정밀 교육: 의학 분야 평생 학습의 미래 (Acad Med. 2024)

Meded 2025. 5. 12. 22:10

2025. 5. 12. 22:10

Acad Med. 2024 Apr 1;99(4S Suppl 1):S14-S20. doi: 10.1097/ACM.0000000000005601. Epub 2024 Jan 29.

Precision Education: The Future of Lifelong Learning in Medicine

Sanjay V Desai, Jesse Burk-Rafel, Kimberly D Lomis, Kelly Caverzagie, Judee Richardson, Celia Laird O'Brien, John Andrews, Kevin Heckman, David Henderson, Charles G Prober, Carla M Pugh, Scott D Stern, Marc M Triola, Sally A Santen

🎯 정밀 교육(Precision Education): 의학교육의 미래를 설계하다

평생학습을 위한 데이터 기반 교육 혁신

🩺 최근 Academic Medicine에 실린 한 논문에서는, 의학교육 전반을 혁신할 수 있는 ‘정밀 교육(Precision Education, PE)’ 개념이 소개되었어요. 이 글에서는 복잡해지는 의료 환경 속에서, 의사를 어떻게 더 잘 준비시킬 수 있을까?, 평생학습은 어떤 방식으로 설계되어야 할까?에 대한 흥미로운 해답을 제시합니다.

💡 정밀 교육(PE)이란?

정밀 교육이란 간단히 말하면, 개인 맞춤형 학습을 실현하기 위해 데이터와 기술을 활용하는 시스템이에요. 연구진은 다음과 같이 정의하고 있어요.

“We define PE as a system that uses data and technology to transform lifelong learning by improving personalization, efficiency, and agency at the individual, program, organization, or health system levels.”
우리는 정밀 교육(PE)을, 데이터와 기술을 통해 평생학습을 혁신하는 시스템으로 정의한다. 이 시스템은 개인, 프로그램, 조직, 또는 보건의료 체계 수준에서 개인화, 효율성, 학습자의 주체성을 향상시킨다.

즉, 학습자 개개인의 경험, 목표, 실력을 기반으로 더 잘 맞는 개입과 피드백을 제공하고, 이를 통해 더 나은 환자 진료 성과(patient outcomes)로 이어지게 하는 거예요.

🔄 정밀 교육 시스템은 이렇게 작동해요!

정밀 교육 시스템은 다음과 같은 4단계 순환 구조로 설명됩니다:

입력(Input) – 학습자에 대한 다양한 데이터 (예: 시험 점수, 임상 경험, 진로 목표 등)
통찰(Insight) – 데이터를 분석해 도출한 의미 있는 정보
개입(Intervention) – 학습자 맞춤형 학습 기회 제공 (예: 필요 역량에 따라 콘텐츠 자동 제공)
성과(Outcome) – 학습 효과와 진료 역량 향상

이 순환은 계속 반복되며, 그 과정에서 교육 프로그램 전체가 점점 더 똑똑하게 학습하고 조정해 나가요.

“These insights inform interventions that incorporate learning and assessment. These interventions, in turn, create outputs from which adjustments are made and new inputs are generated, renewing the cycle.”
이러한 통찰은 학습과 평가가 포함된 개입으로 이어진다. 이러한 개입은 성과를 창출하고, 이는 다시 조정을 거쳐 새로운 입력으로 전환되며, 이 사이클은 계속해서 순환된다.

⚖️ 정밀 교육이 지켜야 할 3가지 원칙

연구진은 PE 시스템이 갖춰야 할 핵심 원칙 3가지도 제시해요:

① 형평성(Equity)

데이터가 특정 집단에 불리하게 작용하지 않도록, 프라이버시, 대표성, 접근성 등을 고려해 설계해야 해요. 특히 구조적 인종차별(structural racism)이나 편향(bias)을 걸러내는 기능도 강조됩니다.

“PE systems will enable aggregation of multisource data, which would help educational programs identify and mitigate trends resulting from structural racism and other ingrained harmful biases.”
PE 시스템은 다양한 출처의 데이터를 통합하여, 구조적 인종차별 및 내재된 해로운 편향에서 비롯된 경향성을 식별하고 완화할 수 있도록 돕는다.

② 학습자의 주체성(Learner Agency)

학습자가 단순한 수동적 존재가 아니라, 자기 주도적으로 학습을 설계하고 관리할 수 있도록 지원해야 해요.

“Equitable assessments and learning opportunities that are relevant, meaningful, and personalized could empower learners and organizations and promote a productive culture of learning.”
관련성 있고, 의미 있으며, 개인화된 공정한 평가와 학습 기회는 학습자와 조직의 권한을 강화하고, 생산적인 학습 문화를 조성할 수 있다.

③ 업무 흐름과의 조화(Workflow Harmonization)

학습은 임상과 따로 떨어진 활동이 아니라, 임상 속에서 자연스럽게 이뤄져야 한다는 거예요. 이를 위해 자동화된 평가, 경량화된 데이터 수집 방식이 필요해요.

“Assessments and learning opportunities must be harmonized in clinical workflow.”
평가와 학습 기회는 임상 업무 흐름 안에서 조화롭게 작동해야 한다.

📊 데이터 흐름이 핵심이에요

PE 시스템은 기관 간, 플랫폼 간 데이터가 잘 흐를 수 있는 구조(interoperability)를 필요로 해요. 지금은 EHR, LMS, NBME, AAMC 등 기관마다 데이터를 따로따로 가지고 있어요. 이를 공통 표준으로 연결하는 작업이 절실하죠.

“Without principles and standards, we foresee serious negative consequences... Innovations will accelerate, but they will be in a limited number of silos.”
원칙과 표준이 없다면, 우리는 심각한 부작용을 맞게 될 것이다. 혁신은 빨라지겠지만, 소수의 고립된 영역에서만 이뤄질 것이다.

🔭 앞으로 우리가 해야 할 일

연구진은 정밀 교육의 확산을 위해 다음과 같은 4단계 전략을 제안해요:

국가 차원의 표준화 작업
정밀 교육에 대한 연구와 이론 통합
공공·민간 차원의 실증 프로젝트 추진
정밀 교육 실천 공동체(People of Practice) 육성

그리고 이렇게 말합니다:

“We believe the future of medical education should and will operate on PE systems.”
우리는 의학교육의 미래가 PE 시스템을 기반으로 작동해야 하며, 실제로 그렇게 될 것이라 믿는다.

🧭 마무리하며

이 논문은 단순히 하나의 혁신적 개념을 제안한 것이 아니라, 의학교육 시스템 전반을 바꿀 수 있는 구조적 접근을 보여줍니다. 특히 한국처럼 입시·평가·의료가 분절되어 있는 구조에서는, 이런 데이터 기반의 유기적 교육 시스템 논의가 더욱 중요할지도 모르겠습니다.

