Integrating Generative Artificial Intelligence Into Medical Education: Curriculum, Policy, and Governance Strategies
🧠 생성형 AI(Generative AI)와 의학교육의 미래: 지금 우리가 준비해야 할 것들
🌍 생성형 AI는 단지 새로운 도구가 아니다, 패러다임의 전환이다
의학교육과 임상진료는 오랜 시간 동안 컴퓨터 기술의 영향을 받아왔죠. 그런데 최근 등장한 **생성형 인공지능(Generative AI, 이하 GAI)**은 그 어떤 기술보다 교육과 진료를 근본적으로 바꿔놓을 수 있는 힘을 가진 존재로 주목받고 있어요.
특히 ChatGPT의 등장 이후로, GAI는 빠르게 우리 일상과 의료 현장으로 스며들고 있습니다. 연구진은 이렇게 말합니다.
"Generative AI represents a paradigm shift in medical education and clinical care."
(생성형 AI는 의학교육과 임상진료에서 패러다임의 전환을 의미한다.)
🏥 왜 GAI는 의대생과 교수 모두에게 중요한가?
GAI는 이미 여러 면에서 인간을 뛰어넘는 퍼포먼스를 보여주고 있어요. 예를 들어:
- **미국의사면허시험(USMLE)**에서 합격 가능 수준의 점수를 얻고,
- 복잡한 환자 증례를 진단하고,
- 환자 질문에 정확히 응답하기도 합니다.
그런데 문제는, 기술의 발전 속도에 비해 교육현장의 적응은 매우 느리다는 거예요. 특히 교수들은 아직 이를 수업에 어떻게 반영해야 할지 혼란스럽고, 학생들은 GAI를 과제나 시험에서 어디까지 활용할 수 있는지 명확한 기준이 없는 상태입니다.
📘 의학교육에서 GAI를 책임감 있게 활용하려면?
연구진은 미국 내 두 의과대학에서 GAI 교육을 실험한 경험을 토대로, 학교들이 실천할 수 있는 세 가지 핵심 영역을 정리했어요:
1️⃣ 정책(Policy): 안전하고 명확한 사용 지침 만들기
공개 GAI 도구(ChatGPT, Gemini 등)는 입력된 정보를 저장하고 학습에 활용할 수 있어요. 그렇기 때문에 개인 정보나 환자 정보는 절대 입력하면 안 됩니다.
"Protected health information and personally identifiable medical or research information should never be entered into a public GAI tool."
(보호된 건강 정보나 개인 식별이 가능한 의료 또는 연구 정보는 공개 GAI 도구에 절대 입력되어선 안 된다.)
또한, 학교는 GAI 사용에 대한 표절(plagiarism) 기준을 새롭게 정의해야 해요. GAI를 사용한 경우엔 어떤 도구를 어떻게 썼는지를 명시하고, 프롬프트도 함께 제출하는 방식이 권장됩니다.
2️⃣ 거버넌스(Governance): 학교 차원의 관리 구조 만들기
GAI 도구는 여전히 **편향(bias)**과 불확실성을 내포하고 있어요. 게다가 규제는 기술을 따라가지 못하고 있죠. 학교는 학생, 교수, 커리큘럼 담당자 등이 함께 참여하는 거버넌스 조직을 만들어야 합니다.
"Governance on GAI at medical institutions should be implemented to create and enforce guiding principles on ethical and equitable GAI use, and students should be involved in local innovation."
(의과대학에서의 GAI 거버넌스는 윤리적이고 공정한 사용을 위한 원칙을 수립하고, 이를 시행하는 데 중점을 둬야 하며, 학생도 지역 차원의 혁신에 참여해야 한다.)
3️⃣ 교육과정(Curriculum): 전공교육 전체에 걸쳐 통합된 GAI 수업 설계
GAI는 공감적 의사소통, 병력 청취, 감별진단 생성, 요약과 관리 같은 영역에서도 점점 더 인간을 대체하거나 보완하고 있어요. 따라서 모든 의대생은 GAI 사용을 익혀야 해요. 핵심은 기술적인 원리보다 임상적 응용을 중심으로 가르치는 것이에요.
"Every graduate will be using GAI to deliver care, so this is a critical need."
(앞으로 졸업생들은 모두 GAI를 활용해 진료하게 될 것이므로, 이는 반드시 필요한 교육이다.)
연구진은 특히 **프롬프트 어톤(Prompt-a-thon)**이라는 형식을 추천해요. 학생과 교수들이 GAI를 함께 실습하며 학습하고, 사용법을 스스로 터득하게 도와주는 실습형 워크숍이죠.
📊 의대생을 위한 GAI 역량, 어떻게 정의할까?
