터베이스 특성에 맞추어 영문 및 국문을 혼용하였다. 인공지능은 2009년 이후 약 10년간 행동 분류, 언어와 자연어 처리, 이미지와 안면 인식 등의 패턴 분석에서 큰 진보를 보이며 관련 연구를 활발히 진행하고 있는 것으로 나타나[32, 33] 출판년도는 2009년 1월부터 2021년 5월까지로 제한하였다.
문헌 선택의 전 과정은 두 명의 연구자가 독립적으로 실시하였고 배제한 문헌에 대해서는 사유를 서술하였다. 의견의 불일치가 있는 경우 두 명의 연구자가 원문을 함께 검토하여 선정 기준에 따라 문헌 선택 여부를 최종적으로 결정하였다. 먼저 참고문헌 관리 프로그램인 EndNote 20 (EndNote, Clarivate, London, The United Kingdom)을 이용하여 검색된 문헌들의 리스트를 만들고 중복 문헌을 제거한 후 Excel 2016 (Microsoft Excel, Microsoft Corporation, Redmond, The United States of America)을 이용하여 정리하였다. 이후 제목과 초록을 검토하여 연구 선정기준에 부합하는 연구를 각출하였고 원문을 확인하여 선정기준에 해당하지 않는 논문을 제외한 후 최종 문헌을 선택하였다. 배제한 문헌에 대해서는 단계별로 기록을 남겼다.
한 연구자가 자료를 추출하고 다른 연구자가 검토하는 방식으로 자료추출을 진행하였다. 체계적 고찰에 포함된 문헌의 특성을 분석한 후 자료추출 양식에 따라 정리하였으며, 자료추출 양식에는 저자, 출판연도, 연구국가, 대상자 특성, 대상자 수, 평균 연령, 중재 특성(중재 구성요소에 따른 내용, 중재 전달 방법, 중재 기간, 중재 빈도), 연구결과 등을 포함하였다. 자료추출이 불가능한 경우(예: 그래프로 자료를 보고하여 정확한 값을 알 수 없는 경우, 연령의 범위만 제시하거나 임산부라는 대상자 특성만 제시하여 평균연령을 알 수 없는 경우), 10편의 문헌의 저자에게 전자우편을 보내 자료를 요청하였고 1편의 문헌[19]의 저자가 대상자의 평균연령 자료를 보내주어 자료추출을 하는 데에 사용하였으며 그 외 문헌의 연구자에게서는 답신을 받지 못하였다. 이중게재에 해당하는 문헌은 없었다.
문헌의 비뚤림 위험 평가는 두 명의 연구자가 독립적으로 실시하였고 의견의 불일치가 있는 경우 원문을 재확인하여 평가지침에 따라 일치된 결과를 도출하였다. 비뚤림 위험 평가를 위해 Version 2 of the Cochrane risk-of-bias assessment tool (RoB 2)[34]을 사용하였다. RoB 2는 무작위 대조군 실험연구에 대한 비뚤림 위험 평가도구로 무작위 배정과정에서 발생하는 비뚤림, 의도한 중재에서의 이탈, 결측자료, 결과 측정, 보고된 결과의 선택의 다섯 가지 항목을 알고리즘에 따라 low risk of bias, some concerns, high risk of bias로 평가하여 전반적 연구 비뚤림 위험을 평가한다. Review Manager program 5.4 (The Nordic Cochrane Centre, The Cochrane Collaboration, Copenhagen, Denmark)에 입력하여 평가 결과를 제시하였다.
인공지능을 활용한 중재연구가 아직은 초기 단계로 포함된 문헌의 수가 적었으며 평균, 표준편차와 같이 메타분석에 필요한 통계치나 유의수준 등을 제시하지 않은 연구들이 다수 있어 각각의 결과변수에 대해 정량적인 효과 크기를 분석하는 것은 제한이 있었다. 이에 본 연구에서는 결과변수별로 중재의 구성 요소와 중재의 효과를 기술적(descriptive)으로 제시하는 정성적 합성(qualitative synthesis) 방법을 사용하여 문헌을 통합하였다.
문헌 선정기준에 따라 채택된 논문은 총 20편으로 선정과정은 다음과 같다. 각각의 데이터베이스에 검색어를 입력하여 논문을 검색하였고, 국내 논문은 RISS 44편, NDSL 22편, KISS 19편, KoreaMed 0편, KMbase 0편이었고, 국외 논문은 Cochrane Library 396편, Ovid-MEDLINE 209편, EMBASE 268편, CINAHL 236편으로 총 1,194편이 검색되었으며 검색된 논문 중 중복논문을 제외한 755편을 선별 대상으로 하였다. 2명의 연구자가 논문의 제목과 초록을 검토하여 선정기준에 해당하지 않는 693편을 제거하여 총 62편의 논문을 1차로 선정하였다. 일차적으로 선정된 논문 중 미출판 결측 연구 19편을 제외하였고, 원문을 확인한 후 선정기준에 중재가 부합하지 않는 31편, 연구설계가 부합하지 않는 4편을 추가로 제외하였다. 인용된 문헌을 수기 검색하여 12편을 추가하였고 최종적으로 20편의 논문을 선정하였다. 이 중 메타분석에 필요한 통계치인 결과 변수의 평균 혹은 표준편차가 없는 논문이 9편이었고, 연구자에게 전자우편을 보내 자료를 요청했지만 받지 못하여 논문에 보고된 자료 중심으로 정성적 분석을 시행하였다(Figure 1, Appendix 2).