의학교육의 목표는 다양한 환자 집단과 지역사회에 고품질의 진료를 제공할 수 있는 다양한 배경의 의사 인력을 양성하는 것이다. 이러한 목표를 달성하기 위해서는, 지속적이고 체계적인 학습, 평가, 피드백 시스템이 필요하다. 이는 의사들이 폭발적으로 증가하는 의학 지식과 복잡해지는 진료 환경을 효과적으로 관리할 수 있도록 하기 위함이다. 그러나 평생학습의 결함과 비효율성, 그리고 의사들이 역량을 안정적으로 달성하지 못하는 현실은 현재의 의학교육 시스템이 이러한 목표를 달성하지 못하고 있음을 보여준다¹⁻². 실제로 본 특별호(supplement)에 실린 Schumacher 등의 논문은, 의학교육 평가의 다음 시대를 맞이하며 “우리가 왜 평가하는가(why we assess)”라는 근본적 질문, 즉 “고품질이면서 형평성 있는 진료를 보장하기 위해” 라는 본래 목적에 주목할 것을 제안한다³.

우리는 이러한 전환을 위해 정밀 교육(Precision Education, PE) 시스템이 필수적이라고 본다. 정밀 교육은 현재의 의학교육을 보다 효과적으로, 그리고 공정하게 진료할 수 있는 의사를 양성하는 방향으로 혁신하고 전환하기 위한 모델로서 기능할 수 있다.

우리는 정밀 교육(PE)을 다음과 같이 정의한다: 데이터와 기술을 활용하여 개인, 프로그램, 조직, 혹은 보건 시스템 수준에서 평생학습을 개인화하고, 효율성을 높이며, 학습자의 주체성을 강화하는 시스템. 궁극적으로, PE 시스템은 학습의 효과를 높임으로써 환자 진료 결과 향상(patient outcomes)으로 이어질 수 있을 것으로 본다.

우리는 이 PE 개념 모델을, 계획(planning), 학습(learning), 평가(assessing), 조정(adjusting)이라는 지속적 성장(cycle of continuous development)의 과정을 거치는 Master Adaptive Learner 모델에서 발전시켜 도입하였다⁴⁻⁵. 이는 개인 학습자 수준에서의 PE 모델을 기반으로 한 것이다 (Figure 1 참고).

PE 시스템의 핵심 특징은, 데이터와 학습 분석(learning analytics)을 통해 개인, 프로그램, 조직의 지속적인 발전 순환(cycle of development)을 가능하게 하고 촉진한다는 점이다⁶⁻⁷. 풍부한 데이터와 정교한 분석이 결합된 PE 시스템은 평생학습을 개인화하며, 학습에 참여하는 개인이나 조직에게 주체적 학습 권한(agency)을 이전할 수 있도록 한다. 우리는 이러한 학습자 중심의 권한 이양이 궁극적으로는 개인, 프로그램, 조직 수준에서의 적응적 전문성(adaptive expertise)을 뒷받침할 수 있는 문화적 전환을 촉진할 것이라 본다.

이 글에서는,

의학에서 정밀 교육 시스템의 개념적 틀을 제시하고,
이를 뒷받침하는 핵심 속성들을 설명하며,
향후 개발을 위한 다음 단계를 제안하고자 한다.

정밀 교육(Precision Education, PE) 개념적 프레임워크

전문가 합의 기반의 절차를 통해, 우리는 PE 시스템을 위한 개념적 모델을 개발하였다. 이 모델은 의학교육의 영향을 받는 학습자, 수련 후 진료 중인 의사, 보건 시스템, 환자, 지역사회 전체를 포괄하며, 이들이 직면한 모든 가능한 데이터 자원을 적극 활용하는 데 중점을 둔다. PE 시스템은 4가지 핵심 구성 요소—투입(input), 통찰(insight), 개입(intervention), 결과(outcome)—로 구성되며, 이들을 분석(analytics), 계획(planning), 학습과 평가(learning and assessing), 조정(adjusting)의 과정이 상호 연결한다 (Figure 1 참고).

이 모델은 개인 학습자 수준(micro level), 의과대학 또는 수련 프로그램과 같은 교육 프로그램 수준(meso level), 기관, 보건 시스템, 국가 수준(macro level) 등 다양한 층위에서 적용 가능하다⁸. 의학교육과 관련된 모든 당사자는 이러한 각 층위에서 다양한 데이터셋과 분석 접근법을 통해 PE 시스템으로부터 가치를 도출할 수 있다.

분석을 통한 투입(input)에서 통찰(insight)로의 전환

PE 순환 과정에서 투입(inputs)은 학습자나 참여자가 해당 교육 과정에 몰입하는 동안 수집 가능한 다양한 데이터 요소들을 의미한다. 예를 들어,

의과대학생의 경우 다음과 같은 요소들이 해당된다: 개인 정보, 시험 점수, 임상실습 평가, 임상 및 비임상 경험, 관심 분야, 진로 목표 등.
전공의나 수련을 마친 의사의 경우, 추가적으로 전문적 경험, 태도, 기술, 목표, 환자 진료 지표, ACGME 역량 이정표(ACGME milestones), 전문의 시험 점수 등이 포함된다.

교육 프로그램 단위에서는, 지원자, 등록생, 졸업생에 관한 서술적 데이터 및 교육성과 자료들이 포함되며, 환자안전 및 질 향상과 관련된 보건 시스템의 핵심 데이터도 포함될 수 있다. 보건 시스템 조직 차원에서는 인구 및 인력 데이터 등이 해당된다. 또한 현재는 교육적 피드백이나 평가 목적으로 활용되지 않는 기존 데이터(“found data”), 예컨대 처방 행태, 질 향상 지표, 전자의무기록(EHR) 메타데이터 등이 PE 시스템에 투입 데이터로 활용될 수 있다. 이는 개인부터 시스템 수준에 이르기까지 광범위하게 적용된다.

개인, 프로그램, 조직은 이러한 투입 데이터를 분석함으로써, 의도한 수행(performance)과 관련된 다양한 영역에서 의미 있고, 유익하며, 구체적이고 시의적절한 통찰(insights)을 도출할 수 있다. 개인 수준에서는, 지식, 기술, 경험, 태도, 역량 기대 수준, 장기적 목표에서의 격차나 성취 등이 해당될 수 있다.

