정밀 의학교육: 성공적인 이행을 위한 기관 전략 (Acad Med, 2025)

Acad Med. 2025 Jun 1;100(6):655-660. doi: 10.1097/ACM.0000000000005980. Epub 2025 Jan 31.

Precision Medical Education: Institutional Strategies for Successful Implementation

Jesse Burk-Rafel, Marc M Triola

 

 

[의학교육 트렌드] AI와 데이터로 완성하는 '정밀 의학교육(PME)' 성공 전략 5가지 🎓🏥

 

🤔 정밀 의학교육(PME)이 정확히 뭐죠?

환자에게 딱 맞는 치료를 하는 '정밀 의료(Precision Medicine)'처럼, 학생 개개인의 데이터에 기반해서 맞춤형 교육을 제공하는 것을 말해요. 연구진은 PME를 이렇게 정의하고 있습니다.

"의미 있는 교육적, 임상적, 또는 시스템적 성과를 궁극적으로 개선하기 위해, 종단적 데이터와 분석을 통합하여 각 개별 학습자의 요구와 목표를 지속적이고, 시의적절하며, 순환적인 방식으로 다루는 정밀한 교육적 개입을 주도하는 체계적인 접근 방식."

"a systematic approach that integrates longitudinal data and analytics to drive precise educational interventions that address each individual learner’s needs and goals in a continuous, timely, and cyclical fashion, ultimately improving meaningful educational, clinical, or system outcomes."

 

쉽게 말해, 학생의 데이터를 쭈욱 모아서(종단적 데이터), 지금 이 학생에게 딱 필요한 게 뭔지 분석하고, 적절한 타이밍에 도움(개입)을 줘서, 결국엔 훌륭한 의사로 성장시키는 시스템인 거죠!

이 시스템이 성공하려면 P4 프레임워크를 기억해야 해요.

1. Proactive (선제적): 데이터를 미리미리 확보하고
2. Personalized (개별화된): 분석을 통해 개인 맞춤형 통찰을 주고
3. Participatory (참여적): 학생도 함께 참여하며
4. Predictive (예측적): 미래의 성과를 예측할 수 있어야 합니다.

그럼, 이걸 어떻게 실현할까요? 연구진이 제안한 5가지 전략입니다.

---

Strategy 1. 교육 데이터를 큐레이션 하세요 (Curate Educational Data) 📊

가장 기본은 '데이터'겠죠? 시험 성적뿐만 아니라 시뮬레이션 결과, 진료 기록(EHR) 로그 등 학생과 관련된 모든 데이터를 모아야 합니다. 하지만 그냥 쌓아두기만 하면 안 돼요. 연구진은 흩어진 데이터를 한곳에 모으는 '교육 데이터 웨어하우스(Education Data Warehouse)'의 중요성을 강조합니다.

"P4 프레임워크에 따르면, 이러한 시스템에서 데이터를 선제적으로 사용하는 것이 학습자의 교육적 노출, 진척도, 요구를 이해하는 열쇠입니다."

"As per the P4 framework, proactive use of data from these systems is the key to understanding learners’ educational exposures, progress, and needs."

---

Strategy 2. 데이터를 '통찰'로 바꾸는 분석 역량을 키우세요 (Analytics) 💡

데이터가 준비됐다면, 이제 분석(Analytics)을 해야죠. 대시보드나 리포트 같은 도구를 통해 교수님과 학생이 "아, 내가 이 부분이 부족하구나"라고 깨닫게 해줘야 합니다. 이때 중요한 건, 분석을 단순한 행정 업무로 보면 안 된다는 거예요.

"분석 이니셔티브는 단순한 보고 및 규정 준수 기능이 아니라, 혁신의 중심으로 간주되어야 합니다."

"Analytics initiatives must be viewed as a center of innovation, not just as a reporting and compliance function."

 

학생과 교수님들이 데이터(Data)와 분석 결과를 이해할 수 있도록 데이터 리터러시(Data Literacy) 교육을 하는 것도 필수입니다!

---

Strategy 3. 거버넌스를 구축하세요 (Governance) 🤝

"내 성적 데이터를 누가 볼 수 있지?", "AI가 나를 평가하는 게 공정한가?" 이런 걱정, 당연히 들겠죠? 그래서 데이터 소유권과 윤리적 사용을 결정할 거버넌스(Governance) 그룹을 초기에 만들어야 합니다. 연구진은 투명성과 신뢰를 특히 강조했어요.

"거버넌스와 투명성은 정밀 분석 또는 개입의 최종 사용자(즉, 학습자, 교수진, 또는 프로그램)와 이니셔티브를 감독하는 교육 리더 간의 양방향 신뢰에 뿌리를 둔 참여적인 PME 이니셔티브에 필수적입니다."