Figure 1
Flow diagram of study screening.
최종 선택된 연구 20편의 비뚤림 위험 평가 결과는 Figure 2와 같다. 무작위 배정과정에서 발생하는 비뚤림을 살펴본 결과 some concerns가 11편(55.0%), low risk of bias는 9편(45.0%)이었고, 의도한 중재에서의 이탈로 인한 비뚤림은 some concerns가 2편(10.0%), low risk of bias가 18편(90.0%)이었다.결측 자료로 인한 비뚤림과 결과 측정 비뚤림은 모든 연구에서비뚤림 위험이 낮은 것으로 평가되었고, 보고된 결과 선택 비뚤림은 some concerns가 1편(5.0%), low risk of bias는 19편(95.0%)이었다. 전체적인 비뚤림을 평가한 결과 8편(40.0%)은 low risk of bias, 10편(50.0%)은 some concerns, 2편(10.0%)은 high risk of bias인 것으로 나타났다. 질 평가 결과 20편의 문헌 모두 연구결과의 타당도에 영향을 주지 않는 것으로 판단하여 모두 최종 분석에 포함하였다.
Figure 2
Assessment risk of bias in included studies.
본 연구에 포함된 중재연구 20편의 특성을 개별적으로 분석하여 저자, 출판연도, 대상자 특성, 중재 특성과 결과변수별로 서술하였고(Table 1) 연구의 특징을 체계적으로 요약하였다(Table 2). 2012년부터 2015년까지 수행된 연구는 6편(30.0%)이었고 2016년부터 2019년까지는 10편(50.0%)이었으며 2020년 이후가 4편(20.0%)으로 2020년 이후에 활발한 연구가 이루어진 것을 알 수 있었다. 연구가 진행된 국가는 미국이 11편(55.0%)으로 가장 많았고, 국내에서 시행된 연구는 없었다.
Table 1
Descriptive Summary of Included Studies (N=20)
Table 2
Characteristics of Included Studies (N=20)
연구대상자는 건강행위변화의 의지가 있는 성인 4편(20.0%), 당뇨병 환자 3편(15.0%), 과체중 또는 비만한 성인 2편(10.0%), 흡연자 2편(10.0%), 심뇌혈관 질환자 2편(10.0%), 그 외 노인 만성질환자, 당뇨 전 단계의 성인 등 7편(35.0%)이었다. 본 체계적 고찰에 포함된 연구 별 대상자 수는 30명 미만이 6편(30.0%), 30명 이상 100명 미만이 5편(25.0%), 100명 이상이 9편(45.0%)이었다. 대상자 평균 연령은 20대와 30대가 7편(35.0%), 40대와 50대가 7편(35.0%), 60대와 70대가 4편(20.0%)이었고 연령을 범위로 제시하여 평균 연령을 알 수 없었던 문헌이 2편(10.0%)이었다.
중재는 인공지능 기반 중재의 구성요소인 외부자료, 인공지능 기술, 문제해결, 목표에 따라 분석하였다. 외부자료는 스마트폰이나 웨어러블 디바이스와 같은 장비에서 주로 얻을 수 있으며 외부자료가 있어야 인공지능이 학습과 훈련을 할 수 있다[12, 13]. 본 연구에 포함된 20편의 연구에서 사용된 외부자료는 신체활동과 식이가 각각 10편(50.0%)으로 가장 많았다. 키, 몸무게 등과 같은 신체 계측 자료는 6편(30.0%), 성별, 나이 등과 같은 인구학적 자료, 혈압, 맥박 등과 같은 생리적 자료, 심리적 자료는 각각 4편(20.0%)의 문헌에서 외부자료로 사용되었다. 인공지능 기술은 외부자료를 감지, 처리하여 상황을 평가하고 의사결정을 하고 문제해결 계획을 세우는데 필요한 수단으로 [13], 기계학습이 13편(65.0%), 자연어 처리는 5편(25.0%), 컴퓨터 비전은 2편(10.0%)의 문헌에서 사용되었다. 문제해결은 대상자의 패턴을 학습하여 맞춤형 제안을 제공하는 방법을 사용한 문헌이 9편(45.0%), 건강위험을 탐지하고 중재가 필요함을 알리는 방법은 6편(30.0%), 가상 인간(virtual human)이 대상자와 직접 상호작용하며 건강증진행위를 추천하는 방법은 5편(25.0%)의 문헌에서 사용되었다. 목표는 신체활동, 식이 등과 같은 건강행위가 11편(55.0%), 체중, 체질량지수, 혈당, 당화혈색소 등과 같은 생리적 결과는 8편(40.0%), 우울, 불안과 같은 심리적 결과는 6편(30.0%), 중재 만족도는 5편(30.0%), 병원 방문율은 3편(15.0%)의 문헌에서 사용되었다. 중재를 제공한 방법은 스마트폰 앱이 13편(65.0%), 웹을 통한 중재가 5편(25.0%)이었다. 중재를 제공한 기간은 12주 미만이 11편(55.0%)이었고 12주 이상이 9편(45.0%)이었다. 중재 제공 빈도는 매일이 12편(60.0%)이었고 주 1~6회가 6편(30.0%)이었다.
인공지능을 활용한 건강관리 중재의 효과는 건강행위, 생리적 결과, 심리적 결과, 중재만족도, 병원 방문율로 보고되었고 인공지능 중재의 목표(결과변수)별로 활용된 외부자료, 인공 지능 기술, 문제해결을 정리하면 다음과 같다(Table 3). 한 문헌에서 여러 개의 목표(결과변수)를 조사한 경우 각 목표에 문헌을 중복으로 표시하고 기술하였다.
