Causal AI Agents for Precision Medicine

Abstract

“의학 분야 Causal AI 에이전트”

본 웨비나는 의학, 특히 교정 의학 분야에서 인과 관계를 추론하는 Causal AI 에이전트의 개념과 잠재적 응용에 대해 논의했습니다. 주요 핵심 내용은 다음과 같습니다.

1. Causal AI 에이전트의 개념:

전통적인 AI가 상관관계 분석에 그치는 반면, Causal AI는 현상의 원인과 결과(인과 관계)를 이해하고 설명하는 데 초점을 맞춥니다.
AI 에이전트 기능(지능, 상황 인식, 인지, 기억, 학습 능력)을 결합하여 자율적인 의사 결정과 추론을 가능하게 합니다.
정적 지능에서 벗어나 적응적인 시스템을 구축하는 것을 목표로 합니다.

2. 교정 의학에서의 패러다임 전환과 멀티모달 데이터 통합의 중요성:

최근 의료 분야에서는 환자의 건강 상태를 더 깊이 이해하기 위해 멀티모달 데이터(유전체, 영상, 임상 기록 등) 통합의 필요성이 강조되고 있습니다.
개인 맞춤형 치료(정밀 의학)를 위해 다양한 데이터를 효과적으로 활용하는 것이 중요합니다.

3. Causal AI 에이전트의 잠재적 응용 분야:

정밀 진단: 다양한 멀티모달 데이터를 분석하여 질병 위험 예측 및 맞춤형 진단을 제공합니다.
맞춤형 치료 최적화: 환자 개인의 특성에 맞는 최적의 치료 전략을 제시합니다.
약물 재창출 및 신약 개발: 기존 약물 데이터 분석을 통해 새로운 치료 가능성을 탐색하고, 개인 맞춤형 신약 개발을 지원합니다.
질병의 근본 원인 파악: 복잡한 의료 데이터에서 질병 발생의 핵심 원인을 추론하여 더 효과적인 치료법 개발에 기여합니다.
심부전 예측 및 관리: 다양한 생체 데이터를 실시간으로 모니터링하여 심부전 발생 위험을 예측하고 맞춤형 관리 전략을 제시합니다.
디지털 트윈: 환자의 데이터를 기반으로 가상 모델을 구축하여 치료 효과를 예측하고 다양한 시나리오를 시뮬레이션합니다.

4. 기존 AI 및 데이터 활용의 한계:

전통적인 AI는 설명 가능성 부족(블랙박스 모델) 및 상관관계와 인과관계 혼동의 한계를 가지고 있습니다.
의료 데이터의 이질성 및 표준화 부족으로 인해 데이터 통합 및 활용에 어려움이 존재합니다.
데이터 소유권 및 공유에 대한 복잡한 법적 및 윤리적 문제(HIPAA 등)가 데이터 활용을 저해할 수 있습니다.

5. 발표자의 비전 및 향후 방향:

기존의 과학적 연구 성과를 통합하고, AI 에이전트를 활용하여 Causal AI의 모든 과정을 효율적으로 통합하는 플랫폼 개발에 관심을 가지고 있습니다.
새로운 알고리즘 개발보다는 기존 기술의 지능적인 통합 및 실제 임상 적용에 초점을 맞추고 있습니다.
멀티모달 데이터 통합을 위한 AI 에이전트 기반 플랫폼을 구축하여 실시간 통찰력을 제공하고, 정밀 의학 발전에 기여하고자 합니다.
데이터 접근 및 활용에 대한 합의 계층(agreement layer) 구축의 중요성을 강조하며, 윤리적인 데이터 교환 프로토콜 개발에 대한 관심을 표명했습니다.
제약 회사 등 실제 의료 데이터를 보유하고 활용할 수 있는 기관과의 협력을 통해 개념 증명 및 실제 임상 적용 가능성을 모색하고자 합니다.

결론적으로, 본 웨비나는 Causal AI 에이전트가 복잡한 의료 데이터에서 인과 관계를 추론하고 자율적인 의사 결정을 지원함으로써 정밀 의학 및 다양한 의료 분야에서 혁신적인 변화를 가져올 수 있는 잠재력을 제시했습니다. 데이터 통합, 윤리적 데이터 활용, 실제 임상 적용을 위한 다학제적 협력이 중요함을 강조했습니다.

오늘 웨비나에 참석해 주셔서 감사합니다. 오늘 웨비나 주제는 의학 분야 경찰을 위한 Causal AI 에이전트입니다. 음, 먼저 제 화면을 공유하겠습니다. 이 화면이 보이시길 바랍니다. 네.

음, 사실 오늘 발표는 주로 제가 개발한 데모를 보여드릴 예정입니다. 이 매혹적인 주제인 Causal AI 에이전트를 기반으로 했습니다. 그래서, 음, 먼저 Causal AI 에이전트가 무엇을 의미하는지 살펴보겠습니다. 사실 저는 교정 의학을 위한 Causal AI 에이전트에 관한 간결한 책을 쓰고 있습니다.

음, 며칠 안에 전체 책을 공유할 수 있기를 바랍니다. 그래서 제 책의 요약본을 만들었습니다. 이미 제 링크드인에 공유했으니 보실 수 있습니다. 음, 거기에는 Causal AI가 무엇을 의미하는지에 대한 설명이 있습니다. 전통적인 AI는 단순히 상관관계에 기반한 것이지만, Causal AI는 그 원인을 설명하려고 합니다. 특히 교정 의학 분야에서는 이러한 인과관계 추론이 필요합니다.

음, 교정 의학에서 패러다임 전환이 의미하는 바는 무엇일까요? 최근 추세는 현재 건강 상태에 대한 더 깊은 이해를 얻기 위해 멀티모달 이해가 필요하다는 것입니다.

