몇 가지 의견.
16시간 교육인데, 시간을 줄일 수 있을 듯. 중복 여러 곳.
과정이 일관되게 구성되지 못함. 주제와 상관 없는 교과목도 있어.
주어진 시간 안에 강의를 마치지 못한 경우 있었는데, 곤란함.
강의 내용이 교재에 없는 경우 pdf로 제공해야 함.
수강생 이름표 필요. 서로 소통, 교류할 수 있도록 도와야.
그럼에도 불구하고, 도움이 되는 과정이었음.^^
아래는 메모.
@ 의료정보시스템 개요 – 이병기 (삼성서울병원 디지털헬스케어 연구센터)
HIPAA Health Insurance Portability and Accountability Act
Medical information: Any information, whether oral or recorded in any form or medium …
Inpatient 입원, outpatient 외래.
Pathology 병리학.
EMR은 한 기관 안에 보관된 기록, 반면 EHR은 여러 기관 기록 모아 한꺼번에 보여줘.
HIE Health Information Exchange는 기록 교환이 건 단위로 이뤄지는 것.
EMR, EHR이 제공자 중심 개념, 반면 PHR은 소비자 중심 개념.
CPOE Computerized Practitioner (or Provider) Order Entry 처방. 가장 중요한 기반 시스템.
Drug-drug interaction checks, medical dose calculators, drug to lab value.
CPOE needs CDSS to maximize its value.
CPOE가 비용을 낮출 거라 기대했지만, 꼭 그렇지는 않음.
Instance data, domain knowledge, & algorithms à CDSS à information, actions, and alerts.
CDSS와 인공지능 다르지 않아.
미국 EMR 에픽이 넘버원. 전에는 써너였는데.
MPI Master Patient Index. 우리나라는 주민번호가 있어 이슈 없어.
@ EMR – 강미라 (삼성서울병원 건강의학본부)
EMR, EHR 경계 무너지고 있어. 데이터 교류 많아져.
EMR + interoperability = EHR.
정보 모델, 용어, 교류 표준 필요.
진단명 용어 표준 KCD-7 (한국보험), ICD-10 (WHO), SNOMED-CT. KCD-7은 ICD-10 기반.
영상의학 표준 LONIC, 주호소, 문진, 과거력 UMLS.
교류 표준 HL7, IHE, ISO/TC215.
OHDSI Observational Health Data Science and Informatics 오디세이.
다양한 플랫폼을 연결하는 분산 연구 네트워크.
아주대병원, 가천길병원 등 참여.
미국은 진료 질을 평가해.
당뇨병 진단 받으면 6개월 이내 안과 진료 받도록 가이드해야.
이를 진료 시 지킨 의사들에게 인센티브(?) 준다.
우리나라는 당뇨 진료, 안과 진료 연계되지 않아. 따로따로 진행.
Hurdles to adoption of EMR
Alert fatigue. 알람이 너무 많아 무시하는데, 그러다 중요한 것을 놓친다.
Too many clicks.
High cost. 에픽 2000~3000억원, 분당서울대병원 500억, 삼성서울병원 500억+알파.
Huge volume of codes.
Cleveland Clinic.
Mayo Clinic myCare.
에픽. 인력 5,200명 (2011년) 7개 제품 카테고리 27개 솔루션군 보유.
Healthcare IT News 괜찮은 기사 많아. 보세요.
다윈 MED, MDM, C, D, E. 이전 시스템 이름은 SMIS.
환자 외래, 응급, ICU, 병동 기록 통합.
기록-처방 연동.
@ UX/UC – 고정길 (아주대학교 소프트웨어학과)
Designing a Sensing System for Wireless Healthcare Applications
고려대 컴퓨터 학사. 03학번. 존스홉킨스에서 석, 박사.
존스홉킨스 응급실 평균 대기 시간 5시간 30분.
MEDiSN
Wireless technology can help! Automated patient monitoring.
miTag SPO2, heart rate, CC2420 HW security.
Patient monitor – Relay point (AP 대신, 자체 네트웍)
실험실에서 테스트 잘돼, ER에서는 안돼. 실 환경은 달라.
존스홉키스에서 파일럿 테스트. 환자 만족도 높고, 스탶은 상대적으로 낮아.