Table 3
Effects of Healthcare Intervention using Artificial Intelligence
중재의 효과로 보고된 건강행위는 신체활동, 식이, 복약 순응, 금연, 자가관리이었으며, 신체활동을 결과로 보고한 문헌은 7편이었고[A2,A3,A5,A14,A16,A18,A20] 총 1,160명을 대상으로 중재의 효과를 검증하였다. 7편 중 4편(57.1%)의 연구에서 중재가 신체활동을 유의하게 증가시켰고[A2,A3,A16,A20] 1편의 연구에서는 통계적 검정을 시행하지 않았다[A18]. 식이를 결과로 보고한 문헌은 2편이었고[A2,A16] 총 139명을 대상으로 중재의 효과를 검증하였다. 2편 중 1편(50.0%)의 연구에서 중재가 식이 조절에 유의한 효과가 있었다[A2]. 복약 순응을 결과로 보고한 문헌은 2편이었고[A10,A15] 325명을 대상으로 중재의 효과를 검증하였다. 2편 중 1편의 연구에서 복약 순응은 중재군에서 97.2%, 대조군에서 90.6%로 차이가 있었지만 통계적 유의성 검정을 시행하지 않았고[A10] 나머지 1편의 연구에서는 중재가 복약 순응에 유의한 효과가 없었다[A15]. 금연을 결과로 보고한 문헌은 2편이었고[A5,A17] 총 360명을 대상으로 중재의 효과를 검증하였다. 2편 중 1편(50.0%)의 연구에서 중재가 금연에 유의한 효과가 있었다[A5]. 자가관리를 결과로 보고한 문헌은 3편이었고[A6,A14,A15] 780명을 대상으로 중재의 효과를 검증하였고, 모든 연구에서 유의한 효과가 나타나지 않았다.
건강행위 개선을 위한 인공지능 기반 중재에서 사용된 외부 자료는 신체활동(12건)과 식이(7건)가 많았으며 인공지능 기술은 기계학습을 많이 사용하였고(10건) 문제해결은 대상자의 패턴을 학습하여 맞춤형 제안을 제공하는 방법(12건)을 많이 사용하였다. 2013년에 출판된 문헌에서는 1~2개의 외부자료를 사용한 반면[A2,A3], 2020~2021년에 출판된 문헌에서는 6개의 외부자료를 사용하여[A6,A14,A15] 최근 건강행위 개선을 위해 다양한 외부자료를 반영하는 경향이 있었다.
인공지능을 활용한 건강관리 중재는 건강행위를 조사한 문헌 11편 중 5편(45.5%)에서 유의한 효과가 있었다[A2,A3,A5,A16,A20]. 건강행위 개선에 유의한 효과가 있었던 중재의 구성요소를 살펴보면 외부자료로 신체활동을 사용한 12건 중 5건(41.7%)에서 유의한 효과가 나타났고 식이 자료를 사용한 7건 중 3건(42.9%)에서 유의한 효과가 나타났다. 인공지능 기술로 기계학습을 사용한 10건 중 3건(30.0%)에서 유의한 효과가 나타났고 문제해결로 대상자의 패턴을 학습하여 맞춤형 제안을 제공하는 방법을 사용한 12건 중 3건(25.0%)의 문헌에서 유의한 결과를 보였다.
중재의 효과로 보고된 생리적 결과는 체중 또는 체질량지수, 혈당 또는 당화혈색소, 혈중 약물 농도, 응고인자이었으며, 체중 또는 체질량지수를 결과로 보고한 문헌은 4편이었고[A2,A5,A8,A9] 총 595명을 대상으로 중재의 효과를 검증하였다. 4편 중 1편(25.0%)의 연구에서 중재가 체중 감소에 효과가 있었다[A9]. 혈당 또는 당화혈색소를 결과로 보고한 문헌은 3편이었고[A1,A18,A19] 총 73명을 대상으로 중재의 효과를 검증하였다. 3편 중 1편(33.3%)의 연구에서 중재가 혈당 또는 당화혈색소 조절에 유의한 효과가 있는 것으로 나타났고[A1], 2편의 연구에서는 통계적 검정을 시행하지 않았다[A18,A19]. 혈중 약물 농도를 결과로 보고한 문헌은 1편이었고[A10] 28명을 대상으로 중재의 효과를 검증하였다. 혈중 약물 농도가 적정 범위인 대상자는 중재군에서 100.0%, 대조군에서 50.0%로 차이가 있었지만 통계적 유의성 검정을 시행하지 않았다. 응고인자를 결과로 보고한 문헌은 1편이었고[A10] 28명을 대상으로 중재의 효과를 검증하였다. 활성화부분트롬보플라스틴시간(activated Partial Thromboplastin Time, aPTT)은 중재군에서 41.7, 대조군에서 48.4였고 프로트롬빈 시간(Prothrombin Time, PT)은 중재군에서 35.1, 대조군에서 32.9였고 국제표준비율(International Normalized Ratio, INR)은 중재군에서 3.4, 대조군에서 3.1로 차이가 있었지만 통계적 유의성 검정을 시행하지 않았다.