음, 여기서 한 가지 주목할 점은 현재 많은 데이터가 이용 가능하며, 특히 특정 개인에게 맞춤화하여 데이터를 현명하게 활용하는 것이 가장 좋은 방법이라는 것입니다. 예를 들어, 맞춤형 치료법을 생각해 볼 수 있습니다. 특히 유전체학은 개인의 유전체 정보와 같은 개인 프로필에 맞는 한 예입니다. 연구자들은 특히 약물이 개인에게 적합한지 여부를 파악하려고 노력합니다. 예를 들어, 암 환자의 경우 많은 종류의 약물이 있지만 모든 약물이 모든 환자에게 적합한 것은 아닙니다. 약물유전체학은 유전체 데이터를 활용하여 어떤 약물이 현재 암 치료에 가장 적합한지 등을 파악하는 것입니다. 이것이 한 가지 예이며, 전통적인 AI는 이미 존재하고 특히 최근에는 많은 생성형 AI, 대규모 언어 모델이 발전했지만, 여전히 더 정교한 사례가 필요합니다. 현재 AI의 문제점 중 하나는 상관관계가 반드시 인과관계를 의미하지 않는다는 것입니다. 따라서 내부에서 어떤 일이 발생했고 그 원인이 무엇인지와 같은 인과관계가 있어야 합니다. 암의 원인과 같은 인과관계를 파악해야 합니다. 실제로 우리는 질병의 근본 원인과 최선의 치료법에 대한 더 명확한 통찰력을 얻을 수 있습니다. 따라서 예를 들어 어떤 종류의 증상이 정확히 어떤 종류의 질병, 어떤 종류의 원인과 관련이 있는지와 같은 더 발전된 AI가 필요합니다. 그러나 일반적으로 우리는 많은 진단 도구를 사용하는 발전된 전통적인 AI를 가지고 있습니다. 예를 들어, 영상 데이터, 정규 데이터 또는 생검 데이터와 같은 많은 이미지 데이터를 활용하여 증상이 어떤 질병에 해당하는지 여부를 진단합니다. 그러나 정확도는 여전히 일부 경우에 부족합니다. 음, 특히 블랙박스 모델, 즉 전통적인 머신 러닝 및 AI, 대규모 언어 모델 유형의 딥 러닝 등은 설명 가능성이 부족합니다. 따라서 AI가 어떤 것에 대한 통찰력을 제공할 때, 실제로 이러한 종류의 통찰력이 어떻게 발생하는지에 대한 더 나은 이해 방법이 필요합니다. 즉, 추론의 근본 원인과 더 잘 연관시키는 방법입니다. 이것이 우리가 특히 관심을 갖는 것 중 하나입니다.

음, Causal AI는 변수들이 어떻게 서로 영향을 미치는지 이해하는 것입니다. 데이터 분석에 기반하여 많은 변수가 관련되어 있으며, AI는 변수들의 추론, 즉 최종적으로 어떤 결과를 초래하는지를 이해합니다. 의사 결정을 위한 “만약” 분석이 가능합니다. 일종의 “만약” 모델인 디지털 트윈은 전통적으로 사용되어 왔습니다. 디지털 트윈에서 실제로 관심을 갖는 것은 어떤 상황이 발생했을 때, 즉 어떤 상황이 이러하다면, 다른 상황에서는 어떻게 될지 시뮬레이션하는 것입니다. 그래서, 음, Causal AI의 최근 추세와 핵심 개념에 대해 제가 글을 쓴 적이 있습니다. Causal AI는 AI 연구의 한 부분이기 때문입니다. 이미 많은 뛰어난 AI 연구자들이 많은 연구를 수행했으며, 저는 그들의 연구 일부를 요약하여 글을 썼습니다. 그래서 그것을 살펴보실 수 있습니다. 특히 인과 추론이 있습니다. 하나의 요인 변화가 다른 요인에 미치는 영향을 추정하고, 반사실적 추론을 통해 다른 조건에서 발생할 수 있는 상황을 예측합니다. 그리고 방향성 비순환 그래프(DAG)는 인과 관계를 시각적으로 보여줍니다. 시각적인 방식으로 인과 관계를 더 명확하게 이해할 수 있도록 만들고, 맞춤형 임상 의사 결정을 가능하게 합니다. 다양한 환자 맞춤형 개입을 가능하게 합니다. 이것이 Causal AI가 의료 분야에서 매우 유망한 이유입니다. 이 부분에 대해서는 자세히 설명하지 않겠습니다. 다만 이것을 보고 싶습니다. 왜냐하면 이것은 여전히 Causal AI의 의료 분야 적용에 대한 연구이기 때문입니다. 많은 종류의, 예를 들어 Nature와 같은 저널에서 연구 논문들이 발표되는 것을 보았지만, 실제 임상 수준에서 사용할 수 있는 이러한 중요한 AI의 실제 응용 사례는 아직 보지 못했습니다. 아무것도 찾을 수 없습니다. 그래서 제 관심사는 Causal AI에 대한 깊은 이해를 하는 것이 아닙니다. 왜냐하면 이미 많은 뛰어난 연구자들이 연구를 완료했고, 관련 논문도 많이 나와 있기 때문입니다. 하지만 제 이해는 다음과 같습니다.

