의학교육에서의 인공지능에 관한 조시아 메이시 주니어 재단 회의: 회의 경과와 권고안 (Acad Med. 2025)

Acad Med. 2025 Sep 1;100(9S Suppl 1):S4-S14. doi: 10.1097/ACM.0000000000006099. Epub 2025 May 26.

Josiah Macy Jr. Foundation Conference on Artificial Intelligence in Medical Education: Proceedings and Recommendations 

 

🤖 AI 시대, 의학교육은 무엇을 바꿔야 할까? Josiah Macy Jr. 재단 AI 컨퍼런스 권고안 읽기

📄 Josiah Macy Jr. Foundation. Josiah Macy Jr. Foundation Conference on Artificial Intelligence in Medical Education: Proceedings and Recommendations. Academic Medicine. 2025;100(9S):S4–S14. doi:10.1097/ACM.0000000000006099

 

안녕하세요! 오늘은 Josiah Macy Jr. 재단이 연 AI 컨퍼런스의 결과 보고서를 소개할게요. Macy 재단은 보건의료인 교육만 전문으로 지원하는 미국 재단이에요. 그동안 다직종 교육(IPE), 역량바탕 시간가변 교육(CBTV), 평가의 공정성 같은 주제로 컨퍼런스를 열고, 그때마다 권고안을 내서 의학교육계의 방향을 제시해 왔어요.

 

이번 주제는 의학교육에서의 인공지능(AI in Medical Education) 이에요. 2024년 11월 18~21일 미국 애틀랜타에서 AI와 의학교육 전문가 41명이 모였고, UCSF 내과 과장인 Robert Wachter가 기획위원장을 맡았어요. 결과물은 5개 권고(recommendations)와 22개 실행 단계(action steps) 예요.

 

한 줄로 줄이면 이래요. "AI는 이미 병 밖으로 나온 요정(genie)이다. 이제 의학교육은 이걸 안전하고, 형평하게, 효과적으로 쓰는 방법을 체계적으로 준비해야 한다."

---

📌 1. 왜 지금 이 컨퍼런스였나?

의료계는 사실 오래전부터 AI를 써 왔어요. 대부분 데이터 패턴으로 결과를 예측하는 예측 AI(predictive AI) 였죠. 그런데 2022년 11월 ChatGPT가 나오면서 판이 바뀌었어요. 사람처럼 콘텐츠를 만들어 내는 생성형 AI(generative AI) 가 전기, 컴퓨터, 인터넷처럼 범용기술(general purpose technology) 로 불리기 시작했거든요.

 

보고서가 인용한 하버드의대 교육 부학장 Bernard Chang의 말이 분위기를 잘 보여 줘요.

몇 년 안에 생성형 AI는 모든 것에 내장될 것이다.
"Within a few years, generative AI is going to be built into everything."

 

보고서는 이게 교육에 어떤 의미인지도 짚어요. 미국 의사와 간호사는 일주일에 거의 28시간을 서류 작업에 쓴다고 해요. 반복적인 서류 작업이나 단순 암기를 AI에 넘기면, 교수와 학습자 모두 인간만이 할 수 있는 활동에 시간을 더 쓸 수 있다는 거예요.

이론적으로, 반복적인 서류 작업이나 단순 암기 같은 특정 과제를 덜어내면 교수와 학습자 모두 의학에서 고유하게 인간적인 활동을 수행하고 배우는 데 더 많은 시간과 에너지를 쏟을 수 있다.
"In theory, offloading certain tasks, such as routine paperwork and rote memorization, could allow faculty and learners alike to devote more time and energy to performing—and learning—uniquely human activities in medicine."

 

여기서 말하는 "인간적인 활동"에는 비판적 사고, 적응적 학습, AI가 내놓은 감별진단이나 치료 옵션을 해석하고 검증하는 일, 신체진찰, 환자·가족과의 소통, 신뢰 관계 형성이 들어가요.