논문에서는 다음과 같은 6가지 핵심 영역에서 의대생들이 갖춰야 할 역량을 제안하고 있어요:
| 역량 영역 | 예시 역량 |
| 🔍 AI 기초 이해 | LLM 구조 및 학습 방식 설명, 프롬프트 설계 |
| ⚖️ 윤리 및 규제 | 편향 분석, 공정한 데이터 사용에 대한 비판적 사고 |
| 🏥 임상 및 디지털 헬스 응용 | GAI를 환자 커뮤니케이션에 활용, 의사 역할 변화 논의 |
| 📏 정확성 평가 | 모델 드리프트와 환각 개념 이해 및 비판적 검토 |
| 🔐 데이터 보안 | 개인정보 보호 관련 리스크 분석 |
| 🤝 전문직업성 | GAI 사용 시에도 대면 상황과 같은 전문성 유지 |
🧩 마무리하며: 이제는 함께 바꿔나가야 할 때
생성형 AI는 앞으로도 계속 진화할 거예요. 그렇기 때문에 지금 우리가 할 일은 명확합니다.
"It is imperative that the medical education community acts together to share best practices, gather data to assess the effect of GAI education, continuously update the expected competencies of medical students, and help students prepare for a career that will be constantly changed by GAI."
(의학교육 공동체는 함께 행동하여 모범 사례를 공유하고, GAI 교육의 효과를 평가하며, 의대생의 기대 역량을 지속적으로 갱신하고, GAI로 변화될 진로에 대비할 수 있도록 도와야 한다.)
비록 학부 수준의 의과대학 교육(undergraduate medical education)이 오랫동안 컴퓨팅 기술의 도전과 영향 속에 있어 왔지만, 최근의 생성형 인공지능(generative artificial intelligence, 이하 GAI)의 발전은 개인용 컴퓨터의 등장이 그랬던 것처럼 교육 전반에 혁신적인 변화를 예고하고 있다¹. GAI 시스템은 방대한 양의 텍스트, 이미지, 비디오 데이터를 기반으로 훈련된다. 이 용어는 이 기술이 현실적이고, 설득력 있으며, 공감 능력이 느껴지는 새로운 콘텐츠를 빠르게 “생성(generate)”할 수 있는 능력에서 유래했다. 이러한 기술의 사용 증가는 **ChatGPT(OpenAI)**의 공개 출시와 지난 2년간의 일상적 확산을 계기로 매우 빠르고 놀라운 속도로 이루어지고 있다.
의료 분야도 예외는 아니었다. ChatGPT가 공개된 지 수개월 만에, 이 모델들이 인간 고유의 영역으로 여겨졌던 여러 의학적 활동에서도 우수한 성과를 내는 것이 확인되었다. 예를 들어, **미국의사면허시험(United States Medical Licensing Examination)**에서 뛰어난 성적을 거두었고², 환자의 병력을 청취해 감별 진단을 구성하고³, 복잡한 증례를 진단하며⁴, 환자의 질문에 정확하게 응답하는 능력도 입증되었다⁵. 이와 같은 초기 연구들은 GAI 시스템이 의학교육, 임상적 의사결정, 그리고 건강관리의 업무 흐름 전반에 걸쳐 폭넓게 활용될 가능성이 있음을 시사한다⁶.
GAI의 또 다른 중요한 차별점은 바로 개발과 채택의 속도이다. 대형 기술 기업들은 GAI 시스템 개발에 수십억 달러를 투자하고 이를 무료 도구로 공개하고 있다⁷. 매주 새로운 GAI 모델이 출시되고 있으며, 이는 기술 기업뿐 아니라 의과대학 및 연구 중심 대학에서도 이루어지고 있다⁸. 의료 및 의학교육 분야에 특화된 수많은 상업적 응용 프로그램들이 이미 개발되었고, Epic과 같은 기업을 통해 GAI는 임상 실무에 직접 통합되는 과정에 있다⁹.
학생과 교수들 모두 의학교육에서의 GAI 활용에 대해 높은 관심과 기대를 보이고 있다¹⁰⁻¹⁴. 의과대학생 및 수련의들은 자발적으로 GAI를 학습, 임상 추론, 교육 과정의 실무적 과제를 지원하는 데 활용하고 있으며¹⁵, 교수진은 커리큘럼을 개발하고, 교수 활동을 보조하며, 평가 문항을 작성하거나 채점하는 데 GAI를 사용하고 있다¹⁶⁻¹⁷.
최신 세대의 의과대학생들은 GAI에 익숙하다. 이들은 대학 시절부터 GAI 도구를 일상적으로 사용해왔기 때문이다¹⁸. 이로 인해 학생들의 기대 수준과 이러한 도구들이 교육 현장에 통합되는 속도는 **교수진의 역량 개발(faculty development)**이나 **전략적 도입(strategic implementation)**을 훨씬 앞질렀다¹⁷. 이와 같은 빠른 변화는 또한 GAI 혁신이 의학교육 이론에 기반하여 체계적으로 정립되고, 효과성에 대한 실증적 자료(outcome data)가 마련되기 전에 이미 확산되게 만들었다¹⁹˒²⁰.