음, 많은 과학적 노력과 많은 기초 연구에도 불구하고, 상업화가 많이 이루어졌지만, 실제로 임상 상황에서 실제로 사용할 수 있는 것은 다릅니다. 큰 격차가 있습니다. 그리고 제 관심사는 새로운 알고리즘을 개발하거나 새로운 이론을 개발하거나 AI를 사용하여 새로운 유형의 치료법이나 새로운 약물 개발을 발견하는 것이 아닙니다. 그것은 제 관심사가 아닙니다. 왜냐하면 저는 그러한 수준에 있지 않고, 심지어 그러한 연구에 투자할 시간도 없습니다. 왜냐하면 그렇게 되려면 많은 다양한 것들을 이해해야 하기 때문입니다. 제 관심사는 다른 사람들이 한 것을 어떻게 활용하고, 그것들을 어떻게 통합하고, AI 에이전트를 활용하여 이것들을 통합하여 실제로 작동하고 실제 임상 상황에 적용할 수 있도록 하는 것입니다. 그래서 제 모든 노력은 모든 것이 개발되었다고 가정하고, 그것들을 어떻게 통합하고, 논문에서 본 것을 실제 임상 환경에서 적용하려면 무엇이 필요하고, 무엇을 통합해야 하고, 어떤 종류의 작업을 수행해야 하는지에 대한 것입니다. 이것이 제 관심사입니다. 그래서 이러한 종류의 글쓰기는 현재 상황을 이해하려는 시도일 뿐이지만, 오늘 발표의 초점은 마지막 부분, 즉 특히 이 부분인 멀티모달 데이터 통합이 매우 중요하다는 아이디어에 대한 것입니다. 그리고 연구 수준과 R&D 연구소 수준에서는 멀티모달 데이터 활용이 관리 가능하지만, 실제 생활에서는 실제로 이러한 종류의 멀티모달 데이터를 통합하여 실시간 통찰력을 제공하는 사람은 아무도 없다는 것을 알았습니다. 그래서 저는 Causal AI를 통합하여 실제로 작동하는 플랫폼을 제공하기 위해 AI 에이전트를 활용하는 데 관심이 있습니다. 이것이 제가 소개할 내용 중 하나입니다. 멀티모달 데이터 통합은 매우 중요합니다.

음, 하지만 많은 제약이 존재하며, Causal AI는 멀티모달 데이터 해석에 작용해야 합니다. 일종의, 음, 몇 가지 선행 연구가 있었고, 그래서, 음, 제가 관심을 갖는 것은 실제로 이것을 어떻게 만들 수 있는지입니다. 예를 들어, 통합 영상 및 유전체학으로부터의 암 계층화, 즉 영상 데이터와 유전체 데이터를 활용하여 치료 계층화를 어떻게 가능하게 할 수 있는지입니다. 이것이 실제로 제 플랫폼에서 염두에 두고 있는 것 중 하나입니다. 그리고 심장학 멀티모달 모니터링, 심부전 예측 등 많은 요인이 실제로 고려될 수 있지만, 실제 시간으로 어떤 일이 발생했을 때, 심부전이 실제로 어떤 방식으로 발생할 수 있는지 파악하는 것은 매우 어렵습니다. 만약 주변의 모든 데이터를 살펴보고, 미래에 심부전과 같은 일이 매우 정확하게 예측될 수 있다면 정말 환상적일 것입니다. 따라서 많은 종류의 응용이 가능합니다. 저는 이미 많은 사람들에게 이것을 설명했지만, 실제로 이것을 통합하고 실시간으로 적용할 수 있는 사람은 많지 않습니다. 음, 예를 들어 정밀 진단에 사용할 수 있습니다. 저는 정밀 진단의 의미, 즉 진단, 치료 자원 할당 및 환자 결과를 요약했습니다. 전통적인 AI는 이미 많은 다양한 상황에서 사용되었으며, 예를 들어 최근 FDA 사이트를 조사한 결과 약 1,000개의 AI 지원 의료 기기가 있으며, 90%는 영상 데이터와 정규 데이터를 사용하는 진단에 사용되고 있습니다. 따라서 AI는 이미 많은 기여를 할 수 있지만, 정밀 의학과 같이 매우 미세 조정된 상황이 필요합니다. 예를 들어, 치료하기 매우 어렵고 약물을 찾기 매우 어렵고, 예측하기 매우 어려운 경우, 희귀 질환과 같은 경우, 또는 이용 가능한 약물을 찾을 수 없거나 매우 어려운 암 유형의 치료와 같은 경우, 실제로 이러한 종류의 정교한 방법이 필요하며, 이것이 제가 실제로 매우 관심을 갖는 것입니다. 즉, 기존의 최첨단 기술을 사용하여 모든 부분을 통합하고 통찰력을 얻는 방법이 매우 중요합니다.

그래서 저는 새로운 방법이나 새로운 방식을 개발하는 것이 아니라, 기존의 것을 통합하고 매우 지능적인 방식으로 통합하는 것이 매우 중요한 주제라고 생각합니다. 음, 저는 기여하고 있습니다. 음, 머치에 대해서는 이야기하지 않겠습니다. 이미 공유했고, 책도 공유했습니다. 교정과 치료는 또 다른 주제입니다. 살펴보실 수 있습니다. 그리고 많은 다양한 유형의 것을 보여드렸습니다. 그리고 약물 발견 및 개발과 같이, 음, 맞춤형 약물 개발이 가능하고, Causal AI, 즉 약물의 효과에 의해 약물 재창출이 많이 기여할 수 있습니다. 예를 들어, 어떤 종류의 것들이 실제로 상황을 바꿀 수 있는지, 예를 들어 약물 조합이 어떻게 변할 것이고, 그 결과에 어떤 영향을 미칠 것인지 등을 설명할 수 있습니다. 따라서 이 주제도 Causal AI가 기여할 수 있는지 여부와 매우 유사한 맥락에 있습니다. 네. 음, 많은 다른 연구자들이 이미 이 분야에서 연구를 수행했고, 저는 보스턴과 하버드 의과대학의 교수님들이 오픈 소스 유형의 약물 재창출을 위해 XAI와 같은 설명 가능한 AI를 활용하여 기존 약물 성분으로부터 새로운 약물을 발견하는 더 나은 도구를 만들었다는 것을 알았습니다.

