Where deterministic matching ends: cleaning and matching patient records with AI

개요

환자 기록의 중복을 해결하기 위해 AI를 활용한 데이터 정제 및 매칭 방법론은 기술적 복잡성에도 불구하고 환자 안전 및 규정 준수를 위해 필수적입니다.

주요 내용

* 환자 기록 중복의 현실: 여러 시스템을 사용하는 조직에서는 동일한 환자의 기록이 다양한 형식(잘못된 이름, 누락된 정보, 오타, 새로운 기록 생성 등)으로 여러 개 존재할 수 있습니다.
* 규정 준수의 중요성: 호주에서는 NSQHS Standard 6에 따라 등록, 진료, 이송 및 퇴원 시 최소 세 가지 승인된 환자 식별자를 사용해야 하며, 매칭 프로세스에 대한 문서화가 요구됩니다.
* 개별 의료 식별자(IHI)의 한계: IHI는 평생 지속되지만, 은퇴된 IHI 기록이 검색 결과에 나타나거나, 메시지 검색 실패, 식별자 상태 플래그의 오작동, 특정 인구 집단의 매칭 실패와 같은 문제가 존재합니다.
* 결정론적 매칭(Deterministic Matching): 대부분의 중복 기록은 규칙 기반의 결정론적 방식을 통해 해결됩니다. 이는 데이터 정규화, 블로킹, 비교 과정을 포함하며, 신뢰할 수 있는 식별자 매칭, 정규화된 복합 키 비교 등을 통해 자동 해결하거나 검토 대기열로 분류합니다.
* AI(LLM)의 역할: 결정론적 매칭을 통과한 복잡한 사례(문화적 차이로 인한 이름 순서 변경, 결혼/기혼 전 이름, 동일 주소의 형제자매, 단일 이름을 분리된 필드에 저장한 경우 등)에서 LLM은 기록을 읽고, 증거를 평가하며, 검토자가 수락하거나 거부할 수 있는 명확한 이유를 제시하는 데 유용합니다.
* AI 모델 설계 고려사항: AI 모델은 병합을 직접 결정하지 않고, 검토 대기열의 순위를 지정하고 정당성을 초안으로 작성해야 하며, 최종 결정은 사람이 내리고 기록되어야 합니다. 모든 병합은 되돌릴 수 있어야 합니다.
* 데이터 완전성의 중요성: 알고리즘 선택보다 필드의 완전성이 더 중요합니다. AIHW의 COVID-19 연계 데이터셋 분석 결과, 주소 정보 부족, 고령층, 성별 정보의 불일치 등이 매칭 실패율을 높이는 요인으로 나타났습니다.
* 통합 아키텍처: 환자 기록 매칭 시스템은 개별 소스 시스템 내부가 아닌, 외부 레이어로 구축되어야 합니다. Centazio와 같은 통합 플랫폼을 사용하여 변경 사항을 중앙 데이터베이스로 전송하고, AU Core v1.0.0 (FHIR R4 기반)과 같은 표준 데이터 형태로 변환합니다.
* 비용 및 규제: LLM 사용 비용은 크지 않지만, 검토자의 시간이 주요 예산 항목입니다. 2026년 12월 10일부터 발효되는 Privacy and Other Legislation Amendment Act 2024는 자동화된 의사 결정에 대한 고지 의무를 부여하며, 규정 위반 시 높은 벌금이 부과될 수 있습니다.
* 접근 방식: 먼저 결정론적 규칙을 프로덕션 데이터 복사본에 적용하여 자동 병합 수, 검토 대기열 크기를 측정하고, 소규모 샘플에 대한 수동 검토를 통해 베이스라인, 대기열 크기, 훈련 세트를 확보하는 것이 효율적입니다.

시사점

AI 기반 환자 기록 매칭은 기술적 과제에도 불구하고 규정 준수, 환자 안전 증진, 데이터 정확성 향상을 위해 필수적이며, 데이터 완전성과 명확한 의사 결정 절차, 그리고 규제 변화에 대한 선제적 대비가 중요합니다.