GAI 사용에 있어 언제 사용해야 하는지, 어떤 경우가 **표절(plagiarism)**에 해당하는지, 그리고 GAI가 작성한 텍스트를 어떻게 식별할 수 있는지에 대한 명확한 기준이 부족한 상황이다²¹. 그리고 무엇보다도, 높은 관심과 기술의 접근성, 실제 사용 사례의 증가에도 불구하고, 이러한 **빠르게 진화하는 GAI와 대형 언어 모델(large language models)**을 **의과대학의 핵심 교육과정(core medical school curriculum)**과 학습 경험에 어떻게 통합할지에 대한 역량 체계와 지침(competencies and guidance)이 부족한 실정이다.
우리는 각각 **뉴욕대학교 그로스먼 의과대학(NYU Grossman School of Medicine)**과 **하버드 의과대학(Harvard Medical School)**에서 GAI 교육 혁신을 주도하고 있는 사람들로서, 끊임없이 변화하는 기술과 학생 및 교수진의 요구를 직접적으로 마주하고 있다. 본 논문(Scholarly Perspective)에서는 GAI 관련 교육 혁신을 고려하고 있는 학교들을 위해 지난 1년간의 경험을 바탕으로 한 몇 가지 권고사항을 공유하고자 한다. 이 권고안은 의과대학 일반 인공지능 교육에 관한 기존의 풍부한 연구들¹⁰˒¹¹˒¹⁴˒²²–²⁸ 위에 기반하고 있으며, 이 분야가 필연적으로 진화함에 따라 유연하게 적응할 수 있도록 설계되었다.
이러한 권고안은 정책(policy), 거버넌스(governance), **교육과정(curriculum)**이라는 세 가지 영역으로 구성되어 있다. 이 세 영역은, GAI라는 혁신적 기술이 야기하는 교육 시스템의 변화에 학교들이 어떻게 적응할 수 있는지, 그리고 학생, 수련의, 교수들이 이러한 기술을 최적화하여 사용할 수 있는 학습 환경을 어떻게 구축할 수 있는지에 대한 관점을 제공한다. 그러나 동시에, 우리는 현재 제시된 어떤 틀이라도 향후 보다 강력한 기술이나 새로운 활용 사례가 등장함에 따라 반드시 재고되어야 할 것임을 분명히 인식하고 있다.
권고안 1 – 정책(Policy): 적절한 GAI 사용을 위한 정책 마련
ChatGPT나 **Gemini (Google)**와 같은 공개 GAI 시스템(public GAI systems)은 기본적으로 사용자로부터 입력받은 정보나 질문을 수집하고 보관하며, 경우에 따라 이러한 데이터를 **모델 추가 훈련(training)**에 사용하는 설정을 기본값(default)으로 한다. 이 기본 설정은 **보호되거나 개인 식별이 가능한 데이터(protected or identifiable data)**에 대해 심각한 문제를 야기할 수 있다. 이에 반해, 의과대학이나 학술 의료기관에서 라이선스를 통해 제공하는 **사설 GAI 시스템(private GAI systems)**은 입력된 데이터를 보호하며, HIPAA(Health Insurance Portability and Accountability Act) 및 FERPA(Family Educational Rights and Privacy Act) 기준을 준수하는 경우가 많다²⁹˒³⁰.
학생, 전공의, 교수진이 GAI를 사용할 때에는 **공개 GAI 시스템에서 어떤 데이터나 과제가 “안전한지”에 대해 명확한 지침(guidance)**을 받아야 한다. **보호된 건강 정보(protected health information, PHI)**나 **개인 식별이 가능한 의료 또는 연구 정보(personally identifiable information)**는 절대 공개 GAI 도구에 입력해서는 안 되며, 반드시 해당 용도로 명시된 의과대학 또는 의료기관이 제공하는 사설 GAI 도구에서만 사용해야 한다³¹. 이러한 지침은 특히 **공개 시스템과 사설 시스템 간의 차이(nuance)**를 이해시키는 것이 중요한데, 이는 현재 GAI가 이메일, 워드 프로세서, 프레젠테이션 도구, 심지어 검색 엔진에도 광범위하게 통합되어 있는 상황에서는 필수적인 요소가 되었다.
예를 들어, 학생이 임상기록(clinical write-up)을 작성하기 위해 사용하는 워드 프로세서가 GAI 기능을 포함하고 있을 경우, 환자와의 상호작용 세부사항이 본인의 의도와 무관하게 외부 기술 기업에 공유될 수 있다는 점을 인지하지 못할 가능성이 있다³². 실제로 학생들은 공공 데이터(public data)와 사적 데이터(private data)의 분류조차 인식하지 못하고 있는 경우가 많다. 이러한 구분은 반드시 명확히 교육되어야 하며, 정책으로도 명시되어야 한다.
이 정책은 또한 학생들이 교육 목적(academic use)으로 GAI를 사용하는 상황을 다뤄야 하며, 현재 GAI 도구가 이미 학생들의 학습 도구로 자리 잡았다는 현실을 인정해야 한다. 과제, 작성물, 평가 등에서 학생이 GAI를 언제 사용할 수 있고, 언제 사용할 수 없는지, 그리고 **명예 규정(honor code)**이 어떻게 **표절(plagiarism)**과 **단독 저자권(sole authorship)**의 개념을 재정의해야 하는지도 분명히 해야 한다.
