정밀 의학 교육 (Acad Med. 2023)

Acad Med. 2023 Jul 1;98(7):775-781. doi: 10.1097/ACM.0000000000005227. Epub 2023 Apr 3.

Precision Medical Education

Marc M Triola 1, Jesse Burk-Rafel 2

 

 

🩺 의학 교육의 미래, '정밀 의학 교육(PME)'이 온다!

혹시 '정밀 의학(Precision Medicine)'이라고 들어보셨나요? 환자의 유전자, 환경, 생활 습관 같은 데이터를 분석해서 환자에게 딱 맞는 치료법을 제공하는 거죠. '정밀 의학 교육(PME)'도 똑같습니다! 💡 환자 대신 학습자(Trainee)를, 진료 대신 교육(Education)을 대입해 보세요. 학생 개개인의 데이터를 분석해서 딱 맞는 학습법과 코칭을 제공하는 것이죠.

연구진은 PME를 이렇게 정의하고 있습니다.

"종단적 데이터(longitudinal data)와 분석(analytics)을 통합하여 개별 학습자의 필요와 목표(needs and goals)를 지속적이고, 시기적절하며, 순환적인 방식으로 다루는 정밀한 교육적 개입(precise educational interventions)을 주도하고, 궁극적으로 의미 있는 교육적, 임상적, 또는 시스템적 성과(outcomes)를 향상시키는 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."

 

말이 조금 어렵나요? 간단히 말해 데이터와 AI를 활용해 학생에게 딱 필요한 교육을 제때 제공하자는 뜻입니다!

🎯 PME는 왜 필요할까요?

기존의 맞춤형 교육도 좋지만, 데이터가 너무 많아지면서 교수님들이나 코치들이 모든 걸 분석해서 학생을 지도하기가 힘들어졌어요. 😓 PME는 이 복잡한 과정을 기술(AI, 분석 도구)로 해결하려 합니다.

연구진은 PME의 근본적인 목표를 이렇게 강조합니다.

"PME의 근본적인 목표는 올바른 교육적 개입을 올바른 학습자에게 올바른 시기에 효율적으로 전달하는 것이다."

"The fundamental aim of PME is the efficient delivery of the right educational intervention to the right learner at the right time."

🧩 PME를 지탱하는 4가지 기둥: P4 프레임워크

이 논문에서는 정밀 의학의 개념을 빌려와 'P4 의학 교육 프레임워크(P4 Medical Education Framework)'를 제안합니다. 이게 PME의 핵심 엔진이에요! ⚙️

1. 선제적 (Proactive): 학생이 실패할 때까지 기다리는 게 아니라, 데이터를 통해 미리미리 챙겨줍니다.
   1. "선제적 접근 방식은 교육 경로를 전형적으로 보여주는 반응적 관점(reactive lens)에서 벗어나는 것이다."
      "A proactive approach moves away from the reactive lens that typifies educational pathways."
2. 맞춤형 (Personalized): AI와 분석 도구로 각 학생의 강점과 약점을 파악해 맞춤형 학습 자료와 평가를 제공합니다.
3. 참여적 (Participatory): 학생은 수동적으로 교육받는 게 아니라, 자신의 데이터와 목표를 함께 공유하는 공동 생산자(Co-producer)가 됩니다.
4. 예측적 (Predictive): 단순히 시험 점수만 보는 게 아니라, 이 학생이 나중에 어떤 의사가 될지, 환자 치료 결과는 어떨지 미래의 성과(Outcomes)를 예측합니다.

🚀 성공적인 PME를 위해 필요한 것들

PME가 제대로 작동하려면 학교와 수련 병원은 무엇을 준비해야 할까요?

• 유연한 교육 경로 (Flexible Pathways): 모든 학생이 똑같은 시간을 들여 졸업할 필요는 없겠죠? 역량이 갖춰지면 빨리 다음 단계로 넘어가는 유연함이 필요합니다.
• 종단적 데이터 (Longitudinal Data): 특히 학생이 진료한 환자의 전자의무기록(EHR) 데이터까지 교육에 활용한다면 훨씬 더 정밀한 평가가 가능해집니다.
• 분석 도구 (Analytic Tools): 대시보드나 AI 같은 기술이 교수진의 시간을 아껴주고 더 정확한 통찰력을 줘야 합니다.

⚠️ 주의할 점도 있어요!

물론, 모든 기술에는 그림자가 있죠. 연구진은 PME가 멘토링을 대체해서는 안 된다고 경고합니다.

"PME는 교육생과 교수진 간의 직접적인 상호작용을 강화하고 심화시켜야 하며, 멘토링이나 코칭을 자동 제안 및 컴퓨터 생성 피드백으로 대체해서는 안 된다."

"PME should enhance and deepen direct interactions between trainees and faculty, and it should not replace mentorship or coaching with automatic suggestions and computer-generated feedback."

 

또한, AI 알고리즘이 가질 수 있는 데이터 편향(Bias) 문제도 꼼꼼히 살펴야 한다고 조언합니다.

---

📝 요약하자면...

PME는 단순한 유행이 아니라, 데이터와 AI 시대에 의학 교육이 나아가야 할 필연적인 방향처럼 보입니다. 더 효율적이고, 더 개인화되고, 더 미래 지향적인 의사 양성 시스템!

연구진의 마지막 멘트로 포스팅을 마칠게요.

"궁극적으로, PME는 변화의 속도가 빨라지고 교육과정 시간과 교수진의 가용성이 제한된 시기에 의학 교육 및 코칭에 상호작용적인 지속적 개선 역량(interactive continuous-improvement capacity)을 가져온다."