생리적 결과 개선을 위한 인공지능 기반 중재에서 사용된 외부자료는 신체활동(4건)과 식이(5건)가 많았으며 인공지능 기술은 기계학습(5건)을 많이 사용하였고 문제해결은 대상자의 패턴을 학습하여 맞춤형 제안을 제공하는 방법(4건)을 많이 사용하였다. 인공지능을 활용한 건강관리 중재에 대한 생리적 효과를 조사한 문헌 8편 중 2편(25.0%)에서 유의한 효과가 있었다[A1,A9]. 생리적 결과 개선에 유의한 효과가 있었던 중재의 구성요소를 살펴보면 외부자료로 신체활동을 사용한 4건 중 1건(25.0%), 식이를 사용한 5건 중 2건(40.0%)에서 유의한 효과가 나타났다. 인공지능 기술로 기계학습을 사용한 5건 중 1건(20.0%)에서 유의한 효과가 나타났고 문제해결로 대상자의 패턴을 학습하여 맞춤형 제안을 제공하는 방법을 사용한 4건 중 1건(25.0%)의 문헌에서 유의한 결과를 보였다.
중재의 효과로 보고된 심리적 결과는 불안, 우울, 스트레스, 체중감소 자기효능감, 심리적 안녕, 건강 관련 삶의 질이었으며, 불안을 결과로 보고한 문헌은 2편이었고[A6,A7] 총 126명을 대상으로 중재의 효과를 검증하였다. 2편 중 1편(50.0%)의 연구에서 중재가 불안 감소에 효과가 있었다[A6]. 우울을 결과로 보고한 문헌은 2편이었고[A6,A7] 총 126명을 대상으로 중재의 효과를 검증하였으며 2편의 연구 모두에서 중재가 우울 감소에 효과가 있었다. 스트레스를 결과로 보고한 문헌은 1편이었고[A11] 총 28명을 대상으로 중재의 효과를 검증하였으며 중재는 스트레스 감소에 효과가 없었다. 체중감소 자기효능감을 결과로 보고한 문헌은 1편이었고[A12] 총 103명을 대상으로 중재의 효과를 검증하였으며 중재는 체중감소 자기효능감 향상에 효과가 있었다. 심리적 안녕을 결과로 보고한 문헌은 1편이었고[A11] 총 28명을 대상으로 중재의 효과를 검증하였으며 중재는 심리적 안녕 향상에 효과가 없었다. 건강 관련 삶의 질을 결과로 보고한 문헌은 3편이었고[A5,A6,A14] 총 723명을 대상으로 중재의 효과를 검증하였으며 3편의 연구 모두에서 중재가 건강 관련 삶의 질 향상에 효과가 없었다.
심리적 결과 개선을 위한 인공지능 기반 중재에서 사용된 외부자료는 심리적 자료(8건)가 많았으며 인공지능 기술은 기계학습(5건)을 많이 사용하였고 문제해결은 대상자의 패턴을 학습하여 맞춤형 제안을 제공하는 방법(6건)을 많이 사용하였다. 인공 지능을 활용한 건강관리 중재의 심리적 결과에 대한 효과는 6편의 문헌 중 3편(50.0%)에서 유의하였다[A6,A7,A12]. 심리적 결과 개선에 유의한 효과가 있었던 중재의 구성요소를 살펴보면 외부자료로 심리적 자료를 사용한 8건 중 3건(37.5%)에서 유의한 효과가 나타났다. 인공지능 기술로 기계학습을 사용한 5건 중 2건(40.0%)에서 유의한 효과가 나타났고 문제해결로 대상자의 패턴을 학습하여 맞춤형 제안을 제공하는 방법을 사용한 6건 중 2건(33.3%)의 문헌에서 유의한 결과를 보였다.
중재 만족도를 결과로 보고한 문헌은 5편이었고[A2,A7,A8,A10,A18] 총 428명을 대상으로 조사하였다. 5편 중 2편(40.0%)의 연구에서 중재가 중재 만족도에 효과가 있었고[A7,A18] 2편의 연구(40.0%)에서는 통계적 검정을 시행하지 않았으며[A2,A10] 1편의 연구(20.0%)에서는 효과가 없었다[A8].
중재의 효과로 병원 방문율을 결과로 보고한 문헌은 3편이었고[A4,A13,A14] 총 730명을 대상으로 중재의 효과를 검증하였다. 3편 중 2편(66.7%)의 연구에서 중재가 병원 방문율 감소에 효과가 있었고[A4,A13] 인공지능 기술과 문제해결은 기계학습과 건강위험을 탐지하고 중재가 필요함을 알리는 방법을 사용하였다.
성인의 건강관리를 위해 인공지능을 활용한 중재의 세부적인 내용을 확인하고 그 효과를 통합하기 위해 본 연구를 시행하였다. 의료분야에서 인공지능을 활용한 연구의 수는 많았지만[9, 27] 건강관리 중재에 인공지능을 활용한 연구는 20편으로 적었다. 중재의 구성요소를 살펴보면, 외부자료가 신체활동 또는 식이 자료인 연구가 각각 10편(50.0%)으로 신체활동과 식이 자료가 외부자료로 많이 활용되었다. 문제해결은 대상자의 패턴을 학습하여 맞춤형 제안을 제공하는 방법을 활용한 연구가 9편(45.0%)으로 가장 많았고 과반수의 연구에서 중재는 12주 미만이었고 매일 중재를 제공하였다. 본 연구에서 중재의 효과로 가장 높은 빈도로 사용된 결과변수는 건강행위(11편/20편, 55.0%)였으며 중재에 민감한 결과변수는 병원 방문율(2편/3편, 66.7%), 심리적 결과(3편/6편, 50.0%), 건강행위(5편/11편, 45.5%)였다.