"Governance and transparency are essential for a participatory PME initiative rooted in bidirectional trust between the end-users of precision analytics or interventions (i.e., learners, faculty, or programs) and educational leaders overseeing the initiative."

---

Strategy 4. 타당도를 검증하세요 (Validation) ✅

우리가 도입한 맞춤형 교육이 진짜 효과가 있을까요? 이걸 증명해야 합니다. PME가 정말로 학생의 역량을 키우고, 나아가 환자 진료 결과까지 좋게 만드는지(예측적 성과) 확인하는 과정이 필요해요.

"PME 패러다임은 정밀 개입이 의미 있는 학습자 또는 환자 성과를 예측할 수 있어야 한다고 주장합니다."

"the PME paradigm asserts that precision interventions should be predictive of meaningful learner or patient outcomes."

---

Strategy 5. 변화를 주도하세요 (Lead Change) 🚀

마지막이자 가장 중요한 전략! 바로 리더십(Leadership)입니다. 기술과 시스템만 바꾼다고 되는 게 아닙니다. 학교의 '문화'가 바뀌어야 해요. 연구진은 'PME 운영 그룹'을 만들어서 강력하게 변화를 이끌어야 한다고 조언합니다.

"변화 리더십은 이행 준비 상태를 달성하는 데 핵심이며, 이것 없이는 기관들이 PME를 이행하려다 혼란에 빠질 위험이 있습니다."

"Change leadership is key for achieving this implementation readiness, and without it, institutions risk falling into chaos as they try to implement PME."

---

📝 요약하며

결국 정밀 의학교육(PME)의 성공은 데이터(Data), 기술(Technology), 사람(People), 그리고 문화(Culture)가 얼마나 잘 어우러지느냐에 달려 있는 것 같습니다. 우리 학교는 지금 어떤 단계에 와 있을까요? 데이터를 모으는 단계? 아니면 분석을 시도하는 단계? 이 5가지 전략을 나침반 삼아, 미래의 의사들을 위한 더 나은 교육 환경을 고민해 보면 좋겠습니다. 😊

---

의학교육은 단축 과정(accelerated pathways),1 보건 의료 시스템 과학(health systems science),2 코칭(coaching),3 및 현장 진급 시범 사업(promotion-in-place pilots)4과 같은 과감한 교육과정의 혁신을 포함하여 근본적인 변화를 겪고 있습니다. 또한, 전통적인 접근법과 새로운 접근법을 결합한 정교해진 평가 프로그램(programs of assessment),5–8 오랫동안 미루어왔던 웰빙(well-being)과 다양성(diversity)에 대한 관심,9,10 그리고 예측 분석(predictive analytics)11,12 및 인공지능(AI)13의 사용 증가와 같은 변화도 일어나고 있습니다. 이러한 이니셔티브의 기저에는 역량 바탕 의학 교육(competency-based medical education, CBME)14,15에 뿌리를 둔 사고의 전환이 자리 잡고 있으며, 이는 특정 학습자의 교육이 그들의 개별적 성장과 그들이 현재 또는 미래에 담당할 환자와 지역사회에 고품질의 공평한 진료를 제공하는 능력에 어떻게 기여하는지를 고려하는 것입니다.

 

이 개념을 체계화하기 위해, 우리는 이전에 정밀 의학교육(precision medical education, PME) 패러다임을 다음과 같이 정의하여 제안했습니다.

의미 있는 교육적, 임상적, 또는 시스템적 성과(outcomes)를 궁극적으로 개선하기 위해, 종단적 데이터(longitudinal data)와 분석(analytics)을 통합하여 각 개별 학습자의 요구(needs)와 목표(goals)를 지속적이고, 시의적절하며, 순환적인 방식으로 다루는 정밀한 교육적 개입(educational interventions)을 주도하는 체계적인 접근 방식.16

 

Desai와 동료들과 함께,17 우리는 PME의 개념을 개인, 프로그램, 조직을 아우르도록 확장하였으며, 평생 학습(lifelong learning)의 관점을 적용했습니다.17 이론적 관점에서 우리는 P4 의학교육 프레임워크(P4 medical education framework)를 제안했는데, 이는 PME가 다음과 같아야 함을 주장합니다.