음, 하지만 제가 개발한 Causal AI와 AI 에이전트를 통합하여 더 나은 모션 기반 게임을 만들 수 있으며, 디지털 트윈이 그에 매우 중요할 것입니다. 네, 음, 여기까지는 사실 제 연구가 아닙니다. 모두가 한 연구를 제가 모아놓은 것일 뿐입니다. 하지만 Causal AI 에이전트는 제 것입니다. 그리고 저는 Causal AI 에이전트가 전통적인 Causal AI에 AI 에이전트와 같은 기능을 활용하는 것이라고 생각합니다. Causal AI의 AI 에이전트 기능은 상황을 파악하고 결정을 내리는 지능을 가지고 있으며, 인지 능력을 가지고 기억을 사용하며, 상호 작용을 통해 학습하는 것과 같습니다. 이것은 Causal AI와 통합될 수 있는 매우 강력한 도구입니다. 그래서 이것은 개념적으로 제가 개발한 것입니다. 즉, 정적 지능에서 적응형 에이전트인 AI 에이전트로, 그리고 인과 관계와 에이전트적 행동을 결합하여 자율적인 의사 결정을 하는 것은 매우 강력한 도구입니다. 따라서 이것은 제 첫 시도이므로, 많은 사람들이 이러한 종류의 개념에 대해 들어본 적이 없을 수도 있지만, 저는 시도했고, 기존 플랫폼을 통합하고 멀티모달 데이터를 매우 효율적인 방식으로 활용하고, 거기에 넣고, Causal AI 에이전트 유형의 추론을 수행하고, 특정 응용 프로그램을 대상으로 하고, 결과를 얻고, 무슨 일이 일어났는지 이해하고, 일단 발생하면 AI 에이전트의 장점은 한 번 경험하면 시행착오를 통해 학습하고, 다음 번에는 더 잘 수행된다는 것입니다. 그래서 제 아이디어는 전통적인 Causal AI 에이전트 유형의 추론과 AI 에이전트를 결합하면 강력한 도구가 될 수 있다는 것입니다. 왜냐하면 Causal 추론을 수행하면 다음 번에는 업그레이드되기 때문입니다. Causal 추론이 업그레이드되는 것입니다. 이것이 제가 염두에 두고 있는 개념이며, 제 아이디어에 대한 패턴을 찾았습니다.

음, 그래서 저는 이것을 기반으로 했습니다. 그래서 제 플랫폼은 실제로 모든 구성 요소가 존재합니다. 왜냐하면 저는 다른 사람들이 한 것을 살펴보았을 뿐이기 때문입니다. 하지만 새로운 것은 AI 에이전트를 활용하여 AI, 즉 Causal AI의 모든 작업을 통합하여 일종의 통찰력, 즉 Causal 통찰력을 얻는 것입니다. 그러면 이것은 전체 프로세스를 더 조화롭게 만들고, 그 장점은 반복적으로 학습하고, 아마도 더 강력해질 것이라는 것입니다. 이것이 제 개념 중 하나이며, 패턴을 찾았고, 완전히 통합되어 완전히 작동한다면 얼마나 환상적일지 시뮬레이션해 보았습니다. 그래서 실시간 데모를 보여드리겠습니다. 음, 이것은 제가 기여한 것 중 하나입니다. 그래서 멀티모달 Causal AI는 모두가 했습니다. 많은 다양한 그룹의 연구 논문을 보았지만, 에이전트 플랫폼은 제 것이고, 정밀 의학을 위한 것입니다. 음, 제가 의미하는 바를 보여드리겠습니다. 음, Causal AI 멀티모달 Causal AI가 작동하고 있다고 시뮬레이션하고, 특정 조건을 대상으로 하고, AI 에이전트가 처음부터 끝까지 전체 프로세스를 안내하고 매우 환상적인 결과를 얻는 방법을 보여드리겠습니다. 이것은 시뮬레이션이지만, 아마도 제 AI 에이전트 개념을 더 발전시키고 이러한 종류의 플랫폼을 구축하여 환상적인 연구를 수행하고 싶어하는 사람을 찾고 있습니다. 저는 AI뿐만 아니라 종양학, 신경 질환 등 적용 메커니즘과 같은 과학적 부분에 대한 깊이 있는 지식이 필요합니다. 하지만 제 시뮬레이션은 매우 유망합니다. 실시간 데모를 시작하겠습니다. 네. 음, 저는 모든 구성 요소가 논문에 나와 있다고 가정하고 개념 증명을 시도했습니다. 모든 구성 요소가 기존 과학 논문 등에 나와 있다고 가정했습니다. 정보를 넣었지만, 실제로 AI 에이전트를 사용하여 정보를 중단하고 모든 지점을 연결했습니다. 그리고 대부분 이 프로세스의 장점은 AI 에이전트가 어떤 종류의 멀티모달 데이터가 제안에 적합한지 안다는 것입니다. 어떤 결과를 예상하는지 예측하면, 어떤 종류의 멀티모달 데이터가 가장 적합한지 추론합니다. 이것은 예상 결과로부터의 추론이며, 최상의 데이터를 얻고, 다양한 단계를 운영하는 방법입니다. 그래서 제가 생각하는 바를 보여드리겠습니다.

그래서, 저는 췌장암과 같은 매우 흥미로운 주제를 살펴보았습니다. 췌장암은 발견하기조차 매우 어렵고, 일단 발견되면 이미 큰 일이며, 치료하기도 매우 어렵습니다. 이것은 매우 심각한, 뇌의 매우 심각한 질병과 같습니다. 그리고 파킨슨병, 헌팅턴병, 심부전과 같이 예측하기 매우 어려운 질병, 그리고 일부 희귀 질환, 심지어 CP와 같은 심각한 정신 질환까지 살펴보았습니다. 저는 매우 미세한 수준, 즉 분자 수준 및 유전체 수준의 이해를 AI에 적용했을 때, 우리가 무언가를 발견할 수 있는 매우 희망적인 방법을 제공할 수 있는지 살펴보려고 했습니다.

그래서 이것이 하나입니다. 어떤 종류의 데이터를 얻을 수 있는지 시도해 보았습니다. 실제로 사람들이 선택할 수 있지만, 제가 설계한 이 플랫폼은 가장 적절한 데이터를 선택할 수 있습니다. 그리고 실제 응용 프로그램에서 이것이 구현되면 실제로 자동으로 데이터를 찾습니다. AI 에이전트의 강력한 기능 중 하나는 현재 상태를 살펴보면 다른 분야에서는 90%가 무언가를 찾는 것, 즉 에이전트적인 종류의 데이터 검색입니다. 그리고 그들은 가장 적절한 데이터 세트 정보를 찾아 추론에 필요한 정보를 얻고, 이해하려고 노력합니다. 이것이 같은 상황입니다. 일단 이것이 구축되면 AI 에이전트는 제안에 가장 관련성이 높은 데이터를 찾으려고 노력합니다. 이것이 첫 번째 부분입니다. 시뮬레이션해 보겠습니다. 음, 2단계로 넘어가겠습니다. 예를 들어 사용해 보겠습니다.

