EHR에서 EDC까지: AI 기반 수집이 바꾸는 SDV의 패러다임

SDV(Source Data Verification)는 언제나 임상시험에서 중요한 역할을 해왔습니다. 스폰서, CRO, CRA에게 eCRF에 입력된 데이터가 소스 데이터를 정확히 반영하고 있다는 신뢰를 제공하기 때문입니다. 하지만 그동안 SDV를 수행하는 방식은 지나치게 수동적인 프로세스에 의존해 왔습니다.

CRC가 환자 전자 의무 기록, 진단검사 보고서 또는 기타 소스 문서에 데이터를 기록하면, 해당 정보는 EDC에 수동으로 일일이 복사 입력됩니다. 이후 CRA가 입력된 값과 소스 문서를 비교 검토하고, 누락이나 불일치가 발견되면 쿼리가 발행되어 사이트가 다시 데이터를 수정해야 하는 번거로움이 발생합니다.

원칙 자체는 정당하지만, 수동 워크플로우에 지나치게 의존하다 보니 현장의 부담이 가중되었습니다. 수동 복사 입력은 지연을 유발하고, 피할 수 있었던 오류를 만들며, 사이트, DM, CRA 모두에게 불필요한 재검토 업무를 가중시킵니다. cubeCDMS의 별도 연동이 필요 없는 EHR-to-EDC 기능은 소스 문서 관리, 마스킹(Redaction), 자동 입력(Auto-fill), 원격 검토(Remote Monitoring), Audit Trail 가시성을 EDC 워크플로우 내부로 끌어와 이러한 병목 현상을 해소합니다.

수동 소스 데이터 흐름의 한계

전통적인 SDV 프로세스가 비효율적이었던 이유는 데이터 수집 워크플로우 자체가 비효율적이었기 때문입니다. 환자의 EHR에 기록된 하나의 데이터 값은 EDC로 복사되고, CRA의 검토를 거쳐 DM에 의해 쿼리가 발행된 후 사이트에서 수정되고, 다시 재검토되는 복잡한 과정을 거칩니다. 이처럼 데이터를 손에서 손으로 전달할 때마다 지연이나 데이터 불일치가 발생할 위험이 커집니다.

특히 소스 문서에 원격으로 접근하기 어렵거나, 소스 파일에 검토 전 비공개 처리(Redaction)해야 하는 민감 정보가 포함되어 있을 때 이러한 문제는 더욱 두드러집니다. 결국 임상팀은 정작 임상적·운영적 주의가 필요한 핵심 데이터에 집중하기보다, 데이터를 옮기고 확인하는 단순 작업에 지나치게 많은 시간을 빼앗기게 됩니다.

연동 없는 EHR-to-EDC의 작동 방식

새로운 워크플로우는 cubeCDMS 내부에서 소스 문서를 수집하는 것부터 시작됩니다. 사용자는 EHR이나 진단검사 보고서와 같은 소스 문서를 업로드하거나 화면 공유를 통해 불러온 뒤, AI를 활용해 필요한 텍스트 값을 추출하여 해당 eCRF 필드에 자동으로 배치할 수 있습니다.

여기서 가장 중요한 점은 최종 제어권이 여전히 사용자에게 있다는 사실입니다. AI가 생성한 콘텐츠는 검증이 필요한 항목으로 명확히 식별됩니다. 시스템이 사람의 검토 작업을 완전히 대체하는 것이 아니라, eCRF 내에서 추출된 값을 페이지 저장 전에 미리 확인할 수 있도록 더욱 빠른 출발점을 제공하는 것입니다. 이를 통해 사이트 사용자의 역할은 단순히 '수동 입력자'에서 '검토자'로 전환됩니다.

프로세스를 제어하는 Audit Trail

임상 데이터 관리에서 AI를 사용할 때 추적성(Traceability)은 필수적입니다. EHR-to-EDC를 통해 작성된 eCRF 항목에 대해, cubeCDMS는 해당 값이 AI의 도움으로 입력되었는지 여부와 이후 수정되었는지 여부를 명확히 표시하도록 설계되었습니다. 이를 통해 팀은 데이터가 시스템에 어떻게 입력되었고 저장되기 전에 어떤 변경을 거쳤는지 투명하게 확인할 수 있습니다.

이러한 구분은 규제 대상 임상시험에서 매우 중요합니다. AI가 워크플로우를 보조할 수는 있지만, 임상 데이터는 여전히 명확한 책임 소재, 검토 절차, Audit Trail 추적성을 갖추어야 하기 때문입니다.