예를 들어, 뉴욕대학교(NYU) Grossman School of Medicine에서는 자교 수련 프로그램에 매칭된 의과대학생들을 위해 PE 시스템을 활용하고 있다⁹⁻¹¹. 이 시스템은 임상실습에서 수집된 상세 데이터—진료한 환자의 유형, 관리한 질환, 수행한 역량 평가—를 자기평가, 기대되는 역량, 인턴십 기간 중의 경험 다양성 기대치와 연계하여 분석한다¹². 교수진은 이 분석을 통해 학생 개개인의 발달 요구를 파악할 수 있다. 프로그램 또는 조직 차원에서는, 전공분야, 환자 집단, 의료 인력, 지역사회가 요구하는 필요와 프로그램의 집단 수준 성과 간의 정렬 상태 혹은 격차가 PE 시스템을 통해 의미 있는 통찰로 도출되며, 이는 프로그램 개선 및 시스템 수준의 변화로 이어질 수 있다.
또 다른 예로, 존스홉킨스대학(Johns Hopkins University)의 내과 전공의 프로그램에서는 Graduate Medical Education Laboratory(GEL)라는 PE 기반 프로그램을 운영 중이다. 이 시스템은 실시간 위치 추적 기술과 EHR 사용 데이터를 활용하여, 전공의들이 병원에서 어느 부서에서 시간을 보냈는지, 그리고 환자 곁에 머문 시간이 얼마였는지 등의 임상 워크플로우와 행동 패턴을 파악한다⁹. 이 프로그램은 전공의의 행동과 임상 활동에 대해 점점 더 풍부한 데이터를 제공하고 있다. 교수진은 이 시스템에서 도출된 통찰을 활용하여 학습과 성과가 적절히 정렬되어 있는지를 확인하고, 역량과 지식, 수행 능력의 확보 여부를 평가할 수 있다.

이러한 투입-to-분석-to-통찰의 과정은 프로그램 수준(meso) 또는 조직 수준(macro)에서도 마찬가지로 적용 가능하다. 본 특별호에서 Richardson과 동료들은, 대규모 데이터셋을 분석하여 프로그램 및 전공과 수준의 통찰을 도출한 여러 사례들을 설명하고 있다¹³.

계획(Planning)을 통해 통찰(Insights)에서 개입(Interventions)으로 나아가기

분석을 통해 얻은 통찰(insights)이 정의되면, 교육자는 이를 활용하여 개인 발달, 프로그램 개선, 조직 및 조직 문화 조정을 위한 관련성 높고 개인화된 개입(interventions) 계획을 수립할 수 있다. 학습자 역시 이러한 통찰을 바탕으로, 자신의 발달을 촉진할 수 있는 맞춤형 학습 기회(learning opportunities)를 스스로 계획할 수 있다.

이러한 개입은 예를 들어, 나쁜 소식 전달법(giving bad news), 외상 기반 언어 사용법(trauma-informed language) 등 특정 기술, 행동, 태도의 개발을 포함할 수 있다. 앞서 언급한 NYU의 PE 시스템 사례를 적용해 보면, 만약 한 학생이 급성 보상실패 심부전(acute decompensated heart failure) 환자를 처음으로 입원시키는 상황이고, 해당 학생이 이 질환에 대한 충분한 임상 노출 경험이 없는 것으로 시스템이 인식한다면, 시스템은 진단과 진찰의 기본 내용을 담은 just-in-time 온라인 학습 콘텐츠를 즉시 제공할 수 있다.

이처럼 단기적 개입뿐만 아니라 장기적 개입도 가능하다. 예컨대, Anesthesia Research Group on Education Technology라는 8개 대학의 다기관 협업 프로젝트에서는, 전공의의 마취과 관련 지식, 기술, 경험에 대한 통찰을 도출하기 위해 EHR 내 여러 필드(진료기록, 청구코드 등)를 분석하고 있다⁹. 이 통찰은 모바일 애플리케이션을 통해 전공의에게 전달되며, 전문의 자격 인증기관의 기준을 느슨하게 반영한 학습자 데이터 모델에 따라 해당 전공의의 예상 임상 경험의 폭(clinical breadth)과 연결된다. 이처럼 제공된 통찰을 통해 학습자는 향후 임상 경험을 능동적으로 조절 및 계획할 수 있으며, 경험의 격차(gaps in experience)를 메우기 위한 개인화된 발달 전략을 세울 수 있다.

프로그램 수준에서는, 교육자가 집단의 경험에서 도출된 유사한 통찰을 종합하여, 특정 질병이나 시술에 대한 코호트 차원의 노출 격차(cohort gaps)를 식별할 수 있고, 이로 인해 로테이션이나 학습 경험을 조정할 수 있다. 또한, 프로그램 차원에서의 통찰은 수련생 간 학습 기회에 대한 불평등 접근(inequitable access)을 식별할 수 있으며, 이에 대한 개입 조치를 도입할 수도 있다.

조직 수준에서도, 조직은 핵심 기능이나 조직 문화를 변화시키기 위해 적절한 개입 전략을 결정할 수 있다. 예컨대, 지역사회 건강성과(community health outcomes)에 대한 통찰을, 졸업생의 개인 특성, 진로, 진료 지역 선택 등의 데이터와 결합함으로써, 다음과 같은 개입을 계획할 수 있다:

학생 또는 수련생 선발 전략의 수정
원격 학습 장소(remote learning sites)에 대한 정책 결정
자원(resource), 훈련(training), 지역사회 참여 활동(community engagement)의 확보 혹은 변화

무엇보다 중요한 것은, 학습 개입의 개인화(personalization of learning interventions)가 형평성(equity)과 역량 개발(competency development)을 동시에 증진시킬 수 있어야 한다는 점이다. 기존의 일률적 접근 방식(one-size-fits-all)과 상대적으로 융통성 없는 의대 및 수련 프로그램의 구조는, 학습자의 다양한 요구와 선호 방식을 고려한 효과적인 교육 설계를 어렵게 만들어 왔다. 예를 들어, PE 시스템은 시각 중심 학습에 덜 의존하는 교육 개입을 제공함으로써, 시각장애 학생(blind student)을 위한 능력주의(ableism) 문화를 개선하는 데 기여할 수 있다.

학습(Learning)과 평가(Assessing)를 통해 개입(Interventions)에서 성과(Outcomes)로 나아가기

목표 지향적 개입에의 몰입과 효과적인 코칭이 병행될 때, 학습은 촉진되며, 그 결과는 평가(assessment)를 통해 포착될 수 있다. PE 시스템에서는 교육자가 평가를 효과적으로 설계, 시행, 수집하고 활용할 수 있어야 한다¹². 이 과정은 지속적 개선의 순환이며, 이는 목적에 적합한(fit for purpose) 평가에 의존한다. 다시 말해, 평가 방법론은 타당도 증거(validity evidence)에 기반하여 구축되어야 하며, 신뢰할 수 있고(trustworthy), 공정하며(equitable), 실행 가능하고(feasible), 확장 가능해야(scalable) 한다.

교육자는 가능한 한 지속적으로 평가를 수행해야 하며, 이를 위해 임상 및 학습 환경에서 수집되는 풍부한 데이터를 활용한 즉각적인 피드백(just-in-time feedback)을 제공해야 한다. 중요한 점은, 이러한 평가가 단순히 학습 결과를 넘어, 실제 임상의 성과와도 연결되어야 한다는 것이다¹⁴.

