AI 도구, 암 조기 발견과 임상시험 예측 정조준

Title: AI 도구, 암 조기 발견과 임상시험 예측 정조준

Label: 암 발견 및 신약 개발의 AI

Summary: 인공지능이 조기 발견 도구와 향상된 임상시험 예측을 통해 암 치료를 발전시키고 있다. Carnegie Mellon의 스핀아웃 기업은 고위험 환자를 식별하는 AI를 개발하고 있으며, 예측 분석은 제약사들이 종양학 임상시험에서 유망한 화합물의 우선순위를 정하는 데 도움을 주고 있다.

Highlights:

• Carnegie Mellon 스핀아웃 Xlue Inc.는 암 병력이 없는 환자에서 암 예측 정확도 50%, 재발 사례에서 70%를 달성했다
• Xlue는 20년에 걸친 대만 국가 건강보험 청구 데이터베이스의 수백만 건 환자 의료기록으로 CATCH-FM 도구를 학습시켰다
• 현재 예측 모델은 종양학에서 1상에서 2상 또는 3상 임상시험으로의 성공을 예측할 때 개선되고 있다
• Cureus의 2023년 연구에 따르면 췌장암 사례의 80%~85%는 진행 단계에 이르러서야 진단된다
• 전 세계적으로 암 관련 사망의 주요 원인임에도, 2022년 폐암 검진을 받은 적격 미국인은 18.2%에 불과했다

Content: Carnegie Mellon University의 한 스핀아웃 기업이 수백만 건의 환자 의료기록으로 예측 도구를 학습시켜 폐암, 간암, 췌장암의 고위험 환자를 식별하는 데 인공지능을 활용하고 있다. Xlue Inc.는 암 병력이 없는 환자군에서 50%의 예측 정확도를 달성했으며, 이미 암을 앓았던 환자군에서는 이 도구의 정확도가 70%에 이르렀다.

의사들은 암을 완치할 가장 좋은 기회는 조기에 발견하는 데 있다고 말하지만, 실제로는 항상 그렇지 않다. 오픈 액세스 의학 저널 Cureus의 2023년 연구에 따르면, 췌장암 사례의 80%~85%는 공격적이고 치명적인 이 질환이 이미 진행 단계에 도달한 뒤에야 진단된다. 폐암과 간암 역시 증상이 모호하거나 경미해 너무 늦을 때까지 질환을 가릴 수 있다.

Xlue의 CATCH-FM 도구는 환자의 경과를 모사해 향후 암 발생과 관련된 신호를 식별하고 있으며, 이를 통해 담당 의사가 조기 진단을 위한 추적 검진을 권고할 수 있게 한다. 이 회사는 대규모 대만 국가 건강보험 청구 데이터베이스에 포함된, 20년에 걸친 수백만 명 환자의 전자의무기록으로 예측 도구를 학습시켰다. 또한 펜실베이니아주 최대 의료 시스템인 UPMC가 보관 중인 오프라인 비식별화 의료기록을 스캔하기 위한 논의도 진행 중이다.

Shadyside에 기반을 둔 이 회사는 직원 6명을 두고 있으며 2025년에 CMU에서 분사했다. 아직 수익을 내고 있지 않은 이 회사는 초기 friends and family 라운드에서 $1.5 million을 조달했다. Xlue의 기술은 뇌졸중이나 심근경색 고위험 환자를 식별하는 데에도 적용될 수 있다.

Xlue의 접근법은 비용 절감에도 기여할 수 있다. American Health & Drug Benefit 저널의 2021년 연구에 따르면, 전이성 췌장암을 가진 상업보험 가입 환자 1명을 치료하는 데 보험사가 부담하는 평균 비용은 $95,000~$116,000이다. 이 세 가지 암에 대한 검진은 궁극적으로 공중보건을 개선할 수 있다. 예를 들어, 질병통제예방센터(Centers for Disease Control and Prevention)에 따르면 광범위한 유방촬영술 검진은 유방암 사망률을 8%~40% 낮추는 데 도움이 됐다.

미국에서는 2022년 폐암 검진 대상자 중 실제 검진을 받은 비율이 18.2%에 그쳤다. World Health Organization의 GLOBOCAN 2022 데이터에 따르면 폐암은 전 세계적으로 암 관련 사망의 주요 원인이다.

신약 개발 분야에서도 예측 분석이 발전하고 있으며, 특히 종양학 임상시험에서 두드러진다. 현재의 예측 모델은 특히 1상에서 2상 또는 3상으로의 성공을 예측할 때 개선되고 있다. 많은 도구가 이미 이 영역에서 비교적 강한 정확도를 보여주고 있으며, 이는 기업들이 가장 유망한 화합물의 우선순위를 정하는 데 도움을 준다.

그러나 전임상 단계에서 임상 결과로의 성공을 예측하는 일은 훨씬 더 어렵다. First-in-class 화합물은 충분한 과거 데이터가 없는 경우가 많아 정확한 모델링이 어렵다. 과학적 근거와 작용기전(mechanism-of-action)에 대한 통찰은 존재하지만, 이를 신뢰할 수 있는 임상 예측으로 전환하는 일은 여전히 복잡하다.

가장 큰 미충족 수요는 어떤 화합물이 임상에서 성공할지를 예측하는 것이다. 앞으로는 예측 분석이 충분히 강력해져 동물 모델에 대한 의존도를 낮출 수 있을지 모른다. 특히 종양학에서는 이러한 모델이 환자 결과를 예측하는 데 자주 실패한다.