입력 부담 완화가 가져오는 가치

• CRC: 반복적인 수동 데이터 입력 작업이 대폭 줄어듭니다.

• DM: 불필요한 복사 입력 오류 및 데이터 불일치가 감소합니다.

• CRA: 소스 문서와 eCRF 간의 연관성을 훨씬 쉽게 검토할 수 있습니다.

이 기능이 제공하는 핵심 이점은 단순한 '속도 향상'에 그치지 않고 '일관성 확보'에 있습니다. 통제된 워크플로우를 통해 소스 문서에서 eCRF로 데이터가 이동할 때 검토, 수정, 추적에 이르는 모든 과정이 한층 더 투명해집니다.

SDV 관점에서의 변화

EHR-to-EDC가 SDV 자체를 없애는 것은 아닙니다. 다만 필요한 SDV의 수준과 범위를 획기적으로 줄여줍니다.

소스 값이 EDC에 수동으로 복사될 때 CRA는 입력 오류를 찾고, 쿼리를 발행하며, 사이트의 수정을 기다리는 데 많은 시간을 할애해야 했습니다. 하지만 EHR-to-EDC는 소스 데이터를 해당 eCRF 필드로 직접 추출하여 소스 문서, 추출된 값, 입력된 데이터를 한 화면에서 동시에 검토할 수 있도록 지원합니다. 덕분에 eCRF가 소스 데이터를 올바르게 반영하고 있는지 훨씬 쉽게 확정할 수 있습니다.

이는 사람이 직접 수행하는 검토나 SDV의 필요성을 제거하는 것이 아니라, 검토 시작 단계부터 데이터의 품질 자체를 끌어올리는 방식입니다. 수동 복사 단계가 줄어들면서 불필요한 데이터 불일치, 쿼리 발생량, 사이트의 재작업이 크게 감소합니다. 결과적으로 CRA는 복사된 값을 일일이 대조하는 단순 확인 작업에서 벗어나, 진정으로 주의가 필요한 핵심 데이터 검토에 집중할 수 있게 되어 SDV가 한층 더 빠르고 정교해집니다.

AI 기반 임상 데이터 검토를 향한 실용적 접근

SDV의 미래는 사람의 감독을 대체하는 것이 아니라, 검토 과정 주변에 존재하는 불필요한 수동 작업을 제거하는 데 있습니다. EHR-to-EDC는 소스 문서 관리, Redaction, Auto-fill, Remote Monitoring, Audit Trail 가시성을 cubeCDMS라는 단일 워크플로우 내로 통합할 수 있는 실용적인 길을 제시합니다.

이는 CRC의 반복적인 입력을 줄이고, CRA의 소스 문서 검토를 효율화하며, DM의 불필요한 데이터 불일치를 절감해 줍니다. 나아가 스폰서와 CRO에게는 소스 데이터 수집, EDC 검토, SDV를 하나로 잇는 통일된 프로세스를 구축해 줍니다.

고품질 임상 데이터를 위한 실질적인 도약

EHR-to-EDC의 가치는 수동 입력을 줄이는 데서 그치지 않고, 임상시험 워크플로우에 데이터가 진입하는 첫 시점부터 품질을 향상시킨다는 데 있습니다.

사용자의 검토를 거쳐 소스 값이 EDC로 추출되면 입력 오류와 쿼리 발생량이 줄어들고, SDV는 훨씬 더 본질에 집중할 수 있게 됩니다. CRA와 DM은 주의가 필요한 데이터 현황을 더욱 명확하게 파악할 수 있으며, 불필요한 불일치를 확인하고 수정하는 시간을 대폭 줄일 수 있습니다.

프로세스 초기 단계에서 확보된 높은 데이터 품질은 데이터 수집부터 분석까지의 단계를 단축시킵니다. 중요한 신호를 더 빠르게 감지하고, 검토 주기를 앞당기며, 연구 팀이 더 높은 확신을 가지고 의사결정을 내릴 수 있도록 돕습니다. 스폰서와 CRO에게 이는 소스 문서에서 검증된 임상 데이터로 이어지는 가장 효율적인 경로를 의미합니다. 수동 단계와 오류의 감소, 신속한 검토 과정은 임상시험 비용 절감과 효율적인 과제 수행으로 직결됩니다.

AI가 만드는 의미 있는 차이는 사람의 감독을 대체하는 것이 아니라, 임상 팀이 처음부터 더 나은 데이터를 수집하고 검토에서 실행까지 빠르게 전환할 수 있도록 돕는 데 있습니다.