고통의 객관적인 측정이 의학의 편견에 대응할 수 있는 방법

고통의 과학은 복잡하고 평가가 주관적이어서 편견과 건강 불평등으로 이어집니다. 이제 연구자들은 신뢰할 수 있고 객관적인 통증 측정법을 찾고 있습니다.  얼마나 아파요? 건강과 의학에서 가장 간단한 질문 중 하나라고 생각할 수 있습니다. 그러나 사실 객관적으로 대답하기에는 매우 어려운 질문일 수 있습니다.

얼굴을 찡그리고 고통을 설명하기 위해 비슷한 단어를 사용하는 두 명의 환자가 있는 의사를 생각해 보십시오. 의사는 그들이 비슷한 수준의 통증을 경험하고 있다고 확신할 수 있습니까? 습관적으로 그들의 고통을 과소평가한다면? 오랫동안 고통에 시달려 익숙해졌다면? 그리고 의사가 다른 환자보다 한 환자를 더 믿을 가능성이 높다는 편견을 가지고 있다면 어떨까요?

통증은 다루기 어렵고 측정하기 어려우며 따라서 치료하기 어려운 짐승입니다 . 통증은 중요한 조난 신호일 수 있으며 이를 조사하지 않으면 생명을 구할 기회를 놓칠 수도 있고 훨씬 더 사소한 것일 수도 있습니다. 

그러한 보편적인 경험에서 고통은 미스터리로 남아 있습니다. 특히 누군가가 얼마나 많은 고통을 겪고 있는지를 결정하는 작업이 그렇습니다. 고통을 연구하는 스탠포드 대학의 컴퓨터 과학자인 Emma Pierson은 "우리는 그것을 제대로 이해하지 못하고 있습니다."라고 말합니다. "특히, 인간 의사들이 왜 환자가 고통스러워하는지 자주 당황하게 된다는 사실은 통증에 대한 우리의 현재 의학적 이해가 상당히 나쁘다는 것을 암시합니다."

현재 통증 분석의 황금 표준은 숫자 척도(0은 통증 없음, 10은 최악의 통증) 또는 웃는 얼굴 시스템에 의존하여 환자가 어떻게 느끼는지 자가 보고하는 방식에 의존합니다.

"통증을 적절하게 치료하는 첫 번째 단계는 통증을 정확하게 측정하는 것입니다. 그것이 바로 도전입니다."라고 오하이오의 Cleveland Clinic에서 통증 연구팀을 이끌고 있는 Carl Saab은 말합니다. "요즘 치료의 표준은 응급실을 수수께끼로 만드는 '웃는 얼굴'을 기반으로 합니다." 이 시스템은 환자에게 혼란을 줄 수 있으며 특히 어린이와 비 의사 소통 환자를 치료할 때 문제가 된다고 그는 말합니다.

그렇다면 환자의 평가를 믿을 수 있는지에 대한 문제가 있습니다. 한 연구에서는 그러한 과장이 일반적임을 암시하는 증거가 거의 없음에도 불구하고 사람들이 자신이 겪고 있는 고통의 수준을 과장하는 경향이 있다는 광범위한 개념을 발견했습니다 .

통증을 측정하는 객관적인 방법이 없으면 임상의의 결정에 편견이 생길 여지가 있습니다. "고통은 소외된 사람들에게 특히 큰 영향을 미치며 그들의 고통은 특히 무시될 가능성이 높습니다."라고 Pierson은 말합니다.

불행하게도 통증에 대한 잘못된 믿음이 의사들 사이에 널리 퍼져 있습니다. 2016년 한 연구에 따르면 미국에 거주하는 백인 의대생과 거주자의 50%가 흑인 과 그들의 고통 경험에 대해 매우 위험하고 잘못된 생각을 가지고 있는 것으로 나타났습니다. 또 다른 연구에 따르면 의대생의 거의 절반이 선임 동료로부터 흑인 환자에 대한 부정적인 의견을 들었고, 그 학생들의 인종적 편견 수준은 의학 교육을 받은 첫 4년 동안 크게 증가했습니다.

이러한 편견은 흑인이 피부가 더 두껍고 신경 종말이 다르다는 잘못된 주장을 포함하여 노예제를 정당화하려는 역사적 시도 로 거슬러 올라갑니다 . 이제 미국의 흑인 환자는 백인 환자보다 통증 치료를 받을 확률이 40% 낮습니다 . 한편, 히스패닉 환자는 백인 환자보다 통증 치료를 받을 가능성이 25% 낮습니다.