건강행위 중 복약 순응과 자가관리를 조사한 문헌에서는 중재의 효과를 보고하지 않았고[A6,A10,A14,A15] 신체활동, 식이, 금연을 조사한 문헌[A2,A3,A5,A14,A16-A18,A20] 중 50.0~57.1%에서 중재의 효과를 보고하였다. 복약 순응과 자가관리를 조사한 문헌들은 최근(2020~2021년)에 출판된 문헌이 많았고[A6,A14,A15] 다양한 외부자료를 활용하여 결과변수를 개선하려고 시도하였으나 아직 그 효과는 미비한 것으로 보인다. 한편, 식이요법과 운동 중재에 함께 참여한 그룹은 운동 중재에만 참여한 그룹보다 1일 걸음 수가 느리게 증가하였고 식이요법 중재에만 참여한 그룹보다 과일/채소 섭취량 증가가 낮은 것으로 나타났다[A2]. 이는 특정 활동에 집중한 단순 중재가 혼합중재보다 더 효과적일 수 있음을 나타내며 대상자로부터 얻은 다양한 건강 관련 데이터를 분석하여 가장 교정이 필요한 건강행위 한 가지를 우선적으로 개선하는 맞춤형 중재 설계와 효과검증이 필요하다.
대상자가 기록한 식이 패턴을 학습하여 맞춤형 제안을 제공하는 방법으로 식이 개선을 유도하는 것은 현재의 인공지능 기술로는 한계가 있는 것으로 보인다. Rabbi 등[A16]의 연구에서 대상자들의 식사일지에 기초하여 반복적으로 먹는 음식과 재료를 군집화(clustering)하여 대상자들의 패턴을 생성한 후 대상자들이 자주 먹는 음식과 재료 중 건강하고 칼로리가 낮은 음식과 자주 먹지 않지만 건강하고 칼로리가 낮은 음식을 추천하는 메시지를 9:1의 비율로 적절한 시간과 장소에서 전송하여 대상자들의 식이변화를 유도하였다. 중재 후 인터뷰에서 대상자들은 음식을 추천하는 메시지가 실제로 건강한 식단을 선택하는 데 도움이 되었다고 응답하였지만 식사일지에 기초하여 측정된 열량 섭취량은 그룹 간 유의한 차이가 없었고 중재군은 건강한 식단으로 식사를 하였지만 수기로 식사일지를 기록하는 어려움 때문에 일지를 제대로 기록하지 않았다고 하였다[A16]. 대상자의 식이 패턴을 학습하고 식이 패턴의 변화를 모니터링 하기 위해서는 정확하고 성실한 식사기록이 필요하나 참여대상자들은 식사일지를 수기로 기록하는 것을 매우 부담스러워하고 정확하게 기록하지 못하는 경향이 있었다.
불성실하거나 정확하지 않은 식사일지는 식이 패턴을 정확하게 분석하는 것을 어렵게 하고 부정확한 패턴 학습은 맞춤형 제안의 신뢰성을 떨어뜨린다. 대상자의 식이 패턴을 기반으로 “햄버거를 자주 드시는군요. 칼로리가 높은 음식은 피해주시고 오늘은 칼로리가 낮고 채소가 더 많이 들어간 샌드위치를 먹어봅시다.” 또는 “시금치나물을 자주 드시는군요. 시금치는 철분과 식이섬유가 많아 건강한 음식입니다. 잘 하셨습니다. 오늘은 시금치로 된장국을 드셔보시는 건 어떠세요?”와 같은 메시지를 통해 건강한 식단을 독려하는 경우, 식사일지 자료가 부족하거나 정확하지 않으면 개인별 맞춤형 제안이 부적절할 수 있다. 그러므로 식이 기록의 정확성을 증진할 수 있는 기술이 우선적으로 개발되어야 한다. Bally 등[A1]의 연구에서는 대상자가 촬영한 사진으로 음식의 양을 추정할 수 있는 컴퓨터 비전 기술 활용이 시도되었으며 컴퓨터 비전 기술을 활용하여 음식 사진으로 식사량을 기록하면 대상자가 수기 기록으로 느끼는 부담감을 덜어주고 비교적 정확한 정보 확보와 장기적 모니터링이 가능하다[A1]. 국내에서 컴퓨터 비전 기술을 이용하여 식사량을 기록한 중재는 찾아보기 어려웠으며 추후 한국인 고유의 식단을 시각적으로 인식하는 시스템의 개발이 요구되며 대상자의 식이 패턴을 정확하게 파악하는 것은 신뢰성 있는 맞춤형 제안을 가능하게 할 것이다.
건강위험을 탐지하고 중재가 필요함을 알리는 방법으로 과식위험 푸시알림(push notification)을 제공하는 것은 체중감소에 효과적이지 않았다[A8]. 중재기간 동안 대상자들은 평균 46.9% 푸시알림을 조회하였고 알림 조회율은 시간이 지날수록 낮아지는 경향이 있었다[A8]. 이는 모바일 헬스 앱을 사용하는 중재에서 흔히 나타나는 패턴이다[35]. 푸시알림에 대한 수용성(receptivity)을 높이기 위해 적절한 시기에 알림을 제공하고 환자 특성과 관련성이 높은, 흥미로운 내용으로 알림을 구성하는 것을 권장한다[36]. Forman 등[A8]의 연구에서는 환자의 개별 특성과 관련된 내용으로 과식 위험이 증가하는 시기에 푸시알림을 제공하였지만 2페이지 가량의 알림 내용과 서술형 응답 방식은 대상자의 흥미와 수용성을 저하시킨 것으로 생각된다. 알림 조회율을 높이기 위해 대상자의 관심을 유도하는 것이 필요하며, 짧고 이해하기 쉽고 행동으로 바로 옮길 수 있는 단문의 메시지나 음성 알림에 대한 고려도 필요하다. 체중에 대한 중재 효과가 나타나지 않은 3편의 연구[A2,A5,A8]는 체중감소에 효과가 있었던 연구[A9]와 달리 외부자료에 신체계측(체중) 자료를 포함하지 않았고 체중의 변화를 모니터하지 않은것이 체중감소 효과를 둔화시킨 것으로 생각된다. 그러므로 추후 체중감소를 목표로 인공지능 중재를 설계할 때 체중을 신체 계측 외부자료로 포함하는 것을 권장한다.