• (1) 훈련생(trainee)의 데이터를 획득하고 사용하는 데 있어 선제적인(proactive) 접근을 취해야 한다.
• (2) 정밀 분석(인공지능 및 의사결정 지원 도구 포함)을 통해 시의적절한 개별화된(personalized) 통찰을 생성해야 한다.
• (3) 훈련생을 공동 생산자(co-producers)로서 중심에 두고 참여적인(participatory) 방식으로 정밀 교육적 개입(학습, 평가, 코칭, 경로)을 설계해야 한다.
• (4) 개입이 의미 있는 교육적, 전문적, 또는 임상적 성과를 예측할 수 있도록(predictive) 보장해야 한다.16

이러한 P4 개념적 프레임워크를 실천으로 옮기고 훈련생 및 교수진과 함께 PME 개입을 실용적으로 이행하는 것은 많은 기관 및 보건 전문직 훈련 프로그램의 리더들에게 여전히 벅찬 일(daunting)로 남아 있습니다. 이행을 위한 핵심 질문들은 다음과 같습니다:

• 훈련 프로그램이 PME를 시작하기 위해 필요한 역량(capacities)은 무엇인가?
• 훈련생에 대한 방대한 원시 데이터(raw data)를 의사결정을 주도하는 의미 있고 실천 가능한 통찰(actionable insights)로 변환하기 위해 무엇이 필요한가?
• 프로그램은 PME 개입에 필요한 타당도 증거(validity evidence)를 어떻게 수집할 수 있는가?

이 논평(Commentary)에서 우리는 모든 기관 수준에서 성공적인 PME 이행이 직면한 이러한 과제들을 다룹니다. 구체적으로, 우리는 고등교육에서의 이전 경험과 학습 분석(learning analytics) 관행을 활용하여, 교육 리더들이 PME를 구축하기 위해 동시에 사용할 수 있는 P4 프레임워크(그림 1)와 연계된 4가지 구체적인 전략을 개괄합니다:

• (1) 교육 데이터 큐레이션(curate educational data);
• (2) 데이터를 통찰로 변환하는 분석 역량 구축(build analytic capabilities);
• (3) PME의 원칙 있는 사용을 보장하기 위한 거버넌스 수립(establish governance);
• (4) 타당도를 뒷받침하는 성과를 지속적으로 수집(continuously collect outcomes); 그리고
• 이 4가지 전략 모두를 관통하는 (5) PME를 추진하기 위한 변화 주도(lead change)입니다.

그림 1: 정밀 의학교육(PME)을 성공적으로 이행하기 위해, 프로그램과 기관은 P4 의학교육 프레임워크(선제적[proactive], 개별화된[personalized], 참여적[participatory], 예측적[predictive])16와 연계된 전략 1부터 4를 동시에 적용할 수 있습니다. 변화 리더십(Change leadership)(전략 5)은 교차적(crosscutting)인 요소로, PME를 기관 문화로 이끄는 시스템과 프로세스의 채택을 촉진합니다.

---

전략 1: 교육 데이터 큐레이션 (Curate Educational Data)

PME의 기초 통용 화폐는 투입(inputs, 예: 교육과정 콘텐츠, 환자 진단명 같은 교육적 노출), 산출(outputs, 예: 시험, 신뢰할 수 있는 전문 활동[EPAs], 역량), 또는 성과(outcomes, 예: 훈련 중 또는 후의 환자 성과, 전문직 배치, 인력 구성)와 같은 교육 데이터(educational data)입니다.18 교육 데이터는 학습 관리 시스템(LMS), 시뮬레이션 센터, 전자의무기록(EHRs), 외부 기관 등 다양한 출처에서 나옵니다. P4 프레임워크에 따르면, 이러한 시스템에서 데이터를 선제적으로(proactive)16 사용하는 것이 학습자의 교육적 노출, 진척도, 요구를 이해하는 열쇠입니다. 그러나 이러한 데이터는 종종 결합하기 어렵거나 특정 애플리케이션이나 데이터베이스 내에 고립(siloed)되어 있습니다. Weil과 동료들19은 통찰(insights)을 생성하는 데 필수적인 데이터 수집의 8가지 기본 원칙을 기술한 프레임워크를 제안했습니다: 관련성(relevant), 신뢰성(trusted), 일관성(consistent), 적시성(timely), 접근성(accessible), 상호작용성(interactive), 연계성(connected), 실천 가능성(actionable). 여기서 우리는 보건 전문직 훈련 프로그램의 리더들이 데이터를 큐레이션하기 위해 물어야 할 질문으로 이 원칙들을 수정하고, 이에 답하기 시작하는 방법에 대한 권장 사항을 제공합니다.