음, 그것은 단지 대상을 선택하는 것입니다. 췌장암과 샘플 환자 데이터. 그것은 단지 일부 데이터를 시뮬레이션하고, 그리고 에이전트가 이것을 선택하고, 멀티모달 데이터 정보. 그들은 그것을 사용할 것이고, 데이터 획득 및 처리. 따라서 이 입력 정보를 기반으로 데이터를 얻고, Causal AI에 넣기 적절하게 처리하려고 노력합니다.

네, 그것은 매우 다른 수준에서 당신의 개인적인 생물학적 상태를 이해하려고 노력합니다. 분자 수준의 생체 센서를 활용하여 데이터를 얻습니다. 때로는 혈액 검사 등을 통해 유전체 데이터를 활용하기도 합니다. 멀티모달 데이터 처리를 수행합니다. 생체 센서 데이터, 유전체 데이터, 영상 데이터, 임상 병력과 같은 모든 환자 데이터를 생성하고, 온톨로지 매핑, 실시간 시맨틱 데이터 요소, 개인 정보 보호를 위한 연합 학습, 블록체인 감사 등에 적용합니다. 기존 기능을 모두 여기에 넣었고, 실시간 환자 프로필 관리가 생성됩니다. 모든 데이터를 통합하여 AI에 넣는 과정을 거칩니다. 다음 표에서는 이러한 종류의 멀티모달 데이터를 선택하여 정밀 진단, 즉 위험 예측을 수행하는 방법을 보여줍니다.

그것은 Causal AI가 이 멀티모달 데이터를 활용하여 답을 얻는 모든 단계를 실제로 보여줍니다. 모든 프로세스를 설명 가능하게 보여줍니다. 실제 구현에서 임상의가 이 플랫폼을 사용한다면, 무슨 일이 일어났는지, 어떤 데이터가 상호 작용했는지, 어떤 종류의 일이 일어났는지 등 모든 세부 정보를 보여줍니다. 그것은 무슨 일이 일어났는지, 원인과 결과가 무엇인지, 상황이 바뀌면 어떻게 되는지를 이해하도록 도와줍니다. 그것은 완료되었고, 모든 종류의 인과 관계를 보여줍니다.

저도 오랫동안 통신 업계에 있었어요. 에릭슨에서 일했었죠. 통신 분야에서는 표준화가 매우 중요하잖아요. 그렇죠? 그래서 국제 표준화 기구 같은 곳이 많은 거죠. 글로벌 표준을 활용하는 것이 매우 중요하니까요. 그런데 의료 분야에서는 데이터 모델 표준을 원하더라고요. 예를 들어, 데이터가 이질적이지 않고 상호 운용이 가능하도록요. 데이터 구조 형식을 통일하고 싶어 하지만, 모든 종류의 데이터를 통일하는 것은 매우 어렵죠. 합의를 도출하는 것이 통신 산업과는 다르죠. 그래서 대규모 이니셔티브가 있는 것은 알겠지만, 실제로 실현되기는 매우 어렵다고 생각해요. 또 다른 방법은 인터페이스 표준이죠. 예를 들어, 상호 운용 가능한 프로토콜을 활용하여 그렇게 하려고 노력하는 곳이 많죠. 하지만 그 전에 제가 생각하는 것은 데이터를 있는 그대로 두는 거예요. 그렇죠?