"Ultimately, PME brings an interactive continuous-improvement capacity to medical education and coaching at a time when the pace of change is accelerating and the amount of curricular time and faculty availability are constrained."

 

여러분의 생각은 어떠신가요? 데이터가 이끄는 의학 교육의 미래, 기대되지 않나요? 😊

 

---

 

미국의 의과대학과 전공의 수련(residency) 프로그램들은 역량 바탕 의학 교육(Competency-Based Medical Education, CBME)과 같은 새로운 의학 교육 모델을 점점 더 많이 받아들이고 있습니다. 이 모델들의 핵심은 각 의학 교육생(trainee)이 고유하며 서로 다른 목표, 강점, 그리고 성장 영역을 가지고 있다는 점을 인식하는 것입니다.[1] 이에 따라, 교육 훈련 프로그램들은 의과대학[2,3] 및 전공의 수련[4–6] 단계에서 점점 더 경로 중심적(pathway driven)이고 개인 맞춤화된(personalized) 교육을 제공하고 있습니다. 일부 학교들은 교육 단계를 압축하여 비전통적인 트랙을 통해 조기 졸업을 가능하게 하는 새로운 교육과정 모델을 탐구하고 있습니다.[7] 또한 수련 프로그램들은 각 졸업생이 다음 단계의 훈련이나 지도 감독 없는 진료(unsupervised practice)를 수행할 준비가 되도록 교육의 내용과 기간을 개별 교육생에게 맞추는 시간 가변적 진급(time-variable progression)을 실험하기 시작했습니다.[8–10] 의사가 되는 단계들 사이의 급격한 변화를 완화하기 위해, 개별화된 교육 포트폴리오의 인계(handoffs)와 맞춤형 코칭 개입(bespoke coaching interventions)을 활용하는 시범 사업들이 진행 중입니다.[11,12] 진료 현장에 있는 의사들 또한 맞춤형 평가와 피드백을 포함하는 면허 유지(maintenance of certification)를 위한 새롭고 유연한 종단적 모델을 경험하고 있습니다.[13,14]

 

하지만 이러한 성공에도 불구하고, CBME와 여타 개인 맞춤형 교육 개입들은 널리 채택되는 데 있어 여러 가지 도전에 직면해 있습니다. CBME는 학생과 코치가 개인화(personalization), 가속(acceleration), 감속(deceleration)에 대한 결정을 내릴 수 있도록 돕는 시기적절하고 효율적인 통찰력(insights)을 필요로 합니다. 이러한 통찰력을 실제 행동으로 옮기는 것은 증가하는 평가 데이터의 양과 역량 프레임워크(competency frameworks)의 복잡성으로 인해 실용적이고 물류적인 과제들을 수반합니다.[15] 수련 프로그램들이 CBME의 요구를 충족하기 위해 교육생에 대한 더 많은 평가 데이터를 수집할 수 있다 하더라도, 코칭, 감독, 승진 결정을 위해 데이터를 활용해야 하는 교수진(faculty)은 상당한 임상 및 행정적 압박을 받고 있어 가용 시간이 침해받고 있습니다.[16,17] 게다가 교수진과 학습자 모두 개별 학습 계획(individualized learning plans), 포트폴리오, 코칭 모델과 같은 CBME의 프로그램적 요소들을 채택하는 데 어려움을 겪고 있습니다.[18]

 

이러한 과제들을 해결할 솔루션이 없다면, CBME나 가속 훈련 경로(accelerated training pathways)와 같은 노력들은 복잡성, 데이터 및 평가의 과부하 문제, 그리고 교육생과 코치에게 시기적절한 통찰력을 제공할 도구의 부재로 인해 속도가 늦춰질 것입니다. 의과대학과 전공의 수련 프로그램들은 이러한 복잡성을 효율적으로 관리하고, 교육생과 코치가 변화하는 의학 교육 환경에서 번성하는 데 필요한 도구를 갖추도록 할 솔루션이 필요합니다.[19]

 

이 논문에서 우리는 이러한 과제들에 대한 잠재적 해결책을 정밀 의학 교육(Precision Medical Education, PME)이라는, 떠오르고 있지만 아직 정의가 명확하지 않은 패러다임에서 찾을 수 있다고 주장합니다. 우리는 PME의 정의를 제안하고, 영향력 있고 일반화 가능한 접근 방식을 육성하기 위한 PME 혁신 개발의 공유된 프레임워크(shared framework)를 제시하며, 수련 프로그램들이 PME 기반의 CBME 및 교육과정 혁신을 지원하기 위해 개발을 고려해야 할 역량(capacities)과 자원들을 제안합니다.

PME: 떠오르는 패러다임 (PME: An Emerging Paradigm)

정밀 의학(Precision medicine)은 각 환자가 고유한 유전형(genotype), 환경, 표현형(phenotype)을 가지고 있기 때문에 모든 검사나 치료가 동일한 역할을 하지 않을 것임을 인식하고, 환자의 특성에 따라 진단 및 치료 접근 방식을 조정합니다.[20] PME(정밀 의학 교육)는 이와 유사한 접근 방식을 취하여 학습, 평가, 코칭을 개별 학습자에게 맞춤화합니다. 떠오르는 패러다임으로서 PME는 아직 널리 받아들여진 정의가 없습니다.[21,22] 여기서 우리는 PME를 다음과 같이 정의할 것을 제안합니다:

"종단적 데이터(longitudinal data)와 분석(analytics)을 통합하여 개별 학습자의 필요와 목표(needs and goals)를 지속적이고, 시기적절하며, 순환적인 방식으로 다루는 정밀한 교육적 개입(precise educational interventions)을 주도하고, 궁극적으로 의미 있는 교육적, 임상적, 또는 시스템적 성과(outcomes)를 향상시키는 체계적인 접근 방식."