인종 차별은 고통 치료에 영향을 미치는 편견의 유일한 형태가 아닙니다. " 히스테리 여성 "에 대한 편견은 의학, 특히 통증에 대해 여전히 잘 알려져 있습니다. 77개의 개별 연구 조사를 검토한 결과 "민감한" 및 "불평하는"과 같은 용어가 여성의 통증 보고에 더 자주 적용되는 것으로 나타났습니다. 981명을 대상으로 한 연구에 따르면 통증으로 인해 응급 치료를 받은 여성은 통증 완화를 전혀 받을 가능성이 낮았으며 치료를 받기 위해 남성보다 33% 더 오래 기다려야 했습니다. 또한 남성과 여성이 비슷한 수준의 통증을 보고했을 때 남성은 이를 치료하기 위해 더 강력한 약물을 투여받았습니다.

남성과 여성의 "정상적인 행동"에 대한 사회적 기대가 이러한 패턴의 근원이라고 스웨덴 예테보리 대학교에서 성 편견을 연구하는 Anke Samulowitz는 말합니다. 이러한 편견은 "의료 서비스에서 남성과 여성이 대우받는 방식에서 의학적으로 정당화되지 않는 차이"를 더합니다.

그녀는 남성과 여성이 특정 불만 사항에 대해 다른 대우를 받는 데에는 때때로 진정한 이유가 있다고 지적합니다. "호르몬과 유전자와 관련된 차이는 때때로 예를 들어 진통제의 차이로 이어져야 합니다."라고 그녀는 말합니다. "그러나 통증이 있는 남성과 여성의 치료에서 관찰된 모든 차이는 생물학적 차이로 설명될 수 없습니다."

 

환자의 통증을 추정하는 허용된 방법은 의사의 편견이 스며들 수 있는 여지를 남겨둡니다(Credit: Getty Images).

새로운 기술이 의학의 통증에 대한 편견과 편향을 피하는 방법을 제공하는 데 도움이 될 수 있습니까?

누군가의 고통 정도에 대한 객관적인 "판독"을 제공하기 위해 이 격차를 메우기 위해 몇 가지 혁신이 개발되고 있습니다. 이러한 기술은 통증에 대한 "바이오마커"(통증 경험과 상관관계가 있는 측정 가능한 생물학적 변수)를 찾는 데 의존합니다.

"바이오마커 없이는 통증을 적절하게 진단하고 적절하게 치료할 수 없습니다."라고 Saab은 말합니다. "우리는 급성 허리 부상을 입은 사람이 만성 치료 저항성 통증으로 전환할 가능성을 예측할 수 없으며 임상 시험에서 새로운 치료법에 대한 반응을 객관적으로 모니터링할 수 없습니다."

바이오마커에 대한 몇 가지 후보가 있습니다. 인디애나의 연구원들은 통증에 대한 신체 반응과 관련된 매우 특정한 유전자 세트가 언제 활성화되는지 확인하기 위해 혈액 검사를 개발했습니다 . 이러한 바이오마커의 수준은 누군가가 고통을 겪고 있다는 것뿐만 아니라 그것이 얼마나 심각한지를 나타낼 수 있습니다.

뇌 활동은 또 다른 유용한 바이오마커가 될 수 있습니다. Saab과 그의 팀은 그가 아직 Brown University에 있을 때 세타파 로 알려진 일종의 뇌 활동의 썰물과 흐름을 측정하는 접근 방식을 고안했습니다 . Saab은 또한 진통제를 투여하면 세타 활동이 정상 수준으로 감소한다는 사실을 발견했습니다.

이후 팀의 작업은 다른 실험실에서 독립적으로 복제되었습니다. 그러나 Saab은 통증에 대한 세타파 기반 평가를 현재의 통증 측정 방법을 대체하는 것이 아니라 추가 기능으로 보고 있습니다.

Saab은 "우리는 고통이나 다른 정신 상태 등 누군가가 어떻게 느끼는지 확실히 알 수 없을 것"이라고 말했습니다. "환자의 구두 보고는 항상 통증에 대한 '근거 정보'로 남아 있어야 합니다. 특히 구두 보고가 신뢰할 수 없는 경우(어린이, 정신 상태가 변경된 성인, 환자."

Saab은 "이 경우 무시해서는 안 된다"는 경고 기능을 하는 급성 통증과 만성 통증을 구분합니다.

