Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

디지털 헬스케어, 그리고 예상되는 법적 이슈들

1,552 views

Published on

2019년 4월 10일 발표자료입니다.

Published in: Business

디지털 헬스케어, 그리고 예상되는 법적 이슈들

  1. 1. 의료의 미래, 디지털 헬스케어 그리고 예상되는 법적 이슈들 Professor, SAHIST, Sungkyunkwan University Director, Digital Healthcare Institute Yoon Sup Choi, Ph.D.
  2. 2. Disclaimer 저는 위의 회사들과 지분 관계, 자문 등으로 이해 관계가 있음을 밝힙니다. 스타트업 벤처캐피털
  3. 3. “It's in Apple's DNA that technology alone is not enough. 
 It's technology married with liberal arts.”
  4. 4. The Convergence of IT, BT and Medicine
  5. 5. 최윤섭 지음 의료인공지능 표지디자인•최승협 컴퓨터 털 헬 치를 만드는 것을 화두로 기업가, 엔젤투자가, 에반 의 대표적인 전문가로, 활 이 분야를 처음 소개한 장 포항공과대학교에서 컴 동 대학원 시스템생명공 취득하였다. 스탠퍼드대 조교수, KT 종합기술원 컨 구원 연구조교수 등을 거 저널에 10여 편의 논문을 국내 최초로 디지털 헬스 윤섭 디지털 헬스케어 연 국내 유일의 헬스케어 스 어 파트너스’의 공동 창업 스타트업을 의료 전문가 관대학교 디지털헬스학과 뷰노, 직토, 3billion, 서지 소울링, 메디히어, 모바일 자문을 맡아 한국에서도 고 있다. 국내 최초의 디 케어 이노베이션』에 활발 을 연재하고 있다. 저서로 와 『그렇게 나는 스스로 •블로그_ http://www •페이스북_ https://w •이메일_ yoonsup.c 최윤섭 의료 인공지능은 보수적인 의료 시스템을 재편할 혁신을 일으키고 있다. 의료 인공지능의 빠른 발전과 광범위한 영향은 전문화, 세분화되며 발전해 온 현대 의료 전문가들이 이해하기가 어려우며, 어디서부 터 공부해야 할지도 막연하다. 이런 상황에서 의료 인공지능의 개념과 적용, 그리고 의사와의 관계를 쉽 게 풀어내는 이 책은 좋은 길라잡이가 될 것이다. 특히 미래의 주역이 될 의학도와 젊은 의료인에게 유용 한 소개서이다. ━ 서준범, 서울아산병원 영상의학과 교수, 의료영상인공지능사업단장 인공지능이 의료의 패러다임을 크게 바꿀 것이라는 것에 동의하지 않는 사람은 거의 없다. 하지만 인공 지능이 처리해야 할 의료의 난제는 많으며 그 해결 방안도 천차만별이다. 흔히 생각하는 만병통치약 같 은 의료 인공지능은 존재하지 않는다. 이 책은 다양한 의료 인공지능의 개발, 활용 및 가능성을 균형 있 게 분석하고 있다. 인공지능을 도입하려는 의료인, 생소한 의료 영역에 도전할 인공지능 연구자 모두에 게 일독을 권한다. ━ 정지훈, 경희사이버대 미디어커뮤니케이션학과 선임강의교수, 의사 서울의대 기초의학교육을 책임지고 있는 교수의 입장에서, 산업화 이후 변하지 않은 현재의 의학 교육 으로는 격변하는 인공지능 시대에 의대생을 대비시키지 못한다는 한계를 절실히 느낀다. 저와 함께 의 대 인공지능 교육을 개척하고 있는 최윤섭 소장의 전문적 분석과 미래 지향적 안목이 담긴 책이다. 인공 지능이라는 미래를 대비할 의대생과 교수, 그리고 의대 진학을 고민하는 학생과 학부모에게 추천한다. ━ 최형진, 서울대학교 의과대학 해부학교실 교수, 내과 전문의 최근 의료 인공지능의 도입에 대해서 극단적인 시각과 태도가 공존하고 있다. 이 책은 다양한 사례와 깊 은 통찰을 통해 의료 인공지능의 현황과 미래에 대해 균형적인 시각을 제공하여, 인공지능이 의료에 본 격적으로 도입되기 위한 토론의 장을 마련한다. 의료 인공지능이 일상화된 10년 후 돌아보았을 때, 이 책 이 그런 시대를 이끄는 길라잡이 역할을 하였음을 확인할 수 있기를 기대한다. ━ 정규환, 뷰노 CTO 의료 인공지능은 다른 분야 인공지능보다 더 본질적인 이해가 필요하다. 단순히 인간의 일을 대신하는 수준을 넘어 의학의 패러다임을 데이터 기반으로 변화시키기 때문이다. 따라서 인공지능을 균형있게 이 해하고, 어떻게 의사와 환자에게 도움을 줄 수 있을지 깊은 고민이 필요하다. 세계적으로 일어나고 있는 이러한 노력의 결과물을 집대성한 이 책이 반가운 이유다. ━ 백승욱, 루닛 대표 의료 인공지능의 최신 동향뿐만 아니라, 의의와 한계, 전망, 그리고 다양한 생각거리까지 주는 책이다. 논쟁이 되는 여러 이슈에 대해서도 저자는 자신의 시각을 명확한 근거에 기반하여 설득력 있게 제시하 고 있다. 개인적으로는 이 책을 대학원 수업 교재로 활용하려 한다. ━ 신수용, 성균관대학교 디지털헬스학과 교수 최윤섭지음 의료인공지능 값 20,000원 ISBN 979-11-86269-99-2 최초의 책! 계 안팎에서 제기 고 있다. 현재 의 분 커버했다고 자 것인가, 어느 진료 제하고 효용과 안 누가 지는가, 의학 쉬운 언어로 깊이 들이 의료 인공지 적인 용어를 최대 서 다른 곳에서 접 를 접하게 될 것 너무나 빨리 발전 책에서 제시하는 술을 공부하며, 앞 란다. 의사 면허를 취득 저가 도움되면 좋 를 불러일으킬 것 화를 일으킬 수도 슈에 제대로 대응 분은 의학 교육의 예비 의사들은 샌 지능과 함께하는 레이닝 방식도 이 전에 진료실과 수 겠지만, 여러분들 도생하는 수밖에 미래의료학자 최윤섭 박사가 제시하는 의료 인공지능의 현재와 미래 의료 딥러닝과 IBM 왓슨의 현주소 인공지능은 의사를 대체하는가 값 20,000원 ISBN 979-11-86269-99-2 레이닝 방식도 이 전에 진료실과 수 겠지만, 여러분들 도생하는 수밖에 소울링, 메디히어, 모바일 자문을 맡아 한국에서도 고 있다. 국내 최초의 디 케어 이노베이션』에 활발 을 연재하고 있다. 저서로 와 『그렇게 나는 스스로 •블로그_ http://www •페이스북_ https://w •이메일_ yoonsup.c
  6. 6. Inevitable Tsunami of Change
  7. 7. https://rockhealth.com/reports/2018-year-end-funding-report-is-digital-health-in-a-bubble/ •2018년에는 $8.1B 가 투자되며 역대 최대 규모를 또 한 번 갱신 (전년 대비 42.% 증가) •총 368개의 딜 (전년 359 대비 소폭 증가): 개별 딜의 규모가 커졌음 •전체 딜의 절반이 seed 혹은 series A 투자였음 •‘초기 기업들이 역대 최고로 큰 규모의 투자를’, ‘역대 가장 자주’ 받고 있음
  8. 8. 2010 2011 2012 2013 2014 2015 2016 2017 2018 Q1 Q2 Q3 Q4 153 283 476 647 608 568 684 851 765 FUNDING SNAPSHOT: YEAR OVER YEAR 5 Deal Count $1.4B $1.7B $1.7B $627M $603M$459M $8.2B $6.2B $7.1B $2.9B $2.3B$2.0B $1.2B $11.7B $2.3B Funding surpassed 2017 numbers by almost $3B, making 2018 the fourth consecutive increase in capital investment and largest since we began tracking digital health funding in 2010. Deal volume decreased from Q3 to Q4, but deal sizes spiked, with $3B invested in Q4 alone. Average deal size in 2018 was $21M, a $6M increase from 2017. $3.0B $14.6B DEALS & FUNDING INVESTORS SEGMENT DETAIL Source: StartUp Health Insights | startuphealth.com/insights Note: Report based on public data through 12/31/18 on seed (incl. accelerator), venture, corporate venture, and private equity funding only. © 2019 StartUp Health LLC •글로벌 투자 추이를 보더라도, 2018년 역대 최대 규모: $14.6B •2015년 이후 4년 연속 증가 중 https://hq.startuphealth.com/posts/startup-healths-2018-insights-funding-report-a-record-year-for-digital-health
  9. 9. https://rockhealth.com/reports/digital-health-funding-2015-year-in-review/
  10. 10. 5% 8% 24% 27% 36% Life Science & Health Mobile Enterprise & Data Consumer Commerce 9% 13% 23% 24% 31% Life Science & Health Consumer Enterprise Data & AI Others 2014 2015 Investment of GoogleVentures in 2014-2015
  11. 11. startuphealth.com/reports Firm 2017 YTD Deals Stage Early Mid Late 1 7 1 7 2 6 2 6 3 5 3 5 3 5 3 5 THE TOP INVESTORS OF 2017 YTD We are seeing huge strides in new investors pouring money into the digital health market, however all the top 10 investors of 2017 year to date are either maintaining or increasing their investment activity. Source: StartUp Health Insights | startuphealth.com/insights Note: Report based on public data on seed, venture, corporate venture and private equity funding only. © 2017 StartUp Health LLC DEALS & FUNDING GEOGRAPHY INVESTORSMOONSHOTS 20 •Google Ventures와 Khosla Ventures가 각각 7개로 공동 1위, •GE Ventures와 Accel Partners가 6건으로 공동 2위를 기록
 •GV 가 투자한 기업 •virtual fitness membership network를 만드는 뉴욕의 ClassPass •Remote clinical trial 회사인 Science 37 •Digital specialty prescribing platform ZappRx 등에 투자.
 •Khosla Ventures 가 투자한 기업 •single-molecule 검사 장비를 만드는 TwoPoreGuys •Mabu라는 AI-powered patient engagement robot 을 만드는 Catalia Health에 투자.