Schumacher 외 연구진이 '평가의 다음 시대(The next era of assessment)'에서 설명했듯이, 평가란 기존 및 새로운 데이터를 활용하여 형성적(formative)·총괄적(summative) 피드백을 제공함으로써, 수련생의 학습 성과가 고품질이며 형평성 있는 진료 성과로 이어질 수 있도록 보장하는 역할을 해야 한다¹⁴. 이러한 목적 없이 운영되는 PE 시스템은 단순히 데이터 저장소(data warehouse)에 그치고, 의미 있는 교육 성과 엔진(outcomes engine)으로 작동하지 못할 위험이 있다.

예를 들어, 신시내티대학교(University of Cincinnati)에서는 다기관 팀이 협력하여 전공의 민감 품질지표(resident-sensitive quality measures, RSQM)를 측정하는 PE 시스템을 개발 중이다⁹. 팀이 직면한 주요 과제 중 하나는, 팀 기반 진료(team-based care)가 일반화된 전공의 교육(GME) 환경에서, 특정 수련생의 진료 기여도를 어떻게 추적하고 귀속시킬 것인가 하는 점이다. PE 시스템은 전자 의무기록(EHR) 데이터를 활용하여 환자와 인턴을 연계함으로써 이러한 귀속 측정을 가능하게 한다¹⁴⁻¹⁵. 이 시스템은 대시보드(dashboard) 및 코칭과 결합하여 수행 능력 향상을 도모할 수 있다. 이 순환 과정은 입원(admission)이 이루어질 때마다 반복 가능하며, 매끄럽게 수집되는 풍부한 데이터를 바탕으로 성과를 지속적으로 측정할 수 있다.

하지만 PE 시스템을 구축할 때는 주의가 필요하다. 평가에는 평가자가 자신의 프레임(frame of reference)과 편향(bias)에 의존하는 과정에서 불필요한 변이(unwanted variability)가 포함될 수 있다. 교육자들은 흔히 평가를 기준참조형(criterion-referenced)이나 역량 기반(competency-based)이 아니라, 상대참조형(normative models)으로 접근하는 경향이 있으며, 이는 학습자·프로그램·기관 간 표준화되지 않은 방식이다¹⁶.

현재의 많은 평가들은 편향되고, 공정하지 않으며(inequitable), 학습자에게 불이익을 초래할 수 있다¹⁷⁻²⁰. 이는 교육 시스템 자체가 구조적 인종차별(structural racism)과 기타 유해한 편견(harmful biases)에 의해 오염되어 왔기 때문이다²¹⁻²². 이러한 평가의 결함은, 대부분의 교육 프로그램이 획일적인 커리큘럼(의대의 예과 과목 등)이나 로테이션 일정(수련 과정)에 기반해 결정된다는 구조적 현실에서 비롯된다. 결과적으로, 학습자는 융통성 없는 환경에 놓이게 되며, 자신의 발달을 스스로 통제할 수 있는 여지가 제한된다. PE 시스템이 발전하려면, 이러한 한계를 반드시 해결해야 한다.

교육자들은 오랫동안 의미 있는 역량 기반 의학교육(competency-based medical education, CBME)을 지향해 왔으나, 그 실현은 쉽지 않았다. 이는 부분적으로 평가 데이터의 불충분 때문이었다. 그러나 현재 및 차세대 기술과 데이터 활용 역량의 증가, 그리고 학습 성과에 대한 명확한 의도 설정은 지속적인 학습을 안내하는 평가 시스템을 강화하는 데 기여할 수 있다¹². 이러한 발전을 바탕으로, PE는 CBME의 실질적 구현을 대폭 개선할 수 있으며, 보다 효과적인 CBME의 달성은 결국 형평성 증진과 교육 여정 전반의 전이(transition) 개선으로 이어질 수 있다.

예컨대, 의과대학에서 수련 과정으로 전이되는 시점에 PE 시스템을 적용하면, 학습자의 역량을 더욱 풍부하고 정확하게 표현할 수 있어, 전이 시점에 필요한 지원(supports)을 이미 확인된 역량의 격차(gaps)에 기반해 제공할 수 있다²⁴. 또한, PE 시스템은 전이 과정에서 지원자와 프로그램 모두를 위한 데이터 기반 의사결정(data-informed decision-making)을 가능하게 하며, 개별 학습자의 발달 수준에 따라 수련 단계의 종료 시점과 다음 단계 혹은 졸업 시점을 정확히 조정할 수 있도록 안내할 수 있다.

조정(Adjusting)을 통해 성과(Outcomes)에서 투입(Inputs)으로 이어지기

정밀 교육(Precision Education, PE) 순환 과정은 투입(inputs), 통찰(insights), 개입(interventions)을 거쳐 성과(outcomes)를 창출하며, 이 모든 흐름은 Figure 1에 나타나 있는 사이클을 따른다. 이 모델에서, 성과는 개인, 프로그램, 조직이 처한 발달 단계의 필요와 목표에 따라 재조정되고, 이에 따라 교육 프로그램을 조정함으로써 다음 순환을 위한 새로운 투입 요소(input)가 형성된다. 즉, 학습자, 프로그램, 조직은 특정 시점에서 여러 개의 학습 사이클을 동시에 경험하고 있다는 것이다.

이 사이클에서 특히 중요한 요소는 코칭(coaching)이다. 개인을 중심으로 한 PE 사이클에서 효과적인 코칭은 학습자 스스로의 주도성(agency)을 강화하고, 성장 마인드셋(growth mindset)을 기르며, 코칭 역량을 개발할 수 있는 전략을 지원하는 동반자적 관계(partnership)로 작동한다. 전통적인 코칭 프로그램들이 개발되어 왔지만, 실질적으로는 막대한 자원이 소모되는 점(resource intensive)이 현실적인 제약이었다²⁵.

PE는 이러한 문제를 신기술을 활용하여 해결할 수 있는 가능성을 보여준다. 예컨대, 가상 플랫폼(virtual platforms)이나 증강 지능(augmented intelligence) 등의 기술은 코칭 프로그램의 확장 가능성(scalability)을 높여줄 수 있으며, 자원이 제한된 환경에서도 효과적으로 적용될 수 있다²⁶⁻²⁷.

요약하자면, 정밀 교육(PE)은 개인, 프로그램, 조직이 다양한 투입 요소에 대한 분석(analytics)을 수행함으로써 통찰(insights)을 생성하고, 이를 바탕으로 학습과 평가를 통합한 개입(interventions)을 설계하며, 이로부터 생성된 성과(outcomes)를 다시 조정하여 새로운 투입(input)으로 연결하는 순환 구조를 갖는다. 이러한 PE 사이클은, 역량 기반 의학교육(competency-based medical education, CBME)을 지원하는 평가의 다음 시대(next era of assessment)에서, 학습자와 환자 성과를 포함한 다양한 평가 데이터를 활용하여, 형평성 있는 보건의료(health equity) 실현을 위한 질 높은 진료(high-quality care)로 이어지도록 피드백을 제공하는 체계로 발전할 것이다³.