 

PME의 근본적인 목표는 올바른 교육적 개입을 올바른 학습자에게 올바른 시기에 효율적으로 전달하는 것입니다.[23]

 

의학 교육은 대체로 획일적인 교육과정 위에 개인 맞춤형 학습(personalized learning) 요소를 항상 포함해 왔습니다.[24] 때로는 "개별화 학습(individualized learning)"이라고도 불리는 "개인 맞춤형 학습"이라는 용어는 전통적으로 개인화된 피드백, 목표 중심 코칭(goal-driven coaching), 교육 경로를 안내하는 개별 학습 계획을 포함하는 학습자 중심 교육 모델을 지칭해 왔습니다.[25] PME는 개인 맞춤형 학습 개념을 기반으로 하되, 임상 및 시스템 수준과 같은 확장된 성과(outcomes) 세트에 의해 정보를 얻는 시기적절한 학습 및 평가 개입 주기에 초점을 맞춘 체계적이고 지속적인 접근 방식을 도입합니다.

 

PME는 수련 프로그램들이 CBME의 일환으로 수집하고 있는 증가된 평가 및 교육 성과 데이터뿐만 아니라, 교육생의 전자의무기록(EHR) 증례 및 기여 가능한(attributable) 임상 성과와 같은 다른 출처에서 수집된 데이터도 통합합니다.[26,27] 이러한 데이터는 분석(analytics) 및 인공지능(AI)에 의해 통합되고 체계적으로 평가되어 개별 학습자 수준에서 시기적절한 통찰력을 도출합니다. 새로운 통찰력은 후속 분석에 정보를 제공하고 특정 개인을 위한 추가적인 교육 성과 수집을 주도합니다.

 

AI와 같은 기술을 활용한다는 것은 성과 데이터가 아무리 방대하거나 복잡하더라도, 또는 얼마나 많은 교육생이 관련되어 있더라도 통찰력이 시기적절(timely)하다는 것을 의미합니다. 이러한 통찰력은 대시보드, 교육 의사결정 지원 도구(educational decision support tools), 또는 자동화된 제안을 통해 교육생과 코치에게 명시적으로 드러나며, 후속 교육 경로 결정 및 성과로 이어집니다.[19] 교육생의 성공을 촉진하는 것으로 밝혀진 통찰력들은 미래의 교육생들을 위한 후속 분석 주기 및 제안에 통합되어, 각기 다른 경로를 밟는 다양한 학습자들로부터 얻은 더 많은 성과를 바탕으로 개선되는 학습 시스템(learning system)을 생성합니다.

 

다수의 시범 프로젝트들이 PME의 필수 요소들을 입증해 왔지만, 그중 어느 것도 "정밀 의학 교육"이라 명명되거나 우리가 구상하는 PME의 지속적이고 반복적인 체계적 순환을 완전히 실현하지는 못했습니다. 여러 프로젝트가 개별 학습자 수준에서 새로운 통찰력을 생성하기 위해 교육생의 교육 참여(engagement), 경험, 성과에 대한 데이터를 활용하는 실험을 했습니다.

• 예를 들어, 2개의 시범 프로젝트는 대면 세미나 이전에 온라인 학습 및 평가 도구에 대한 학생들의 참여로부터 수집된 과제 수행 시간(time-on-task) 데이터를 사용하여, 대면 학습 방식에서 가장 큰 혜택을 받을 개별 학습자와 세션의 하위 주제에 대해 학생들이 달성한 숙달 수준을 교수진에게 알렸습니다.[28,29] 이러한 시기적절한 통찰력 덕분에 교사들은 개인 맞춤형 대면 학습 및 교육과정 계획에 대해 미묘한 차이를 둔 접근(nuanced approach)을 취할 수 있었습니다.
• 밴더빌트 의과대학(Vanderbilt University School of Medicine)의 VSTAR 시스템은 퀴즈 성적, 과제 적시성(timeliness), 시스템 로그인 횟수 데이터를 사용하여 학생들이 정의된 시간 내에 목표를 달성하지 못할 때 코치에게 자동 알림을 제공하고, 참여하지 않거나 진척이 없는 학생들을 교사에게 알립니다.[19]
• 다른 시범 사업들은 교육 자원(educational resources)과 관련하여 교육생에게 개인 맞춤형, 컴퓨터 생성 제안을 제공하는 방법을 모색했습니다. 한 기관은 학생과 전공의를 위한 학습용 영상의학과 증례 파일 시스템을 구축했는데, 이는 영상 판독 학습에 있어 행동주의 이론 모델을 지원하기 위해 AI를 사용합니다.[30] 이 접근 방식은 학습자가 교수진과 함께 검토한 임상 연구들을 통합하여 기술 습득을 최적화할 교육용 증례를 자동으로 선택합니다.

NYU 그로스만 의과대학(NYU Grossman School of Medicine)에서 우리는 EHR(전자의무기록)에 존재하는 방대한 데이터를 PME 이니셔티브에 활용하는 방법을 모색해 왔습니다.