  12. 12. •최근 3년 동안 Merck, J&J, GSK 등의 제약사들의 디지털 헬스케어 분야 투자 급증 •2015-2016년 총 22건의 deal (=2010-2014년의 5년간 투자 건수와 동일) •Merck 가 가장 활발: 2009년부터 Global Health Innovation Fund 를 통해 24건 투자 ($5-7M) •GSK 의 경우 2014년부터 6건 (via VC arm, SR One): including Propeller Health
  13. 13. 헬스케어넓은 의미의 건강 관리에는 해당되지만, 디지털 기술이 적용되지 않고, 전문 의료 영역도 아닌 것 예) 운동, 영양, 수면 디지털 헬스케어 건강 관리 중에 디지털 기술이 사용되는 것 예) 사물인터넷, 인공지능, 3D 프린터, VR/AR 모바일 헬스케어 디지털 헬스케어 중 모바일 기술이 사용되는 것 예) 스마트폰, 사물인터넷, SNS 개인 유전정보분석 예) 암유전체, 질병위험도, 보인자, 약물 민감도 예) 웰니스, 조상 분석 헬스케어 관련 분야 구성도(ver 0.3) 의료 질병 예방, 치료, 처방, 관리 등 전문 의료 영역 원격의료 원격진료
  14. 14. EDITORIAL OPEN Digital medicine, on its way to being just plain medicine npj Digital Medicine (2018)1:20175 ; doi:10.1038/ s41746-017-0005-1 There are already nearly 30,000 peer-reviewed English-language scientific journals, producing an estimated 2.5 million articles a year.1 So why another, and why one focused specifically on digital medicine? To answer that question, we need to begin by defining what “digital medicine” means: using digital tools to upgrade the practice of medicine to one that is high-definition and far more individualized. It encompasses our ability to digitize human beings using biosensors that track our complex physiologic systems, but also the means to process the vast data generated via algorithms, cloud computing, and artificial intelligence. It has the potential to democratize medicine, with smartphones as the hub, enabling each individual to generate their own real world data and being far more engaged with their health. Add to this new imaging tools, mobile device laboratory capabilities, end-to-end digital clinical trials, telemedicine, and one can see there is a remarkable array of transformative technology which lays the groundwork for a new form of healthcare. As is obvious by its definition, the far-reaching scope of digital medicine straddles many and widely varied expertise. Computer scientists, healthcare providers, engineers, behavioral scientists, ethicists, clinical researchers, and epidemiologists are just some of the backgrounds necessary to move the field forward. But to truly accelerate the development of digital medicine solutions in health requires the collaborative and thoughtful interaction between individuals from several, if not most of these specialties. That is the primary goal of npj Digital Medicine: to serve as a cross-cutting resource for everyone interested in this area, fostering collabora- tions and accelerating its advancement. Current systems of healthcare face multiple insurmountable challenges. Patients are not receiving the kind of care they want and need, caregivers are dissatisfied with their role, and in most countries, especially the United States, the cost of care is unsustainable. We are confident that the development of new systems of care that take full advantage of the many capabilities that digital innovations bring can address all of these major issues. Researchers too, can take advantage of these leading-edge technologies as they enable clinical research to break free of the confines of the academic medical center and be brought into the real world of participants’ lives. The continuous capture of multiple interconnected streams of data will allow for a much deeper refinement of our understanding and definition of most pheno- types, with the discovery of novel signals in these enormous data sets made possible only through the use of machine learning. Our enthusiasm for the future of digital medicine is tempered by the recognition that presently too much of the publicized work in this field is characterized by irrational exuberance and excessive hype. Many technologies have yet to be formally studied in a clinical setting, and for those that have, too many began and ended with an under-powered pilot program. In addition, there are more than a few examples of digital “snake oil” with substantial uptake prior to their eventual discrediting.2 Both of these practices are barriers to advancing the field of digital medicine. Our vision for npj Digital Medicine is to provide a reliable, evidence-based forum for all clinicians, researchers, and even patients, curious about how digital technologies can transform every aspect of health management and care. Being open source, as all medical research should be, allows for the broadest possible dissemination, which we will strongly encourage, including through advocating for the publication of preprints And finally, quite paradoxically, we hope that npj Digital Medicine is so successful that in the coming years there will no longer be a need for this journal, or any journal specifically focused on digital medicine. Because if we are able to meet our primary goal of accelerating the advancement of digital medicine, then soon, we will just be calling it medicine. And there are already several excellent journals for that. ACKNOWLEDGEMENTS Supported by the National Institutes of Health (NIH)/National Center for Advancing Translational Sciences grant UL1TR001114 and a grant from the Qualcomm Foundation. ADDITIONAL INFORMATION Competing interests:The authors declare no competing financial interests. Publisher's note:Springer Nature remains neutral with regard to jurisdictional claims in published maps and institutional affiliations. Change history:The original version of this Article had an incorrect Article number of 5 and an incorrect Publication year of 2017. These errors have now been corrected in the PDF and HTML versions of the Article. Steven R. Steinhubl1 and Eric J. Topol1 1 Scripps Translational Science Institute, 3344 North Torrey Pines Court, Suite 300, La Jolla, CA 92037, USA Correspondence: Steven R. Steinhubl (steinhub@scripps.edu) or Eric J. Topol (etopol@scripps.edu) REFERENCES 1. Ware, M. & Mabe, M. The STM report: an overview of scientific and scholarly journal publishing 2015 [updated March]. http://digitalcommons.unl.edu/scholcom/92017 (2015). 2. Plante, T. B., Urrea, B. & MacFarlane, Z. T. et al. Validation of the instant blood pressure smartphone App. JAMA Intern. Med. 176, 700–702 (2016). Open Access This article is licensed under a Creative Commons Attribution 4.0 International License, which permits use, sharing, adaptation, distribution and reproduction in any medium or format, as long as you give appropriate credit to the original author(s) and the source, provide a link to the Creative Commons license, and indicate if changes were made. The images or other third party material in this article are included in the article’s Creative Commons license, unless indicated otherwise in a credit line to the material. If material is not included in the article’s Creative Commons license and your intended use is not permitted by statutory regulation or exceeds the permitted use, you will need to obtain permission directly from the copyright holder. To view a copy of this license, visit http://creativecommons. org/licenses/by/4.0/. © The Author(s) 2018 Received: 19 October 2017 Accepted: 25 October 2017 www.nature.com/npjdigitalmed Published in partnership with the Scripps Translational Science Institute 디지털 의료의 미래는? 일상적인 의료가 되는 것
  15. 15. What is most important factor in digital medicine?
  16. 16. “Data! Data! Data!” he cried.“I can’t make bricks without clay!” - Sherlock Holmes,“The Adventure of the Copper Beeches”
  17. 17. 새로운 데이터가 새로운 방식으로 새로운 주체에 의해 측정, 저장, 통합, 분석된다. 데이터의 종류 데이터의 질적/양적 측면 웨어러블 기기 스마트폰 유전 정보 분석 인공지능 SNS 사용자/환자 대중
  18. 18. 디지털 헬스케어의 3단계 •Step 1. 데이터의 측정 •Step 2. 데이터의 통합 •Step 3. 데이터의 분석
  19. 19. Digital Healthcare Industry Landscape Data Measurement Data Integration Data Interpretation Treatment Smartphone Gadget/Apps DNA Artificial Intelligence 2nd Opinion Wearables / IoT (ver. 3) EMR/EHR 3D Printer Counseling Data Platform Accelerator/early-VC Telemedicine Device On Demand (O2O) VR Digital Healthcare Institute Diretor, Yoon Sup Choi, Ph.D. yoonsup.choi@gmail.com
  20. 20. Data Measurement Data Integration Data Interpretation Treatment Smartphone Gadget/Apps DNA Artificial Intelligence 2nd Opinion Device On Demand (O2O) Wearables / IoT Digital Healthcare Institute Diretor, Yoon Sup Choi, Ph.D. yoonsup.choi@gmail.com EMR/EHR 3D Printer Counseling Data Platform Accelerator/early-VC VR Telemedicine Digital Healthcare Industry Landscape (ver. 3)
  21. 21. Step 1. 데이터의 측정
  22. 22. Smartphone: the origin of healthcare innovation
  23. 23. Smartphone: the origin of healthcare innovation
  24. 24. 2013? The election of Pope Benedict The Election of Pope Francis
  25. 25. The Election of Pope Francis The Election of Pope Benedict
  26. 26. SummerTanThese Days
  27. 27. Sci Transl Med 2015
  28. 28. 검이경 더마토스코프 안과질환 피부암 기생충 호흡기 심전도 수면 식단 활동량 발열 생리/임신
  29. 29. CellScope’s iPhone-enabled otoscope
  30. 30. CellScope’s iPhone-enabled otoscope
  31. 31. 한국에서는 불법한국에서는 불법
  32. 32. “왼쪽 귀에 대한 비디오를 보면 고막 뒤 에 액체가 보인다. 고막은 특별히 부어 있 거나 모양이 이상하지는 않다. 그러므로 심 한 염증이 있어보이지는 않는다. 네가 스쿠버 다이빙 하면서 압력평형에 어 려움을 느꼈다는 것을 감안한다면, 고막의 움직임을 테스트 할 수 있는 의사에게 직 접 진찰 받는 것도 좋겠다. ...” 한국에서는 불법한국에서는 불법
  33. 33. First Derm 한국에서는 불법한국에서는 불법
  34. 34. AliveCor Heart Monitor (Kardia)
  35. 35. AliveCor Heart Monitor (Kardia)
  36. 36. “심장박동은 안정적이기 때문에, 
 당장 병원에 갈 필요는 없겠습니다. 
 그래도 이상이 있으면 전문의에게 
 진료를 받아보세요. “ 한국에서는 불법한국에서는 불법
  37. 37. 2015년 2017년
  38. 38. 30분-1시간 정도 일상적인 코골이가 있음 이걸 어떻게 믿나?
  39. 39. 녹음을 해줌. PGS와의 analytical validity의 증명?
  40. 40. •PGHD (Patients Generated Health Data) • 환자 유래의 의료 데이터 (공식 번역 없음) • (의사가 아닌) 환자 본인이 (병원 밖의) 일상에서 만들어내는 건강/의료 데이터 •이 데이터는 누구의 것인가 • 전통적인 의료 데이터 (ex. 진료기록)와 달리 소유권이 명확 • 스마트폰으로 측정 - 저장 - 전송 - 병원 EMR •PGHD는 의료 데이터에 속하는가 • 앱으로 측정한 내 코골이 데이터는 의료 데이터인가? •이러한 데이터의 Privacy는 얼마나 보호받는가 • 약관에 동의해야만 앱을 사용할 수 있음 • 이 약관들은 오히려 데이터의 보호를 저해하는 경우 다수 (마케팅 이용, 3자 판매 허용 등) 잠재적 법적 이슈: 스마트폰
  41. 41. Wearable Devices
  42. 42. http://www.rolls-royce.com/about/our-technology/enabling-technologies/engine-health-management.aspx#sense 250 sensors to monitor the “health” of the GE turbines
  43. 43. Fig 1. What can consumer wearables do? Heart rate can be measured with an oximeter built into a ring [3], muscle activity with an electromyographi sensor embedded into clothing [4], stress with an electodermal sensor incorporated into a wristband [5], and physical activity or sleep patterns via an accelerometer in a watch [6,7]. In addition, a female’s most fertile period can be identified with detailed body temperature tracking [8], while levels of me attention can be monitored with a small number of non-gelled electroencephalogram (EEG) electrodes [9]. Levels of social interaction (also known to a PLOS Medicine 2016
  44. 44. Hype or Hope? Source: Gartner
  45. 45. Fitbit
  46. 46. Apple Watch
  47. 47. https://clinicaltrials.gov/ct2/results?term=fitbit&Search=Search •의료기기가 아님에도 Fitbit 은 이미 임상 연구에 폭넓게 사용되고 있음 •Fitbit 이 장려하지 않았음에도, 임상 연구자들이 자발적으로 사용 •Fitbit 을 이용한 임상 연구 수는 계속 증가하는 추세 (16.3(80), 16.8(113), 17.7(173))
  48. 48. •Fitbit이 임상연구에 활용되는 것은 크게 두 가지 경우 •Fitbit 자체가 intervention이 되어서 활동량이나 치료 효과를 증진시킬 수 있는지 여부 •연구 참여자의 활동량을 모니터링 하기 위한 수단
 •1. Fitbit으로 환자의 활동량을 증가시키기 위한 연구들 •Fitbit이 소아 비만 환자의 활동량을 증가시키는지 여부를 연구 •Fitbit이 위소매절제술을 받은 환자들의 활동량을 증가시키는지 여부 •Fitbit이 젊은 낭성 섬유증 (cystic fibrosis) 환자의 활동량을 증가시키는지 여부 •Fitbit이 암 환자의 신체 활동량을 증가시키기 위한 동기부여가 되는지 여부 •2. Fitbit으로 임상 연구에 참여하는 환자의 활동량을 모니터링 •항암 치료를 받은 환자들의 건강과 예후를 평가하는데 fitbit을 사용 •현금이 자녀/부모의 활동량을 증가시키는지 파악하기 위해 fitbit을 사용 •Brain tumor 환자의 삶의 질 측정을 위해 다른 survey 결과와 함께 fitbit을 사용 •말초동맥 질환(Peripheral Artery Disease) 환자의 활동량을 평가하기 위해
