1. 연구의 필요성

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.

2. 연구목적

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.

1. 연구설계

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).

2. 문헌 선정기준

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.

3. 문헌검색 전략

4. 문헌 선택

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.

5. 자료수집 과정과 자료추출 항목

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.

6. 비뚤림 위험

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.

7. 자료합성

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.

1. 문헌 선정 결과

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.

• Download Figure

2. 문헌의 비뚤림 위험 평가

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.

• Download Figure

3. 인공지능을 활용한 건강관리 중재연구의 특성

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)

• Download Table

Table 2
Characteristics of Included Studies (N=20)

• Download Table

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.

4. 인공지능을 활용한 건강관리 중재의 효과

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

• Download Table