데이터가 PE 사이클을 움직인다
(Data Drives the PE Cycle)

앞서 설명한 바와 같이, 지속적으로 생성되고 활용되는 데이터는 정밀 교육(Precision Education, PE) 사이클의 핵심 동력이며, 이는 PE 프레임워크의 중심에 통합되어 있다(Figure 1 참조). 이러한 데이터는 개인, 프로그램, 시스템을 설명하며, 의학교육과 보건의료 생태계 전반에 걸쳐 현재는 조각나 있고(fragile), 구조가 제각각인 형태로 저장되고 있다. PE는 이러한 데이터의 분절 상태를 통합(unify)하고, 일련의 기관 및 시스템 간에 원활하게 흐르도록(data flow) 만드는 것을 목표로 한다²⁸⁻²⁹.

의과대학생의 데이터를 보유하고 있는 주요 기관으로는,

AAMC (Association of American Medical Colleges): 각 의과대학과 프로그램에서 수집된 인구통계학적 및 교육 데이터를 수합
NBME (National Board of Medical Examiners): 시험 관련 데이터를 관리

전공의의 경우,

ACGME,
전공의 교육 수련기관(GME sponsoring institutions),
보건의료 시스템(health systems),
전문의 학회(specialty organizations) 등이 PE에 유용한 데이터를 보유하고 있다.

수련을 마친 진료 중인 의사(practicing physicians)에 대해서는,

주 보건위원회(state boards),
정부기관(government agencies),
Medicare 및 Medicaid 서비스 센터(CMS),
보험사(payers),
산업계,
지속의학교육(CME) 제공기관,
전문직 학회(professional societies) 등에서 더욱 방대한 데이터를 보유하고 있다.

이러한 데이터의 상당수는 다음과 같은 별도의 제품(product) 내에 저장되거나, 이를 통해 흐름(flow)을 형성한다:

학습관리시스템(Learning Management Systems, LMS)
전자 의무기록(Electronic Health Records, EHRs)
임상 진료 도구(clinical delivery tools)
교육 및 행정용 애플리케이션 및 툴킷(apps and toolkits)

그러나 현재 이들 데이터는, 상호운용성(interoperability) 부족과 공통 데이터 구조의 미비로 인해 PE 시스템으로 효과적으로 연계되지 못하고 있다. PE가 효과적으로 작동하기 위해서는,

국가 차원의 기관들이 교육 데이터 표준을 개발하고,
현재의 분절된(siloed) 데이터 시스템이 학습 전주기에 걸쳐 각 기관과 제품이 접근할 수 있도록 개방되어야 한다.

지금의 데이터 생태계는, PE 시스템이 가치를 창출하고 그것을 포착(capture)할 수 있도록 지원하는 다방향적 데이터 흐름(multi-directional data flow)을 위해 설계되어 있지 않다. 다음 절에서는 이러한 조건을 가능하게 하기 위한 원칙과 표준(principles and standards)에 대해 설명할 것이다.

PE 시스템을 위한 기본 원칙과 표준
(Foundational Principles and Standards for PE Systems)

정밀 교육(Precision Education, PE)이 효과적이고, 재현 가능하며, 확장 가능하고, 안전하며, 형평성을 갖춘 시스템으로 기능하기 위해서는 강력한 기반(strong foundation)이 필요하다. 이 기반은, PE 시스템이 준수해야 할 근본적인 원칙과 표준(principles and standards)을 확립하는 데서 출발한다. 이러한 원칙과 표준은 PE 시스템의 기초이자 골조(scaffolding) 역할을 하게 된다. 우리는 다음과 같은 세 가지 핵심 원칙(3 core principles)과, 표준 개발을 위한 지침(guidance)을 제안한다.

원칙 1: PE 시스템은 구조와 과정에서 형평성을 증진해야 한다
(Principle 1: PE systems must promote equity in structures and processes)

구조(structures)와 과정(processes)에서 형평성을 증진하려면, 개인, 프로그램, 조직의 데이터에 대한 프라이버시 보호 장치를 마련하여 안전(safety), 신뢰(trust), 자율성(agency), 공정성(fairness)을 보장해야 한다. 데이터 수집과 거버넌스는 정확하고 대표성 있는 방식으로 수행되어야 하며, 시스템은 학습자와 교육 프로그램 모두에게 혜택이 돌아가도록 공동 설계(codesign)되어야 하며, 데이터 사용 목적에 대한 투명성(transparency)이 보장되어야 한다.

PE 시스템은 다양한 출처에서 수집된 데이터를 통합적으로 집계(aggregation)할 수 있게 하며, 이를 통해 교육 프로그램은 구조적 인종차별(structural racism)이나 내재화된 유해 편향(harmful biases)으로 인한 경향성을 식별하고 완화하는 데 도움을 받을 수 있다¹⁷. 이러한 시스템은 자원이 부족한 환경(low-resource settings)에서도 적용 가능하도록 구축되어야 한다.

PE 시스템은 학습자의 역량(competency)과 경험(experience)을 보다 포괄적으로 드러낼 수 있게 하여, 학습 여정 전반에 걸친 모집, 발달, 승진, 전이(transition) 과정을 보다 정보에 기반하고 형평성 있게 만들 수 있다. 마지막으로, PE 시스템은 반드시 윤리적 프레임워크(ethical frameworks) 내에서 설계되어야 하며, 이는 특히 증강 지능(augmented intelligence)의 혁신 가속화와 에듀테크 산업 내 민간 기업의 성장 속에서 더욱 중요해진다.

이 원칙의 채택을 위해서는, 의학교육 생태계 내 다양한 이해관계자들이 폭넓게 참여하고, 합의(consensus)를 구축하는 과정이 필수적이다.

원칙 2: PE 시스템은 학습자의 주체성(agency)을 촉진해야 한다
(Principle 2: PE systems must promote learner agency)

지속적인 역량 개발(continuous competency development)을 촉진하려면, 학습자가 학습 과정의 주도권(driver)을 가져야 하며, 유사하게 조직도 구성원들을 참여시켜 의도적인 성장과 개선을 주도해야 한다²⁴. 그러나 현재의 교육 모델과 문화에서는, 평가와 학습 기회는 학습자와 ‘함께’ 이루어진다기보다, 학습자에게 ‘시행’되는 것으로 여겨진다. 이러한 구조 속에서 학습자는 권한이 적으며, 이로 인해 평가는 안전하지 않고, 환영받지 못하며, 성장과 잘 연결되지 않는다.

또한, 교육자들은 교육 개입의 효과를 높이기 위한 코칭 없는 피드백을 제공하는 경우가 많으며, 이로 인해 피드백의 효용성과 영향력이 약화된다. 관련성 있고, 의미 있으며, 개인화된 공정한 평가 및 학습 기회는, 학습자와 조직 모두의 역량을 강화하고, 생산적인 학습 문화를 조성할 수 있다.

전국 단위의 의학교육 기관(national medical organizations)은, 학습자의 개인적·전문적 발달에 대한 소유권(ownership)을 학습자에게 이양하고, 자율성 문화를 양성하는 원칙을 수립해야 한다. 이를 위해, 기관들은 새로운 PE 시스템의 설계 과정에 학습자를 직접 참여시켜야 한다²⁰.