  49. 49. Cardiogram •실리콘밸리의 Cardiogram 은 애플워치로 측정한 심박수 데이터를 바탕으로 서비스 •2016년 10월 Andressen Horowitz 에서 $2m의 투자 유치
  50. 50. https://blog.cardiogr.am/what-do-normal-and-abnormal-heart-rhythms-look-like-on-apple-watch-7b33b4a8ecfa •Cardiogram은 심박수에 운동, 수면, 감정, 의료적인 상태가 반영된다고 주장 •특히, 심박 데이터를 기반으로 심방세동(atrial fibrillation)과 심방 조동(atrial flutter)의 detection 시도 Cardiogram
  51. 51. •Cardiogram은 심박 데이터만으로 심방세동을 detection할 수 있다고 주장 •“Irregularly irregular” •high absolute variability (a range of 30+ bpm) •a higher fraction missing measurements •a lack of periodicity in heart rate variability •심방세동 특유의 불규칙적인 리듬을 detection 하는 정도로 생각하면 될 듯 •“불규칙적인 리듬을 가지는 (심방세동이 아닌) 다른 부정맥과 구분 가능한가?” (쉽지 않을듯) •따라서, 심박으로 detection한 환자를 심전도(ECG)로 confirm 하는 것이 필요 Cardiogram for A.Fib
  52. 52. Passive Detection of Atrial Fibrillation Using a Commercially Available Smartwatch Geoffrey H. Tison, MD, MPH; José M. Sanchez, MD; Brandon Ballinger, BS; Avesh Singh, MS; Jeffrey E. Olgin, MD; Mark J. Pletcher, MD, MPH; Eric Vittinghoff, PhD; Emily S. Lee, BA; Shannon M. Fan, BA; Rachel A. Gladstone, BA; Carlos Mikell, BS; Nimit Sohoni, BS; Johnson Hsieh, MS; Gregory M. Marcus, MD, MAS IMPORTANCE Atrial fibrillation (AF) affects 34 million people worldwide and is a leading cause of stroke. A readily accessible means to continuously monitor for AF could prevent large numbers of strokes and death. OBJECTIVE To develop and validate a deep neural network to detect AF using smartwatch data. DESIGN, SETTING, AND PARTICIPANTS In this multinational cardiovascular remote cohort study coordinated at the University of California, San Francisco, smartwatches were used to obtain heart rate and step count data for algorithm development. A total of 9750 participants enrolled in the Health eHeart Study and 51 patients undergoing cardioversion at the University of California, San Francisco, were enrolled between February 2016 and March 2017. A deep neural network was trained using a method called heuristic pretraining in which the network approximated representations of the R-R interval (ie, time between heartbeats) without manual labeling of training data. Validation was performed against the reference standard 12-lead electrocardiography (ECG) in a separate cohort of patients undergoing cardioversion. A second exploratory validation was performed using smartwatch data from ambulatory individuals against the reference standard of self-reported history of persistent AF. Data were analyzed from March 2017 to September 2017. MAIN OUTCOMES AND MEASURES The sensitivity, specificity, and receiver operating characteristic C statistic for the algorithm to detect AF were generated based on the reference standard of 12-lead ECG–diagnosed AF. RESULTS Of the 9750 participants enrolled in the remote cohort, including 347 participants with AF, 6143 (63.0%) were male, and the mean (SD) age was 42 (12) years. There were more than 139 million heart rate measurements on which the deep neural network was trained. The deep neural network exhibited a C statistic of 0.97 (95% CI, 0.94-1.00; P < .001) to detect AF against the reference standard 12-lead ECG–diagnosed AF in the external validation cohort of 51 patients undergoing cardioversion; sensitivity was 98.0% and specificity was 90.2%. In an exploratory analysis relying on self-report of persistent AF in ambulatory participants, the C statistic was 0.72 (95% CI, 0.64-0.78); sensitivity was 67.7% and specificity was 67.6%. CONCLUSIONS AND RELEVANCE This proof-of-concept study found that smartwatch photoplethysmography coupled with a deep neural network can passively detect AF but with some loss of sensitivity and specificity against a criterion-standard ECG. Further studies will help identify the optimal role for smartwatch-guided rhythm assessment. JAMA Cardiol. doi:10.1001/jamacardio.2018.0136 Published online March 21, 2018. Editorial Supplemental content and Audio Author Affiliations: Division of Cardiology, Department of Medicine, University of California, San Francisco (Tison, Sanchez, Olgin, Lee, Fan, Gladstone, Mikell, Marcus); Cardiogram Incorporated, San Francisco, California (Ballinger, Singh, Sohoni, Hsieh); Department of Epidemiology and Biostatistics, University of California, San Francisco (Pletcher, Vittinghoff). Corresponding Author: Gregory M. Marcus, MD, MAS, Division of Cardiology, Department of Medicine, University of California, San Francisco, 505 Parnassus Ave, M1180B, San Francisco, CA 94143- 0124 (marcusg@medicine.ucsf.edu). Research JAMA Cardiology | Original Investigation (Reprinted) E1 © 2018 American Medical Association. All rights reserved.
  53. 53. Passive Detection of Atrial Fibrillation Using a Commercially Available Smartwatch Geoffrey H. Tison, MD, MPH; José M. Sanchez, MD; Brandon Ballinger, BS; Avesh Singh, MS; Jeffrey E. Olgin, MD; Mark J. Pletcher, MD, MPH; Eric Vittinghoff, PhD; Emily S. Lee, BA; Shannon M. Fan, BA; Rachel A. Gladstone, BA; Carlos Mikell, BS; Nimit Sohoni, BS; Johnson Hsieh, MS; Gregory M. Marcus, MD, MAS IMPORTANCE Atrial fibrillation (AF) affects 34 million people worldwide and is a leading cause of stroke. A readily accessible means to continuously monitor for AF could prevent large numbers of strokes and death. OBJECTIVE To develop and validate a deep neural network to detect AF using smartwatch data. DESIGN, SETTING, AND PARTICIPANTS In this multinational cardiovascular remote cohort study coordinated at the University of California, San Francisco, smartwatches were used to obtain heart rate and step count data for algorithm development. A total of 9750 participants enrolled in the Health eHeart Study and 51 patients undergoing cardioversion at the University of California, San Francisco, were enrolled between February 2016 and March 2017. A deep neural network was trained using a method called heuristic pretraining in which the network approximated representations of the R-R interval (ie, time between heartbeats) without manual labeling of training data. Validation was performed against the reference standard 12-lead electrocardiography (ECG) in a separate cohort of patients undergoing cardioversion. A second exploratory validation was performed using smartwatch data from ambulatory individuals against the reference standard of self-reported history of persistent AF. Data were analyzed from March 2017 to September 2017. MAIN OUTCOMES AND MEASURES The sensitivity, specificity, and receiver operating characteristic C statistic for the algorithm to detect AF were generated based on the reference standard of 12-lead ECG–diagnosed AF. RESULTS Of the 9750 participants enrolled in the remote cohort, including 347 participants with AF, 6143 (63.0%) were male, and the mean (SD) age was 42 (12) years. There were more than 139 million heart rate measurements on which the deep neural network was trained. The deep neural network exhibited a C statistic of 0.97 (95% CI, 0.94-1.00; P < .001) to detect AF against the reference standard 12-lead ECG–diagnosed AF in the external validation cohort of 51 patients undergoing cardioversion; sensitivity was 98.0% and specificity was 90.2%. In an exploratory analysis relying on self-report of persistent AF in ambulatory participants, the C statistic was 0.72 (95% CI, 0.64-0.78); sensitivity was 67.7% and specificity was 67.6%. CONCLUSIONS AND RELEVANCE This proof-of-concept study found that smartwatch photoplethysmography coupled with a deep neural network can passively detect AF but with some loss of sensitivity and specificity against a criterion-standard ECG. Further studies will help identify the optimal role for smartwatch-guided rhythm assessment. JAMA Cardiol. doi:10.1001/jamacardio.2018.0136 Published online March 21, 2018. Editorial Supplemental content and Audio Author Affiliations: Division of Cardiology, Department of Medicine, University of California, San Francisco (Tison, Sanchez, Olgin, Lee, Fan, Gladstone, Mikell, Marcus); Cardiogram Incorporated, San Francisco, California (Ballinger, Singh, Sohoni, Hsieh); Department of Epidemiology and Biostatistics, University of California, San Francisco (Pletcher, Vittinghoff). Corresponding Author: Gregory M. Marcus, MD, MAS, Division of Cardiology, Department of Medicine, University of California, San Francisco, 505 Parnassus Ave, M1180B, San Francisco, CA 94143- 0124 (marcusg@medicine.ucsf.edu). Research JAMA Cardiology | Original Investigation (Reprinted) E1 © 2018 American Medical Association. All rights reserved. tion from the participant (dependent on user adherence) and by the episodic nature of data obtained. A Samsung Simband (Samsung) exhibited high sensitivity and specificity for AF de- 32 costs associated with the care of those patients, the potential reduction in stroke could ultimately provide cost savings. SeveralfactorsmakedetectionofAFfromambulatorydata Figure 2. Accuracy of Detecting Atrial Fibrillation in the Cardioversion Cohort 100 80 60 40 20 0 0 10080 Sensitivity,% 1 –Specificity, % 604020 Cardioversion cohortA 100 80 60 40 20 0 0 10080 Sensitivity,% 1 –Specificity, % 604020 Ambulatory subset of remote cohortB A, Receiver operating characteristic curve among 51 individuals undergoing in-hospital cardioversion. The curve demonstrates a C statistic of 0.97 (95% CI, 0.94-1.00), and the point on the curve indicates a sensitivity of 98.0% and a specificity of 90.2%. B, Receiver operating characteristic curve among 1617 individuals in the ambulatory subset of the remote cohort. The curve demonstrates a C statistic of 0.72 (95% CI, 0.64-0.78), and the point on the curve indicates a sensitivity of 67.7% and a specificity of 67.6%. Table 3. Performance Characteristics of Deep Neural Network in Validation Cohortsa Cohort % AUCSensitivity Specificity PPV NPV Cardioversion cohort (sedentary) 98.0 90.2 90.9 97.8 0.97 Subset of remote cohort (ambulatory) 67.7 67.6 7.9 98.1 0.72 Abbreviations: AUC, area under the receiver operating characteristic curve; NPV, negative predictive value; PPV, positive predictive value. a In the cardioversion cohort, the atrial fibrillation reference standard was 12-lead electrocardiography diagnosis; in the remote cohort, the atrial fibrillation reference standard was limited to self-reported history of persistent atrial fibrillation. Research Original Investigation Passive Detection of Atrial Fibrillation Using a Commercially Available Smartwatch AUC=0.98 AUC=0.72 • In external validation using standard 12-lead ECG, algorithm performance achieved a C statistic of 0.97. • The passive detection of AF from free-living smartwatch data has substantial clinical implications. • Importantly, the accuracy of detecting self-reported AF in an ambulatory setting was more modest (C statistic of 0.72)
  54. 54. 애플워치4: 심전도, 부정맥, 낙상 측정 FDA 의료기기 인허가 •De Novo 의료기기로 인허가 받음 (새로운 종류의 의료기기) •9월에 발표하였으나, 부정맥 관련 기능은 12월에 활성화 •미국 애플워치에서만 가능하고, 한국은안 됨 (미국에서 구매한 경우, 한국 앱스토어 ID로 가능)
  55. 55. • 애플워치4 부정맥 (심방세동) 측정 기능 • ‘진단’이나 기존 환자의 ‘관리’ 목적이 아니라, • ‘측정’ 목적 • 기존에 진단 받지 않은 환자 중에, • 심방세동이 있는 사람을 확인하여 병원으로 연결
 • 정확성을 정말 철저하게 검증했는가? • 애플워치에 의해서 측정된 심방세동의 20% 정도가 • 패치 형태의 ECG 모니터에서 측정되지 않음 • 즉, false alarm 이 많을 수 있음 
 • 불필요한 병원 방문, 검사, 의료 비용 발생 등을 우려하고 있음
  56. 56. https://www.scripps.edu/science-and-medicine/translational-institute/about/news/oran-ecg-app/index.html?fbclid=IwAR02Z8SG679-svCkyxBhv3S1JUOSFQlI6UCvNu3wvUgyRmc1r2ft963MFmM • 애플워치4의 심방세동 측정 기능의 ‘위험성’ 경고 • 일반인을 대상의 측정에서 false positive의 위험 • (실제로는 심방세동 없는데, 있는 것으로 잘못 나온 케이스) • False positive가 많은 PSA 검사와 비교하여 설명 • 특히, 애플워치는 PSA와 달리 장기적인 정확성 데이터조차 없음 • 의료기기 인허가를 받기는 했으나, • 애플워치4가 얼마나 정확한지는 아무도 모름..