Egs. miTag 후속. 2010년.
Physical action monitoring도 해.
UI Designs in MEDiSN
실 사용자와 많은 토론이 필요.
우리가 좋다고 생각하는 디자인을 사용자가 좋아하지 않을 수도.
노인용 UI를 어떻게 만들까?
IoT Healthcare-related Products
Sensoria Fitness – Smart Socks. 걸을 때 발 상태를 스마트폰에서 볼 수 있어.
Mimo baby monitor. 아이 울음 소리 구분해 앱으로 알려줘.
HidrateMe. 운동량에 맞춰 먹을 물이 양이 달라져.
지금 궁리중인 것.
Taxi services for the blind. 시각 장애인이 원하는 방식은 뭘까?
카카오택시와도 협의 중.
@ 처방전달/임상의사결정 – 차원철 (삼성서울병원 응급의학과, 전략정보실 차장)
다음 달에 응급실로 돌아간다.
오늘은 다윈 오픈 과정에서 겪은 경험 중심으로 이야기.
CDW Clinical Data Warehouse 연구용.
EDW Enterprise Data Warehouse 경영 관련.
CPOE Disadvantages.
CPOE가 잡을 수 있는 오류는 절반이 안돼.
Alerts 많아.
Multiple steps
Access limitation 환자와 접근을 제약해.
CPOE를 잘못 사용해 오류를 발생시키는 경우도 있다는 논문. 처방이 쉬운 탓.
리더십 중요. 왜 해야 하는지 설명해 줘야 함.
Implementation is 90% organizational & political, 10% technical.
CDSS.
미국의 경우 환자 진료 중 중요 정보를 평균 4개 놓친다고. 그만큼 시간이 부족.
현재는 범퍼카, 앞으로 이상은 내비게이션.
Lexicomp.
@ 의료정보 표준 – 이병기 (삼성서울병원 디지털헬스케어 연구센터)
용어, 메시지, 문서, 콘텐트 모델, FHIR, IHE Profiles.
용어의 개수를 줄이는 게 용어 표준화가 아니다.
개념을 정리하는 게 진짜 표준화.
Structured terminology.
ICD International Classification of Diseases. 보험 청구에 이용.
SNOMED-CT Systematized Nomenclature of Medicine-Clinical Terms.
임상 정보를 표현하는 가장 포괄적인 용어 체계. Relationship도 포함. 새 용어 조합 가능.
두 가지 라이선스가 있는데, 한국은 없어.
LOINC 진단 검사 관련 용어 체계.
HL7은 의료정보 전자 교환을 위한 표준.
문서 목적은 보관, 메시지 목적은 요청 전달.
Version 2.x에는 Messaging만. V3에 Foundation, Messaging, Documents (CDA / SPL), Services.
미국 V2 Messaging을, 영연방 쪽은 V3 Messaging을 쓴다.
V3 Messaging은 XML 기반.
삼성서울병원에서도 V2 Messaging 씀.
HL7 CDA Clinical Document Architecture.
CCD Continuity of Care Document. CDA implementation guide의 하나.
애플 OS10 Health Kit에서 CCD 쓸 거라 발표.
Content Model은 EMR을 표준화하려는 것인데 논란 있음.
유럽 쪽에서는 National EMR에 관심, 미국은 그렇지 않아.
잘 쓰지 않아.
CIMI 따로 하다가 HL7 밑으로 들어옴. HL7 CIMI Working Group.
FHIR는 새로운 표준. HL7 V4 될 것으로 기대.
Fast Healthcare Interoperability Resource. 2014년 Draft Release.
V3는 모델링 전문가들이 만들어, 개발자들의 지옥.
FHIR는 개발자들이 만든 표준.
REST, Messages, Documents, Services.
발표자 개인 의견은 REST, Messages는 쓸 것,
Documents는 V3 CDA가 있고 많이 투자한 상태라, 안쓸 것 같고,
Services는 쓸모 있는지 잘 모르겠다.
FHIR Resource 100-150개 정도 정의하려고 함.
SMART on FHIR – Open Platform Architecture.
기존 SMART 프로젝트에 FHIR를 적용.
개발 공수를 줄일 수 있음을 보여줌.