대상자의 패턴을 학습하여 맞춤형 중재를 제공한 연구에서 체중감소[A9] 효과는 있었지만 열량 섭취량 감소에는 유의한 효과가 없었다[A16]. Forman 등[A9]의 연구에서는 주 2회 대상자의 식이, 신체활동, 체중 변화의 패턴을 평가하여 중재전달 방법(자동화 문자 or 인간코치가 문자로 개입 or 인간코치가 전화로 개입)을 강화한 개인별 맞춤형 중재를 제공하였고 중재의 강도가 높아질수록 인간코치의 중재 개입 시간과 비용이 증가하였다. Rabbi 등[A16]의 연구에서는 적절한 시간과 장소에서 맞춤형 제안을 제공하였지만 제안한 대로 음식을 섭취하였는지, 섭취한 음식을 잘 기록하였는지에 대해 평가하지 않았다. 대상자의 패턴을 학습하여 맞춤형 중재를 제공한 두연구를 비교한 결과, 인공지능이 맞춤형 제안을 제공하는데 그치는 것이 아니라 제공한 맞춤형 제안이 행위변화 또는 바람직한 결과(예: 체중감소, 추천된 음식 섭취 여부)로 이어지는지를 평가[A9]하고 필요한 경우 인간코치가 개입하여 중재의 강도를 조절하는 접근이 효과적일 수 있음을 시사한다.
건강 상담 에이전트(챗봇, Chatbot)가 대상자와 상호작용하며 건강증진행위를 추천하는 방법은 체중[A2]과 불안[A7] 등에는 유의한 효과가 없었지만 신체활동[A2,A3], 식이[A2], 우울[A7] 개선에 효과적인 것으로 나타나 추후 유용한 전략이 될 것으로 생각된다. 건강 상담 에이전트는 범이론 모델, 동기 면담, 사회인지 이론 등을 바탕으로 건강행위와 변화의지에 대해 사정하고(예: “당신은 과일과 채소를 더 많이 먹도록 얼마나 동기부여 되어있는지 0~10점으로 응답해주세요.”), 치료적 대화(예: “당신의 식습관은 어떤 면에서 당신을 걱정시키나요?”, “당신의 식습관 때문에 건강이 좋지 않다고 말씀하시는 것처럼 들리는군요.”), 숙제 내주기(예: “과일/채소를 맛있게 먹는 방법을 TV나 신문에서 찾아보거나 지인에게 물어서 한 가지 이상 알아보세요.”) 등으로 구성된 대화를 통해 대상자와 상호작용하였다[A2]. 건강 상담 에이전트와 대화하는 중재는 8주 후 신체활동과 과일/채소 섭취량은 유의하게 증가하였지만, 체중감소 효과는 없는 것으로 나타났다[A2]. 건강행위 변화가 체중감소로 나타나기 위해서는 어느 정도 시간이 필요하므로 장기적 추적 조사가 필요한 것으로 생각된다. 공감적 반응, 맞춤화, 목표설정, 책임감, 동기부여, 반영 등의 기능이 포함된 챗봇[A7]은 대상자들의 기분과 관련된 자료를 수집하여 인지행동 치료와 관련된 영상을 보여주거나 인지 왜곡과 관련된 단어 게임을 시행하고 주간 기분 그래프를 보여주며 대상자와 대화하였는 데, 2주간의 중재 후 우울에는 유의한 효과가 있었지만 불안에는 유의한 효과가 없었다. 선행 고찰연구에서 대화형 에이전트는 다양한 영역의 건강 개선에 잠재력이 있으며 대상자의 만족도가 높은 것으로 보고되었고[29] 건강 상담 에이전트가 건강행위 변화의 의지가 있는 30대 성인에게 영상과 목소리를 통해 자기 자신의 이야기인 것처럼 이야기를 들려줄 때 대상자의 중재 참여율이 높은 것으로 나타났다[A2]. 추후 대화형 에이전트(챗봇)를 활용한 중재의 효과를 검증하는 반복연구와 장기적 연구를 통한 근거 마련이 필요할 것으로 생각되며, 대상자의 표현을 챗봇이 이해하지 못하거나 챗봇 접속에 장애가 생기는 오류 등은 챗봇과의 상호작용에 부정적인 영향을 미치므로[37] 챗봇 개발 시 이러한 오류를 미리 방지하기 위한 노력이 필요할 것이다.