  57. 57. •American College of Cardiology’s 68th Annual Scientific Session •전체 임상 참여자 중에서 irregular pusle notification 받은 사람은 불과 0.5% •애플워치와 ECG patch를 동시에 사용한 결과 71%의 positive predictive value.  •irregular pusle notification 받은 사람 중 84%가 그 시점에 심방세동을 가짐 •f/u으로 그 다음 일주일 동안 ECG patch를 착용한 사람 중 34%가 심방세동을 발견 •Irregular pusle notification 받은 사람 중에 실제로 병원에 간 사람은 57% (전체 환자군의 0.3%)
  58. 58. •애플워치의 정확성은 인허가 전 얼마나 검증되었는가 • 부정맥 측정 정확성에 대한 데이터가 공개되지 않음 •오류 때문에 발생하는 부작용/의료사고에 대한 책임은 • false positive: 병원/보험에 대한 손실, 다른 환자에 대한 피해, 의료 비용 • false negative: 오진에 대한 피해 (진단은 indication이 아니긴 함) •심전도/부정맥 측정은 원격의료인가 • 심전도를 측정해서 (환자가 원하면) PDF로 의사에게 보낼 수 있음 • (한국적 의미에서) 이것이 원격의료에 포함되는가? (휴이노 규제 샌드박스 이슈) •기막힌 인허가 타이밍 • 애플 행사 전날에 맞춰(?) FDA 인허가 • 인허가 해당 소식을 언론도 애플 행사에서 잠재적 법적 이슈: 애플워치
  59. 59. Google’s Smart Contact Lens
  60. 60. Ingestible Sensor, Proteus Digital Health
  61. 61. Ingestible Sensor, Proteus Digital Health
  62. 62. n n- ng n es h- n ne ne ct d n- at s- or e, ts n a- gs d ch Nat Biotech 2015
  63. 63. 건강관리서비스 웨어러블+보험사
  64. 64. 열심히 운동하면 돈을 준다! : 액티비티 트레커와 보험사의 연계
  65. 65. •Misfit Flash 와 뉴욕의 보험사 스타트업 Oscar 의 연계 •보험 가입자 전원에게 Misfit Flash 를 지급 (최초) •하루의 목표 걸음 수를 달성하면, 하루에 $1 씩 인센티브 •1년에 최대 $240 까지 수령 가능 •아마존 기프트카드로 지급 2014.12.9
  66. 66. ATechnical Brief Vitality April 2014 보험사의 재정적인 인센티브에 의한 동기부여 효과 있다
  67. 67. 피트니스 트레킹을 활발하게 한 보험 가입자들의 건강이 더 많이 증진 ATechnical Brief Vitality April 2014
  68. 68. Publication in leading scientific journals VIP studies: Members engaged in Vitality have lower healthcare costs 80% 82% 84% 86% 88% 90% 92% 94% 96% 98% 100% Not registered Admit rate (number of admissions)* Length of stay in hospital (days) Cost per patient ($000) 60% 65% 70% 75% 80% 85% 90% 95% 100% Not registered 80% 85% 90% 95% 100% 105% Not registered Fit people make better patients on a risk-adjusted basis 22 • 더 활동적이며 vitality 에 잘 참여한 사람일수록, • 병원 입원률이 낮아짐 • 입원하더라도 총 입원 기간이 짧아짐 • 의료 비용이 낮아짐
  69. 69. •미국의 대형 보험사 John Hancock •동의한 가입자들에게 Fitbit 을 배포하고, 활동량을 측정하여 •최대 15% 보험료 감면 •하얏트 호텔 숙박권 •아마존 기프트카드 •가입자들의 여러 추가적인 데이터를 바탕으로 '포인트' 부여 •비흡연자: 1,000 포인트 •적정 수준의 콜레스테롤, 혈당을 유지: 각각 1,000 포인트 •일주일에 세번 이상 운동:120 포인트
 (체육관에 갔는지, 30분 이상 머무는지를 GPS 통해 확인) 2015.4.8
  70. 70. 2015.4.8 “ 기존에 '일이 터지면' 사후에 대응을 하 는 수동적 모델에서, 미리 가입자들의 발병, 사망 리스크를 선제적으로 낮춰가는 능동적 인 모델로 변화”
  71. 71. •'모든' 보험 상품에 핏빗 등의 웨어러블과 스마트폰을 이용한 interactive policy를 추가
  72. 72. •웨어러블의 데이터를 제공해주면 '공짜'로 $1,000짜리 보험에 가입시켜주는 프로그램 •Amica Life, Greenhouse Life Insurance Company과 협업하여 돌연사에 대한 보험 •데이터의 내용이 보험의 커버리지나 요율 등에 변화를 주지는 않을 것
  73. 73. Beam Technologies
  74. 74. •스마트 칫솔을 기반으로 새로운 치과 보험을 판매하고 있는 Beam Dental •치과 보험에 가입하면 스마트 칫솔과 치약, 치실을 정기 무료 배송 •(사용자 동의하에) 양치질 데이터를 바탕으로 dynamic pricing 
 •KPCB 로부터 $22.5m 규모의 투자를 유치(serise C) •현재 미국의 16개 주에서 서비스, 이번 투자를 바탕으로 연말까지 35개 주로 확대 계획 •“치과 보험 시장은 일반 건강 보험보다 규제와 걸림돌이 적다"
  75. 75. 디지털 헬스케어 기반의 능동적, 선제적 보험 •수동적, 사후적 대응에서 능동적, 선제적 관리로의 변화 •디지털 헬스케어 기반의 가입자 데이터의 측정 •데이터 분석을 통한 가입자 관리: 질병 위험군 분류, 계리 •질병 관리 및 치료에 대한 능동적 개입: 관리 방안 및 인센티브
  76. 76. •보험사의 건강관리서비스, 어디까지 의료행위인가 • 측정: 웨어러블, IoT 기기 등을 통한 PGHD 측정 • 분석: PGHD를 통해 가입자의 건강 상태 분석 • 예측: 이 분석을 통해 향후 가입자의 건강 상태 예측 • 계리: 보험료 재산정 및 인센티브/패널티 부여 • 관리: 건강관리 수단 제시 (추후 언급할 DTx 등) •보험사의 가입자 데이터 활용, 윈-윈은 가능한가 • “개인 정보를 활용해서 보험사의 배를 불린다” •새로운 형태의 보험사, 한국에서 가능한가 • 스마트 칫솔 만드는 회사가, 치과 보험 상품을 만들겠다면? • 당뇨 앱 만드는 회사가, 당뇨 보험 상품을 만들겠다면? 잠재적 법적 이슈: 웨어러블&건강관리서비스
  77. 77. Personal Genome Analysis
  78. 78. 가타카 (1997)
  79. 79. 가타카 (1997)
  80. 80. 2003 Human Genome Project 13 years (676 weeks) $2,700,000,000 2007 Dr. CraigVenter’s genome 4 years (208 weeks) $100,000,000 2008 Dr. James Watson’s genome 4 months (16 weeks) $1,000,000 2009 (Nature Biotechnology) 4 weeks $48,000 2013 1-2 weeks ~$5,000
  81. 81. The $1000 Genome is Already Here!
  82. 82. • 2017년 1월 NovaSeq 5000, 6000 발표 • 몇년 내로 $100로 WES 를 실현하겠다고 공언 • 2일에 60명의 WES 가능 (한 명당 한 시간 이하)
  83. 83. Results within 6-8 weeksA little spit is all it takes! DTC Genetic TestingDirect-To-Consumer
  84. 84. Health Risks
  85. 85. Health Risks
  86. 86. Health Risks
  87. 87. Drug Response
  88. 88. Traits 음주 후 얼굴이 붉어지는가 쓴 맛을 감지할 수 있나 귀지 유형 눈 색깔 곱슬머리 여부 유당 분해 능력 말라리아 저항성 대머리가 될 가능성 근육 퍼포먼스 혈액형 노로바이러스 저항성 HIV 저항성 흡연 중독 가능성
  89. 89. Ancestry Composition
  90. 90. 1,000,000 2,000,000 2007-11 2011-06 2011-10 2012-04 2012-10 2013-04 2013-06 2013-09 2013-12 2014-10 2015-02 2015-06 2016-02 2017-04 2017-11 2018-04 3,000,000 5,000,000 2019-03 10,000,000 Customer growth of 23andMe
  91. 91. 23andMe Chronicle $115m 펀딩 (유니콘 등극) 100만 명 돌파 2006 23andMe 창업 20162007 2012 2013 2014 2015 구글 벤처스 360만 달러 투자 2008 $99 로 가격 인하 FDA 판매 중지 명령 영국에서 DTC 서비스 시작 FDA 블룸증후군 DTC 서비스 허가 FDA에 블룸증후군 테스트 승인 요청 FDA에 510(k) 제출 FDA 510(k) 철회 보인자 등 DTC 서비스 재개 ($199) 캐나다에서 DTC 서비스 시작 Genetech, pFizer가 23andMe 데이터 구입 자체 신약 개발 계획 발표 120만 명 돌파 $399 로 가격 인하Business Regulation 애플 리서치키트와 데이터 수집 협력 50만 명 돌파 30만 명 돌파 TV 광고 시작 2017 FDA의 질병위험도 검사 DTC 서비스 허가 + 관련 규제 면제 프로세스 확립 Digital Healthcare Institute Director,Yoon Sup Choi, PhD yoonsup.choi@gmail.com FDA Pre-Cert FDA Gottlieb 국장, 질병 위험도 유전자 DTC 서비스의 Pre-Cert 발의 BRCA 1/2 DTC 검사 허용 2018 FDA, 질병 위험도 유전자 DTC서비스의 Pre-Cert 발효 200만 명 돌파 500만 명 돌파 GSK에서 $300M 투자 유치 2019 1000만 명 돌파
  92. 92. •개별 제품이 아닌 제조사 기반의 규제를 유전자 DTC 검사에도 적용하는 방안 •Gottlieb 국장: •“23andMe의 규제 과정을 거치면서 FDA도 많이 배웠다” •질병 위험도 DTC 검사를 '한 번' 인허가 받은 회사의 후속 검사는 규제 면제 추진 •한국의 유전자 DTC 규제 방식과의 괴리는 더욱 커질 전망
  93. 93. •질병 위험도 유전자 분석 DTC 서비스에 대해서 Pre-Cert 를 적용 시작 (18. 6. 5) •최초 한 번"만 99% 이상의 analytical validity 를 증명하면, •이 회사는 정확한 유전 정보 분석 서비스를 만들 수 있는 것으로 인정하여, •이후의 서비스는 출시 전 인허가가 면제
 •다만 민감할 수 있는 4가지 종류의 분석에 대해서는 이 규제 완화에서 제외 •산전 진단 •(예방적 스크리닝이나 치료법 결정으로 이어지는) 암 발병 가능성 검사 •약물 유전체 검사 •우성유전질환 유전인자 검사
  94. 94. 한국 DTC 유전정보 분석 제한적 허용 (2016.6.30) • 「비의료기관 직접 유전자검사 실시 허용 관련 고시 제정, 6.30일시행」 • 2015년 12월「생명윤리 및 안전에 관한 법률」개정(‘15.12.29개정, ’16.6.30시행) 과 제9차 무역투자진흥회의(’16.2월) 시 발표한 규제 개선의 후속조치 일환으로 추진 • 민간 유전자검사 업체에서는 혈당, 혈압, 피부노화, 체질량지수 등 12개 검사항목과 관련된 46개 유전자를 직접 검사 가능 http://www.mohw.go.kr/m/noticeView.jsp?MENU_ID=0403&cont_seq=333112&page=1 검사항목 (유전자수) 유전자명 1 체질량지수(3) FTO, MC4R, BDNF 2 중성지방농도(8) GCKR, DOCK7, ANGPTL3, BAZ1B, TBL2, MLXIPL, LOC105375745, TRIB1 3 콜레스테롤(8) CELSR2, SORT1, HMGCR, ABO, ABCA1, MYL2, LIPG, CETP 4 혈 당(8) CDKN2A/B, G6PC2, GCK, GCKR, GLIS3, MTNR1B, DGKB-TMEM195, SLC30A8 5 혈 압(8) NPR3, ATP2B1, NT5C2, CSK, HECTD4, GUCY1A3, CYP17A1, FGF5 6 색소 침착(2) OCA2, MC1R 7 탈 모(3) chr20p11(rs1160312, rs2180439), IL2RA, HLA-DQB1 8 모발 굵기(1) EDAR 9 피부 노화(1) AGER 10 피부 탄력(1) MMP1 11 비타민C농도(1) SLC23A1(SVCT1) 12 카페인대사(2) AHR, CYP1A1-CYP1A2
  95. 95. 분석 항목 분석 항목 예시 DTC (미국) DTC (한국) 개인유전정보 분석 질병 위험도 유방암(안젤리나 졸리) 인허가 간소화 전망 X 약물 민감도 와파린 민감도 X X 열성유전질환 보인자 블룸 증후군 O X 웰니스 카페인 분해, 대머리 O 12개 항목만 가능, 나머지는 불법 조상 분석 O O 의료 분석 암 맞춤치료 Cancer Panel O 병원만 가능 비침습산전진단 (NIPT) 다운증후군 O O DTC 유전정보 분석 서비스 미국 vs. 한국 •미국에서 허용된 보인자 검사, 질병 위험도 예측 검사 DTC 서비스는 여전히 한국에서 불법 •더 큰 문제는 잣대 자체가 FDA 등 글로벌 규제 기조나 산업계에서 통용되는 기준과 다르다는 것. 