• 한 시범 사업은 학생들의 환자 증례 진단명을 사용하여 관련 임상 주제에 대한 추천 교육 비디오 및 의학 문헌 형태의 교육적 넛지(educational nudges)를 제공합니다.
• 두 번째 시범 사업은 AI 알고리즘을 사용하여 전공의들의 입원 기록(admission notes)에 있는 임상 추론 기록에 대한 피드백을 제공하는데, 모든 기록에 대해 개인 맞춤형 분석을 전달하고 전공의와 코치가 받는 실행 가능한 피드백의 양을 획기적으로 늘렸습니다.[31]

요약하자면, 디지털 학습 도구의 보편화, 더 많은 학습 성과를 수집할 수 있는 능력의 증대, 그리고 CBME에 수반되는 평가, 코칭, 역량 측정의 증가에 힘입어 PME 혁신은 가속화되고 있습니다. 그러나 혁신적임에도 불구하고, 이러한 시범 사업들은 지금까지 단일 기관 및 단일 훈련 단계에서 PME의 개별 요소들만을 기술했을 뿐, 우리가 PME를 위해 구상하는 훈련의 경계를 넘나드는 체계적이고 반복적인 접근 방식(systematic, iterative approach)을 아직 보여주지 못했습니다. 합의된 PME 정의의 부재는 PME 프로젝트를 식별하고 비교하는 것을 어렵게 만들며, CBME, 코칭, 전환(transitions), 교육과정 변화라는 지역적 과제를 해결하기 위해 PME를 어떻게 최선으로 구현할 수 있는지 수련 프로그램들이 이해하는 능력을 제한해 왔습니다. 학교와 전공의 수련 프로그램들이 CBME와 교육과정 변화의 요구를 충족하기 위해 시간, 인력, 기술에 투자함에 따라, PME를 위한 모범 사례(best practices), 핵심 기능, 구현 전략에 대한 공유된 이해가 필요하며, 이는 합의된 PME 원칙과 언어가 있을 때만 가능할 것입니다. 이러한 상황은 CBME의 평가 및 일반화를 제한했던 역량, 개입, 성과에 대한 일관성 없는 정의라는 과제를 극복하기 위해 공유된 프레임워크가 확인될 때까지 CBME가 직면했던 도전들과 유사합니다.[15,32]

지도 원칙: P4 의학 교육 프레임워크 (Guiding Principles: P4 Medical Education Framework)

정밀 의학(precision medicine)의 교훈은 PME 지도 원칙 개발에 정보를 제공할 수 있습니다. 정밀 의학의 P4 의학 프레임워크(P4 medicine framework)는 질병의 예방(prevention)과 조기 검진에 초점을 맞추고, 개별 환자의 유전형과 표현형에 맞춤화(personalized)되며, 환자의 능동적이고 참여적(participatory)인 역할을 포함하고, 환자의 위험과 질병 궤적을 예측(predictive)하는 변혁적이고 효과적인 의료를 위한 핵심 요소들을 설명합니다.[33,34] 우리는 이 프레임워크를 기반으로 유사한 P4 의학 교육 프레임워크(P4 medical education framework)를 통해 PME를 안내할 것을 제안합니다 (그림 1).

 

P4 의학 교육 프레임워크에서, PME는 선제적/주도적(proactive)이어야 하며, 교육생과 프로그램에 진척도, 강점, 필요한 성장 영역에 대한 시기적절하고 지속적인 통찰력을 제공하기 위해 노력해야 합니다. 선제적 접근 방식은 교육 경로를 전형적으로 보여주는 반응적 관점(reactive lens)에서 벗어나는 것입니다. 이는 가변적 길이의 의학 교육 경로와 역량 바탕 진급의 시대에 특히 중요한데, 여기서 가속 또는 감속 기회의 조기 및 빈번한 식별은 각 교육생의 성공을 보장하는 열쇠입니다.[10] 선제성(Proactivity)은 위에서 제안한 정의에서 설명한 대로 PME 시스템이 지속적이고, 시기적절하며, 순환적이 되기 위한 핵심 특성입니다. 선제적 PME는 종단적 교육생 경험, 평가된 역량, 성과, 필요, 목표에 대한 데이터의 지속적 수집에 달려 있습니다. 디지털 학습 시스템은 교육 성과를 모니터링하고 변경 사항을 교육생과 코치에게 실시간으로 알림으로써 선제성을 촉진할 수 있습니다.[35] 앞서 설명한 2개의 시범 사업에서와 같이, 학생의 참여와 숙달을 모니터링하는 선제적이고 자동적인 접근 방식은 교수진이 코스가 끝나고 성과가 검토될 때까지 기다리는 대신, 코스가 진행되는 동안 변경을 가할 수 있게 해줍니다.[28,29]

 

교육 경험과 평가 또한 각 교육생이 최대 잠재력에 도달할 수 있도록 돕기 위해 각자의 필요와 목표에 맞춤화(personalized)되어야 합니다. 이는 우리 PME 정의의 핵심 기능입니다. 각 교육생은 고유한 필요와 목표를 다루도록 설계된 학습, 평가, 코칭을 받아야 합니다. 개인화는 예측 모델링(predictive modeling),[36–38] AI,[30,39] 의사결정 지원 도구[29,40,41]와 같은 분석(analytics)을 각 교육생의 선제적으로 수집된 종단적 데이터 및 성과에 적용함으로써 달성됩니다.