본 연구는 다음과 같은 제한점이 있다. 첫째, 체계적 고찰 과정에서 특정 시간 내에 발표한 연구를 검색하였기 때문에 현재 진행 중이거나 미발표 연구가 제외되었을 가능성이 있으며 체계적 고찰에 영어로 출간된 논문만 포함되어 특정 문화권의 정보가 과다하게 반영되었을 가능성이 있다. 둘째, 현재까지 성인의 건강관리를 위한 인공지능 기반 중재에 대한 문헌적 근거가 제한적이므로 본 연구의 정성적 평가 결과 해석 시 주의를 요하며 연구가 축적되면 인공지능 중재의 효과에 대한 양적분석이 필요하다. 셋째, 분석된 문헌 중 한국에서 시행된 연구는 없었으며 당뇨병 환자의 자가관리를 위한 챗봇 개발 연구[38]가 있었으나 대상자에게 적용하여 효과를 분석한 연구는 찾아보기 힘들었다. 추후 한국인의 건강행위, 생리적 결과, 심리적 결과, 의료비용 등에 영향을 미치는 결정요인을 포함한 알고리즘 개발과 적용 및 효과 분석이 필요하며 한국인의 고유한 식이패턴을 인식하고 기록하는 시각적 시스템을 개발하기 위한 자료를 구축할 필요가 있다. 본 연구에 포함된 무작위 대조군 실험연구들의 질 평가 결과 전체적 비뚤림 위험이 낮은 연구가 8편(40.0%)으로 절반 이하였고 6편(30.0%)의 연구는 표본크기가 30명보다 작아 연구결과의 일반화 가능성을 제한할 수 있다. 따라서 추후 건강관리를 위한 인공지능 중재연구의 질적 향상을 통해 과학적이고 타당한 연구결과를 도출하여야 할 것이며 안전하고 효과적인 인공지능 중재 적용을 위해 건강 관련 연구자는 인공지능 연구자와 긴밀하게 협력할 필요가 있다.
이러한 제한점에도 불구하고 본 연구는 현재까지 임상에서 성인의 건강관리를 위해 시행된 인공지능 기반 중재의 특징, 유형, 구성요소별 활동 전략을 확인하고 건강행위, 생리적 결과, 심리적 결과, 중재만족도, 병원 방문율에 미치는 효과를 통합하였다는 점에서 의의가 있다. 또한 4차 산업혁명 시대를 맞이하여 인공지능 활용 건강관리 중재의 적용 근거를 마련한 것은 간호학문영역의 확장에 기여할 것으로 생각되며 본 연구결과는 추후 인공지능을 활용한 건강관리 중재를 개발하는 데 기초 자료로 활용될 수 있을 것이다.
본 연구는 인공지능을 활용한 중재의 효과를 보고한 국내외 무작위 대조군 실험연구들을 대상으로 인공지능 중재의 세부적인 내용을 확인하고 그 효과를 통합하기 위해 시도되었다. 인공지능을 활용한 중재는 병원 방문율을 감소시키고 심리적 결과와 건강행위를 개선하는 잠재적 가치가 있는 것으로 나타났다. 건강행위 중 식이를 개선하기 위해 시도된 연구는 두 편밖에 없어 많은 관심이 요구되고 식사량을 기록해야 하는 대상자의 부담을 덜어주고 건강행위의 장기적 모니터링을 격려하기 위하여 식사량 기록이 쉬운 앱 개발이 필요하며 컴퓨터 비전 기술을 활용하여 한국인의 고유한 식이 패턴을 인식하고 분석하는 시각적 시스템을 개발하기 위한 자료 구축이 요구된다. 인공 지능을 활용한 중재의 체중에 대한 효과는 저조하였는데 추후 체중감소를 목표로 인공지능 중재를 설계할 때 외부자료로 체중을 반드시 포함하여 체중의 변화를 지속적으로 모니터하는 것이 필요하고 맞춤형 제안 제공 후 제공된 맞춤형 제안대로 행위변화가 일어나는지 평가하고 필요한 경우 인간코치가 개입하여 중재의 강도를 조절하는 방법도 고려하여야 할 것이다. 챗봇은 다양한 영역의 건강 개선에 잠재력이 있으며 챗봇과 상호 작용 시 발생할 수 있는 오류를 개선하여 챗봇의 효과를 검증하는 반복연구와 장기적 연구가 필요하다. 최근 증가하는 추세인 성인 만성질환자에게 지속적 자가관리가 더욱 필수적으로 요구되며 60세 이상 고령층에서 스마트폰 사용이 확대되고 있는 점을 고려하여 60세 이상 만성질환자에게 인공지능 중재를 확대 적용하여 그 효과를 검증하는 연구가 시도되어야 할 것이다.
CONFLICTS OF INTEREST:The authors declared no conflict of interest.
AUTHORSHIP:
Study conception and design acquisition - PG and LH.
Data collection - PG.
Analysis and interpretation of the data - PG, LH and LM.
Drafting of the manuscript - PG and LH.
Critical revision of the manuscript - PG, LH and LM.
This work was supported by a 2-year Research Grant of Pusan National University.