1. 관련성(Relevant): 데이터가 귀 기관의 가장 시급하고 중요한 질문에 대한 통찰을 제공합니까? 학습자, 교수진, 그리고 전체 교육 프로그램에 가장 중요한 데이터가 무엇인지 정의하십시오. 평가 항목을 핵심 역량(core competencies) 및 교육과정 우선순위 영역에 매핑하고, 포괄성을 확인하며 중복을 제거하십시오.
2. 신뢰성(Trusted): 데이터의 품질 보증(quality assurance)과 정확성을 위해 지속적이고 의도적으로 모니터링됩니까? 앞으로 수집해야 할 누락된 데이터 영역을 식별하고, 특히 서술형 코멘트(narrative comments)와 같은 데이터를 정기적으로 감사하여 편향(bias)의 증거를 확인하십시오.
3. 일관성(Consistent): 데이터 요소가 표준화되어 정의되고 계산되며, 신뢰할 수 있고 중앙 집중화된 방식으로 수집됩니까? 훈련생의 진척도를 종단적으로(longitudinally) 추적할 수 있도록 평가 데이터를 수집하는 데 사용되는 프레임워크와 척도(scales)를 개선하십시오.
4. 적시성(Timely): 통찰이 실행 가능하도록 필요한 정기성을 가지고 데이터가 업데이트됩니까? 종이 기반 또는 스프레드시트 기반 프로세스를 실시간 통합이 가능한 웹 기반 애플리케이션으로 전환하십시오.
5. 접근성(Accessible): 적절한 이해관계자가 적시에 통찰을 이용할 수 있습니까? 분석 도구와 대시보드를 기존 워크플로우(workflows)에 구축하십시오.
6. 상호작용성(Interactive): 이해관계자가 데이터를 탐색하고 직접 통찰을 얻을 수 있습니까? 개인 및 집단(cohort) 수준의 성과를 모두 탐색할 수 있는 대화형 대시보드(interactive dashboards)를 만드십시오.
7. 연계성(Connected): 측정치들이 훈련의 연속체(continuum) 전반에 걸쳐 통합되어 있습니까? 학부 및 졸업 후 의학교육 훈련 데이터를 한곳에 통합하십시오.
8. 실천 가능성(Actionable): 모든 데이터 요소가 통찰에 기여하고 전략에 정보를 제공합니까? 보고서와 대시보드를 개별 목표 설정 및 학습 계획 수립뿐만 아니라, 기관의 교육 설계 및 품질 보증 프로세스에도 사용하십시오.

데이터 수집의 우선순위를 정하고 조직한 후에는, 데이터 소스들을 교육 데이터 웨어하우스(education data warehouse)—각 학습자의 데이터를 시간 흐름에 따라, 그리고 그들에 관한 데이터를 수집하는 다수의 시스템과 측정치 전반에 걸쳐 보여주는 동적 데이터베이스—로 통합하십시오.20 교육 데이터 웨어하우스는 원시 데이터를 실천 가능한 통찰로 변환하는 데 기초가 되며, EHR과 같은 임상 학습 환경의 데이터 스트림과의 통합을 가능하게 합니다.21

 

교육 데이터 웨어하우스를 구축하려면 계획, 자원, 거버넌스, 그리고 귀 기관에서 교육 외 프로젝트를 위해 유사한 시스템을 구축하고 있을 수 있는 현지 정보 기술(IT) 리더들과의 협력이 필요합니다. 사용 가능한 기술과 플랫폼에 따라 데이터를 웨어하우스로 큐레이션하고 통합하는 데는 많은 기술적 측면이 있을 것입니다. IT 리더들과의 조기 협력은 인프라가 데이터와 함께 확장(scale)되고, 가족 교육 권리 및 개인정보 보호법(FERPA)22,23과 같은 지역, 주, 연방 정책을 준수하며 안전하게 유지되도록 보장할 것입니다.

---

전략 2: 데이터를 통찰로 변환하는 분석 역량 구축 (Build Analytic Capabilities to Turn Data Into Insights)

위의 8가지 원칙을 준수하는 고품질 데이터를 큐레이션하는 것은 필요하지만, PME를 실현하는 데는 충분하지 않습니다. 정밀 분석(Precision analytics)—원시 데이터를 분석, 요약, 보고하는 방법—은 PME 이니셔티브를 지원하는 시의적절한 개별화된(personalized)16 통찰을 생성하는 데 필수적입니다. PME를 이행하는 것은 학습자, 교수진, 프로그램이 각 학습자에게 맞춤화되고 이전보다 더 많은 데이터에 기반한 더 미묘한(nuanced) 교육적 결정을 내리도록 요구하는 것을 의미합니다. 학습자와 교수진은 이를 잘 수행하고 그들이 내리는 정밀한 선택의 영향을 이해하기 위해 새로운 도구가 필요할 것입니다.

 

정밀 분석은 PME를 확장하는 데 핵심입니다. 분석 이니셔티브는 "단순한 보고 및 규정 준수 기능이 아니라, 혁신의 중심(center of innovation)으로 간주되어야 합니다."19 분석 결과가 스코어카드나 대시보드24,25를 통해 공유되든 간에, 보고 과정은 통찰을 전략적 가치로 변환하고 지속적인 교육 품질 개선 시스템을 구축하는 데 중요합니다. 사려 깊은 보고는 코칭 개입(coaching interventions)26 중에 학습자를 위해 복잡한 데이터에 생명력을 불어넣고, 평가를 사용하여 학습을 개선27하는 데 필수적입니다. 정밀 분석 개발은 탄탄한 학습 분석(learning analytics) 문헌28의 교훈을 바탕으로 구축되어야 합니다.