 
 
 질병/약물/보인자/웰니스/조상 분석 등의 업계에서 받아들여지는 분류를 무시 •글로벌 수준에 발맞추기는 커녕, 한국에서만 통용되는 자체적인 별도 규제 분류 체계를
 
 
 더 추가하면서, 국내 산업의 갈라파고스화를 자초하고 있음
  96. 96. •규제 샌드박스를 통해 마크로젠 ‘한 회사’만 ‘제한적’ DTC 허용 •매우 제한적: 과연 의미가 있는가 •2년 동안만 •인천경제자유구역(송도)한정 •성인 2,000명 제한 •2년 이후에는 어떻게 할 것인가? •특정 회사에 대한 특혜 시비, 복지부와 업계의 불신…
  97. 97. •제노플랜 •법적으로는 한국계 일본회사? •해외 시장에 집중할 계획인듯
  98. 98. •DTC (Direct-to-Consumer) 유전자 검사 허용 이슈 • 정말 위해도가 높은가 • 근거 기반의 판단 필요 • 미국은 극단적인 negative 규제 시행 (2018~) • 어떤 기준/범위에서 허용해야 하는가 • 국제 규제 동조화 • 자꾸 한국만의 분류를 따로 만듬: 분류 기준이라도 동일하게 • 규제 샌드박스 • 실효성이 있는가 • 문제 해결만 2년 지연 • 규제 회피에 대해서는 어떻게 접근해야 하나 잠재적 법적 이슈: DTC 유전자 검사
  99. 99. https://www.23andme.com/slideshow/research/ 고객의 자발적인 참여에 의한 유전학 연구 깍지를 끼면 어느 쪽 엄지가 위로 오는가? 아침형 인간? 저녁형 인간? 빛에 노출되었을 때 재채기를 하는가? 근육의 퍼포먼스 쓴 맛 인식 능력 음주 후 얼굴이 붉어지나? 유당 분해 효소 결핍? 고객의 81%가 10개 이상의 질문에 자발적 답변 매주 1 million 개의 data point 축적 The More Data, The Higher Accuracy!
  100. 100. January 13, 2015January 6, 2015 Data Business
  101. 101. • 신약 표적 발굴: 더 안전하고 효과적으로 • 표적 치료에 효능을 보일 환자군의 선별에 도움 • 임상시험 환자 리크루팅에 활용 • GSK의 파킨슨 신약: LRRK2 variant 환자군 • LRRK2 variant: 파킨슨 환자 100명 당 1명 보유 • 23andMe는 이미 LRRK2 variant 250명 보유 GSK에 독점적 DB 접근권을 주고, $300m의 투자 유치
  102. 102. •유전자 데이터(를 포함한 건강 데이터)의 판매 비즈니스 • 고객의 (민감한) 데이터를 제3자에게 판매할 수 있는가 • 어느 정도 레벨의 동의를 받아야 하는가 • 판매 수익은 고객 (데이터 원 제공자)과 share 해야 하는가 •의료 데이터 관련 정의/범위 • 의료 데이터의 정의 / 범위 불명확 • 개인식별정보의 정의 / 범위 불명확 • 기술적 vs. 정서적 정의: 유전정보만으로 개인을 식별할 수 있는가? • 비식별화 및 재식별의 정의 불명확 잠재적 법적 이슈: 데이터 판매
  103. 103. 1,000,000 2,000,000 2007-11 2011-06 2011-10 2012-04 2012-10 2013-04 2013-06 2013-09 2013-12 2014-10 2015-02 2015-06 2016-02 2017-04 2017-11 2018-04 3,000,000 5,000,000 2019-03 10,000,000 Customer growth of 23andMe
  104. 104. Human genomes are being sequenced at an ever-increasing rate. The 1000 Genomes Project has aggregated hundreds of genomes; The Cancer Genome Atlas (TGCA) has gathered several thousand; and the Exome Aggregation Consortium (ExAC) has sequenced more than 60,000 exomes. Dotted lines show three possible future growth curves. DNA SEQUENCING SOARS 2001 2005 2010 2015 2020 2025 100 103 106 109 Human Genome Project Cumulativenumberofhumangenomes 1000 Genomes TCGA ExAC Current amount 1st personal genome Recorded growth Projection Double every 7 months (historical growth rate) Double every 12 months (Illumina estimate) Double every 18 months (Moore's law) Michael Einsetein, Nature, 2015
  105. 105. •유방암 유전자 BRCA 에 위험 돌연변이가 있다는 이유로 생명보험 가 입을 거절당한 한 여성의 사연 (2016) •미국은 2008년 GINA (Genetic Information Nondiscrimination Act)라는 유전정보에 따른 차별 금지 법안 •하지만 문제는 이 규정이 건강 보험에만 해당되고 •생명보험(life insurance), 장기 간병 보험(long-term care), 상해 보험(disability insurance) 등에는 해당되지 않음 •의사들은 이런 보험사의 차별 때문에 필요한 환자들조차 유전자 검사 를 받기를 꺼려할까봐 우려 유전 정보에 따른 보험 가입 차별
  106. 106. •2017년 3월 미국 의회 하원에서는 고용주가 직원들에게 corporate wellness program 의 일환으로 유전 정보를 요구할 수 있으며, 직원 이 이를 거절할 경우 건강 보험료를 30% 까지 올릴 수 있는 법안을 통과 •공화당 위원 22명은 전원 찬성을, 민주당 소속 17명은 전원 반대 •아직 최종 입법 되지는 않은 상태 •최종 입법 되기 위해서는 상원 심의도 마쳐야 함 직원은 회사에 유전 정보를 공유해야 한다?
  107. 107. •개인유전정보 DTC 회사와 보험추천 서비스의 협업 •고객이 키트에 타액을 보내면 보맵은 유전자를 분석한 결과에 따라 보험을 관리 •객이 위암에 걸릴 확률이 60% 이상인 유전자를 보유하면, 관련 보험을 추천
 •개인 보험 가입자의 보험사 역선택 이슈 유전 정보를 활용, 보험사를 선택
  108. 108. •보험사의 가입자 선택/차등 • 미국에서는 GINA의 커버 범위 이슈 • 한국에서는 정말 아무 문제가 없을까? (생명윤리법 제 46조) •가입자의 보험사 역선택 • 법적으로 가입자의 보험사 (직간접적) 역선택이 더 가능성 높음 • 결과적으로 모두의 보험료를 높일 것인가? 잠재적 법적 이슈: 유전자와 보험
  109. 109. 디지털 표현형
  110. 110. Digital Phenotype: Your smartphone knows if you are depressed Ginger.io
  111. 111. Digital Phenotype: Your smartphone knows if you are depressed J Med Internet Res. 2015 Jul 15;17(7):e175. The correlation analysis between the features and the PHQ-9 scores revealed that 6 of the 10 features were significantly correlated to the scores: • strong correlation: circadian movement, normalized entropy, location variance • correlation: phone usage features, usage duration and usage frequency
  112. 112. the manifestations of disease by providing a more comprehensive and nuanced view of the experience of illness. Through the lens of the digital phenotype, an individual’s interaction The digital phenotype Sachin H Jain, Brian W Powers, Jared B Hawkins & John S Brownstein In the coming years, patient phenotypes captured to enhance health and wellness will extend to human interactions with digital technology. In 1982, the evolutionary biologist Richard Dawkins introduced the concept of the “extended phenotype”1, the idea that pheno- types should not be limited just to biological processes, such as protein biosynthesis or tissue growth, but extended to include all effects that a gene has on its environment inside or outside ofthebodyoftheindividualorganism.Dawkins stressed that many delineations of phenotypes are arbitrary. Animals and humans can modify their environments, and these modifications andassociatedbehaviorsareexpressionsofone’s genome and, thus, part of their extended phe- notype. In the animal kingdom, he cites damn buildingbybeaversasanexampleofthebeaver’s extended phenotype1. Aspersonaltechnologybecomesincreasingly embedded in human lives, we think there is an important extension of Dawkins’s theory—the notion of a ‘digital phenotype’. Can aspects of ourinterfacewithtechnologybesomehowdiag- nosticand/orprognosticforcertainconditions? Can one’s clinical data be linked and analyzed together with online activity and behavior data to create a unified, nuanced view of human dis- ease?Here,wedescribetheconceptofthedigital phenotype. Although several disparate studies have touched on this notion, the framework for medicine has yet to be described. We attempt to define digital phenotype and further describe the opportunities and challenges in incorporat- ing these data into healthcare. Jan. 2013 0.000 0.002 0.004 Density 0.006 July 2013 Jan. 2014 July 2014 User 1 User 2 User 3 User 4 User 5 User 6 User 7 Date Figure 1 Timeline of insomnia-related tweets from representative individuals. Density distributions (probability density functions) are shown for seven individual users over a two-year period. Density on the y axis highlights periods of relative activity for each user. A representative tweet from each user is shown as an example. npg©2015NatureAmerica,Inc.Allrightsreserved. http://www.nature.com/nbt/journal/v33/n5/full/nbt.3223.html
  113. 113. ers, Jared B Hawkins & John S Brownstein phenotypes captured to enhance health and wellness will extend to human interactions with st Richard pt of the hat pheno- biological sis or tissue effects that or outside m.Dawkins phenotypes can modify difications onsofone’s ended phe- cites damn hebeaver’s ncreasingly there is an heory—the aspects of ehowdiag- Jan. 2013 0.000 0.002 0.004 Density 0.006 July 2013 Jan. 2014 July 2014 User 1 User 2 User 3 User 4 User 5 User 6 User 7 Date Figure 1 Timeline of insomnia-related tweets from representative individuals. Density distributions (probability density functions) are shown for seven individual users over a two-year period. Density on the y axis highlights periods of relative activity for each user. A representative tweet from each user is Your twitter knows if you cannot sleep Timeline of insomnia-related tweets from representative individuals. Nat. Biotech. 2015
  114. 114. Reece & Danforth, “Instagram photos reveal predictive markers of depression” (2016) higher Hue (bluer) lower Saturation (grayer) lower Brightness (darker)
  115. 115. Rao (MVR) (24) .     Results  Both All­data and Pre­diagnosis models were decisively superior to a null model . All­data predictors were significant with 99% probability.57.5;(KAll  = 1 K 49.8)  Pre = 1  7 Pre­diagnosis and All­data confidence levels were largely identical, with two exceptions:  Pre­diagnosis Brightness decreased to 90% confidence, and Pre­diagnosis posting frequency  dropped to 30% confidence, suggesting a null predictive value in the latter case.   Increased hue, along with decreased brightness and saturation, predicted depression. This  means that photos posted by depressed individuals tended to be bluer, darker, and grayer (see  Fig. 2). The more comments Instagram posts received, the more likely they were posted by  depressed participants, but the opposite was true for likes received. In the All­data model, higher  posting frequency was also associated with depression. Depressed participants were more likely  to post photos with faces, but had a lower average face count per photograph than healthy  participants. Finally, depressed participants were less likely to apply Instagram filters to their  posted photos.     Fig. 2. Magnitude and direction of regression coefficients in All­data (N=24,713) and Pre­diagnosis (N=18,513)  models. X­axis values represent the adjustment in odds of an observation belonging to depressed individuals, per  Reece & Danforth, “Instagram photos reveal predictive markers of depression” (2016)     Fig. 1. Comparison of HSV values. Right photograph has higher Hue (bluer), lower Saturation (grayer), and lower  Brightness (darker) than left photograph. Instagram photos posted by depressed individuals had HSV values  shifted towards those in the right photograph, compared with photos posted by healthy individuals.    Units of observation  In determining the best time span for this analysis, we encountered a difficult question:  When and for how long does depression occur? A diagnosis of depression does not indicate the  persistence of a depressive state for every moment of every day, and to conduct analysis using an  individual’s entire posting history as a single unit of observation is therefore rather specious. At  the other extreme, to take each individual photograph as units of observation runs the risk of  being too granular. DeChoudhury et al. (5) looked at all of a given user’s posts in a single day,  and aggregated those data into per­person, per­day units of observation. We adopted this  precedent of “user­days” as a unit of analysis .  5   Statistical framework  We used Bayesian logistic regression with uninformative priors to determine the strength  of individual predictors. Two separate models were trained. The All­data model used all  collected data to address Hypothesis 1. The Pre­diagnosis model used all data collected from  higher Hue (bluer) lower Saturation (grayer) lower Brightness (darker) Digital Phenotype: Your Instagram knows if you are depressed
  116. 116. Digital Phenotype: Your Instagram knows if you are depressed Reece & Danforth, “Instagram photos reveal predictive markers of depression” (2016) . In particular, depressedχ2 07.84, p .17e 64;( All  = 9   = 9 − 1 13.80, p .87e 44)χ2Pre  = 8   = 2 − 1   participants were less likely than healthy participants to use any filters at all. When depressed  participants did employ filters, they most disproportionately favored the “Inkwell” filter, which  converts color photographs to black­and­white images. Conversely, healthy participants most  disproportionately favored the Valencia filter, which lightens the tint of photos. Examples of  filtered photographs are provided in SI Appendix VIII.     Fig. 3. Instagram filter usage among depressed and healthy participants. Bars indicate difference between observed  and expected usage frequencies, based on a Chi­squared analysis of independence. Blue bars indicate  disproportionate use of a filter by depressed compared to healthy participants, orange bars indicate the reverse. 