네, 맞아요. 그리고 데이터를 얻어서 통합하려고 하는 것은 많은 노력과 비용이 들고, 많은 이해 관계자들이 관련되어 있죠. 사실, LLM에서 얻은 가장 큰 선물 중 하나는 데이터 형식에 신경 쓰지 않는다는 것이라고 생각해요. 매우 혼란스러운 데이터 세트도 이해하려고 노력하죠. 심지어 완전히 혼란스러운 CSV를 던져줘도 매핑하고 매핑하고 매핑해서 “아, 이제 테이블이 보이고, 이제 뭐뭐가 보인다”라고 이해하려고 할 거예요. 따라서 LLM 관점에서 데이터 통합의 관련성은 제 생각에는 떨어지지 않을 거예요. 그래서 제 아이디어는 당신과 매우 유사하게 AI 에이전트를 활용하는 거예요. AI 에이전트 계층이 있으니까요. 모든 프로토콜 등을 심지어 합의 계층까지 넣는 거죠. 그러면 실제로 원하는 모든 데이터베이스에 접근할 수 있고, 정책 수준의 합의 등 모든 종류의 합의, AI 에이전트 수준의 애플리케이션 수준 합의를 할 수 있죠. 그리고 제가 한 것처럼 데이터의 목표 사용을 알기 때문에 모든 데이터를 통합할 필요 없이 그냥 두지만, AI 에이전트가 데이터에 접근해서 작업하고, 애플리케이션에 관련된 데이터를 변환하려고 노력하는 거죠. 사실, 엘릭스, 당신이 우리가 하려는 것을 우리보다 더 잘 정의했어요. 데이터에 대한 합의 계층이죠. AI 기반의 윤리적인 생체 데이터 교환 프로토콜을 어떻게 구축할 수 있을까요? 그것이 우리의 사명이고, 데이터를 해석하거나 해석을 위한 LLM을 구축하는 사람들과 협력하고 싶어요. 그리고 환각, 규정 준수, 환자 또는 임상의 대면 등 다른 종류의 문제도 있죠. 우리는 분명히 그것을 제공하지만, 우리에게 가장 중요한 것은 데이터 출처와 데이터, 음, 법률 또는 합의, 즉 이 데이터가 정말로 동의된 것인지, 암호화 서명이 되어 있는지, 알려진 연구소에서 온 데이터라면 연구 책임자가 서명했는지, 데이터의 품질을 보장할 수 있는지 등이죠. 하지만 네, 그래서 매우 상호 보완적이라고 생각하고, 다른 통화로 거의 달려가야 하지만, 연락드리겠습니다. 네. 네. 네. 나중에 더 자세히 이야기할 수 있지만, 최근에 AI 에이전트가 전체 의료 시스템 혁신과 같은 다양한 의료 시스템에서 어떻게 활용될 수 있는지에 대한 아이디어를 떠올렸기 때문에 정말 흥미롭습니다. 완전히 완전히 그리고 우리는 협력을 통해 데이터 합의를 위한 에이전트를 개발하고 싶습니다. 그것이 우리가 하고 싶은 틈새 시장입니다. 이 프로토콜의 발명가로서 귀하의 시스템에 들어가는 모든 데이터가 사전 승인되거나 사전 동의되었는지 어떻게 확인할 수 있을까요? 그렇게 하면 아마 모든 규제 관련 골칫거리를 덜 수 있을 것입니다. 제가 작업하고 있는 것 중 하나가 웹 3인데, 최근에 비트코인과 같은 트럼펫이 있다는 것을 아실 겁니다. 가장 큰 거래소인 코인베이스에는 AI 에이전트 트레이더가 있습니다. 에이전트 거래를 하고 에이전트 수준에서 합의를 합니다. 그래서 저는 그것을 보았습니다. 간단한 프로토콜, 즉 한 포인터에서 다른 포인터로의 이진 프로토콜이 있기 때문에 간단합니다. 의료 분야에서는 더 큰 규모로 왜 안 될까요? 그래서 AI 에이전트가 데이터를 얻기 위해 통신하고 프로토콜을 얻는 것, 모든 계층에서 AI 에이전트를 사용하는 합의가 필요합니다. 어쨌든 더 많은 이야기를 나눠야 합니다. 네, 두 분 모두 감사합니다. 여러분 모두 감사합니다. 다음까지 뵙겠습니다. 직접 메시지로 연락드리겠습니다. 네. 알겠습니다. 렌디의 댓글을 보겠습니다.

네, 네. 네, 네, 네. 인과 AI는 가능합니다. 네. 왜냐하면 예를 들어 AI 기반으로 어떤 결과를 얻었는데, 뭔가 잘못되었다는 것을 알게 되면, 보통 그들이 하는 것은 ‘lag’라고 부르는 특정 기술을 사용하여 데이터베이스로 다시 추적하고, 추론 과정을 살펴보고, 실제 결과와 당신의 추론을 비교하여 무엇이든 조정하려고 합니다. 그것은 같은 것입니다. 왜냐하면 그들은 당신의 답변에 어떤 요소가 기여했는지 알기 때문입니다. 그래서 렌디의 아이디어는 훌륭하다고 생각합니다. 왜냐하면 인과 AI는 당신의 내부 결과에서 뭔가 이상하다는 것을 알게 되면, 어떤 편향된 데이터가 그러한 결과를 초래했을 수 있는지 파악할 수 있기 때문입니다. 오, 좋은 아이디어입니다. 저는 그것에 대해 생각해 본 적이 없습니다. 알겠습니다. CJ. 네. 안녕하세요, 알렉스. 이 세션을 주최해 주셔서 감사합니다. 몇 가지 정보를 공유하고 싶습니다. 저는 미국 제약 산업에서 30년 동안 일했습니다. IT 부서에 있었습니다. AI는 처음입니다. 기본적인 AI 연구를 하지만, 저는 사용자일 뿐입니다. 당신과 다니엘이 AI 기술을 사용하여 구현하려고 하는 것을 들었지만, 의료 데이터 소유자의 통찰력이 있는지 모르겠습니다. 무엇을 해결하려고 하십니까? 예를 들어, 제 의료 정보는 보통 의료 전문가나 병원이 소유합니다. 그것이 하나의 조직입니다. 둘째, 제 건강 보험 회사입니다. 그들은 제 정보를 많이 가지고 있습니다. 그리고 미국처럼 국민 건강 보험이 없는 나라의 경우, 정부가 일부 정보를 가지고 있을 수 있습니다. 그리고 제약 회사는 임상 시험을 할 때 많은 환자 정보를 가지고 있습니다. 이 네 조직이 당신이 그들을 위해 AI 시스템을 구현하도록 정말로 허용하기 위해 무엇이 필요하다고 생각하십니까? 그리고 그들은 그것으로부터 어떻게 이익을 얻을 수 있을까요? 당신에게 답을 줄 수 있을지 확신하지 못합니다. 왜냐하면 더 생각해 봐야 하기 때문입니다. 당신은 당신의 데이터 또는 실제로 그 용어가 정확하지 않을 수 있다고 언급했습니다. 왜냐하면 그들은 당신의 데이터를 보유하고 있기 때문입니다. 보유하는 것이 정확한 의미이지만, 당신은 당신의 데이터의 소유자입니다. 확신하지 못합니다. 왜냐하면 저는 변호사이지만, 예를 들어 당신이 병원에 갔을 때, 예를 들어 여성 유방 X선 사진을 찍었다고 생각해 본 적이 없기 때문입니다. 매년 유방 X선 사진을 찍고, 손목 사진을 찍었다고 생각해 보세요. CT나 유방 X선 사진과 같은 매우 좋은 사진이 있을 겁니다. 누가 그 데이터를 소유할까요? 당신이 일부를 가지고 있다고 생각합니다.

그들은 제게 이미지 파일 사본을 주지 않아요. 정말요? 그들은 제 의사에게 결과를 알려주고, 제 의사는 “아, 깨끗합니다. 문제없습니다.”라고 말하고, 내년에 다시 오라고 할 거예요. 제 의료 정보를 소유하지 않아요. 정말요?