바이오마커는 인간의 편견에 덜 취약한 사람의 통증을 측정하는 객관적인 방법을 제공할 수 있습니다(Credit: Getty Images)

때로는 부상이나 통증을 유발하는 상태를 면밀히 분석하면 치료를 더 좋고 공정하게 만드는 데 도움이 될 수 있습니다.

1957년에 처음 제안된 Kellgren 및 Lawrence 시스템은 골관절염으로 인한 무릎의 신체적 변화의 심각도를 살펴봅니다. 이에 대한 비판 중 하나는 저소득층 또는 소수 집단의 환자가 종종 이 질환으로 인해 더 높은 수준의 고통을 경험한다는 것입니다 . 이것은 이러한 개인에게 이중 타격을 줍니다. Pierson은 "이러한 심각도 측정은 누가 무릎 수술을 받는지에 큰 영향을 미치기 때문에 서비스가 부족한 그룹은 수술에 대해 과소 추천될 수 있습니다"라고 말합니다.

Pierson과 Stanford의 동료들은 이를 해결할 수 있는 새로운 알고리즘을 개발했습니다. "우리는 딥 러닝 접근 방식을 사용하여 무릎 X-레이에서 통증을 예측하는 딥 러닝 알고리즘을 훈련함으로써 의사가 놓칠 수 있는 무릎 X-레이에서 추가적인 통증 관련 기능을 검색합니다. .

"따라서 기본적으로 이 알고리즘을 사용하여 의사에게 '이 환자는 신체적 무릎 손상이 없다고 말했지만 X-레이에 다음과 같은 표시가 있습니다. 한 번 더 볼까?'"

Pierson은 알고리즘이 현실 세계에 도달하기 위해 아직 가야 할 길이 남아 있다고 Pierson은 말합니다. 이는 의학 분야의 AI 분야에서 흔히 볼 수 있는 극복해야 할 과제입니다. 배포, 인간과 알고리즘이 함께 잘 작동하도록 훈련하는 것입니다. 그러나 그녀는 그들의 알고리즘이 통증을 예측하는 무릎 내 신호를 찾고 통증 격차를 좁히는 데 도움이 될 수 있다는 사실에 흥분하고 있으며, 이 작업은 의료 분야의 편견을 줄이는 AI의 잠재력을 강조한다고 말했습니다. 피어슨은 "나는 종종 의학 지식이 분명히 부적합한 문제에 끌리는데, 이것은 특히 소수 인종과 여성과 같이 의학이 역사적으로 무시해 온 인구 집단에 해를 끼친다"고 말했다.

그러나 그녀는 그녀와 같은 알고리즘이 무릎 골관절염에 대한 전체 문제를 해결하지 못할 것이라고 지적합니다. "우리 알고리즘이 고통을 예측하는 환상적인 일을 하는 것과는 다릅니다."라고 그녀는 말합니다. "그러나 우리는 상당히 나쁜 고통에 대한 기본 이해와 수십 년 전에 백인이 많은 영국 인구에서 개발된 심각도 점수와 비교하고 있으며 이러한 기준을 개선하는 것은 그리 어렵지 않습니다."

Gothenburg 대학의 Samulowitz는 편향을 줄이기 위해 기술에 의존하는 것도 자체적인 문제를 야기할 수 있다고 지적합니다. 예를 들어, 기술 적용의 편향 문제가 있습니다. "일반 인구의 약 1/5이 중등도에서 중증의 통증에 영향을 받습니다. 그들 대부분은 1차 진료에서 치료를 받습니다. 그들 모두가 뇌 스캔 통증 측정을 받게 됩니까, 아니면 선택이 편향될 것입니까? 연구에 따르면 더 많은 남성 이 여성이 신체 검사를 받는 것보다 더 많은 여성이 심리학자에게 추천을 받습니다. 객관적인 통증 측정을 받을 사람에 대한 성별 편견의 위험이 있습니다."

이러한 어려움에도 불구하고 Saab은 통증 분야에서 변화에 대한 욕구가 있다고 믿습니다.

"임상의들은 '보세요, 우리는 이것에 우리의 임상 워크플로우를 기반으로 할 수 없습니다. 그것은 의학이 실행되어야 하는 방식이 아닙니다.'라고 말합니다. 고열이 나면 체온계를 쓰고, 고혈압이 있으면 혈중 농도를 측정한다. 이럴 때 아픈 사람들이 찾아오는데 웃는 얼굴을 보여줬다"고 말했다.