  117. 117. Digital Phenotype: Your Instagram knows if you are depressed Reece & Danforth, “Instagram photos reveal predictive markers of depression” (2016)   VIII. Instagram filter examples    Fig. S8. Examples of Inkwell and Valencia Instagram filters.  Inkwell converts  color photos to black­and­white, Valencia lightens tint.  Depressed participants  most favored Inkwell compared to healthy participants, Healthy participants 
  118. 118. Mindstrong Health • 스마트폰 사용 패턴을 바탕으로 • 인지능력, 우울증, 조현병, 양극성 장애, PTSD 등을 측정 • 미국 국립정신건강연구소 소장인 Tomas Insel 이 공동 설립 • 아마존의 제프 베조스 투자
  119. 119. BRIEF COMMUNICATION OPEN Digital biomarkers of cognitive function Paul Dagum1 To identify digital biomarkers associated with cognitive function, we analyzed human–computer interaction from 7 days of smartphone use in 27 subjects (ages 18–34) who received a gold standard neuropsychological assessment. For several neuropsychological constructs (working memory, memory, executive function, language, and intelligence), we found a family of digital biomarkers that predicted test scores with high correlations (p < 10−4 ). These preliminary results suggest that passive measures from smartphone use could be a continuous ecological surrogate for laboratory-based neuropsychological assessment. npj Digital Medicine (2018)1:10 ; doi:10.1038/s41746-018-0018-4 INTRODUCTION By comparison to the functional metrics available in other disciplines, conventional measures of neuropsychiatric disorders have several challenges. First, they are obtrusive, requiring a subject to break from their normal routine, dedicating time and often travel. Second, they are not ecological and require subjects to perform a task outside of the context of everyday behavior. Third, they are episodic and provide sparse snapshots of a patient only at the time of the assessment. Lastly, they are poorly scalable, taxing limited resources including space and trained staff. In seeking objective and ecological measures of cognition, we attempted to develop a method to measure memory and executive function not in the laboratory but in the moment, day-to-day. We used human–computer interaction on smart- phones to identify digital biomarkers that were correlated with neuropsychological performance. RESULTS In 2014, 27 participants (ages 27.1 ± 4.4 years, education 14.1 ± 2.3 years, M:F 8:19) volunteered for neuropsychological assessment and a test of the smartphone app. Smartphone human–computer interaction data from the 7 days following the neuropsychological assessment showed a range of correla- tions with the cognitive scores. Table 1 shows the correlation between each neurocognitive test and the cross-validated predictions of the supervised kernel PCA constructed from the biomarkers for that test. Figure 1 shows each participant test score and the digital biomarker prediction for (a) digits backward, (b) symbol digit modality, (c) animal fluency, (d) Wechsler Memory Scale-3rd Edition (WMS-III) logical memory (delayed free recall), (e) brief visuospatial memory test (delayed free recall), and (f) Wechsler Adult Intelligence Scale- 4th Edition (WAIS-IV) block design. Construct validity of the predictions was determined using pattern matching that computed a correlation of 0.87 with p < 10−59 between the covariance matrix of the predictions and the covariance matrix of the tests. Table 1. Fourteen neurocognitive assessments covering five cognitive domains and dexterity were performed by a neuropsychologist. Shown are the group mean and standard deviation, range of score, and the correlation between each test and the cross-validated prediction constructed from the digital biomarkers for that test Cognitive predictions Mean (SD) Range R (predicted), p-value Working memory Digits forward 10.9 (2.7) 7–15 0.71 ± 0.10, 10−4 Digits backward 8.3 (2.7) 4–14 0.75 ± 0.08, 10−5 Executive function Trail A 23.0 (7.6) 12–39 0.70 ± 0.10, 10−4 Trail B 53.3 (13.1) 37–88 0.82 ± 0.06, 10−6 Symbol digit modality 55.8 (7.7) 43–67 0.70 ± 0.10, 10−4 Language Animal fluency 22.5 (3.8) 15–30 0.67 ± 0.11, 10−4 FAS phonemic fluency 42 (7.1) 27–52 0.63 ± 0.12, 10−3 Dexterity Grooved pegboard test (dominant hand) 62.7 (6.7) 51–75 0.73 ± 0.09, 10−4 Memory California verbal learning test (delayed free recall) 14.1 (1.9) 9–16 0.62 ± 0.12, 10−3 WMS-III logical memory (delayed free recall) 29.4 (6.2) 18–42 0.81 ± 0.07, 10−6 Brief visuospatial memory test (delayed free recall) 10.2 (1.8) 5–12 0.77 ± 0.08, 10−5 Intelligence scale WAIS-IV block design 46.1(12.8) 12–61 0.83 ± 0.06, 10−6 WAIS-IV matrix reasoning 22.1(3.3) 12–26 0.80 ± 0.07, 10−6 WAIS-IV vocabulary 40.6(4.0) 31–50 0.67 ± 0.11, 10−4 Received: 5 October 2017 Revised: 3 February 2018 Accepted: 7 February 2018 1 Mindstrong Health, 248 Homer Street, Palo Alto, CA 94301, USA Correspondence: Paul Dagum (paul@mindstronghealth.com) www.nature.com/npjdigitalmed Published in partnership with the Scripps Translational Science Institute • 총 45가지 스마트폰 사용 패턴: 타이핑, 스크롤, 화면 터치 • 스페이스바 누른 후, 다음 문자 타이핑하는 행동 • 백스페이스를 누른 후, 그 다음 백스페이스 • 주소록에서 사람을 찾는 행동 양식
 • 스마트폰 사용 패턴과 인지 능력의 상관 관계 • 20-30대 피험자 27명 • Working Memory, Language, Dexterity etc
  120. 120. BRIEF COMMUNICATION OPEN Digital biomarkers of cognitive function Paul Dagum1 To identify digital biomarkers associated with cognitive function, we analyzed human–computer interaction from 7 days of smartphone use in 27 subjects (ages 18–34) who received a gold standard neuropsychological assessment. For several neuropsychological constructs (working memory, memory, executive function, language, and intelligence), we found a family of digital biomarkers that predicted test scores with high correlations (p < 10−4 ). These preliminary results suggest that passive measures from smartphone use could be a continuous ecological surrogate for laboratory-based neuropsychological assessment. npj Digital Medicine (2018)1:10 ; doi:10.1038/s41746-018-0018-4 INTRODUCTION By comparison to the functional metrics available in other disciplines, conventional measures of neuropsychiatric disorders have several challenges. First, they are obtrusive, requiring a subject to break from their normal routine, dedicating time and often travel. Second, they are not ecological and require subjects to perform a task outside of the context of everyday behavior. Third, they are episodic and provide sparse snapshots of a patient only at the time of the assessment. Lastly, they are poorly scalable, taxing limited resources including space and trained staff. In seeking objective and ecological measures of cognition, we attempted to develop a method to measure memory and executive function not in the laboratory but in the moment, day-to-day. We used human–computer interaction on smart- phones to identify digital biomarkers that were correlated with neuropsychological performance. RESULTS In 2014, 27 participants (ages 27.1 ± 4.4 years, education 14.1 ± 2.3 years, M:F 8:19) volunteered for neuropsychological assessment and a test of the smartphone app. Smartphone human–computer interaction data from the 7 days following the neuropsychological assessment showed a range of correla- tions with the cognitive scores. Table 1 shows the correlation between each neurocognitive test and the cross-validated predictions of the supervised kernel PCA constructed from the biomarkers for that test. Figure 1 shows each participant test score and the digital biomarker prediction for (a) digits backward, (b) symbol digit modality, (c) animal fluency, (d) Wechsler Memory Scale-3rd Edition (WMS-III) logical memory (delayed free recall), (e) brief visuospatial memory test (delayed free recall), and (f) Wechsler Adult Intelligence Scale- 4th Edition (WAIS-IV) block design. Construct validity of the predictions was determined using pattern matching that computed a correlation of 0.87 with p < 10−59 between the covariance matrix of the predictions and the covariance matrix of the tests. Table 1. Fourteen neurocognitive assessments covering five cognitive domains and dexterity were performed by a neuropsychologist. Shown are the group mean and standard deviation, range of score, and the correlation between each test and the cross-validated prediction constructed from the digital biomarkers for that test Cognitive predictions Mean (SD) Range R (predicted), p-value Working memory Digits forward 10.9 (2.7) 7–15 0.71 ± 0.10, 10−4 Digits backward 8.3 (2.7) 4–14 0.75 ± 0.08, 10−5 Executive function Trail A 23.0 (7.6) 12–39 0.70 ± 0.10, 10−4 Trail B 53.3 (13.1) 37–88 0.82 ± 0.06, 10−6 Symbol digit modality 55.8 (7.7) 43–67 0.70 ± 0.10, 10−4 Language Animal fluency 22.5 (3.8) 15–30 0.67 ± 0.11, 10−4 FAS phonemic fluency 42 (7.1) 27–52 0.63 ± 0.12, 10−3 Dexterity Grooved pegboard test (dominant hand) 62.7 (6.7) 51–75 0.73 ± 0.09, 10−4 Memory California verbal learning test (delayed free recall) 14.1 (1.9) 9–16 0.62 ± 0.12, 10−3 WMS-III logical memory (delayed free recall) 29.4 (6.2) 18–42 0.81 ± 0.07, 10−6 Brief visuospatial memory test (delayed free recall) 10.2 (1.8) 5–12 0.77 ± 0.08, 10−5 Intelligence scale WAIS-IV block design 46.1(12.8) 12–61 0.83 ± 0.06, 10−6 WAIS-IV matrix reasoning 22.1(3.3) 12–26 0.80 ± 0.07, 10−6 WAIS-IV vocabulary 40.6(4.0) 31–50 0.67 ± 0.11, 10−4 Received: 5 October 2017 Revised: 3 February 2018 Accepted: 7 February 2018 1 Mindstrong Health, 248 Homer Street, Palo Alto, CA 94301, USA Correspondence: Paul Dagum (paul@mindstronghealth.com) www.nature.com/npjdigitalmed Published in partnership with the Scripps Translational Science Institute Fig. 1 A blue square represents a participant test Z-score normed to the 27 participant scores and a red circle represents the digital biomarker prediction Z-score normed to the 27 predictions. Test scores and predictions shown are a digits backward, b symbol digit modality, c animal fluency, d Wechsler memory Scale-3rd Edition (WMS-III) logical memory (delayed free recall), e brief visuospatial memory test (delayed free recall), and f Wechsler adult intelligence scale-4th Edition (WAIS-IV) block design Digital biomarkers of cognitive function P Dagum 2 1234567890():,; • 스마트폰 사용 패턴과 인지 능력의 상관 관계 • 파란색: 표준 인지 능력 테스트 결과 • 붉은색: 마인드 스트롱의 스마트폰 사용 패턴
  121. 121. •의료 데이터의 범위 확장 • 스마트폰, 트위터, 인스타그램의 ‘패턴’ 으로 건강 상태를 알 수 있다면 • 인스타그램 필터, 트위터 시간, 페이스북 좋아요 빈도: 의료 데이터인가? •프라이버시 침해 가능성 • SNS 등 “사용자가 공개한” 데이터를 바탕으로 건강상태의 판단이 기술적으로 가능 • 이를 어디까지 허용/금지해야 할 것인가? 잠재적 법적 이슈: 디지털 표현형
  122. 122. Step1. 데이터의 측정 •스마트폰 •웨어러블 디바이스 •개인 유전 정보 분석 •디지털 표현형 환자 유래의 의료 데이터 (PGHD)
  123. 123. Step 2. 데이터의 통합
  124. 124. Sci Transl Med 2015
  125. 125. Google Fit
  126. 126. Samsung SAMI
  127. 127. Epic MyChart Epic EHR Dexcom CGM Patients/User Devices EH Hospit Whitings + Apple Watch Apps HealthKit
  128. 128. Hospital B Hospital C Hospital A
  129. 129. Hospital A Hospital B Hospital C interoperability
  130. 130. Hospital B Hospital C Hospital A
  131. 131. •2018년 1월에 출시 당시, 존스홉킨스, UC샌디에고 등 12개의 병원에 연동 •(2019년 2월 현재) 1년 만에 200개 이상의 병원에 연동 •VA와도 연동된다고 밝힘 (with 9 million veterans) •2008년 구글 헬스는 3년 동안 12개 병원에 연동에 그쳤음
  132. 132. Step 3. 데이터의 분석
  133. 133. Data Overload
  134. 134. How to Analyze and Interpret the Big Data?