A1. Bally L, Dehais J, Nakas CT, Anthimopoulos M, Laimer M, Rhyner D, et al. Carbohydrate estimation supported by the GoCARB system in individuals with type 1 diabetes: a randomized prospective pilot study. Diabetes Care. 2017;40(2): e6-7. https://doi.org/10.2337/dc16-
A2. Bickmore TW, Schulman D, Sidner C. Automated interventions for multiple health behaviors using conversational agents. Patient Education and Counseling. 2013a;92(2):142-8. https://doi.org/10.1016/j.pec.2013.05.011
A3. Bickmore TW, Silliman RA, Nelson K, Cheng DM, Winter M, Henault L, et al. A randomized controlled trial of an automated exercise coach for older adults. Journal of the American Geriatrics Society. 2013b;61(10):1676-83. https://doi.org/10.1111/jgs.12449
A4. Caballero-Ruiz E, García-Sáez G, Rigla M, Villaplana M, Pons B, Hernando ME. A web-based clinical decision support system for gestational diabetes: automatic diet prescription and detection of insulin needs. International Journal of Medical Informatics. 2017;102:35-49. https://doi.org/10.1016/j.ijmedinf.2017.02.014
A5. Carrasco-Hernandez L, Jódar-Sánchez F, Núñez-Benjumea F, Conde JM, González MM, Civit-Balcells A, et al. A mobile health solution complementing psychopharmacology-supported smoking cessation: Randomized controlled trial. JMIR mHealth and uHealth. 2020;8(4):e17530. https://doi.org/10.2196/17530
A6. Clays E, Puddu PE, Luštrek M, Pioggia G, Derboven J, Vrana M, et al. Proof-of-concept trial results of the HeartMan mobile personal health system for self-management in congestive heart failure. Scientific Reports. 2021;11(1):5663. https://doi.org/10.1038/s41598-
A7. Fitzpatrick KK, Darcy A, Vierhile M. Delivering cognitive behavior therapy to young adults with symptoms of depression and anxiety using a fully automated conversational agent (Woebot): a randomized controlled trial. JMIR Mental Health. 2017;4(2):e19. https://doi.org/10.2196/mental.7785
A8. Forman EM, Goldstein SP, Crochiere RJ, Butryn ML, Juarascio AS, Zhang F, et al. Randomized controlled trial of On- Track, a just-in-time adaptive intervention designed to enhance weight loss. Translational Behavioral Medicine. 2019a; 9(6):989-1001. https://doi.org/10.1093/tbm/ibz137
A9. Forman EM, Kerrigan SG, Butryn ML, Juarascio AS, Manasse SM, Ontañón S, et al. Can the artificial intelligence technique of reinforcement learning use continuously-monitored digital data to optimize treatment for weight loss? Journal of Behavioral Medicine. 2019b;42(2):276-90. https://doi.org/10.1007/s10865-
A10. Labovitz DL, Shafner L, Reyes Gil M, Virmani D, Hanina A. Using artificial intelligence to reduce the risk of nonadherence in patients on anticoagulation therapy. Stroke. 2017;48(5):1416-9. https://doi.org/10.1161/STROKEAHA.116.016281
A11. Ly KH, Ly AM, Andersson G. A fully automated conversational agent for promoting mental well-being: a pilot RCT using mixed methods. Internet Interventions. 2017;10:39-46. https://doi.org/10.1016/j.invent.2017.10.002
A12.Manuvinakurike R, Velicer WF, Bickmore TW. Automated indexing of internet stories for health behavior change: weight loss attitude pilot study. Journal of Medical Internet Research. 2014;16(12):e285. https://doi.org/10.2196/jmir.3702
A13. Martin CM, Vogel C, Grady D, Zarabzadeh A, Hederman L, Kellett J, et al. Implementation of complex adaptive chronic care: the Patient Journey Record system (PaJR). Journal of Evaluation in Clinical Practice. 2012;18(6):1226-34. https://doi.org/10.1111/j.1365-
A14. Pelle T, Bevers K, van der Palen J, van den Hoogen FHJ, van den Ende CHM. Effect of the Dr. Bart application on healthcare use and clinical outcomes in people with osteoarthritis of the knee and/or hip in the Netherlands; a randomized controlled trial. Osteoarthritis and Cartilage. 2020;28(4):418-27. https://doi.org/10.1016/j.joca.2020.02.831
A15. Persell SD, Peprah YA, Lipiszko D, Lee JY, Li JJ, Ciolino JD, et al. Effect of home blood pressure monitoring via a smartphone hypertension coaching application or tracking application on adults with uncontrolled hypertension: a randomized clinical trial. JAMA Network Open. 2020;3(3):e200255. https://doi.org/10.1001/jamanetworkopen.2020.0255
A16. Rabbi M, Pfammatter A, Zhang M, Spring B, Choudhury T. Automated personalized feedback for physical activity and dietary behavior change with mobile phones: a randomized controlled trial on adults. JMIR mHealth and uHealth. 2015; 3(2):e42. https://doi.org/10.2196/mhealth.4160
A17. Sadasivam RS, Borglund EM, Adams R, Marlin BM, Houston TK. Impact of a collective intelligence tailored messaging system on smoking cessation: the perspect randomized experiment. Journal of Medical Internet Research. 2016;18(11):e285. https://doi.org/10.2196/jmir.6465
A18. Yom-Tov E, Feraru G, Kozdoba M, Mannor S, Tennenholtz M, Hochberg I. Encouraging physical activity in patients with diabetes: intervention using a reinforcement learning system. Journal of Medical Internet Research. 2017;19(10):e338. https://doi.org/10.2196/jmir.7994
A19. Zeevi D, Korem T, Zmora N, Israeli D, Rothschild D, Weinberger A, et al. Personalized nutrition by prediction of glycemic responses. Cell. 2015;163(5):1079-94. https://doi.org/10.1016/j.cell.2015.11.001
A20. Zhou M, Fukuoka Y, Mintz Y, Goldberg K, Kaminsky P, Flowers E, et al. Evaluating machine learning-based automated personalized daily step goals delivered through a mobile phone app: randomized controlled trial. JMIR mHealth and uHealth. 2018;6(1):e28. https://doi.org/10.2196/mhealth.9117
E-SUBMISSION