예를 들어, 대시보드(dashboards)의 활용은 학습자가 자신의 학습 기회와 행동을 주도할 수 있도록 주체성을 강화해준다. 앞서 언급된 GEL 프로그램에서는, 개별 리포트가 전공의에게 제공되어, 병원에서 자신의 시간을 어디에 어떻게 사용할 것인지에 대한 의사결정을 스스로 내릴 수 있도록 돕고 있다.

원칙 3: PE 시스템은 업무 흐름 조화(workflow harmonization)를 촉진해야 한다
(Principle 3: PE systems must advance workflow harmonization)

정밀 교육(PE) 시스템은 임상 업무 흐름(clinical workflows) 내에 통합되어야 하며, 이를 통해 평생학습을 최적화해야 한다. 일반적으로, 의사가 되기를 선택한 개인과 그들을 훈련시키는 프로그램 및 조직은 학습에 대한 높은 헌신을 가지고 있다. 그러나 현재의 행정적·운영상의 부담은 교육 시스템과 진료 환경 모두에 존재하며, 이로 인해 학습은 종종 임상 업무 외부에서 이루어져야 하는 현실에 놓여 있다.

학습자의 자율성 부재와 학습과 임상 실무의 분리는 결국 임상의 탈진(clinician burnout) 문제를 더욱 악화시킬 수 있다³⁰. 평생학습이 지속가능하게 작동하기 위해서, 국가 및 지역 수준의 조직들은 다음과 같은 원칙을 수립해야 한다:

일상 업무와 학습의 정렬(alignment)
환자와 시스템이 공동 생산자(coproducers)로 참여하는 구조

즉, 평가와 학습 기회는 임상 업무 흐름 내에서 조화롭게 통합되어야 한다. PE 시스템에 이상적으로 포함되어야 할 데이터는 광범위하고 이질적이며 방대한 특성을 지닌다. 따라서 PE 시스템을 구축하는 사람들은 새롭고, 자동화되거나, 매우 단순한 평가 및 데이터 수집 메커니즘(light-touch mechanisms)을 개발해야 한다. 이러한 메커니즘은 학습자에게 맞춤형 교육 콘텐츠를 노력 없이 자동 제공하는 데 기여할 수 있다³².

예를 들어, 앞서 설명한 전공의 민감 품질지표(RSQM)는, 임상 업무 흐름을 방해하지 않고 전자의무기록(EHR)에서 수동적(passive)으로 평가 데이터를 수집하는 방식의 대표 사례이다. 이 시스템은 수집된 데이터를 활용하여,

관련 문헌이나 서적에 대한 링크 콘텐츠 제공,
비동기적 디지털 학습 자료 제공,
학습자의 코치에게 개발 필요사항을 강조하는 방식 등으로 확장될 수 있다.

이러한 PE 개입은 평가자와 학습자에게 과도하게 집중된 부담을 완화할 수 있는 기회를 제공한다.

표준(Standards): 상호운용성(interoperability)은 핵심 원칙이다
(Standards: interoperability a core tenet)

표준(standards)은 PE 시스템 안에서 사람, 제품, 조직 간의 상호작용 방식(rules of engagement)을 정의하는 규칙이다. PE 시스템 개발에 참여하는 주요 이해관계자들은, PE 시스템에 포함되는 데이터와 관련된 표준에 집중적인 주의를 기울여야 한다.

현재 의료 및 의학교육 환경에서 작동하는 각 기관과 제품은 대부분 상호 독립적으로 운영되고 있으며,

데이터는 서로 연결되어 있지 않고,
다른 시스템이나 제품에서 접근하기 어렵다.

이러한 제약 중 일부는 개인 및 조직을 보호하기 위해 설계된 것이지만, PE 시스템을 운영하고 확장하기 위해서는 데이터의 접근 가능성이 대폭 개선되어야 한다. 현재로서는, 한 기관에서 효과적으로 구축된 PE 시스템을 다른 기관에 확장하는 것 자체가 어렵다.

이러한 어려움은 다음과 같은 차이점에서 비롯된다:

PE 시스템을 EHR이나 LMS 데이터와 통합하는 규칙의 차이
교육 경험과 기대치를 디지털로 분류하는 방식의 차이
지식 재산권(IP), 기술 이전(technology transfer), 위험 부담에 대한 태도 차이

표준은 PE 분야를 조직화하고, 학습자·기관·제품 전반의 보호를 위해 작동할 수 있다. 의료계 외의 다양한 산업은 이미 형평성, 안전, 가치 포착(value capture)을 보장하기 위해 데이터 표준 개발을 추진해 왔으며, 예컨대 HL7(Health Level 7), FHIR(Fast Healthcare Interoperability Resources) 등이 대표적이다.

현재 의학교육자들이 이미 PE 시스템을 개발하고 있는 상황에서, 데이터 획득, 프라이버시, 품질, 소유권, 관리, 거버넌스에 관한 합의사항은 데이터의 상호운용성과 투명성을 뒷받침해야 한다. 데이터 흐름을 촉진하는 프로세스 표준에는 다음이 포함된다:

범주화(categorization)
편향 제거(debiasing)
데이터 활용(use)
공유(sharing)

또한, 법적·윤리적 표준도 필요하다. 예를 들어:

지식재산권에 대한 규칙
윤리적 혁신 및 운영에 대한 기준
의료법적 맥락에서의 탐색과 발견 등에 대한 규정이 포함되어야 한다.

마지막으로, 교육자 및 기타 이해관계자가 제품을 개발할 때, 조직들은 기술 및 애플리케이션 표준을 수립하여 도구의 유용성(utility)을 극대화해야 한다. 이러한 표준을 확립하는 과정에는 의학교육 인증기관, 규제기관, 학회, 대학, 의료시스템, 학습자 등 다수의 이해관계자 간 협력이 필수적이다.

MedBiquitous는 이 목표를 추구하기 위해 설립된 조직이며, 현재는 AAMC 내에 해당 목적의 그룹이 존재한다.

원칙과 표준이 없다면, 어떤 일이 벌어질까?

만약 PE 시스템에 명확한 원칙과 표준이 부재하다면, 우리는 다음과 같은 심각한 부작용에 직면할 것이다:

무엇보다, 모든 이해관계자에게 의미 있는 통찰(현재는 “보이지 않는” 통찰)을 제공함으로써 진료를 개선하고자 하는 목표는 달성되지 못할 것이다.
개인, 프로그램, 조직에 대한 유용한 정보가 포착되지 못하고 누락될 것이다.
기술 혁신은 빨라질 수 있지만, 이는 소수의 고립된 시스템(silos) 내에서만 이루어져, 의학교육 생태계 전반의 불균형을 심화시킬 것이다.
혁신의 속도가 합의 기반(consensus-driven) 조직화보다 앞서게 되면, 어떤 단일 기관이 시스템 내에서 과도한 권력을 갖게 될 위험도 발생한다.