우리는 다음과 같은 방식을 권장한다: GAI 사용이 허용된 상황에서는, 학생이 어떤 도구를 사용했는지 명시하고, **콘텐츠 생성을 위해 입력한 프롬프트(prompts)**도 함께 제출해야 하며, 이는 통계 분석 소프트웨어를 인용하는 방식처럼 표준화된 인용 방식으로 처리되어야 한다. GAI 사용에 관한 **에티켓과 기준(etiquette and standards)**이 빠르게 변화하고 있는 만큼, 학생들은 자신이 접하는 다른 기관들—예: 학술지 출판사, 연구비 지원기관 등—이 GAI 생성 텍스트 및 이미지 사용을 허용하거나 금지하는지에 대한 가이드라인을 갖고 있는지 인지해야 한다.
마지막으로, **환각(hallucination)**이나 **기타 오류(error)**는 여전히 흔하게 발생하므로, 어떤 정책이든 최종적으로 제출물의 진실성과 정확성에 대한 책임은 학생에게 있음을 분명히 해야 한다.
권고안 2 – 거버넌스(Governance): GAI 사용을 위한 거버넌스 체계 구축
GAI 시스템에는 내재된 **편향(bias)**이 존재할 수 있으며, 특히 학생의 데이터가 훈련에 사용될 경우 이를 둘러싼 윤리적 논쟁 또한 지속되고 있다³³. 뿐만 아니라, 기술 환경의 변화 속도는 매우 빠르며, 이로 인해 의과대학은 지속적으로 적응해야 하는 과제를 안고 있다. 따라서 **각 기관은 자율적인 GAI 거버넌스 조직(local governance body)**을 구성하여, GAI의 안전하고 윤리적인 사용 원칙을 정의하고, 이를 **학교의 교육 사명(mission)**과 정렬되도록 유지하며, 제안된 GAI 솔루션에 대한 감독, 그리고 지속적인 기술 발전을 따라갈 수 있는 체계적 구조를 마련해야 한다.
AI 거버넌스는 반드시 학교의 주요 이해관계자—예: 리더십, 교수진, 교육과정 책임자, 그리고 학습자 본인—를 대표해야 한다. GAI가 영향을 미치는 범위가 광범위하기 때문에, 이와 같은 다분야 거버넌스 기구는 우선순위 영역을 정의하고, GAI 통합에 있어 **포괄적인 전략(overall strategy)**을 수립할 수 있다. 거버넌스 조직은 예를 들어, 윤리 기반 감시(ethics-based auditing) 모델을 활용하여, GAI 시스템과 모델의 실제 운영 방식이 명시된 원칙들과 일치하는지 검토할 수 있으며, 또한 정보기술(IT), 데이터 보안, 법적 준수 부서와의 협력을 통해 **데이터 관리(data plans)**에 대한 정합성을 확보할 수 있다³⁴.
또한, GAI 사용에 있어서 학습자 및 교수의 데이터 활용과 관련된 특수한 이슈들이 충분히 고려되어야 하며, 이를 바탕으로 다양한 GAI 프로젝트에 일관성 있게 적용할 수 있는 해결방안을 도출할 수 있어야 한다³⁵.
학생들도 이 거버넌스 체계에 충분히 대표성을 갖고 참여해야 한다. 왜냐하면, GAI 교육 도구의 다양성은 계속 증가하고 있으며, 서로 다른 학생들이 이를 다양한 방식으로 학습에 활용하기 때문이다. 따라서 단순히 위원회 위원으로만 참여시키기보다, **포커스 그룹(focus groups)**이나 디자인 사고 세션(design thinking sessions) 등 다양한 형태의 학생 참여 방식을 병행하는 것이 바람직하다³³. GAI 교육 혁신은 주로 동료 네트워크를 통해 전파되기 때문에, 학생들이 가장 최신 정보를 갖고 있으며, 그들이 경험하는 현실적인 교육 맥락과 부합하는 전략을 수립하는 데 필수적인 역할을 할 수 있다³⁶.
게다가 GAI의 유망한 활용 사례 중 다수는 **확장 가능한 피드백(scalable feedback)**이나 **감독(oversight)**과 같이 학생의 성과에 직결되는 영역에 있기 때문에, 학생 데이터가 어떻게 활용되는지에 대해 투명성을 확보하려면 학생의 참여가 매우 중요하다. 이러한 활용 사례는 종종 **고위험(high-stakes)**에 해당하므로, 예를 들어 자동 채점 시스템, 피드백 제공, 대규모 평가 시스템, 학생 선발 등에 관해서는 구체적이고 명확한 정보 전달이 필요하며, 이는 학생들의 인식과 신뢰를 구축하는 데 핵심적인 단계가 된다.