 

이러한 분석에서 얻은 통찰력을 바탕으로 교육 리더들은 학습 자원을 조정하고, 평가의 내용이나 시기를 수정하고, 코칭의 초점과 양을 조절하거나, 교육생의 교육 경로를 구조적으로 변경함으로써 정밀 개입(precision interventions)을 설계할 수 있습니다.[9] 이러한 개입의 구현은 참여적(participatory)이어야 하며, 교육생이 공동 생산자(co-producers)로서 개입이 가치를 제공하고 진정성 있으며 신뢰할 수 있음을 보장해야 합니다.[42] 개별 학습자는 의과대학, 전공의, 펠로우십, 그리고 실제 진료를 관통하는 변함없는 연결 고리입니다. 이 접근 방식의 전반적인 성공을 위한 열쇠는 학습자와 코치 간의 파트너십을 통해 PME 통찰력을 이해하고 이를 일상적이고 순환적으로 교육적 결정에 활용하는 것입니다.[11]

 

정밀 개입의 설계는 그것들이 의미 있는 미래의 교육적, 전문적, 환자 중심적, 또는 시스템/인력 성과를 예측(predictive)할 수 있다는 증거에 기반해야 합니다.[43] 예측적 PME는 학업 및 교육과정 계획을 교육생, 프로그램, 환자에게 중요한 성과를 중심으로 재구성합니다.[36] 예측 분석은 교육 및 진료의 각 단계에서 성공과 상관관계가 있는 요인을 결정하고자 하는 의학 교육 연구의 초점이 되어 왔습니다.[36,44–46] PME 모델에서, 맞춤형 개입은 교육생과 코치가 쉽게 이용할 수 있는 미래 성과(예: 시험 성적, 임상 기술 평가, 전공의 매칭 성공)의 예측을 기반으로 설계되어 단기 학습 및 평가와 장기 교육 계획 모두에 정보를 제공할 수 있습니다. 예측적 교육은 또한 교육생에게 학습을 조절하는 방법과 개인적 목표를 위해 최상의 성과를 달성하는 데 도움이 될 자원이나 경험이 무엇인지에 대한 통찰력을 줄 수 있습니다.[45]

 

요약하면, PME를 구현하는 것은

• 학습자와 교육적 맥락에 대한 포괄적인 종단적 데이터를 선제적으로 수집하기 위해 P4 의학 교육 프레임워크를 적용하고;
• 그 데이터에 기반한 통찰력을 생성하기 위해 AI를 포함한 분석을 적용하며;
• 학습 자원의 개인 맞춤형 추천, 맞춤형 평가, 시기적절한 코칭과 같은 정밀 개입을 만들되, 그 과정 전반에 걸쳐 교육생이 중심적인 참여 역할을 맡도록 하고;
• 의미 있는 교육, 전문적, 임상 및 보건 시스템 성과를 예측하는 것을 포함합니다.
• 이러한 개입이 교육생의 성과에 미치는 영향은 지속적, 반복적, 체계적으로 평가되며 미래의 정밀 개입에 영향을 미칠 것입니다.

기초 역량 및 자원 (Foundational Capacities and Resources)

P4 의학 교육 프레임워크는 학교와 전공의 수련 프로그램이 기존의 강점을 활용하고, 어떤 경우에는 새로운 역량과 자원을 개발할 것에 의존합니다. 이러한 역량은 PME의 영향력에 있어 핵심입니다. 시범 사업에서 일상적인 사용으로 나아가기 위해서는 수련 프로그램 전반에 걸쳐 이러한 역량의 보편화(ubiquity)가 필요할 것입니다. 우리는 공유된 프레임워크가 수련 프로그램들이 내부 역량과 그들의 교육 프로그램이 영향력을 갖도록 보장하기 위해 필요할 수 있는 새로운 투자를 조정하는 것을 고려할 때 도움이 될 것이라고 주장합니다.

유연한 교육 경로 및 프로그램 (Flexible educational pathways and programs)

PME와 CBME를 완전히 실현하려면 개인의 유연성과 역동적인 역량 바탕 진급을 지원하는 반응적이고 민첩한 교육 환경이 필요합니다.[3] 이는 의학 교육의 많은 측면이 시간에 고정되어 있고 의료 시스템이 환자 진료에 교육생의 예측 가능한 참여를 원한다는 점을 고려할 때 어려운 과제입니다. 전형적인 예로는 의대생 임상실습(clerkship)과 전공의 순환(rotation) 일정이 있는데, 둘 다 일반적으로 훨씬 전에 고정되지만 진화하는 수행 능력, 필요, 전문 분야 관심사에 의해 주도되는 역동적인 개인 맞춤형 진급(dynamic personalized progression)을 받아들일 잠재력이 있습니다.[47]

 

PME 접근 방식의 한 예는 교육생이 1년을 진행하면서 의도한 전공의 변경이나 특정 임상 기술에서 입증된 역량에 따라 교육생의 순환 일정을 수정하는 것입니다. 'Education in Pediatrics Across the Continuum(EPAC)' 컨소시엄은 역량이 달성되었을 때 전공의 과정으로 전환되는 종단적 소아과 임상실습 모델을 사용했습니다.[3] 기간보다는 진료와 교육과정의 연속성(continuity)에 기반한 임상실습 구조, 예를 들어 종단적 통합 임상실습(longitudinal integrated clerkships)은 충분한 종단적 환자 노출을 보장하기 위해 개별 학생 수준에서 유연성과 역동적 일정을 내장하고 있습니다.[48,49]

종단적 교육생 데이터 및 성과 (Longitudinal trainee data and outcomes)

정밀 의학 개입과 마찬가지로, PME 개입은 학습자와 그들의 경험, 평가된 역량, 성과에 대한 포괄적인 종단적 데이터(longitudinal data)로부터 얻은 통찰력을 필요로 합니다 (그림 1). 의과대학들은 종종 다양한 출처의 교육 및 성과 데이터를 통합하기 위해 데이터 웨어하우징 접근 방식을 취하며, 임상 EHR(전자의무기록) 데이터의 통합을 늘리고 있습니다.[43,50] EHR 데이터는 교육생이 시간이 지남에 따라 진료하는 고유한 환자 집단과 진단명을 정량화하므로 엄청난 잠재적 가치를 가집니다. EHR 데이터에 존재하는 성과는 교육적 개입과 그것이 환자 및 보건 의료 시스템 성과에 미치는 영향 간의 연결을 가능하게 합니다.[3,38,51] 이러한 데이터를 학습자와 교수진이 더 쉽게 접근하고 실질적으로 유용하게 만들며, 교육생 역량 평가에 사용하는 것을 정당화하기 위한 필수적인 타당도 근거(validity evidence)를 수집하는 작업이 필요합니다.[37]

그림 1: P4 의학 교육 프레임워크. 정밀 의학 교육(PME)은 종단적 데이터와 분석을 통합하여 개별 학습자의 필요와 목표를 지속적이고, 시기적절하며, 순환적인 방식으로 다루는 정밀한 교육적 개입을 주도하고, 궁극적으로 의미 있는 교육적, 임상적, 또는 시스템적 성과를 향상시키는 체계적인 접근 방식이다.