평생학습 여정(Lifelong Learning Journey)에 적용되는 정밀 교육(PE)
(PE Applied to the Lifelong Learning Journey)

PE 사이클을 반복하여 적용하는 것은 실용적인 접근이지만, 동시에 PE의 종단적(longitudinal) 영향을 고려하는 것도 중요하다. 이는 평생학습을 가능하게 하기 위한 전제조건이기도 하다. 그러나 의학교육의 구획화(compartmentalization)는 이러한 목표를 저해하는 구조적 장벽으로 작용하고 있다. 학습자들이 의과대학 입학, 수련 과정 진입, 임상 실무 진입 등의 전환 시기에서 경험하는 혼란(disruption)은 매우 심각하다²⁹⁻³⁰⁻³³. 특히, 의과대학에서 수련 과정으로의 전환은 그 충격이 커서, 미국 내 주요 기관들이 모인 Coalition for Physician Accountability에서 이를 중심 주제로 삼고, 개선이 필요한 34개 핵심 영역을 도출하였다³⁴.

구획화의 부정적 영향은 학습자 개인뿐 아니라, 연속체의 상하류에서 데이터를 필요로 하는 교육 프로그램 및 조직들에도 미친다. 정밀 교육 시스템은 의학교육 연속체 전반에서 보다 원활한 전환(smoother transitions)이 가능하도록, 학습자, 프로그램, 조직에 대한 데이터의 다방향 흐름(multidirectional flow of data)을 지원해야 한다(Figure 2 참고).

실제로, Coalition의 보고서에서도 데이터 구조와 전송 방식 개선의 필요성이 여러 차례 강조되었다³⁴. 예컨대, 한 의과대학생이 수련 과정으로의 전환에서 어려움을 겪는 경우, 수련 프로그램은 특정 정보를 의과대학과 공유함으로써,

후속 학생들을 보다 효과적으로 준비시키고,
개별 학습자에 대한 보다 관련성 있는 정보를 이전할 수 있다.

이렇게 되면, 향후 학생들에게는 보다 개인화된 오리엔테이션과 로테이션 일정이 제공될 수 있다. 메조(meso) 및 매크로(macro) 수준에서는, 이러한 전환 시기에 데이터 기반 학습 시스템이 작동함으로써, 의과대학-수련과정 연속체가 개선될 수 있으며, 이는 지원자, 의대, 수련 프로그램이 선택, 준비, 온보딩 과정에서 더 나은 정보에 기반한 결정을 내릴 수 있도록 도와준다.

데이터 흐름이 잘 작동할 경우, 개인, 프로그램, 기관은 분석 도구(analytics)를 활용하여 미래 환자 진료에 영향을 줄 수 있는 ‘상류(upstream)’ 학습 요구를 예측하고 대응할 수 있다. 반대로, ‘하류(downstream)’에서 도출된 통찰은, 보건의료 시스템이 인구 기반 요구(population-based needs)에 부합하는 유능한 인력을 양성하고 있는지를 평가하는 데 기여할 수 있다.

PE 시스템 구축과 확장을 위한 다음 단계
(Next Steps to Build and Scale PE Systems)

의학교육에 의미 있는 영향을 미칠 수 있는 PE 시스템을 구축하기 위해서는 많은 노력이 필요하다.

첫째, 국가 단위의 참여 기반 프로세스(national, participatory process)가 마련되어야 한다. 이를 통해 향후 혁신을 지탱할 수 있는 골조(scaffolding)를 구축해야 하며, 이 골조는 다음을 포함해야 한다:
- 원칙과 표준 설정
- 국가 인프라 수요 파악
- 구축되는 시스템이 형평성 있고, 안전하며, 확장 가능한 구조가 되도록 보장
둘째, 이 분야가 아직 초기 단계(nascence)인 만큼, PE 관련 연구 및 학술적 작업에 더 많은 주목이 필요하다. 이는 다음을 가능하게 한다:
- 학습 이론(learning theories)의 통합
- PE 시스템의 개발 및 실행을 위한 근거 기반(evidence base) 마련
셋째, 공공 및 민간 부문 모두에서 PE 실증 연구(demonstration projects) 및 파일럿 사업(pilot projects)에 대한 적극적 투자가 필요하다. 현재 PE 분야에서 활동 중인 연구자들은,
- 개인 학습자,
- 교육 프로그램,
- 보건의료 시스템 수준의 데모 프로젝트를 개발하고 있으며,
- 이들 프로젝트는 PE 접근을 통해 의학교육 연속체의 특정 문제를 해결하고 있다⁹.
- 이상적으로는, 이러한 프로젝트가 다기관 형식(multi-institutional format)으로 수행되어야 하며, 재현 가능성(reproducibility)과 확장 가능성(scalability)을 높일 수 있다.
마지막으로, PE 실천 공동체(community of practice)를 육성하여, 이 분야에서의 협력적이고 혁신적인 사고와 실행을 촉진해야 한다. 이를 위해서는,
- 공공과 민간 양측의 투자가 필요하며,
- 집단적 학습(collective learning)과 공동 생산(coproduction)을 지원하는 기반 마련이 요구된다.

우리는 의학교육의 미래는 정밀 교육 시스템(PE systems)을 중심으로 작동해야 하며, 실제로 그렇게 될 것이라 믿는다.
이러한 시스템이 구축될 기반(foundation)은, 시기적절하고, 의도적이며, 신중하게 설계되어야 한다. 그래야만, 평생학습을 뒷받침하는 의학교육 모델이 구축되고, 모든 환자의 요구를 충족시킬 수 있는 역량 있는 의료 인력을 배출할 수 있을 것이다.

이 그림은 정밀 교육(Precision Education, PE) 시스템의 개념적 프레임워크(conceptual framework)를 보여줍니다. 그림의 구조는 순환형(Circular Cycle)으로 되어 있으며, 학습자, 프로그램, 조직이 데이터 기반으로 지속적으로 학습하고 조정해 나가는 과정을 설명합니다. 아래에 각 요소를 순서대로 설명드릴게요.