저는 생각해 본 적이 없어요. 예를 들어 보통 병원에 가면 접수 과정에서 서명을 하고, 아마도 그들이 당신의 데이터를 어떻게 처리하는지에 대한 내용이 있을 거라고 생각했어요. 아마도 맞을 거예요. 생각해 본 적이 없어요. 그리고 아마도 예를 들어 이 데이터의 소유자는 당신이지만, 당신이 생성한 기관에서 보관하고, 아마도 이 데이터를 다른 사람에게 공유하는 것은 허용되지 않을 수도 있을 거예요. 그런 큰 약관은 본 적이 없지만요.

아니요, 죄송합니다. 미국에서는 정보가 그렇게 처리되지 않습니다. 데이터를 가지고 있지 않기 때문에 알 수 있습니다. 알겠습니다. 아마 이번에는 계절성 독감에 걸렸거나, 코로나에 걸렸거나, 그냥 감기에 걸렸을 거예요. 그들은 저에게 그런 높은 수준의 정보를 알려줄 뿐, 병이 어떻게 생겼고, 제 몸에 어떤 영향을 미치는지와 같은 세부 사항은 정말로 설명해주지 않아요. 저는 데이터를 소유하지 않아요. 약이 필요한지 아닌지는 알 수 있을 거예요. 의사가 처방하면 약국에 가서 받을 수 있으니까요. 네. 하지만 심각한 질병이 있다고 가정해 봅시다. MRI를 찍어야 하거나, X-ray를 찍어야 한다면, 데이터를 받지 못해요. 깨끗하다거나, 악성 종양이 있다고 들을 뿐이죠. 하지만 데이터를 소유하지 않아요. 정말요? 의사에게 질문할 수 있고, 그들은 대답해주겠지만, 모든 의학적 진단, 모든 세부 사항을 저에게 인쇄해주지는 않아요. 어떤 사람들은 이해할 수 없을 테니까요. 몰랐어요. 미국의 현재 데이터 소유권에 대해 먼저 생각해 봐야겠어요. 마이크로소프트와 구글은 보편적인 의료 저장소를 만들려고 노력하고 있죠. 자발적으로 의료 정보를 제공할 모든 사람들을 위한 큰 데이터베이스를 만들고 싶어 해요. 사용자 계정을 만들고 로그인하면, 고혈압, 당뇨병 등 다양한 질병이 있다고 기록되죠. 그리고 그들은 그런 데이터베이스를 사용하여 건강 및 치료, 프로그램 유형의 정보를 생성하기를 희망하고 있죠. 사용자 계정을 만든 사람은 거의 없어요. 의료 정보를 자발적으로 제공할 사람은 거의 없을 거예요. 왜냐하면 건강 보험이나 생명 보험 회사가 이런 정보를 얻게 된다면, 아마 저를 보험에 가입시키지 않거나, 매우 높은 보험료를 청구할 테니까요.

오, 아시겠지만 그건 매우, 매우, 그런 종류의 데이터 소유권은 제 또 다른 애플리케이션에 매우 중요합니다. AI 에이전트를 활용하는 여러 애플리케이션이 있는데, 그중 하나는 의료 관광 또는 예를 들어 미국처럼 매우 발달된 의료 서비스, 특히 희귀 질환이나 콜로시아 같은 질환이 있는 사람들을 위한 서비스입니다. 그래서 AI 에이전트가 그런 종류의 서비스를 제공할 수 있다는 아이디어를 떠올렸습니다. 예를 들어 캐나다나 다른 아시아 국가, 심지어 미국 농촌 지역에 거주하면서 해당 분야의 더 높은 수준의 병원이나 클리닉에서 더 나은 서비스를 받고 싶어하는 사람들을 위해, 실제로 AI 에이전트를 개발했습니다. 그것은 당신을 위한 여행사와 같습니다. 어떤 병원이 좋은지 알아내고, 심지어 제 단계 중 하나는 당신의 모든 데이터를 자동으로 해당 기관으로 전송하는 것이지만, 당신이 데이터에 접근 권한이 없다면 그렇게 될 수 없죠. 예를 들어 당신이 지역 병원에서 치료를 받거나 데이터를 가지고 있는데, 더 발전된 치료가 필요해서 메이요 클리닉이나 존스 홉킨스와 같은 곳에 의뢰하고 싶을 때, 제 에이전트가 최고의 의사, 예상 비용 등을 알려주는 것과 같습니다. 모든 종류의 서비스 패키지를 가지고 있고, 추가적으로 당신의 모든 데이터를 수집하여 그곳에 넣을 것입니다. 이 주제에 대한 제 생각을 공유하고, 나중에 레니의 질문에 답변하겠습니다. 음, 네, 이상적으로는 의료 정보를 어디든 가지고 다닐 수 있어서, 다른 의사나 심지어 다른 나라에서도 진료를 받을 수 있습니다. 미국의 의료 시스템은 너무 비싸서, 특별한 경우가 아니더라도 심장 수술이나 신장 투석과 같은 치료를 받는 데 훨씬 적은 비용이 들 것입니다. 다른 많은 나라에서도 같은 치료를 훨씬 저렴하게 받을 수 있습니다. 하지만 의료 정보가 자동으로 전송되지는 않습니다. 물론, 여기 의사에게 의료 기록을 받을 수 있습니다. 태국에 가서 제 사례를 받아들인다면 치료를 요청할 수 있습니다. 그리고 현금으로 지불하면 아마 기꺼이 제 사례를 받아들일 것입니다. 제가 한때 세계 4대 제약 회사 중 하나에서 일했었는데, 건강 보험은 실제로 직원들이 외국에서 치료를 받도록 장려했습니다. 왜냐하면 미국 보험 회사는 저와 제 가족을 태국으로 보내서 일주일 동안 호텔에 머물면서 어떤 종류의 수술을 받도록 하는 것이 미국에서 같은 치료를 받는 것보다 훨씬 저렴했기 때문입니다. 정말 웃기죠. 저희 직원들은 실제로 미국 외에서 의료 치료를 받도록 장려되었습니다. 하지만 여전히 제 의료 정보 묶음을 가지고 외국으로 가야 했습니다. 당신의 역사에 대한 라이의 댓글을 살펴보셔야 할 것 같습니다.