---

⚖️ 2. 기회와 위험, 둘 다 크다

🌱 기회: CBME와 정밀교육을 드디어 굴러가게 할 수도

 

• 제가 가장 흥미롭게 본 부분이에요. 보고서는 AI가 역량바탕의학교육(CBME), 다직종 교육(IPE), 정밀교육(precision education) 을 앞당길 수 있다고 봐요. 이 모델들은 좋은 취지에도 불구하고 데이터와 분석 수단이 부족해서 제대로 구현하기 어려웠거든요.
• 2021년 미국 국립의학아카데미(NAM) 보고서도 CBME가 "학습자별로 풍부한 프로그램식 평가 데이터(rich programmatic assessment data about each learner)"에 의존하다 보니, 그 데이터를 "관리하고, 시각화하고, 해석하는(managing, visualizing, and interpreting)" 일이 큰 과제라고 지적했어요. AI가 바로 이 부분을 도울 수 있다는 거죠. 실제로 자연어처리(NLP)로 서술형 피드백의 질을 평가하는 연구도 나오고 있고요.
• 정밀교육의 정의도 옮겨 둘게요.

 

정밀교육은 "데이터와 기술을 활용해 개인, 프로그램, 조직 수준에서 개인화, 효율성, 주체성을 높임으로써 평생학습을 변화시킨다."
precision education "uses data and technology to transform lifelong learning by improving personalization, efficiency, and agency at the individual, program, and organization levels."

 

• 실제 사례로 NYU의 DxMentor가 소개돼요. 병원 전자의무기록(EHR)과 교육자료 목록을 연결해서, 학습자가 최근 입원시킨 환자와 관련된 자료를 AI가 사람 개입 없이 골라 제공하는 적시(just-in-time) 도구예요.

 

⚠️ 위험: "수동적 실행자"가 될 수도

반대편의 우려도 꽤 무겁게 다뤄요. 저는 이 문장이 핵심이라고 봐요.

요구되는 기초의학지식의 범위와 깊이에 대한 명확하고 근거에 기반한 이해가 없다면, 미래의 의사는 AI로 증강된 환자진료의 능동적 관리자가 아니라 알고리즘 의사결정의 수동적 실행자가 될 수 있다.
"Without a clear and evidence-informed understanding of the scope and depth of foundational medical knowledge required of them, for example, future physicians may become passive implementers of algorithmic decision-making rather than active stewards of AI-augmented patient care."

 

2023년 NEJM 논평은 AI를 "판도라의 상자(Pandora's box)" 라고까지 불렀어요. 의학이 오랫동안 지켜 온 인지적 도제(cognitive apprenticeship), 노력을 들인 공부(effortful study), 의도적 연습(deliberate practice), 윤리적 규범을 흔들 수 있다는 이유였죠.

교육자들이 걱정하는 점은 이렇게 정리돼요.

• 📝 학문적 진실성(academic integrity): 부정행위, 표절
• 🎯 정확성과 신뢰성: 편향 재생산, 환각(hallucination)
• 🏫 학습환경 훼손: 학습자의 과의존(overdependency), 자원 불평등 심화
• 🔒 데이터 프라이버시와 보안: 환자(HIPAA)와 학습자(FERPA) 정보 보호

---

🗣️ 3. 컨퍼런스에서 나온 목소리들

🏥 병원 CEO의 시각

첫날은 사우스캐롤라이나 의대(MUSC) 병원 CEO인 Patrick Cawley의 대담으로 시작했어요. 그는 AI를 비용 절감과 의료 접근성 개선의 수단으로 보고 있었고, 의사의 업무시간 외 기록 작업을 줄여 번아웃을 완화하는 데 관심이 있다고 했어요. 교육과 관련해서는 이런 말을 남겼어요.

모두가 AI에게 질문하는 법을 배워야 한다. 매번 다른 답을 줄 수 있으니까. 거의 기술(art)에 가깝다.
"Everyone needs to learn how to query AI, because it could give you a different answer every time. There's almost an art to it."

📚 Macy 위탁 연구: AI 활용 현황 보고서

이어서 UCSF의 Christy Boscardin과 UIC의 Brian Gin이 재단 위탁 연구 결과를 발표했어요. 흥미로운 점은 이 연구 자체가 생성형 AI를 활용한 방법으로 2,000편 넘는 논문을 선별하고 정보를 추출했다는 거예요. 여기에 혁신가 인터뷰를 더했고요.

연구진은 AI 활용 사례를 5개 영역으로 정리했어요.

1. 입학(admissions)
2. 강의실 기반 교수·학습
3. 작업장 기반 학습과 실무(workplace-based learning)
4. 평가, 피드백, 인증
5. 프로그램 평가와 연구

Boscardin은 CBME와의 관계를 이렇게 설명했어요.