  135. 135. and/or Two ways to get insights from the big data
  136. 136. 원격의료 • 명시적으로 ‘금지’된 곳은 한국 밖에 없는 듯 • 해외에서는 새로운 서비스의 상당수가 원격의료 기능 포함 • 글로벌 100대 헬스케어 서비스 중 39개가 원격의료 포함 • 다른 모델과 결합하여 갈수록 새로운 모델이 만들어지는 중 • 스마트폰, 웨어러블, IoT, 인공지능, 챗봇 등과 결합 • 10년 뒤 한국 의료에서는?
  137. 137. 원격 의료 원격 진료 원격 환자 모니터링 화상 진료 전화 진료 2차 소견 용어 정리 데이터 판독 원격 수술
  138. 138. •원격 진료: 화상 진료 •원격 진료: 2차 소견 •원격 진료: 애플리케이션 •원격 환자 모니터링 원격 의료에도 종류가 많다.
  139. 139. •원격 진료: 화상 진료 •원격 진료: 2차 소견 •원격 진료: 애플리케이션 •원격 환자 모니터링 원격 의료에도 종류가 많다.
  140. 140. Telemedicine
  141. 141. Average Time to Appointment (Familiy Medicine) Boston LA Portland Miami Atlanta Denver Detroit New York Seattle Houston Philadelphia Washington DC San Diego Dallas Minneapolis Total 0 30 60 90 120 20.3 10 8 24 30 9 17 8 24 14 14 9 7 8 59 63 19.5 10 5 7 14 21 19 23 26 16 16 24 12 13 20 66 29.3 days 8 days 12 days 13 days 17 days 17 days 21 days 26 days 26 days 27 days 27 days 27 days 28 days 39 days 42 days 109 days 2017 2014 2009
  142. 142. 0 125 250 375 500 2013 2014 2015 2016 2017 2018 417.9 233.3 123 77.4 44 20 0 550 1100 1650 2200 2013 2014 2015 2016 2017 2018 2,036 1,461 952 575 299 127 0 6 12 18 24 2013 2014 2015 2016 2017 2018 22.8 19.6 17.5 11.5 8.1 6.2 Revenue ($m) Visits (k) Members (m) Growth of Teladoc
  143. 143. •원격 진료: 화상 진료 •원격 진료: 2차 소견 •원격 진료: 애플리케이션 •원격 환자 모니터링 원격 의료에도 종류가 많다.
  144. 144. CellScope’s iPhone-enabled otoscope 한국에서는 불법
  145. 145. CellScope’s iPhone-enabled otoscope
  146. 146. 한국에서는 불법한국에서는 불법
  147. 147. “왼쪽 귀에 대한 비디오를 보면 고막 뒤 에 액체가 보인다. 고막은 특별히 부어 있 거나 모양이 이상하지는 않다. 그러므로 심 한 염증이 있어보이지는 않는다. 네가 스쿠버 다이빙 하면서 압력평형에 어 려움을 느꼈다는 것을 감안한다면, 고막의 움직임을 테스트 할 수 있는 의사에게 직 접 진찰 받는 것도 좋겠다. ...” 한국에서는 불법한국에서는 불법
  148. 148. AliveCor Heart Monitor (Kardia)
  149. 149. “심장박동은 안정적이기 때문에, 
 당장 병원에 갈 필요는 없겠습니다. 
 그래도 이상이 있으면 전문의에게 
 진료를 받아보세요. “ 한국에서는 불법한국에서는 불법
  150. 150. First Derm 한국에서는 불법한국에서는 불법
  151. 151. •원격 진료: 화상 진료 •원격 진료: 2차 소견 •원격 진료: 애플리케이션 •원격 환자 모니터링 원격 의료에도 종류가 많다.
  152. 152. Epic MyChart Epic EHR Dexcom CGM Patients/User Devices EHR Hospital Whitings + Apple Watch Apps HealthKit
  153. 153. transfer from Share2 to HealthKit as mandated by Dexcom receiver Food and Drug Administration device classification. Once the glucose values reach HealthKit, they are passively shared with the Epic MyChart app (https://www.epic.com/software-phr.php). The MyChart patient portal is a component of the Epic EHR and uses the same data- base, and the CGM values populate a standard glucose flowsheet in the patient’s chart. This connection is initially established when a pro- vider places an order in a patient’s electronic chart, resulting in a re- quest to the patient within the MyChart app. Once the patient or patient proxy (parent) accepts this connection request on the mobile device, a communication bridge is established between HealthKit and MyChart enabling population of CGM data as frequently as every 5 Participation required confirmation of Bluetooth pairing of the CGM re- ceiver to a mobile device, updating the mobile device with the most recent version of the operating system, Dexcom Share2 app, Epic MyChart app, and confirming or establishing a username and password for all accounts, including a parent’s/adolescent’s Epic MyChart account. Setup time aver- aged 45–60 minutes in addition to the scheduled clinic visit. During this time, there was specific verbal and written notification to the patients/par- ents that the diabetes healthcare team would not be actively monitoring or have real-time access to CGM data, which was out of scope for this pi- lot. The patients/parents were advised that they should continue to contact the diabetes care team by established means for any urgent questions/ concerns. Additionally, patients/parents were advised to maintain updates Figure 1: Overview of the CGM data communication bridge architecture. BRIEFCOMMUNICATION Kumar R B, et al. J Am Med Inform Assoc 2016;0:1–6. doi:10.1093/jamia/ocv206, Brief Communication byguestonApril7,2016http://jamia.oxfordjournals.org/Downloadedfrom • Apple HealthKit, Dexcom CGM기기를 통해 지속적으로 혈당을 모니터링한 데이터를 EHR과 통합 • 당뇨환자의 혈당관리를 향상시켰다는 연구결과 • Stanford Children’s Health와 Stanford 의대에서 10명 type 1 당뇨 소아환자 대상으로 수행 (288 readings /day) • EHR 기반 데이터분석과 시각화는 데이터 리뷰 및 환자커뮤니케이션을 향상 • 환자가 내원하여 진료하는 기존 방식에 비해 실시간 혈당변화에 환자가 대응 JAMIA 2016 Remote Patients Monitoring via Dexcom-HealthKit-Epic-Stanford
  154. 154. 의료계 일각에서는 원격 환자 모니터링의 합법화를 요구하기도
  155. 155. •원격의료의 세부 구분 • 다양한 모델이 존재 • 원격 환자 모니터링은 의료계에서도 요구 •기술적 문제라기 보다, 제도적/이해관계/신뢰의 문제 • 붕괴된 한국의 의료 전달 체계: 대형 병원 환자 쏠림 강화 • 정부 - 의료계 신뢰 문제 •필요 없다/사업성 없다 = 규제해야 한다? •의약품 배송 • 아마존의 PillPack 인수 •허용 이후의 질 관리 이슈 • 미국에도 QC가 잘 되지 않고 있다는 연구 결과 다수 잠재적 법적 이슈(?): 원격의료
  156. 156. No choice but to bring AI into the medicine
  157. 157. Martin Duggan,“IBM Watson Health - Integrated Care & the Evolution to Cognitive Computing”
  158. 158. •복잡한 의료 데이터의 분석 및 insight 도출 •영상 의료/병리 데이터의 분석/판독 •연속 데이터의 모니터링 및 예방/예측 의료 인공지능의 세 유형
  159. 159. •복잡한 의료 데이터의 분석 및 insight 도출 •영상 의료/병리 데이터의 분석/판독 •연속 데이터의 모니터링 및 예방/예측 의료 인공지능의 세 유형
  160. 160. Jeopardy! 2011년 인간 챔피언 두 명 과 퀴즈 대결을 벌여서 압도적인 우승을 차지
  161. 161. 메이요 클리닉 협력 (임상 시험 매칭) 전남대병원 도입 인도 마니팔 병원 WFO 도입 식약처 인공지능 가이드라인 초안 메드트로닉과 혈당관리 앱 시연 2011 2012 2013 2014 2015 뉴욕 MSK암센터 협력 (폐암) MD앤더슨 협력 (백혈병) MD앤더슨 파일럿 결과 발표 @ASCO 왓슨 펀드, 웰톡에 투자 뉴욕게놈센터 협력 (교모세포종 분석) GeneMD, 왓슨 모바일 디벨로퍼 챌린지 우승 클리블랜드 클리닉 협력 (암 유전체 분석) 한국 IBM 왓슨 사업부 신설 Watson Health 출범 피텔, 익스플로리스 인수 J&J, 애플, 메드트로닉 협력 에픽 시스템즈, 메이요클리닉 제휴 (EHR 분석) 동경대 도입 ( WFO) 왓슨 펀드, 모더나이징 메디슨 투자 학계/의료계 산업계 패쓰웨이 지노믹스 OME 클로즈드 알파 서비스 시작 트루븐 헬스 인수 애플 리서치 키트 통한 수면 연구 시작 2017 가천대 길병원 도입 메드트로닉 Sugar.IQ 출시 제약사 테바와 제휴 태국 범룽랏 국제 병원, WFO 도입 머지 헬스케어 인수 2016 언더 아머 제휴 브로드 연구소 협력 발표 (유전체 분석-항암제 내 성) 마니팔 병원의 
 WFO 정확성 발표 대구가톨릭병원 대구동산병원 
 도입 부산대병원 도입 왓슨 펀드, 패쓰웨이 지노믹스 투자 제퍼디! 우승 조선대병원 도입 한국 왓슨 컨소시움 출범 쥬피터 
 메디컬 
 센터 도입 식약처 인공지능 가이드라인 메이요 클리닉 임상시험매칭 결과발표 2018 건양대병원 도입 IBM Watson Health Chronicle WFO 최초 논문
  162. 162. 메이요 클리닉 협력 (임상 시험 매칭) 전남대병원 도입 인도 마니팔 병원 WFO 도입 식약처 인공지능 가이드라인 초안 메드트로닉과 혈당관리 앱 시연 2011 2012 2013 2014 2015 뉴욕 MSK암센터 협력 (폐암) MD앤더슨 협력 (백혈병) MD앤더슨 파일럿 결과 발표 @ASCO 왓슨 펀드, 웰톡에 투자 뉴욕게놈센터 협력 (교모세포종 분석) GeneMD, 왓슨 모바일 디벨로퍼 챌린지 우승 클리블랜드 클리닉 협력 (암 유전체 분석) 한국 IBM 왓슨 사업부 신설 Watson Health 출범 피텔, 익스플로리스 인수 J&J, 애플, 메드트로닉 협력 에픽 시스템즈, 메이요클리닉 제휴 (EHR 분석) 동경대 도입 ( WFO) 왓슨 펀드, 모더나이징 메디슨 투자 학계/의료계 산업계 패쓰웨이 지노믹스 OME 클로즈드 알파 서비스 시작 트루븐 헬스 인수 애플 리서치 키트 통한 수면 연구 시작 2017 가천대 길병원 도입 메드트로닉 Sugar.IQ 출시 제약사 테바와 제휴 태국 범룽랏 국제 병원, WFO 도입 머지 헬스케어 인수 2016 언더 아머 제휴 브로드 연구소 협력 발표 (유전체 분석-항암제 내 성) 마니팔 병원의 
 WFO 정확성 발표 부산대병원 도입 왓슨 펀드, 패쓰웨이 지노믹스 투자 제퍼디! 우승 조선대병원 도입 한국 왓슨 컨소시움 출범 쥬피터 
 메디컬 
 센터 도입 식약처 인공지능 가이드라인 메이요 클리닉 임상시험매칭 결과발표 2018 건양대병원 도입 IBM Watson Health Chronicle WFO 최초 논문 대구가톨릭병원 대구동산병원 
 도입
  163. 163. Annals of Oncology (2016) 27 (suppl_9): ix179-ix180. 10.1093/annonc/mdw601 Validation study to assess performance of IBM cognitive computing system Watson for oncology with Manipal multidisciplinary tumour board for 1000 consecutive cases: 
 An Indian experience •인도 마니팔 병원의 1,000명의 암환자 에 대해 의사와 WFO의 권고안의 ‘일치율’을 비교 •유방암 638명, 대장암 126명, 직장암 124명, 폐암 112명 •의사-왓슨 일치율 •추천(50%), 고려(28%), 비추천(17%) •의사의 진료안 중 5%는 왓슨의 권고안으로 제시되지 않음 •일치율이 암의 종류마다 달랐음 •직장암(85%), 폐암(17.8%) •삼중음성 유방암(67.9%), HER2 음성 유방암 (35%)
  164. 164. 잠정적 결론 •왓슨 포 온콜로지와 의사의 일치율: •암종별로 다르다. •같은 암종에서도 병기별로 다르다. •같은 암종에 대해서도 병원별/국가별로 다르다. •시간이 흐름에 따라 달라질 가능성이 있다.