 

기존 파트너십 및 자원 활용 (Leverage existing partnerships and resources)

• 귀 기관의 분석 역량을 개발하는 데 도움을 줄 수 있는 인력과 파트너십을 식별하는 것으로 시작하십시오. 교육 데이터 웨어하우스와 마찬가지로, 분석 접근 방식에는 데이터 분석에 숙련된 직원, 분석 소프트웨어 시스템, 데이터 시각화 및 대시보드 플랫폼을 포함한 현지의 전담 자원과 전문 지식이 필요합니다.
• 이들은 아마도 귀하의 기관 내에 존재할 것이며, 특히 "과학, 정보학, 인센티브, 문화가 지속적인 개선과 혁신을 위해 정렬되는" 학습 보건 시스템(learning health system) 모델29을 중심으로 점점 더 조직화되고 있는 정보학(informatics) 및 데이터 과학 동료들 사이에 있을 가능성이 큽니다.
• 가능하다면, 혁신적인 기술들—전사적 시각 분석 플랫폼(enterprise-wide visual analytics platforms), 고성능 컴퓨팅, 보호된 정보의 사용을 허용하는 보안 생성형 AI 인스턴스—을 교육 데이터 웨어하우스에 연결하십시오. 기관 자체 평가 도구30,31를 사용하여 더 높은 수준의 분석 역량을 향한 진척도를 주기적으로 벤치마킹하십시오.

 

데이터 리터러시 증진 (Promote data literacy)

• 개별화된 학습 및 평가 계획을 극대화하려면, 학습자와 교수진은 데이터 분석 과정을 이해해야 합니다.32 PME 이니셔티브의 목표를 명확하게 소통하는 것으로 시작하십시오. 교수진, 코치, 조언자(advisors)를 대상으로 기초 기술 평가를 수행하여 그들이 데이터와 분석을 사용하여 학습자를 지도하는 데 얼마나 익숙한지 파악하십시오. 그런 다음, 학습자와 교수진에게 PME 접근 방식을 소개하는 훈련 세션을 개최하십시오. 여기에는
  • 결과를 개별 학습자에게 적용하고 맥락화(contextualize)하는 방법,
  • 통계적 검정력(statistical power) 문제를 탐색하는 방법,
  • 부정확한 예측의 위험을 고려하는 방법,
  • 편향(bias) 및 공정성(fairness)과 관련된 경계를 촉구하는 방법,
  • AI 기반 통찰을 둘러싼 고유한 우려 사항을 논의하는 방법 등이 포함됩니다.

이러한 세션은 또한 교수진과 학습자의 진화된 역할과 기대를 전달할 기회를 제공합니다.

---

전략 3: PME의 원칙 있는 사용을 보장하기 위한 거버넌스 수립 (Establish Governance to Ensure Principled Use of PME)

통합된 교육 데이터와 정교한 분석은 PME 노력을 가능하게 하지만, 동시에 각 기관이 거버넌스(governance)에 대한 합의 기반 접근 방식을 사용하여 초기에 해결해야 할 문제들을 제기합니다.

• 데이터의 소유자는 누구인가?
• 결과 분석을 볼 수 있는 권한은 누구에게 있는가?
• 데이터와 성과는 의학교육의 연속체 전반에 걸쳐 통합되어 있는가?
• 정밀 개입의 공정성과 형평성을 보장하기 위해 어떤 감독(oversight)이 존재하는가?

거버넌스와 투명성은 정밀 분석 또는 개입의 최종 사용자(즉, 학습자, 교수진, 또는 프로그램)와 이니셔티브를 감독하는 교육 리더 간의 양방향 신뢰(bidirectional trust)에 뿌리를 둔 참여적인(participatory)16 PME 이니셔티브에 필수적입니다. 교육 거버넌스 그룹은 2차적으로 "발견된(found)" 데이터 사용의 적절성을 포함하여 현지 데이터가 어떻게 사용되는지 검토할 수 있습니다.33 빅데이터와 AI와 관련하여, 거버넌스 그룹은 편향과 기타 의도치 않은 결과(unintended consequences)의 의도적인 완화(mitigation)를 보장할 수 있습니다.34 그러나 보건 시스템 전반에 걸친 생성형 AI 도구의 빠른 배포는 가장 민첩한 교육 거버넌스 그룹조차도 어렵게 만들 수 있습니다. AI 자문 위원회에 학습자와 교육자를 포함하면 AI 도구의 의도치 않은 교육적 결과를 방지할 수 있습니다. 거버넌스 그룹은 또한 기관의 정책 및 법무 팀과의 파트너십을 통해 지역, 주, 연방 정책(예: FERPA)의 준수를 보장합니다. 그들은 데이터 큐레이션 및 분석에 대한 통일된 접근 방식을 표준화함으로써 PME 노력과 기존의 학습 보건 시스템, 품질 개선, 또는 가치 기반 의학(value-based medicine) 프로젝트 간의 연결을 촉진할 수 있습니다. 거버넌스 그룹은 의학교육 연구 등록소(medical education research registries)와 같이 신속하고 윤리적으로 수행되는 연구를 촉진하는 접근 방식을 통합하여, 의학교육 연구에서 PME 통찰을 사용하는 것에 대한 원칙과 감독을 정의해야 합니다.23,35