IHE Integrating the Healthcare Enterprise.
여러 표준을 기반으로 integration profiles를 만드는 조직.
@ Clinical Data Warehouse – 장동경 (삼성서울병원 디지털헬스케어 센터장)
소화기내과 의사.
다윈 구축 경험을 공유할 것. 정옥순 수석이 이어서 디테일 설명하고.
DW 특성. 주제 지향, 통합, 시계열, 비휘발성.
데이터 클리닝 중요.
가령, 검사 기계 바뀐 경우 이전, 이후 정상 수치에 대한 기준 달라질 수 있어.
시계열 나열할 때 수치 보정 필요.
EMR의 경우 사람마다 표현이 다를 수도. 여러 기록 모을 때 text analysis 필요.
엑스레이 판독 결과 등도 마찬가지.
HIMSS 2016에서 5개 헬스 테크놀로지.
Clinical data warehousing/mining
Nurse staffing/scheduling
Electronic data interchange/clearinghouse
In-house transcription
Medical necessity checking content
미국 paradigm shift – From Quantity to Quality.
Fee for Service to Pay for Performance.
평가가 정확해야, 그러려면 데이터 모아야, 그러려면 EMR 깔아야.
HIMSS 7 EMR adoption level 받으려면 DW 활용해야 함.
Healthcare Analytics Adoption Model.
Technical challenges.
Different data representations.
Variation in application update timing.
Variation in application vocabularies.
The greatest challenge is people.
접근 방식 Source, requirement, knowledge-driven.
연구용으로는 source, knowledge-driven이 낫다.
확장성, 재사용성 생각하면 knowledge-driven이 좋겠다.
Early binding: Inmon, Kimball, and I2B2.
No binding: Hadoop, MapReduce, PIG.
Late binding: Health Catalyst.
스케일 아웃 vs. 스케일 업.
RDBMS vs. NoSQL.
@ 다양한 의료정보시스템 비교 – 최종수 (삼성서울병원 정보전략팀장)
86학번이다.
1994년 삼성서울병원 개원할 때 페이퍼리스 지향.
우리 나라 대형 병원 자체 EMR, 미국은 솔루션 도입해 쓴다.
미국은 EMR 적용 거의 완료. 지금까지 인센티브를 줬지만, 앞으로는 페널티.
Epic.
2014년 매출 2조원, 직원 1만명. 인당 매출 2억원.
Mayo clinic의 데이터 센터를 46백만 달러에 샀다. 데이터 확보해 분석할 것.
Cerner.
Epic은 의료 출신, Cerner는 공학 기반처럼 보이더라.
2014년 매출 4조원, 2015년 직원 2만명 넘어.
180개 패키지로 구성된 제품.
Allscripts. Precision medicine. 유전자 분석 통해 우울증 환자에 정확한 약 추천.
Visualdx. 환자 이미지로부터 진단.
@ Predictive modeling and medical decisions – 원홍희 (삼성융합의과학원)
IBM Watson.
Google influenza trends.
Framingham Heart Cohort. 미국 매사추세츠. 심장 질환. 논문 2000편.
Body = Data source.
EMR, CDW, CDM Common Data Model.
OHDSI Observational Health Data Sciences and Informatics. I/F between CDMs.
Genomic data deluge. 현재 추세 7달에 두 배, 시퀀싱 업체 예상 12달에 두 배.
무어의 법칙 (18달에 두 배)보다 더 빨라.
기계 학습. 비지도 vs. 지도.
딥 러닝 = 딥 뉴럴 네트웍.
딥 러닝 성공 요인. 빅데이터 축적, GPU 사용, 알고리즘 개선.
NVidia 주가가 오르고 있어. 그래픽.
Dropout.
Genomics.
Human genome project 10년 이상. 20억불 이상. 2003년 완료.
International HapMap project. 2002-2009.
GWAS. Genome-wide association study.
23andme. 60만명 데이터 연구 사용 동의.
CDRV Common Disease Rare Variants.
Exome chip.
100K Genomes Project. 2015년 시작. 영국.
울산 만명 게놈 프로젝트.
Human gene knockouts.
EMR + Genomics. 미국에서 시도 중. Geisinger Health System.
댓글