🎯 개념 요약:

“데이터 중심의 순환 시스템”

PE 시스템은 학습자(또는 프로그램, 조직)의 데이터를 중심으로, 다음의 다섯 단계가 순환적으로 반복됩니다:
Input → Analytics → Insights → Planning → Interventions → Learning & Assessing → Outcomes → Adjusting → 다시 Input

🔄 단계별 구성 요소 설명

1. Inputs (투입)

학습자와 조직의 입력 데이터 수집
예: 시험 성적, 임상 경험, 진로 목표, 기관 성과 등

2. Analytics (분석)

입력된 데이터에 분석을 수행하여 의미 있는 정보를 도출
이 분석을 통해 통찰(insights)이 생김

3. Insights (통찰)

분석 결과를 기반으로 학습자 및 조직에 대해 도출된 주요 정보
예: 역량 격차, 경험 부족 영역 등

4. Planning (계획 수립)

통찰에 근거해 목표, 측정지표, 실행계획을 설정
이후 실행 가능한 개입 설계

5. Interventions (개입)

학습자 또는 조직에게 맞춤형 개입 제공
예: 특정 콘텐츠 제공, 개별 코칭 등

6. Learning & Assessing (학습 및 평가)

학습이 수행되고, 개입의 효과를 평가하기 위한 다양한 수단이 동원됨

7. Outcomes (성과)

학습 및 개입의 결과가 정량/정성적으로 기술됨

8. Adjusting (조정)

성과 분석을 통해 도출된 격차나 개발 목표를 바탕으로 다음 투입을 조정

🧠 중심 개념: 데이터(DATA)

학습자, 프로그램, 조직의 데이터를 중심으로 전 단계가 순환
다양한 Entities(기관) 및 Products(제품)를 통해 데이터가 수집되고 공유됨
예시:
- Entities: AAMC, HCOs, CMS, 전문 학회 등
- Products: LMS(학습관리시스템), EHR(전자 의무기록), 앱, 툴킷 등

🧱 왼쪽 박스: 데이터의 구조

현재 의학교육 및 보건의료 생태계에는 데이터가 여러 구조로 흩어져 있음
이 데이터를 수집하고 활용하는 기관(Entities)과 제품(Products)이 다양함

📏 오른쪽 박스: 시스템의 원칙과 표준

효과적이고 형평성 있으며, 확장 가능한 PE 시스템을 위해 원칙(Principles)과 표준(Standards)이 필요함
Principles:
- Equity (형평성)
- Learner agency (학습자 주체성)
- Harmonized in workflow (임상업무 흐름과의 조화)
Standards:
- 데이터 획득, 프라이버시, 거버넌스, 공유 정책, 지식재산권, 윤리, 기술 등 포함

📌 요약

이 그림은 PE 시스템이 단순한 기술이 아니라,

데이터 중심의 순환 모델,
전략적 개입을 가능하게 하는 체계,
형평성과 윤리를 고려한 설계 원칙
을 갖춘 미래 의학교육의 핵심 인프라임을 강조합니다.

좋습니다! 이 그림은 정밀 교육(Precision Education, PE)의 핵심 개념 중 하나인 종단적 데이터 흐름(Longitudinal Data Flow)을 설명하고 있습니다. 이 그림은 특히 의과대학(UME) → 전공의 수련(GME) → 지속 전문직 개발(CPD)로 이어지는 의학교육 연속체(continuum) 전반에 걸쳐 데이터가 어떻게 유기적으로 순환하며 연결될 수 있는지를 시각화합니다.

아래에 주요 구성요소를 단계별로 정리해드릴게요.

📊 전체 개요:

“의학교육 전 주기에서의 다방향적 데이터 흐름(multidirectional data flow)”

그림은 두 가지 흐름을 동시에 보여줍니다:

가로 흐름 (학습 여정):
- UME (Undergraduate Medical Education): 의과대학 교육
- GME (Graduate Medical Education): 전공의 수련 과정
- CPD (Continuing Professional Development): 지속 전문직 개발
세로 흐름 (정밀 교육 사이클):
- Inputs → Analytics → Insights → Planning → Interventions → Learning & Assessing → Outcomes → Adjusting → 다시 Inputs
- 이 사이클은 끊임없이 반복되며, 다음 단계의 학습이나 훈련을 위한 데이터를 제공합니다.

🔄 중간 리본형 구조:

이 구조는 다음과 같은 순환 과정을 시각화합니다:

단계	설명
Inputs	학습자·프로그램·조직의 입력 데이터 수집 (시험점수, 진로, 환자 결과 등)
Analytics	데이터 분석을 통해 의미 있는 통찰(Insights) 도출
Insights	어떤 개입이 필요한지에 대한 구체적인 정보
Planning	목표 설정, 메트릭 수립, 학습 계획 수립
Interventions	교육 개입 실행 (예: 콘텐츠, 코칭, 로테이션 등)
Learning & Assessing	학습 수행 및 평가 실시
Outcomes	성과 도출 및 검토
Adjusting	결과 기반으로 프로그램 조정 → 다음 사이클로

이러한 흐름은 단순히 일방향이 아닌 피드백-피드포워드(feedback & feedforward) 형식으로 구성되어 있어, 데이터가 앞과 뒤로 모두 흐르며 시스템 전체의 학습을 가능하게 합니다.

🏥 핵심 개념: 교육 연속체 전체를 연결하는 데이터

이 그림에서 중요한 점은, 학습자의 여정이 다음과 같이 단절(discontinuity) 없이 연결되도록 한다는 점입니다:

UME 단계에서 수집된 데이터가 GME에서 학습자 맞춤형 오리엔테이션과 일정 구성에 활용
GME에서 발생한 학습 결과와 성과가 다시 UME 프로그램 개선에 피드백으로 활용됨
CPD에서의 실무 경험과 성과는 다시 전체 시스템 개선에 기여 가능

즉, 단계 간 경계(boundary)를 넘어서는 데이터 흐름이 핵심입니다.

📝 “Learner, program, and organizational information flows in a multidirectional fashion (i.e., feedback and feedforward) across current discontinuities in provision of training, such as the medical school to residency transition.”
(학습자, 프로그램, 조직의 정보는 현재 존재하는 교육 과정의 단절을 넘어, 피드백과 피드포워드 방식으로 다방향적으로 흐른다. 대표적인 예는 의대에서 수련과정으로의 전환이다.)

📌 핵심 메시지 요약

🎯 데이터는 ‘단계별’이 아니라 ‘연속적’으로 활용되어야 한다.
🔁 정밀 교육 사이클은 반복 가능하며 각 단계에서 학습과 조정을 계속한다.
🔗 전 주기 의학교육(UME-GME-CPD)에서 데이터는 유기적으로 연결되어야 한다.

이 그림을 기반으로 블로그용 인포그래픽 요약, 한글 번역 이미지 제작, 교육용 슬라이드 삽입도 도와드릴 수 있습니다. 어떻게 활용하실 계획이신가요?

'논문 읽기 (with AI)' 카테고리의 다른 글

지식에서 행동으로 전환하는 주기: 격차 파악하기 (CMAJ. 2010) (0)	2025.05.17
의학교육에서 지식 번역의 비용: 의학교육자들의 경험적 지식 사용에 대한 질적 탐구(Acad Med. 2015) (0)	2025.05.17
여러분이 생각하는 그런 의미는 아닌 것 같습니다: 평생 학습 용어의 정확성이 의학 교육에 중요한 이유 (Med Teach. 2022) (0)	2025.05.12
동전의 양면: 보건 전문직 교육의 질 개선 및 프로그램 평가 (J Eval Clin Pract. 2022) (0)	2025.05.11
발달 평가: 혁신을 위한 교육 장학금의 잠재력을 파악하는 6가지 방법 (Can Med Educ J. 2021) (0)	2025.05.11

의대에서 교육하고 있습니다.