 

교육 데이터 웨어하우스를 만드는 과정 초기에 거버넌스 그룹을 구성하여 시작하십시오. 정책 및 전략 결정이 기술 및 데이터 아키텍처에 정보를 제공할 수 있기 때문입니다. 공식적인 거버넌스 그룹은 어떤 데이터가 PME에 사용되고 어떻게 분석되는지에 대해 교육 커뮤니티에 투명성을 제공하는 메커니즘이 될 수 있습니다. 거버넌스 그룹은 먼저 기존 교육 데이터 소스 및 분석에 대한 인벤토리를 검토해야 합니다. 이후의 정밀 개입이 참여적이 되도록 보장하기 위해, 의학교육 연속체 전반의 훈련생을 포함하여 광범위하게 대표되는 이해관계자들을 거버넌스 과정에 참여시키십시오.36 거버넌스 구조는 데이터의 윤리적 사용, PME의 공동 생산자로서 훈련생의 적극적인 참여, 그리고 데이터 기반 의사결정을 위한 응집력 있는 기관 전략을 촉진해야 합니다.37

---

전략 4: 타당도를 뒷받침하는 성과를 지속적으로 수집 (Continuously Collect Outcomes Supporting Validity)

보건 전문직 교육에서 타당도(validity)를 확립하는 것은 청중의 가치와 기준을 고려하여 증거에 기반한 논거(arguments)를 구성하고 평가하는 것을 포함합니다.38 PME를 이행하기 위한 핵심 논거는, 표적화된(targeted) 학습 경험이 천편일률적인(one-size-fits-all) 교육 접근 방식보다 역량 도달을 더 효율적으로 이끈다는 것입니다. 더 나아가, PME 패러다임은 정밀 개입이 의미 있는 학습자 또는 환자 성과를 예측할 수 있어야(predictive)16 한다고 주장합니다. 이러한 주장을 뒷받침할 타당도 증거를 수집하는 것은 PME 이니셔티브가 달성하고자 하는 구체적인 학습자, 프로그램, 환자 성과를 명확히 정의하는 것에서 시작됩니다. 이러한 프로그램 평가 성과는 귀 기관의 목표 및 학습자의 요구와 일치하는 평가 프로그램(program of assessment)을 직접적으로 형성해야 합니다.

 

다양한 증거 수집 (Gather varied evidence)

• 각 학습자에 대한 더 명확한 그림을 얻기 위해 형성적(formative) 및 총괄적(summative), 인간 평가자 기반 및 AI 기반,42 그리고 학습자 지향적 및 환자 지향적 평가를 포함한 다양한 평가를 수행하여 시작하십시오.39–41 타당도 증거를 수집하는 과정은 지속적인 노력, 끊임없는 개선의 문화, 그리고 실수로부터 배우려는 열망을 필요로 합니다.
• 다행히도, PME 이니셔티브를 위해 개발된 기초적인 데이터 및 분석 역량은 타당도 증거의 수집 및 분석—이상적으로는 자동화되고 확장 가능한 방식—도 지원합니다. 또한, 모든 이해관계자로부터 질적 피드백(qualitative feedback)을 수집하는 것은 PME 이니셔티브가 명시된 목표에 대비해 모니터링하여, 목표와 일치하고 이해관계자의 요구에 적응하도록 보장하는 데 필수적입니다.
• 거버넌스와 마찬가지로, 투명성과 책임성(accountability)에 전념하여 이니셔티브가 시간이 지남에 따라 개선되고 학습자와 기관에 긍정적인 영향을 미치고 있음을 입증하십시오.

 

예측적 연결고리 연구 (Study predictive linkages)

• PME 개입과 성과 사이의 예측적 연결고리를 결정하는 것은 다수의 수반되는 노출, 교란 변수(confounding), 통계적 검정력 문제로 인해 어렵습니다.43 가능하다면 인과 추론(causal inference) 접근 방식을 적용하는 연구 설계 및 통계 분석을 사용하십시오.44
• 예를 들어, 학습자의 임상 추론을 개선하고 진단 오류를 줄이는 데 관심이 있는 프로그램은 교수진 평가, 시뮬레이션, EHR 기록45의 다중 모드(multimodal) 평가를 통합하여 진단 영역별로 계층화된 각 학습자의 동적 프로필을 생성할 수 있습니다.
• 환자 또는 로테이션 수준에서 무작위 배정(randomization)으로 배포된 PME 개입은 각 학습자의 결핍을 표적으로 삼을 수 있습니다. 개선된 학습자 성과(예: 더 높은 총괄 평가 성적)와 환자 성과(예: 초기 진단과 최종 진단 공식화 간의 더 높은 일치도)는 PME 접근 방식에 대한 강력한 타당도 증거를 제공할 것입니다.