  165. 165. 원칙이 필요하다 •어떤 환자의 경우, 왓슨에게 의견을 물을 것인가? •왓슨을 (암종별로) 얼마나 신뢰할 것인가? •왓슨의 의견을 환자에게 공개할 것인가? •왓슨과 의료진의 판단이 다른 경우 어떻게 할 것인가? •왓슨에게 보험 급여를 매길 수 있는가? 이러한 기준에 따라 의료의 질/치료효과가 달라질 수 있으나, 현재 개별 병원이 개별적인 기준으로 활용하게 됨
  166. 166. ARTICLE OPEN Scalable and accurate deep learning with electronic health records Alvin Rajkomar 1,2 , Eyal Oren1 , Kai Chen1 , Andrew M. Dai1 , Nissan Hajaj1 , Michaela Hardt1 , Peter J. Liu1 , Xiaobing Liu1 , Jake Marcus1 , Mimi Sun1 , Patrik Sundberg1 , Hector Yee1 , Kun Zhang1 , Yi Zhang1 , Gerardo Flores1 , Gavin E. Duggan1 , Jamie Irvine1 , Quoc Le1 , Kurt Litsch1 , Alexander Mossin1 , Justin Tansuwan1 , De Wang1 , James Wexler1 , Jimbo Wilson1 , Dana Ludwig2 , Samuel L. Volchenboum3 , Katherine Chou1 , Michael Pearson1 , Srinivasan Madabushi1 , Nigam H. Shah4 , Atul J. Butte2 , Michael D. Howell1 , Claire Cui1 , Greg S. Corrado1 and Jeffrey Dean1 Predictive modeling with electronic health record (EHR) data is anticipated to drive personalized medicine and improve healthcare quality. Constructing predictive statistical models typically requires extraction of curated predictor variables from normalized EHR data, a labor-intensive process that discards the vast majority of information in each patient’s record. We propose a representation of patients’ entire raw EHR records based on the Fast Healthcare Interoperability Resources (FHIR) format. We demonstrate that deep learning methods using this representation are capable of accurately predicting multiple medical events from multiple centers without site-specific data harmonization. We validated our approach using de-identified EHR data from two US academic medical centers with 216,221 adult patients hospitalized for at least 24 h. In the sequential format we propose, this volume of EHR data unrolled into a total of 46,864,534,945 data points, including clinical notes. Deep learning models achieved high accuracy for tasks such as predicting: in-hospital mortality (area under the receiver operator curve [AUROC] across sites 0.93–0.94), 30-day unplanned readmission (AUROC 0.75–0.76), prolonged length of stay (AUROC 0.85–0.86), and all of a patient’s final discharge diagnoses (frequency-weighted AUROC 0.90). These models outperformed traditional, clinically-used predictive models in all cases. We believe that this approach can be used to create accurate and scalable predictions for a variety of clinical scenarios. In a case study of a particular prediction, we demonstrate that neural networks can be used to identify relevant information from the patient’s chart. npj Digital Medicine (2018)1:18 ; doi:10.1038/s41746-018-0029-1 INTRODUCTION The promise of digital medicine stems in part from the hope that, by digitizing health data, we might more easily leverage computer information systems to understand and improve care. In fact, routinely collected patient healthcare data are now approaching the genomic scale in volume and complexity.1 Unfortunately, most of this information is not yet used in the sorts of predictive statistical models clinicians might use to improve care delivery. It is widely suspected that use of such efforts, if successful, could provide major benefits not only for patient safety and quality but also in reducing healthcare costs.2–6 In spite of the richness and potential of available data, scaling the development of predictive models is difficult because, for traditional predictive modeling techniques, each outcome to be predicted requires the creation of a custom dataset with specific variables.7 It is widely held that 80% of the effort in an analytic model is preprocessing, merging, customizing, and cleaning datasets,8,9 not analyzing them for insights. This profoundly limits the scalability of predictive models. Another challenge is that the number of potential predictor variables in the electronic health record (EHR) may easily number in the thousands, particularly if free-text notes from doctors, nurses, and other providers are included. Traditional modeling approaches have dealt with this complexity simply by choosing a very limited number of commonly collected variables to consider.7 This is problematic because the resulting models may produce imprecise predictions: false-positive predictions can overwhelm physicians, nurses, and other providers with false alarms and concomitant alert fatigue,10 which the Joint Commission identified as a national patient safety priority in 2014.11 False-negative predictions can miss significant numbers of clinically important events, leading to poor clinical outcomes.11,12 Incorporating the entire EHR, including clinicians’ free-text notes, offers some hope of overcoming these shortcomings but is unwieldy for most predictive modeling techniques. Recent developments in deep learning and artificial neural networks may allow us to address many of these challenges and unlock the information in the EHR. Deep learning emerged as the preferred machine learning approach in machine perception problems ranging from computer vision to speech recognition, but has more recently proven useful in natural language processing, sequence prediction, and mixed modality data settings.13–17 These systems are known for their ability to handle large volumes of relatively messy data, including errors in labels Received: 26 January 2018 Revised: 14 March 2018 Accepted: 26 March 2018 1 Google Inc, Mountain View, CA, USA; 2 University of California, San Francisco, San Francisco, CA, USA; 3 University of Chicago Medicine, Chicago, IL, USA and 4 Stanford University, Stanford, CA, USA Correspondence: Alvin Rajkomar (alvinrajkomar@google.com) These authors contributed equally: Alvin Rajkomar, Eyal Oren www.nature.com/npjdigitalmed Published in partnership with the Scripps Translational Science Institute •2018년 1월 구글이 전자의무기록(EMR)을 분석하여, 환자 치료 결과를 예측하는 인공지능 발표 •환자가 입원 중에 사망할 것인지 •장기간 입원할 것인지 •퇴원 후에 30일 내에 재입원할 것인지 •퇴원 시의 진단명
 •이번 연구의 특징: 확장성 •과거 다른 연구와 달리 EMR의 일부 데이터를 pre-processing 하지 않고, •전체 EMR 를 통채로 모두 분석하였음: UCSF, UCM (시카고 대학병원) •특히, 비정형 데이터인 의사의 진료 노트도 분석 Nat Digi Med 2018
  167. 167. Nat Digi Med 2018 clinically-used predictive models. Because we were inte understanding whether deep learning could scale to valid predictions across divergent healthcare domains, w single data structure to make predictions for an importan outcome (death), a standard measure of quality of ca missions), a measure of resource utilization (length of sta measure of understanding of a patient’s problems (diagn Second, using the entirety of a patient’s chart fo prediction does more than promote scalability, it expos data with which to make an accurate prediction. For pr made at discharge, our deep learning models consider than 46 billion pieces of EHR data and achieved more predictions, earlier in the hospital stay, than did tr models. To the best of our knowledge, our models outperform EHR models in the medical literature for predicting (0.92–0.94 vs 0.91),42 unexpected readmission (0.75– 0.69),43 and increased length of stay (0.85–0.86 vs 0.77). comparisons to other studies are difficult45 because of underlying study designs,23,46–57 incomplete definitions o and outcomes,58,59 restrictions on disease-specific cohort use of data unavailable in real-time.63,65,66 Theref implemented baselines based on the HOSPITAL score,67 score, and Liu’s model44 on our data, and demonstrat better performance. We are not aware of a study that pr many ICD codes as this study, but our micro-F1 score exce shown on the smaller MIMIC-III dataset when predictin diagnoses (0.40 vs 0.28).68 The clinical impact of this impr is suggested, for example, by the improvement of numbe to evaluate for inpatient mortality: the deep learning mod fire half the number of alerts of a traditional predictive resulting in many fewer false positives. However, the novelty of the approach does not lie s token is considered as a potential predictor by the deep learning model. The line within the boxplot represents the median, represents the interquartile range (IQR), and the whiskers are 1.5 times the IQR. The number of tokens increased steadily from adm discharge. At discharge, the median number of tokens for Hospital A was 86,477 and for Hospital B was 122,961 Table 2. Prediction accuracy of each task made at different time points Hospital A Hospital B Inpatient mortality, AUROCa (95% CI) 24 h before admission 0.87 (0.85–0.89) 0.81 (0.79–0.83) At admission 0.90 (0.88–0.92) 0.90 (0.86–0.91) 24 h after admission 0.95 (0.94–0.96) 0.93 (0.92–0.94) Baseline (aEWSb ) at 24 h after admission 0.85 (0.81–0.89) 0.86 (0.83–0.88) 30-day readmission, AUROC (95% CI) At admission 0.73 (0.71–0.74) 0.72 (0.71–0.73) At 24 h after admission 0.74 (0.72–0.75) 0.73 (0.72–0.74) At discharge 0.77 (0.75–0.78) 0.76 (0.75–0.77) Baseline (mHOSPITALc ) at discharge 0.70 (0.68–0.72) 0.68 (0.67–0.69) Length of stay at least 7 days, AUROC (95% CI) At admission 0.81 (0.80–0.82) 0.80 (0.80–0.81) At 24 h after admission 0.86 (0.86–0.87) 0.85 (0.85–0.86) Baseline (Liud ) at 24 h after admission 0.76 (0.75–0.77) 0.74 (0.73–0.75) Discharge diagnoses (weighted AUROC) At admission 0.87 0.86 At 24 h after admission 0.89 0.88 At discharge 0.90 0.90 a Area under the receiver operator curve b Augmented Early Warning System score c Modified HOSPITAL score for readmission d Modified Liu score for long length of stay •2018년 1월 구글이 전자의무기록(EMR)을 분석하여, 환자 치료 결과를 예측하는 인공지능 발표 •환자가 입원 중에 사망할 것인지 •장기간 입원할 것인지 •퇴원 후에 30일 내에 재입원할 것인지 •퇴원 시의 진단명
 •이번 연구의 특징: 확장성 •과거 다른 연구와 달리 EMR의 일부 데이터를 pre-processing 하지 않고, •전체 EMR 를 통채로 모두 분석하였음: UCSF, UCM (시카고 대학병원) •특히, 비정형 데이터인 의사의 진료 노트도 분석
  168. 168. •복잡한 의료 데이터의 분석 및 insight 도출 •영상 의료/병리 데이터의 분석/판독 •연속 데이터의 모니터링 및 예방/예측 의료 인공지능의 세 유형
  169. 169. Radiologist
  170. 170. •손 엑스레이 영상을 판독하여 환자의 골연령 (뼈 나이)를 계산해주는 인공지능 • 기존에 의사는 그룰리히-파일(Greulich-Pyle)법 등으로 표준 사진과 엑스레이를 비교하여 판독 • 인공지능은 참조표준영상에서 성별/나이별 패턴을 찾아서 유사성을 확률로 표시 + 표준 영상 검색 •의사가 성조숙증이나 저성장을 진단하는데 도움을 줄 수 있음

×