역량바탕의학교육은 20년 동안 있어 왔지만, 특히 피드백, 데이터 관리, 실제적 평가를 둘러싸고 상당한 장벽과 걸림돌을 만났다. 새로운 AI 모델이 이를 해결하는 데 도움을 줄 수 있다.
"Competency-based medical education has been around for 20 years, encountering significant barriers and stumbling blocks, particularly around feedback and data management and authentic assessment, that newer AI models can help resolve."

그리고 우선순위로 의학교육 AI 역량 세트를 "시급히(urgent)" 만들어야 한다고 했어요. AI 때문에 달라지는 의사 역할을 반영해 기존 임상역량도 조정해야 하고, 윤리 기준, AI 산출물 모니터링 체계, 산업계와의 새로운 협력도 필요하다고 봤고요.

🧩 소그룹 논의와 컨퍼런스 목적 선언문

참가자들은 기초 교육과정, 경험 교육과정, 평가, 코칭과 피드백의 4개 그룹으로 나뉘어 논의했어요. 가상의 학습자가 의대부터 외과 전공의까지 AI를 만나는 종단 사례(longitudinal case study) 를 두고 토론했는데, 여기서 나온 과제 중 하나가 눈에 띄어요. AI 혁신과 상관없이 바뀌어서는 안 되는 의학교육의 핵심 요소가 무엇인지 찾자는 거예요.

최종 컨퍼런스 목적 선언문(Box 1) 은 이래요.

인공지능은 강력하고 빠르게 진화하는 기술이며, 의학교육계는 역량바탕의학교육을 최적화하고 현재와 미래의 의사가 양질의 환자중심 진료를 제공하는 고성과 팀의 일원으로 일할 수 있도록 준비시키기 위해 이를 안전하고, 형평하게, 효과적으로 활용해야 한다.
"Artificial intelligence is a powerful and rapidly evolving technology that the medical education community must harness safely, equitably, and effectively to optimize competency-based medical education and prepare current and future physicians to work as members of high-performing teams that provide high-quality, patient-centered care."

 

첫날을 마무리하며 한 참가자가 한 말도 인상적이었어요 💬

AI가 우리에게 '일어나는' 것이 아니라는 점을 기억해야 한다. AI는 우리가 늘 해 온 일, 즉 가능한 최선의 도구, 지식, 기술, 연구로 의사를 교육하는 일을 할 기회를 주고 있다. (...) 그 배당금을 어떻게 쓸지는 우리가 결정한다.
"We should keep in mind that AI is not happening to us [the medical education community]; it is presenting us with opportunities to do what we've always done, which is educate physicians using the best possible tools, knowledge, skills, and research. Incorporating AI [into medical education] is an opportunity that should pay us dividends that we decide how to spend."

---

🧭 4. 컨퍼런스를 관통한 네 가지 주제

① 교육·정책 프레임워크와 AI 도구 평가 역량

참가자 대부분이 AI 혁신가이자 얼리어답터였는데도 신중함을 강조했고, 무엇보다 거버넌스(governance) 를 우선순위에 두었어요.

모든 사람은 자신이 계속해서 더 많은 훈련이 필요하다는 걸 진심으로 이해할 정도까지 AI 교육을 받아야 한다.
"Everyone should be trained in AI to the point where they really understand that they will continually need more training."

 

Triola와 Rodman(2025)은 기관 차원의 안전장치(guardrails) 세 가지를 제안했어요.

 

• ① 데이터를 보호하고 학업 상황에서 AI를 어디까지 써도 되는지 분명히 하는 정책,
• ② 안전하고 윤리적인 AI 사용을 정의하고 감독하는 기관 내 거버넌스 기구,
• ③ 책임 있는 AI 사용을 위한 학습자 역량과 교육과정이에요.

 

특히 흥미로운 건 Gin 등이 제안한 위임(entrustment) 개념의 적용이에요. 의학교육의 EPA 논리를 AI에게 그대로 적용해 보자는 거죠.

위임 모델은 어떤 과제를 AI가 잘 수행하리라 믿을 수 있고 어떤 과제는 그럴 수 없는지 결정하는 데 도움이 될 수 있다. 개별 수련생이 서로 다른 수준의 감독과 자율성 아래 환자진료 기능을 수행하도록 신뢰받거나 신뢰받지 못하는 것과 마찬가지로 말이다.
"The entrustment model could be used to help us decide which tasks we can rely on AI to perform well and which ones we can't, just as individual trainees are trusted or maybe not trusted to perform patient care functions with different levels of supervision and autonomy."