---

전략 5: PME를 추진하기 위한 변화 주도 (Lead Change to Drive PME Forward)

변화 관리(change management) 또는 리더십(leadership)46은 PME 이니셔티브를 이행할 때 결정적인데, 이는 기관의 목표, 프로세스, 기술의 변혁(transformation)을 다루는 체계적인 접근을 보장하기 때문입니다. 대부분의 보건 전문직 프로그램과 기관은 급격한 혁신에 대해 위험 회피적(risk averse)이며, 특히 외부 인증기관들이 과감한 변화보다 안정성을 우선시한다는 점을 고려할 때 더욱 그렇습니다. PME의 기술적, 시스템적 혁신을 성공적으로 이행하려면 강력한 이행 풍토(implementation climate)47가 필요합니다. 변화 리더십은 이러한 이행 준비 상태(readiness)를 달성하는 데 핵심이며, 이것 없이는 기관들이 PME를 이행하려다 혼란에 빠질 위험이 있습니다.48 변화 리더십은 P4 프레임워크와 연계된 전략 1에서 4를 관통합니다.

 

PME 운영 그룹 구성 (Assemble a PME steering group)

• 전략 1~4를 감독하는 훈련생, 의학교육 리더, 데이터 과학 및 AI 전문가를 포함한 영향력 있는 이해관계자들의 구심점 연합(guiding coalition)인 PME 운영 그룹(steering group)을 구성하십시오. 운영 그룹의 일부 구성원은 공식 PME 거버넌스 그룹에서 활동할 수도 있지만, 운영 그룹은 PME 이행의 전반적인 전략과 과정을 주도해야 합니다.
• 운영 그룹은 PME 접근 방식을 통해 해결할 수 있는 교육 프로그램의 격차를 식별하고 부각시켜 PME 이니셔티브에 대한 긴박감(urgency)을 조성해야 합니다. 교육과정, 평가 프로그램, 지도(advising) 프로그램의 미래에 대한 명확한 비전(vision)을 개발하고, 이 비전을 모든 이해관계자에게 효과적으로 전달하십시오.
• PME 이니셔티브 이행을 방해할 수 있는 장애물을 식별하여 해결하고, 단기적인 성과(short-term wins)를 축하하여 모멘텀을 구축하십시오. 지속적으로 새로운 개선 기회를 식별하고 필요에 따라 변화 리더십 전략을 조정하십시오.
• 변화가 기관의 문화에 통합되고 일상적으로 수행되는 방식의 일부가 되도록 보장하십시오. 여기에는 정책 업데이트, PME 이행 마일스톤의 정기적 검토, 성과에 대한 책임성 개발이 포함될 수 있습니다. 전체 PME 전략과 분석, 통찰, 개입이 이해관계자, 특히 학습자의 의견을 반영하여 설계되는 공동 창조(co-creation)49,50의 문화를 조성하십시오.36

 

집단적 역량 확보 (Ensure collective competence)

• 마지막으로, PME 이니셔티브를 이행하려면 데이터 웨어하우징, 대시보드 제작, 분석, 정보학, AI 기술을 갖춘 전문가를 모집해야 합니다. 이 모든 기술을 갖춘 개인은 거의 없습니다. 대신, 기관은 데이터 웨어하우스를 큐레이션 및 유지 관리하고, 분석 및 데이터 시각화를 생성하며, 개입의 타당도와 영향을 평가하고, 전반적인 PME 이니셔티브를 관리할 수 있는 집단적 역량(collective competence)을 갖춘 팀을 구성해야 합니다.
• 적합한 인력을 구성하는 것은 자원, 조직 구조, 사용 가능한 내부 협력자에 따라 달라질 것입니다. 내부 기술 전문가들은 프로그램의 교육 사명과 데이터에 익숙하지 않을 수 있으므로, 현지의 맥락, 가치, 목표에 대해 교육하십시오. 동시에, 이러한 전문가들이 PME를 운영하기 위해 사용할 접근 방식에 대해 현지 교수진 리더들을 교육할 기회를 만드십시오.