권고안 3 – 교육과정(Curriculum): 학습자의 역량을 정의하고 책임 있는 GAI 사용을 가르치는 몰입형 교육과정 개발
GAI를 잘 활용하는 것은 학습 가능한 기술이다³⁷. 의학교육과 임상진료에서 GAI의 잠재적 응용 범위는 매우 넓으며, 의료 공동체의 다양한 수준에서 창의적인 GAI 활용 사례가 등장하고 있다. 이미 **GAI를 효과적으로 사용하는 모범 사례(best practices)**도 마련되어 있으며, 이는 일련의 워크숍을 통해 쉽게 교육될 수 있다³⁷⁻³⁹. ChatGPT나 다른 도구를 단편적으로 사용해 본 이들조차도, 교육과 실습, 피드백을 통해 보다 효과적인 활용법을 배울 수 있다. GAI 전문가인 Ethan Mollick 박사는 다음과 같이 말한다.
**“조직이 가이드라인, 지원, 최첨단 모델에 대한 접근을 제공하지 않는 것은 직장에서 AI를 회피하는 것이 아니라, 은밀하고 잘못된 방식으로 AI를 사용하는 것에 불과하다.”**⁴⁰
("By not providing guidance, support, and access to frontier models, companies are not avoiding AI at work, they are getting secretive, bad AI at work.")
GAI 기술은 이제 우리가 전문 직업성(professional practice)과 연관지어 왔던 **임상적 추론(clinical reasoning), 치료 계획 수립(therapeutic planning), 근거 중심 의사결정(evidence-based decision-making), 정밀의학(precision medicine)**과 같은 핵심 역량들을 도전받게 만들고 있다. 이러한 변화 속에서 의대생들은 자신의 현재 교육이 미래에 충분하지 않을 수 있다는 불안을 느끼고 있으며, 변화의 속도에 혼란스러워하고 있다. GAI가 임상 진료에 어떻게 구체적으로 영향을 미칠지 아직 명확하지 않지만, 우리는 모든 학생을 대상으로 모든 교육과정 단계에 걸쳐 포함된 GAI 필수 교육과정을 지금부터라도 시작할 것을 제안한다. 앞으로 모든 졸업생은 GAI를 활용해 진료하게 될 것이기 때문에, 이는 반드시 필요한 교육이다.
역량 기반으로 기대 수준과 기술 수준을 정의하는 것은 GAI 교육과정 구축의 핵심적인 첫걸음이다. 이미 여러 연구들에서 의대생을 위한 일반 인공지능(AI) 역량 모델이 제시되어 있으며¹⁰˒¹¹˒²²˒²⁴˒²⁶˒²⁷˒⁴¹, 이들 모델은 GAI 시대에도 여전히 유효한 **핵심 영역(foundation domains)**을 공통적으로 강조한다. 우리는 이러한 핵심 영역을 Table 1에 요약하여 제시하며, 각 대학에서 GAI를 통합하면서 새롭게 직면한 도전 과제들을 반영하여 확장된 형태로 설명하였다.
우리는 기술적 측면보다 임상적 활용과 함의에 초점을 맞춘 **핵심 교육과정(core curriculum)**을 권장한다. 예를 들어, 의대생이 자기공명영상(MRI)을 해석하는 법은 배워야 하지만, 기계의 물리학적 원리를 알 필요는 없듯이, GAI도 의료 현장에 통합하고 응용하는 **실천적 틀(framework)**을 중심으로 학습해야 한다. 우리의 지역 커리큘럼(local curricular activities)에서는 공개된 임상 기록이나 철저히 비식별화된 임상 노트를 사용하여, 학생들에게 실제 임상 업무를 모방하는 방식으로 효과적인 프롬프트(prompt)를 설계하게 한다.
예를 들어 학생들에게는 다음과 같은 과제가 주어진다:
- 임상 노트를 요약하라
- 병력 청취(history)와 신체검진(physical examination)의 핵심 요소를 추출하라
- 질병의 중증도를 분류하라
- 진료 요약을 작성하라
- 진단 계획을 수립하라
학생들은 팀 단위로 다양한 프롬프트를 시도하고 결과를 비교하며, 어떤 전략이 더 나은 결과를 내는지, 그리고 GAI의 강점과 한계, 오류를 직접 체험하며 학습하게 된다.
이 교육과정에는 윤리적 쟁점, 접근성 문제, 잠재적 편향에 대한 학습도 포함되어야 한다. 학생들은 의료에서 가장 널리 사용되고 성능이 뛰어난 GAI 시스템들—예: ChatGPT—이 의료 전용으로 개발된 것이 아님을 이해해야 한다. 우리는 GAI 교육과정에 **정식 데이터 과학(data science)**을 포함할 것을 권장하진 않지만, 핵심 개념과 주요 용어는 반드시 다루어져야 하며, 심화 학습을 원하는 학생들을 위한 **선택 교육(electives)**이 제공되어야 한다.