제안된 P4 의학 교육 프레임워크(정밀 의학의 확립된 P4 의학 프레임워크[33,34]에서 수정됨)에서 PME는 다음과 같은 반복적인 접근 방식이다:
(1) 교육생의 경험, 역량, 필요, 목표에 대한 고밀도 종단적 데이터가 선제적(proactively)으로 수집된다;
(2) 정밀 분석(인공지능 및 의사결정 지원 도구 포함)이 이 데이터에 적용되어 각 교육생 수준에서 시기적절한 맞춤형(personalized) 통찰력을 생성한다;
(3) 정밀 교육 개입(예: 학습, 평가, 코칭, 경로)은 교육생이 수련 프로그램과 공동 생산자가 되어 참여적(participatory) 방식으로 설계된다;
(4) 개입은 의미 있는 교육, 임상, 또는 시스템 성과를 예측(predictive)한다.

 

중요한 점은, 교육생에게 귀속될 수 있는(trainee-attributable) EHR 데이터에 기반한 새로운 환자 참조 평가(patient-referenced assessments)가 표준화 시험, 직무 바탕 평가(work-based assessments), 객관구조화진료시험(OSCE)과 같은 기존의 교육생 참조 평가(trainee-referenced assessments)를 보완하여 견고한 평가 프로그램을 형성할 것이라는 점입니다. 이러한 환자 참조 데이터는 의료 팀의 맥락과 환자로부터의 피드백을 포함할 수 있으며, 둘 다 임상 진료에 대한 교육생의 기여를 측정하는 중요한 척도입니다.[52] 다양한 출처의 데이터를 통합하고 기관, 조직, 인증 위원회의 경계를 넘어 데이터를 원활하게 전송하기 위해서는 상호 운용성(interoperability)과 데이터 표준이 필요합니다.[53]

 

PME는 교육적 요인(예: 노출, 개입, 평가)과 후속 교육적, 전문적, 환자 또는 보건 의료 시스템 관련 성과 간의 관계를 평가하는 중개 의학 교육(translational medical education) 및 교육 성과 연구의 이전 작업을 활용함으로써 이익을 얻을 것입니다.[54] 전통적인 중개 연구(translational research)의 패러다임과 마찬가지로,[55] 중개 의학 교육의 학술적 발견은 교육생과 수련 프로그램에 다시 피드백되어 의미 있는 개선을 주도하도록 보장해야 합니다. P4 의학 교육 프레임워크는 반복적이고 순환적인 방식으로 정밀 개입을 성과 예측에 연결함으로써 이러한 중개 의학 교육 개념을 통합합니다.

분석 도구 및 기술 (Analytic tools and technology)

교육생 데이터와 성과를 각 학습자를 위한 교육 및 평가의 의미 있는 변화로 변환하려면 새로운 분석(analytics) 및 교육 도구가 필요할 것입니다. 이는 학습자와 코치에게 개별 성과 데이터를 보여주는 대시보드 및 컴퓨터 기반 교육 시스템으로 구성될 수 있습니다.[56,57] 이러한 교육생 및 교수진용 애플리케이션 이면에는 각 교육생의 이전 교육 경험, 성과, 필요, 목표에 의해 자동으로 트리거되고 적응하는 교육적 개입을 제안하는 알고리즘이 있습니다. 의과대학과 대학병원의 임상 정보학 및 데이터 분석 팀 간의 파트너십은 학교가 이러한 새로운 PME 기술을 개발하는 데 도움이 될 수 있습니다. 특히 그 팀들은 유사한 방법을 사용하여 병행적인 정밀 의학 개입을 작업하고 있을 가능성이 높기 때문입니다. 일단 구축되면, 이러한 기술 기반 솔루션은 플립 러닝(flipped classroom) 방법론을 사용한 이전 시범 사업들에서처럼 상당히 많은 자원이나 교수진의 시간을 추가로 요구하지 않으면서 고품질의 PME 노력을 확장(scale)할 수 있습니다.[28,29]

 

도구의 공유 생태계(shared ecosystem)를 개발하기 위해 협력하는 기관들은 기술에 널리 퍼져 있는 확장성(scalability)을 활용하고 자원이 제한된 기관들이 이러한 도구를 개발할 때 직면할 수 있는 어려움을 개선할 수 있습니다. 의과대학에 디지털 학습 솔루션을 제공하는 소프트웨어 회사들은 자체적인 PME 솔루션을 적극적으로 개발하고 있으므로 주요 파트너가 될 것입니다.[40,58]

문화와 참여 (Culture and engagement)