② 형평성, 편향 완화, 학습자와 환자 중심

 

• 형평성 논의는 주로 접근성에 모였어요. 장애가 있거나, 영어가 능숙하지 않거나, 기술에 익숙하지 않거나, 최신 AI 모델의 구독료를 감당할 수 없는 학습자와 교육자는 소외될 수 있어요. 자원이 적은 기관도 마찬가지고요. 그래서 모든 의대생에게 제공해야 할 기본 학습경험(baseline learning experience) 을 정해야 한다고 봤어요.
• AI가 학습한 데이터 자체가 편향돼 있을 수 있으니, 편향을 알아볼 수 있는 전문가가 검토하고 도입 후에도 지속적으로 모니터링해야 한다는 점도 강조했어요. 학습자의 미래 수행을 예측하는 도구처럼, 학습자나 환자가 동의하지 않은 데이터 2차 활용에 대한 투명성도 중요한 쟁점이었고요.
• 재미있는 아이디어도 있었어요. 실제 환자들의 기술 활용 수준이 천차만별이니, 학습자도 AI를 전혀 안 쓰는 가상환자부터 AI에 푹 빠진 가상환자까지 다양하게 만나 봐야 한다는 제안이에요. 🧑‍💻👵

 

③ 새로운 임상가 역할과 관계

 

• Ng 등(2023)의 틀에 따르면 미래 임상가는 AI의 소비자(consumers), 번역자(translators), 개발자(developers) 로 나눌 수 있어요.
  • 소비자는 AI 도구를 고르고 효과적으로 쓸 줄 알면 되고,
  • 번역자는 소비자이면서 어느 정도 개발도 할 수 있는 사람,
  • 개발자는 임상 전문성 위에 깊은 AI 역량을 갖춘 사람이에요.
• 한 참가자는 AI를 인지적 도구로만 보는 시각을 넘어서자고 했어요.

 

지금까지 의학교육에서는 AI를 인지적 과제로 생각하는 경향이 있었다. 임상추론을 어떻게 발전시킬 수 있을지에 집중했다. 하지만 이건 대인 상호작용과 관계 역학의 문제이기도 하다. 임상가와 환자 사이, 그리고 진료팀 안팎의 관계 말이다. 나는 이것이 환자진료에 더 인본주의적이고 총체적인 팀 접근을 위한 여지를 만들 것이라고 생각한다.
"In medical education so far, we tend to think about AI as a cognitive exercise; we focus on how it can advance clinical reasoning. But it's also about interpersonal interaction and relationship dynamics—between clinicians and patients and within and among care teams. I think it's going to create room for a more humanistic and global team approach to patient care."

 

 

• 이 참가자는 AI를 진료팀의 또 다른 구성원으로 생각하자고 제안했어요.
• 또 하나 중요한 키워드가 인간 참여 감독(human-in-the-loop oversight) 이에요. AI 산출물은 당분간 불완전할 테니, 임상가가 핵심 기술을 유지하면서 안주(complacency) 와 자동화 편향(automation bias) 을 피하도록 준비시키는 게 필수라는 거예요. 참가자들은 특히 기초생물과학 지식과 그것을 임상추론에 적용하는 능력을 유지하는 게 중요하다고 입을 모았어요.
• AI가 일부 직종을 대체할 수 있다는 우려도 나왔지만, 논의는 계속 "AI는 임상가를 보완하는 도구"라는 쪽으로 돌아왔어요. Sezgin(2023)의 표현이에요.

 

인간과 AI의 협업은 "보건의료 제공자의 인지적 강점과 AI의 분석 능력을 결합"하며, "AI 시스템이 인간 전문성에 의해 안내되고, 소통되고, 감독되도록 보장함으로써 의료서비스의 안전과 질을 유지한다."
collaboration between humans and AI "combines the cognitive strengths of health care providers with the analytical capabilities of AI" and "ensures that AI systems are guided, communicated, and supervised by human expertise, thereby maintaining safety and quality in health care services."