네, 랜디, 당신 말이 맞아요. 환자로서 저는 의사에게 모든 의료 기록을 요청할 수 있어야 합니다. 20년 동안 한 가족 주치의에게 다니고 있는데, 아마 이만큼 두꺼운 폴더가 있을 거예요. 그리고 그 전체 폴더를 요청하면 복사해야 할 거예요. 그리고 아마 페이지당 10센트를 청구하겠죠. 그러니까 제 데이터를 요청할 권리는 있지만,

정보를 정말로 가지고 가야 한다면 물론 가능합니다. 하지만 보통 병원에 가면 유방 X선 촬영 등을 합니다. 기본적으로 청구서를 받고, 거기에 유방 X선 촬영, MRI, X-ray 등이 기재됩니다. 그것만으로는 많은 정보를 알 수 없죠.

그렇죠? 의사에게 구두로 설명해달라고 요청하지 않으면, 어떻게 되는지, 제가 무엇을 가지고 있는지 알 수 없죠. 그렇지 않으면 보통 제 의료 정보의 전체 세부 정보를 얻지 못합니다. 그리고 랜디 말이 맞아요. HIPAA는 환자 개인 정보 보호에 관한 연방 규정이며, 의료 제공자, 즉 의사나 병원은 보험 회사와 정보를 공유할 수 있습니다. 다른 당사자가 보험 회사나 제 의사에게 제 의료 정보를 요청하면, 다른 사람에게는 공유하지 않을 것입니다. 랜디, 그 정보가 당신이 확인하려던 것인지 모르겠네요.

렌디, CJ에게 당신 정보를 주시겠어요? 네, 괜찮습니다. 이제 그만해야 하지만 괜찮습니다. 어쨌든 더 생각해 봐야 할 것 같아요. 또 다른 생각해야 할 점은, 먼저 HCA 데이터 소유권 및 공유의 현재 상황을 정확히 파악하고, 당신이 언급한 것처럼 클리닉이나 보험 회사와 같은 이해 관계자에 따라 데이터를 어떻게 활용할지, 그리고 그것을 바탕으로 실제로 보통 매우 좋은 새로운 아이디어를 얻는 것입니다. 그래서 저는 매우, 음, 당신 질문과 같은 상황에 유용한 것을 생각할 것입니다. 네. 일반 사람들에게는 의료 기록을 받아도 절반도 이해하지 못할 거예요. 의사가 심장 질환을 의학 용어로 설명하면 아마 이해조차 못할 거예요. 그러니까 제 데이터를 소유하고 있어도 실제로 데이터를 가지고 있는 것은 아니죠. 하지만 정보가 필요하면 의사에게 갈 수 있습니다. 알겠습니다. 네. 주로 병원이나 의료 전문가, 보험 회사, 제약 회사, 정부가 제 데이터를 가지고 있습니다. 알겠습니다. 알겠습니다. 어쨌든 CJ, 우리는 링크드인으로 연결되어 있나요? 아니요. 하지만 제 이름을 입력해 보세요. 네. 네. 네. 알겠습니다. 연락을 드리고 더 논의해야 할 것 같습니다. 특히 오늘 주제가 폼 곡선과 관련이 있을 수도 있어서 흥미롭습니다. 그래서 협력할 수 있을지도 모릅니다. 왜냐하면 저는 정말로 많은 환상적인 아이디어를 떠올리지만, 실제로 어떻게 구현해야 할지는 모르기 때문입니다. 이것은 대규모 프로젝트이므로 실제로 구현할 수 있는 사람과 논의해야 합니다. 이런 종류의 프로젝트에 적합한 기관은 제약 회사, 대형 제약 회사라고 생각합니다.

네. 제약 회사 한 곳이라도 자체 데이터를 분석하는 데 도구를 사용한다면 큰 도움이 될 거예요. 왜냐하면 그들은 너무나 많은 다양한 제약 치료법과 임상 연구 데이터를 가지고 있어서, 직원들이 수동으로 데이터를 모두 이해할 수 없거든요. AI를 활용해서 AI가 자체 데이터를 요약해준다면 큰 이점이 될 거라고 생각해요. 알겠습니다. 알겠습니다. 뭔가 만들 수 있을 것 같아요. 왜냐하면 최근에 매우 비슷한 일을 하고 있거든요. 데이터를 모으고, 분석하고, 정보를 얻으려고 노력하는 거죠. 그것은 제가 일상적으로 하는 일 중 하나입니다. 왜냐하면 AI 에이전트의 장점 중 하나는 제가 지시하면 어떤 종류의 데이터가 정말로 유용한지 파악하고, 분류하고, 나누는 등의 작업을 할 수 있다는 것입니다. 그래서 데이터 구조화 등을 제공하고, 사람들이 사용할 수 있도록 만들 수 있습니다. 네. 알렉스, 어디에 계세요? 보스턴에 있습니다. 네. 알겠습니다. 알겠습니다. 보스턴에는 많은 제약 회사 연구 기관이 있습니다. 노바티스, 화이자, 머크에서 일했었는데, 모두 보스턴에 기반을 두고 있는 것 같아요. 어떻게든 제약 회사 사람들, IT 담당자 또는 AI에 관심이 있을 만한 사람들과 연결될 수 있다면, 그들이 당신의 말을 들어줄 의향이 있다면, 무료로 개념 증명을 제공할 수 있습니다. “연구 데이터에 접근 권한을 주시면 제 도구가 무엇을 생성할 수 있는지 보여드리겠습니다.”라고 말이죠. 알겠습니다. 어쨌든 그렇게 해보겠습니다. 다시 연락해야 하니까요. 알겠습니다. 감사합니다. 천만에요. 세션 감사합니다. 네. 감사합니다. 잘 지내세요. 안녕히 계세요. 네.

Stop Thinking, Just Do!