PME는 데이터 기반 의사결정을 지원하는 지속적인 개선 주기(continuous cycles of improvement)의 문화, 교육생 간의 자기 주도적 학습(self-directed learning), 그리고 교수진, 프로그램, 인증기관의 유연한 접근 방식 내에서 개발되지 않는다면 그 영향력이 제한적일 것입니다.[59] 이러한 문화의 중요한 요소에는 정밀 분석에 어떤 교육생 성과가 사용되는지에 대한 투명성(transparency), 이러한 PME 프로그램의 설계 및 감독에 교육생의 참여, 정밀 개입의 성과를 정기적으로 평가하는 거버넌스 프로세스가 포함됩니다. 정밀 추천(precision recommendations)을 사용하여 개인 학습 계획을 수립하고 데이터 기반 코칭을 하는 것은 의도적인 교육생 및 교수진 개발(faculty development)을 필요로 하는 새로운 기술입니다. 의학 교육에서 임상 성과에 더 큰 초점을 맞추려면 그것의 귀속(attribution)과 그것이 포착되는 교육적 맥락에 대해 특별한 주의가 필요할 것입니다.[27,60]

PME의 함정 예상 (Anticipating Pitfalls of PME)

새로운 역량과 자원을 개발하는 것 외에도, PME의 광범위한 구현은 추가적인 과제에 직면해 있습니다. 개인 맞춤형 교육, 맞춤형 평가(bespoke assessments), 구조와 길이가 다양한 다양한 교육 경로는 학교, 교수진, 코치, 학습자에게 엄청난 복잡성을 초래합니다. 이러한 복잡성을 조절하는 데 도움을 주기 위해 자원 집약적인 교육생 및 교수진 개발 노력이 필요할 것입니다. PME는 교육생과 교수진 간의 직접적인 상호작용을 강화하고 심화시켜야 하며, 멘토링이나 코칭을 자동 제안 및 컴퓨터 생성 피드백으로 대체해서는 안 됩니다. 각 기관은 학습자에게 제공되는 지원이 그들의 교육만큼이나 개인 맞춤화되도록 보장해야 합니다. PME가 교육과정 계획, 교육 기간, 등록금에 미치는 영향은 신중하게 고려되고 집단적으로 다루어져야 합니다. 의과대학들이 단축된 교육과정 단계나 훈련 기간을 고려함에 따라, PME에서 얻은 통찰력의 주기가 학업 계획, 평가의 개인화, 시기적절한 코칭에 정보를 제공할 수 있는 충분하고 빈번한 기회가 있도록 보장하는 것이 중요할 것입니다.[10,61]

 

PME의 구현은 궁극적으로 인간의 과정이지만, PME의 핵심에 있는 일부 분석 및 AI 시스템은 비교적 최근의 발명품이며 그것들을 만드는 데 사용된 데이터에 존재하는 편향(biases)에 취약합니다.[62] 역사적으로 의학계에서 과소 대표된(underrepresented) 교육생 그룹은 데이터에서도 마찬가지로 과소 대표될 것입니다. 새로운 교육 경로는 미래의 교육생을 위한 제안을 맥락화할 수 있는 이전 졸업생들의 성과가 거의 없을 것입니다. PME 개입이 생성되고 평가될 때, 이러한 편향을 완화하기 위해 주의를 기울여야 합니다.[63] P4 의학 교육 프레임워크와 같은 공유된 프레임워크의 사용은 수련 프로그램 전반에 걸쳐 유사한 개입을 통합(pooling)하는 것을 용이하게 하여, 이러한 새로운 분석이 개발됨에 따라 더 큰 힘(power)과 대표성을 구축할 것입니다.

결론 (Conclusions)

PME는 떠오르는 패러다임입니다. 이는

• 각 교육생이 고유하다는 인식의 증가,
• 교육 및 훈련의 개인 맞춤화 증가,
• 의학 교육이 양과 출처 모두에서 증가하는 성과의 시대에 진입하고 있다는 점, 그리고
• 의학 교육자들이 이제 실행 가능한 교육 통찰력을 도출할 수 있는 새로운 분석 및 AI 도구를 갖게 되었다는 점에 의해 주도됩니다.

이 논문에서 제안된 PME 정의와 P4 의학 교육 프레임워크는 프로그램들이 교육적으로 선제적(proactive)이고, 점진적인 자기 주도적 학습을 지원하기 위해 각 교육생에게 맞춤화(personalized)되며, 교육생을 적극적인 참가자로 참여(engage)시키도록 설계되고, 의미 있는 미래 성과를 예측(predicting)하는 데 초점을 맞춘 정밀 교육 전략을 개발하고 구현할 때 안내할 수 있습니다.

 

완전히 실현된 PME는 교육생에 대한 종단적 성과 및 임상 데이터의 큐레이션을 지원하기 위한 새로운 기초 역량 및 자원, 영향력 있는 개입을 위한 근거 기반을 구축하기 위한 학술 연구(scholarship), 의미 있는 추천을 주도할 필수 기술 및 분석의 공유 개발, 교육생이 맞춤형 교육을 경험할 수 있는 유연한 경로, 그리고 교육 및 훈련에 대한 이러한 새로운 관점을 육성하는 문화를 필요로 할 것입니다. 동시에, 교육생과 교수진을 준비시키지 않은 채 교육의 복잡성을 증가시키거나 예측의 편향을 전파하는 것과 같은 PME의 잠재적 함정들은 의도적으로 다루어져야 합니다.