④ 협력, 파트너십, 연구 의제

 

• 생성형 AI 도입은 시간이 급하고, 돈과 기술 전문성이 많이 들어요. 그래서 독립성이 강한 학술의료기관들도 이제 서로, 그리고 기술 기업과 협력해야 한다는 거예요.
• 연구에 대해서는 꽤 비판적인 인용이 나와요.

 

AI 연구는 흔히 부실하게 보고되고, 많은 검증 연구가 결함 있는 방법론을 보이며, 마케팅은 종종 환자에 대한 AI 응용의 입증된 이점을 과장한다.
"AI research is frequently poorly reported, many validation studies exhibit flawed methodology, and marketing often overstates the evidenced benefit for AI applications for patients."

 

• 그리고 연구자라면 누구나 공감할 고민도 있었어요 😅

 

비싼 연구비를 받아 연구를 수행하고 출판할 때쯤이면, 당신이 다룬 기술은 이미 구식이 되어 있다.
"By the time you get your very expensive research funded, conducted, and published, the technology you've focused on is already obsolete."

 

• 보고서는 이 부분을 다시 Chang 부학장의 말로 정리해요.

 

아마 수십 년에 한 번쯤, 우리가 의대생을 가르치는 방식과 그들이 의사가 되었을 때 할 수 있기를 기대하는 것에 진정한 혁명이 일어난다. 지금이 바로 그런 때다.
"Maybe once every few decades a true revolution occurs in the way we teach medical students and what we expect them to be able to do when they become doctors. This is one of those times."

---

📊 5. 5개 권고와 22개 실행 단계 

이제 본론인 권고안이에요. 먼저 전체 구조를 표로 볼게요.

권고	실행 단계
1. 안전하고 효과적인 AI 도입 촉진	1.1 AI 교육과정과 역량 도입 1.2 AI 시대 의사 기초역량 재평가 1.3 인증·면허·자격 기준 수정 1.4 교육자의 AI 활용 지원 1.5 개인·조직의 적응력 강화 1.6 파트너십 구축
2. 공동생산(co-produced)한 AI 기반 교수·학습·평가 도입	2.1 AI 놀이터(AI playgrounds) 개발 2.2 기존 교수전략 개선에 AI 활용 2.3 AI 시대에 맞게 평가 프로그램 조정
3. 탄탄한 데이터 생태계(data ecosystems) 구축	3.1 데이터 시스템 통합 3.2 평가 데이터의 투명성 3.3 CBME와 정밀교육 수용 3.4 데이터 기반 인증
4. 윤리적 AI 거버넌스와 책임 있는 활용	4.1 포괄적 AI 프레임워크와 윤리 지침 4.2 전국 모범사례 네트워크 구축
5. 의학교육 AI 연구 진흥	5.1 AI 교육 효과 연구 5.2 참여적 연구 5.3 과감한 연구 지원 5.4 보고 기준 5.5 확산 개선 5.6 학제 간·산업계 협력 5.7 AI와 의학의 전략적 비전 수립

전부 설명하긴 길어서, 제가 보기에 특히 의미 있는 대목만 골라 볼게요 ✍️

🔑 권고 1: 무엇을 더하고, 무엇을 뺄 것인가

1.1에서는 AI의 형태, 기능, 능력, 한계, 사회적 함의를 다루고, 도구를 비판적으로 평가하고 환각과 편향 같은 약점을 완화하는 기술까지 가르치라고 해요. 그리고 교육과정의 효과를 학습자와 환자 성과로 평가하라고 하고요.

제가 가장 중요하다고 본 건 1.2예요. AI 시대에 맞게 의사 기초역량을 다시 보자는 건데, "무엇을 뺄지"까지 고민하라고 해요.

의사 업무 중 어떤 요소를 AI에 위임해야 하는지, 그리고 AI가 가능한 환경에서 수련생에게 더 이상 필수적이지 않을 수 있어 기존 교육과정에서 제거해야 할 요소는 무엇인지 신중하게 고려해야 한다.
"They should carefully consider which elements of physician work should be entrusted to AI and which elements of the existing curriculum should be removed because they may no longer be essential for trainees in AI-enabled environments."

그런데 바로 이어서 신중해야 한다는 단서도 달아요.