임상 정보학, 데이터 과학, 컴퓨터 과학 분야의 프로그램 및 교수진과의 협력도 매우 유용하다. 또한, 학생과 교수들이 실험하고 연습할 수 있는 안전한 공간을 제공하는 것 역시 중요하며, 이러한 시스템은 반드시 HIPAA를 준수하고 데이터 보호 조치를 갖춘 상태에서 운영되어야 한다.
모든 교육과정은 다음의 현실을 인식해야 한다:
“GAI 기반 변화는 매우 빠르게 진행 중이며, 미래의 임상 실무에 중대한 영향을 미칠 것이다.”
우리는 이러한 변화가 의료 실무의 미래에 긍정적인 영향을 미칠 것이라 낙관적으로 보고 있으며, GAI가 광범위하게 임상에 통합된 미래를 대비하는 것이 교육의 최종 목표가 되어야 한다. 이 변화는 결국 **의사의 전문 정체성(professional identity)**과 의사라는 존재의 의미에까지 영향을 미칠 것이다⁴².
학생들은 이러한 변화 속에 수동적으로 따라가는 것이 아니라, 변화를 이끄는 주체로 적극적으로 참여하고, 자신이 원하는 미래를 구상하며, 리더가 되는 방법을 모색해야 한다.
우리는 GAI 커리큘럼의 시작 단계로 **프롬프트 어톤(Prompt-a-thon)**이 매우 효과적이었음을 경험했다³⁸˒³⁹. GAI의 확산을 막는 주요 장애물 중 하나는 프롬프트 입력(prompting)에 대한 반응성과 효과의 다양성이다⁴³. 상황에 따라 다른 프롬프트 전략이 요구되며, 그 차이를 직관적으로 파악하기 어려운 경우가 많다. Prompt-a-thon 세션을 통해 우리는 표준화된 실습 사례, 프롬프트 실험 문화, 협업 기반 학습 환경을 구축할 수 있었으며, 이를 통해 학생과 교수 모두 높은 몰입도와 학습 효과를 경험하였다. 이러한 교육 세션과 웹세미나는 학생, 교수, 교직원 등 학내 전체 커뮤니티를 대상으로 운영할 수 있으며, 향후 지속적인 협업으로 이어질 수 있다.
우리의 경험에 따르면, 프롬프트 어톤 세션에는 다음의 세 요소가 포함되어야 한다:
- GAI에 대한 기술적 기초(technical primer)
- 지역 정책에 따른 안전한 사용 원칙 강화
- 프롬프트 작성 및 상호작용에 필요한 기본 기술 습득
더 나아가서는 피드백, 채점 등 다양한 활용 사례별 고급 프롬프트 전략도 다루어질 수 있다. 모든 새로운 교육 시도와 마찬가지로, **참여자 피드백과 반복적인 개선(iterative improvement)**도 필수적이다. 이 세션은 무엇보다 재미있고 실험적인 분위기에서 이루어져야 하며, 처음 사용하는 사람들의 두려움과 저항을 줄이고, 프롬프트 공유를 위한 자원 제공으로 이어지는 출발점이 되어야 한다¹¹.
결론(Conclusions)
**생성형 인공지능(Generative AI, GAI)**은 의학교육과 임상 진료 전반에 걸쳐 패러다임의 전환(paradigm shift)을 가져오고 있다. 이 기술은 일시적인 유행이 아니라, 앞으로 지속될 기술이며, 따라서 의학교육은 이러한 미래를 준비하기 위해 반드시 변화해야 할 책무를 지닌다. 우리가 두 의과대학에서 GAI와 함께한 경험은 다음과 같은 **핵심 권고안(key recommendations)**으로 이어졌으며, 이는 모든 의학교육 기관이 함께 실천할 수 있는 방향성을 제시한다.
- **정책(policy)**은 **GAI의 안전한 사용(safe use)**을 촉진하고, 기관 및 환자 데이터 보호, 그리고 학생들의 GAI 학습 활용에 대한 명확한 기준을 제공하는 방향으로 마련되어야 한다.
- **거버넌스(governance)**는 GAI의 윤리적이고 공정한 사용을 위한 **지침 원칙(ethical and equitable guiding principles)**을 수립하고 이를 실천할 수 있는 구조로 구현해야 하며, 학생들도 이 과정에 적극적으로 참여해야 한다.
- 교수와 학습자 모두가 GAI를 실험적으로 활용할 수 있는 도구와 교육 훈련을 제공받아야 하며, **의대생이 갖추어야 할 주요 AI 역량(AI competencies)**은 시의성 있게 정의되고 정기적으로 갱신되어야 한다.
- 마지막으로, 이러한 모든 요소들이 의과대학 교육 전반에 통합되어야 한다.
이와 같은 GAI 도입 및 권고안 실천은 결코 쉬운 일이 아니다. 정책, 거버넌스, 기술, 윤리, 그리고 체계를 흔드는 혁신적 성격이 결합된 GAI는 일부 학교에게는 풍부한 자원을 활용할 수 있는 기회가 될 수 있지만, 다른 학교들에게는 도전이자 장벽으로 작용할 수 있다.