 

PME 개입은 체계적이고 지속적이며, 분석에 의해 정보를 얻지만 교육생과 그들의 코치에 의해 실행됩니다. PME가 완전히 실현되면, 학교와 전공의 수련 프로그램들은 이를 사용하여 CBME 및 가속 교육과정과 관련된 과제를 극복하고 새로운 요구를 해결할 수 있을 것입니다. PME는 수련 프로그램들이 지역 교육과정의 맥락에서 각 교육생의 고유한 요구를 최우선으로 두고, 역사적 및 예측된 성과에 기반하여 중대한(high-stakes) 가속 또는 감속 결정을 내리는 데 사용할 도구와 통찰력을 제공합니다. 가속 또는 시간 가변적 프로그램을 구현하는 프로그램들의 경우, PME는 더 큰 효율성을 가능하게 하고, 적시성(timeliness)을 가져오며, 각 학생이 성공하는 데 도움이 될 것은 더 많이, 필요하지 않은 것은 덜 얻도록 할 수 있습니다. PME 도구는 또한 임상 EHR 및 AI 예측 성과와 같은 출처에서 나오는 증가된 양과 유형의 성과 데이터를 다루는 데 필수적입니다. 궁극적으로, PME는 변화의 속도가 빨라지고 교육과정 시간과 교수진의 가용성이 제한된 시기에 의학 교육 및 코칭에 상호작용적인 지속적 개선 역량(interactive continuous-improvement capacity)을 가져옵니다.

 

그림 1: P4 의학 교육 프레임워크 (P4 medical education framework).

정밀 의학 교육(Precision Medical Education, PME)은 종단적 데이터와 분석을 통합하여 개별 학습자의 필요와 목표를 지속적이고, 시기적절하며, 순환적인 방식으로 다루는 정밀한 교육적 개입을 주도하고, 궁극적으로 의미 있는 교육적, 임상적, 또는 시스템적 성과를 향상시키는 체계적인 접근 방식입니다. 제안된 P4 의학 교육 프레임워크(정밀 의학의 확립된 P4 의학 프레임워크[33,34]에서 수정됨)에서 PME는 다음과 같은 반복적인 접근 방식입니다:

1. 교육생의 경험, 역량, 필요, 목표에 대한 고밀도 종단적 데이터가 선제적(proactively)으로 수집됩니다.
2. 정밀 분석(인공지능 및 의사결정 지원 도구 포함)이 이 데이터에 적용되어 각 교육생 수준에서 시기적절한 맞춤형(personalized) 통찰력을 생성합니다.
3. 정밀 교육 개입(예: 학습, 평가, 코칭, 경로)은 교육생이 수련 프로그램과 공동 생산자가 되는 참여적(participatory) 방식으로 설계됩니다.
4. 개입은 의미 있는 교육, 임상, 또는 시스템 성과를 예측(predictive)합니다.

---

2. Figure 1 상세 설명

이 그림은 정밀 의학 교육(PME)이 어떻게 순환적이고 체계적으로 작동하는지를 시각화한 것입니다. 그림은 중심의 핵심 개념(P4)과 그를 둘러싼 4가지 실행 단계로 구성된 원형 구조를 띠고 있으며, 시계 방향으로 순환하는 흐름을 보여줍니다.

 

중심부: P4 정밀 의학 교육 (P4 PRECISION MEDICAL EDUCATION) 이 프레임워크의 핵심 4가지 원칙(P4)이 안쪽 고리에 위치하며, 바깥쪽 고리의 구체적인 실행 요소들과 1:1로 대응됩니다.

 

1단계: 선제적 (PROACTIVE) - 상단

• 연결 요소: 교육생 맥락 & 종단적 데이터 (TRAINEE CONTEXT & LONGITUDINAL DATA)
• 설명: 교육이 문제가 발생한 후 반응하는 것이 아니라, 미리 준비하고 계획하기 위해 데이터를 수집합니다.
  • 세부 내용: 교육생의 경험(Experiences), 평가된 역량(Assessed Competence), 필요와 목표(Needs & Goals) 등 방대한 데이터를 지속적으로 모으는 단계입니다.

2단계: 맞춤형 (PERSONALIZED) - 우측

• 연결 요소: 분석 (ANALYTICS)
• 설명: 수집된 데이터를 각 개인에게 딱 맞는 형태로 가공합니다.
  • 세부 내용: 예측 모델링(Predictive Modeling), 인공지능(Artificial Intelligence), 의사결정 지원(Decision Support) 도구를 사용하여 데이터를 분석하고, 이를 통해 개별 학습자에게 특화된 통찰력을 도출합니다.

3단계: 참여적 (PARTICIPATORY) - 하단

• 연결 요소: 개입 (INTERVENTIONS)
• 설명: 분석된 결과를 바탕으로 실제 교육적 행동을 취하되, 학습자가 주도적으로 참여합니다.
  • 세부 내용: 학습 자원(Learning Resources), 평가(Assessment), 코칭(Coaching), 유연한 경로(Flexible Pathways) 등을 제공합니다. 이때 중요한 것은 교육자가 일방적으로 지시하는 것이 아니라, 학습자가 공동 생산자(co-producer)로서 자신의 교육 과정에 능동적으로 참여한다는 점입니다.

4단계: 예측적 (PREDICTIVE) - 좌측

• 연결 요소: 성과 (OUTCOMES)
• 설명: 이러한 개입이 단순히 현재의 학습에만 그치지 않고, 미래의 결과를 예측하고 개선하는 데 기여합니다.
  • 세부 내용: 교육적(Educational), 전문적(Professional), 임상/환자(Clinical/Patient), 보건 의료 시스템(Health Care System)의 성과를 예측하고 향상시킵니다.

순환 구조 (Iterative Cycle) 이 그림의 화살표가 보여주듯, 성과(Outcomes) 데이터는 다시 종단적 데이터(Longitudinal Data)로 축적되어 다음 주기의 선제적(Proactive) 분석을 위한 밑거름이 됩니다. 즉, PME는 일회성 이벤트가 아니라 끊임없이 데이터를 쌓고, 분석하고, 개입하고, 결과를 예측하며 발전하는 지속적인 순환 시스템임을 나타냅니다.