---

결론 (Conclusion)

PME의 성공적인 이행은 데이터 큐레이션, 분석 역량 구축, 원칙 있는 거버넌스, 지속적인 성과 평가, 효과적인 변화 리더십을 아우르는 포괄적인 기관 전략을 요구합니다. 프로그램과 관련된 원칙 및 우선순위와 일관되게 교육 데이터를 통합하기 위한 로드맵을 만드는 것은 중요한 출발점입니다. 분석, 시각화, 대시보드 제작에서 기관의 역량을 개발하려면 세심한 계획, 교육 및 정보학 리더 간의 긴밀한 협력, 그리고 자원이 필요합니다. PME 이니셔티브 초기에 거버넌스를 수립하면 전략이 현지 목표와 일치하고, 정책을 준수하며, 실행 가능성을 유지하고, 학습자를 공동 창조자(co-creators)로 참여시키도록 보장할 것입니다. 의미 있는 성과의 엄격한 측정은 PME 접근 방식에 대한 타당도 논거를 뒷받침하고 추가 자원을 옹호(advocate)하기 위해 필요합니다. 마지막으로, 이 각 전략은 PME를 포용하는 문화를 구축하기 위해 변화 리더십에 의존합니다. 일단 운영되면, PME는 학습자에 대한, 그리고 학습자에 의한 정밀하고 증거에 기반한 의사결정(evidence-informed decision-making)을 가능하게 하여, 학습자의 역량 도달 경로를 최적화하고 교수진, 코치, 교육 리더들을 지원할 것입니다.

 

 

그림 1 번역 (Figure 1 Translation)

P4 프레임워크 요소	전략 및 세부 실행 방안
선제적(Proactive)	전략 1: 데이터 큐레이션 (Data Curation) • 8가지 데이터 원칙 적용 • 교육 데이터 웨어하우스(EduDW)에 종단적 데이터(longitudinal data) 통합
개별화된(Personalized)	전략 2: 분석 (Analytics) • 필요한 자원 및 기술 식별 • EduDW를 대시보딩(dashboarding) 및 AI에 연결 • 이해관계자를 대상으로 데이터 리터러시(data literacy) 교육
참여적(Participatory)	전략 3: 거버넌스 (Governance) • 거버넌스 그룹을 조기에 구성 • 훈련생(trainees)을 포함한 모든 이해관계자를 투명하게 참여시킴
예측적(Predictive)	전략 4: 타당도 검증 (Validation) • 평가 프로그램(program of assessment)을 PME 이니셔티브의 목표와 일치시킴 • 개입(interventions)을 성과(outcomes)와 연결

오른쪽 측면 (전체를 포괄하는 요소):

• 전략 5: 변화 리더십 (Change Leadership)

하단 캡션 번역:

그림 1: 정밀 의학교육(PME)을 성공적으로 이행하기 위해, 프로그램과 기관은 P4 의학교육 프레임워크(선제적[proactive], 개별화된[personalized], 참여적[participatory], 예측적[predictive])16와 연계된 전략 1부터 4를 동시에 적용할 수 있습니다. 변화 리더십(Change leadership)(전략 5)은 교차적(crosscutting)인 요소로, PME를 기관 문화로 이끄는 시스템과 프로세스의 채택을 촉진합니다.

---

그림 설명 및 요약

이 그림은 논문에서 제안하는 정밀 의학교육(PME) 구현을 위한 로드맵을 시각적으로 보여줍니다. 구조는 다음과 같이 이해할 수 있습니다.

1. 왼쪽 (P4 Framework): PME가 갖춰야 할 4가지 핵심 속성(Proactive, Personalized, Participatory, Predictive)을 나열하고 있습니다. 이는 PME의 '이론적 기반'입니다.
2. 중앙 (Strategies 1-4): 각 P4 속성을 달성하기 위한 구체적인 '실행 전략'을 매칭했습니다.
   • 선제적(Proactive)이기 위해서는 데이터를 미리 잘 정리하고 모아야 하므로 데이터 큐레이션이 필요합니다.
   • 개별화(Personalized)하기 위해서는 데이터를 해석하여 개인에게 맞는 통찰을 줘야 하므로 분석(Analytics) 역량이 필요합니다.
   • 참여적(Participatory)이기 위해서는 데이터 사용의 규칙을 정하고 모두가 신뢰할 수 있어야 하므로 거버넌스(Governance)가 필요합니다.
   • 예측적(Predictive)이기 위해서는 교육적 개입이 실제로 결과로 이어지는지 확인해야 하므로 타당도 검증(Validation)이 필요합니다.
3. 오른쪽 (Strategy 5): 변화 리더십(Change Leadership)이 가장 오른쪽에 큰 괄호처럼 배치되어 1~4번 전략 전체를 감싸고 있습니다. 이는 기술적/절차적 전략(1~4번)만으로는 부족하며, 조직 문화를 바꾸고 이니셔티브를 지속 가능하게 만드는 리더십이 모든 단계에 걸쳐 필수적으로 작용해야 함을 의미합니다.