그러나 몇 가지 요인은 GAI의 확산 가능성을 뒷받침하고 있다. 예를 들어,
- GAI 서비스의 가격이 급격히 낮아지고 있으며,
- 학교들이 이미 사용 중인 다양한 도구 및 애플리케이션에 GAI 기능이 내장되고 있다는 점이 그것이다.
이처럼 빠르게 변화하는 GAI 환경 속에서, 의학교육 공동체는 함께 협력하여
- 모범 사례(best practices)를 공유하고,
- GAI 교육의 효과를 평가하기 위한 데이터를 축적하며,
- 의대생에게 기대되는 역량을 지속적으로 업데이트하고,
- GAI가 지속적으로 변화시킬 미래의 진로를 준비할 수 있도록 돕는 역할을 해야 할 것이다.
✅ 기본 영역 1: 인공지능(AI)에 대한 기초 지식 (Fundamental knowledge of AI)
GAI 관련 도전 과제
- "인공지능(artificial intelligence)"이라는 용어는 1950년대까지 거슬러 올라가는 다양한 기술들을 포함하는 개념이며, 그 중 많은 것들은 이미 의료 현장에 깊이 통합되어 있다. GAI라는 개념과 미디어 속에서의 이미지가 이 기술을 신비화시키는 경향이 있지만, 실제 작동 방식은 쉽게 배울 수 있다.
- GAI 시스템은 **“블랙박스(black box)”**처럼 작동한다. 즉, 출력 결과는 해석할 수 없으며, 시스템의 추론 과정을 설명하기 어렵다는 의미다.
- GAI 모델의 성능은 **프롬프트(prompt, 자연어 명령어)**에 매우 민감하다. 프롬프트 전략에 따라 특정 작업에서의 성과가 현저히 달라질 수 있다.
대응 역량
- ChatGPT와 같은 대형 언어 모델(large language models)이 작동하는 구조, 아키텍처, 학습 과정 등을 설명할 수 있어야 한다.
- 다양한 학습 데이터와 학습 방식이 GAI 출력 결과에 어떤 영향을 미치는지 분석할 수 있어야 한다.
- 정확하고 완전한 결과를 얻기 위해 효과적인 프롬프트 설계와 질의 방법을 실습하고 시연할 수 있어야 한다.
✅ 기본 영역 2: 윤리 및 규제(Ethics and regulation)
GAI 관련 도전 과제
- GAI 시스템은 인간의 편향(human biases)—예: 인종적, 성별 편향—을 결과물에 포함할 수 있다.
- 이러한 편향은 사전학습(pretraining) 시 인간 텍스트에 내재된 편향, 미세 조정(fine-tuning) 과정에서 인간 피드백에 따라 조정된 값 등에 의해 발생한다.
- AI 시스템은 **“자동화 편향(automation bias)”**이라는 심리적 현상을 통해 예측 불가능한 방식으로 사용자에게 영향을 미칠 수 있다.
- 현재의 연방 규제 체계는 GAI 등장 이전에 만들어진 것으로, 고위험 영역에서의 사용에 대해 정밀한 감독이 부족하며, 이로 인해 **혁신이 저해(stymied)**될 수 있다.
- 임상 데이터를 기반으로 학습된 GAI 도구는 강력하지만, 환자 프라이버시 보호 방법에 대한 기준이 아직 명확하지 않다.
- 현재 개인정보 보호법은 GAI 기술 혁신과 일치하지 않을 수 있다.
대응 역량
- GAI 규제와 관련된 논쟁을 기존의 규제 경로와 비교·평가할 수 있어야 한다.
- 모델의 사전학습 및 미세조정 과정에서 어떻게 편향이 발생하는지 분석하고, 이를 줄이기 위한 전략을 제안할 수 있어야 한다.
- GAI 학습 과정에서 임상 데이터를 사용하는 것의 윤리적 쟁점을 이해하고 비판적으로 검토할 수 있어야 한다.
- 대형 언어 모델(LLM)의 의료 현장 사용과 관련해, 부적절하거나 해로울 수 있는 시나리오에서의 윤리적 고려사항을 논의할 수 있어야 한다.
- 의료 현장에 특화되어 설계되지 않은 GAI 도구를 진료 도구로 사용하는 것의 윤리적 문제를 설명할 수 있어야 한다.
- 의료 인공지능 사용과 관련하여 전문 학회 및 기관이 제시한 가이드라인과 행동 수칙을 숙지하고 이에 대해 설명할 수 있어야 한다.
✅ 기본 영역 3: 임상 진료 및 디지털 헬스에의 적용 (Application to clinical care and digital health)
GAI 관련 도전 과제
- 요약(summarization), 환자 포털 커뮤니케이션 작성(patient portal communication drafting), 주변 환경 청취(ambient listening) 등 GAI 도구들이 이미 임상 업무 흐름에 통합되고 있다⁹.
- 초기 데이터는 GAI 도구가 공감적인 의사소통(empathic communication)을 향상시킬 수 있음을 보여준다.
- 최신 연구들은 GAI가 병력청취(history taking), 감별진단 도출(differential generation), 환자 관리(summarization and management) 등 인간만의 영역이라 여겨졌던 활동에도 효과적으로 활용될 수 있음을 시사한다³˒⁴.
대응 역량
- GAI를 활용하여 환자와의 의사소통에서 공감 능력 및 효과성을 향상시킬 수 있어야 한다.
- 임상 추론 지원 및 환자 대면 애플리케이션 등 GAI의 새로운 사용 사례에 대해 **적응형 학습자 프레임워크(master adaptive learner framework)**를 적용할 수 있어야 한다.
- GAI가 전문 정체성에 어떤 영향을 미칠 수 있는지, 그리고 의사의 역할이 어떻게 변화할 수 있는지를 논의할 수 있어야 한다.
✅ 기본 영역 4: GAI의 품질 및 정확성 평가 (Assessing AI quality and accuracy)
GAI 관련 도전 과제
- GAI 기술은 본질적으로 **확률 기반(probabilistic)**이기 때문에, **환각(hallucination)**이라 불리는 잘못되거나 부적절하고, 때로는 이상한 정보를 생성할 수 있다⁵¹.
- GAI 모델은 시간이 지나면서 **“모델 드리프트(model drift)”**가 발생할 수 있으며, 이는 일부 영역의 성능은 향상되면서 동시에 다른 영역의 성능은 저하되는 현상이다.
- 정확도를 높이기 위해 **검색 기반 생성(retrieval-augmented generation)**이나 확장 가능한 감독 시스템(scalable oversight systems) 등 다양한 기술적 솔루션이 제안되고 있으나, 이러한 시스템이 실제 적용 시 얼마나 효과적일지는 아직 명확하지 않다⁵².
대응 역량
- GAI 모델에서 환각이 발생하는 개념을 설명하고, GAI를 참고 자료로 사용할 때의 한계를 비판적으로 평가할 수 있어야 한다.
- GAI의 응답이 설계에 따라 다르다는 점을 인식하고, 출력 결과에 대한 비판적 사고 능력을 강화해야 한다.
- GAI 도구가 임상 현장에 통합되는 경우, 모델 업데이트에 따른 성능 변화를 모니터링하는 전략을 수립할 수 있어야 한다.
✅ 기본 영역 5: 데이터 프라이버시 및 보안 (Data privacy and security)
GAI 관련 도전 과제
- **상업용 GAI 제품(commercial GAI products)**은 사용자가 입력하는 데이터에 대한 보호 장치가 부족하여, 건강 정보, 학생 정보, 지식재산권 등의 노출 위험이 커진다⁵³.
- 일부 의료기관은 이러한 문제를 회피하기 위해 자체 LLM을 개발 및 운영하고 있으나, 이는 막대한 전문성과 IT 인프라에 대한 투자가 필요하다.
대응 역량
- 민감한 데이터를 공개 GAI 시스템에 제출할 때 발생할 수 있는 개인정보 보호 및 데이터 보안의 위험성을 분석할 수 있어야 한다.
- LLM에 데이터가 어떻게 포함되는지, 그리고 이러한 데이터가 GAI 출력에 어떤 영향을 미치는지를 이해할 수 있어야 한다.
✅ 기본 영역 6: 전문직업성 (Professionalism)
GAI 관련 도전 과제
- GAI에 의해 대체되거나 보완되는 과제들은 기존 의사의 전문 정체성의 핵심을 이루는 활동이기에, 이는 **학생들의 자아 개념(self-conception)**을 혼란스럽게 만들 수 있다. 특히 기술 발전의 속도가 불확실할 때 그러하다⁶.
- 신체검진이나 관계 형성과 같은 일부 과제는 GAI가 단기간 내에 영향을 미치기 어려운 분야로 남을 가능성이 크다⁴².
대응 역량
- 의료 및 환자 커뮤니케이션에서 GAI 사용의 적절성 및 예절에 대해 논의할 수 있어야 한다.
- GAI를 활용한 상호작용과 산출물에서도, 직접 대면 상황에서와 동일한 수준의 전문성을 유지하려는 태도를 갖출 수 있어야 한다.
'논문 읽기 (with AI)' 카테고리의 다른 글
| FUTURE-AI: 의료 분야에서 신뢰할 수 있고 배포 가능한 인공 지능을 위한 국제적 합의 가이드라인 (BMJ, 2025) (0) | 2025.04.13 |
|---|---|
| 의학교육에서의 인공 지능에 대한 범위 검토: BEME Guide No. 84 (Med Teach. 2024) (0) | 2025.04.12 |
| 델파이 연구를 활용한 캐나다 인공지능 의료 커리큘럼 개발 (NPJ Digit Med. 2024) (0) | 2025.04.12 |
| 의학과 사회의 가교 역할-의사-사회과학자 파이프라인 확대의 필요성 (JAMA, 2025) (0) | 2025.04.10 |
| 어머니의 이메일 계정을 삭제하며 (JAMA, 2025) (0) | 2025.04.10 |