이러한 고려는 AI 도구의 가용성과 효과가 어느 정도 예측 불가능하고 진료 환경마다 균일하지 않다는 점, 그리고 가까운 미래에는 의사가 진단과 치료 같은 영역에서 고부담 AI 산출물을 감독하는 책임을 지게 될 것이라는 점을 인정해야 한다.
"These considerations should recognize that the availability and effectiveness of AI tools are both somewhat unpredictable and not uniform across care settings, and that—for the foreseeable future—physicians will be charged with overseeing high-stakes AI outputs in areas like diagnosis and therapy."

 

그 밖에 이런 제안이 있어요.

• 1.3: 인증, 면허, 자격 기관이 AI 역량을 기준과 면허·자격 평가에 넣는 방안 검토
• 1.4: 교수개발 지원, 컴퓨팅 인프라 제공, 문서 초안 작성이나 수작업 채점 같은 저가치 반복 업무(low-yield, routine tasks) 를 AI에 넘기기
• 1.5: 정기적으로 모여 역량과 교육과정을 업데이트하는 AI 교육과정 검토위원회(AI curriculum review board)
• 1.6: 학부와 졸업후 교육을 아우르는 교육 디지털혁신실(Office of Educational Digital Innovation)

🎮 권고 2: 함께 만들고, 마음껏 실험하라

권고 2의 핵심어는 공동생산(co-production) 이에요. 학습자, 교수, 다직종 팀원, 환자, AI 전문가가 함께 플랫폼을 만들자는 거죠.

2.1 AI 놀이터(AI playgrounds) 는 이름부터 재밌어요. 학습자와 교수가 실제 운영 환경의 제약 없이 AI 도구를 탐색하고 실험할 수 있는 안전한 공간이에요.

2.3 평가 부분은 꽤 과감해요.

AI 도구가 임상 실무에 스며들 것임을 인식하고, 따라서 평가 환경에도 스며들어야 한다.
"Recognize that AI tools will permeate clinical practice and, thus, should also permeate the assessment environment."

AI를 평가에서 "막아야 할 것"으로만 보지 말고, 실제 진료처럼 평가에도 들여오라는 거예요. 또 의사소통, 시스템기반 진료, 전문직업성처럼 전통적으로 측정하기 어려웠던 역량을 AI로 평가하는 방안도 검토하라고 해요.

🗄️ 권고 3: 교육 데이터와 임상 데이터를 잇자

표준화된 스키마와 공유 어휘(standardized schema and a shared vocabulary) 로 교육 데이터와 임상 데이터를 합친 데이터 생태계를 만들자는 권고예요. 양방향 데이터 통합(bidirectional data integration) 을 하면 임상 실무가 교육에 정보를 주고, 반대로 교육이 임상 성과에 어떤 영향을 주는지도 측정할 수 있어요.

 

제가 눈여겨본 건 3.2 학습자 데이터 주권이에요.

공동생산과 투명한 사용, 그리고 가능한 경우 형성평가 데이터에 대한 소유권을 통해 학습자에게 권한을 부여하고 그들의 안전과 신뢰를 우선시하라.
"Empower learners and prioritize their safety and trust through co-production and transparent use—and, where feasible, ownership—of their formative assessment data."

 

 

• 3.3에서는 AI 평가가 교수의 관찰을 대체하는 게 아니라 함께 가야 한다고 분명히 해요.
• 3.4에서는 인증기관에게 인증 심사 과정, 보고서, 결정에 AI를 쓴다면 그 사실을 투명하게 밝히라고 권고해요. 🔍

 

🛡️ 권고 4: 윤리적 거버넌스

AMA, AAMC, AACOM, ACGME, ABMS 같은 기관들이 협력해서 포괄적 AI 프레임워크와 윤리 지침을 만들고, 전국 모범사례 네트워크(national best practices network) 를 꾸리자는 권고예요. 이 네트워크는 검증된 AI 교육자원을 무료로, 형평하게 쓸 수 있는 중앙 저장소를 운영하고, 교육과정, 교수개발, 윤리, 평가별 워킹그룹을 두는 형태를 제안해요.

🔬 권고 5: 연구, 더 엄격하게 그리고 더 빠르게

• 5.1: AI 기반 교육 개입을 기존 표준과 비교하는 엄격한 실험·관찰 연구. 편향과 불평등 같은 의도하지 않은 결과도 평가
• 5.2: 학습자, 교육자, 환자, 행정가가 참여하는 참여적 연구(participatory research)
• 5.4: AI 관련 교육연구의 보고 기준(reporting standards) 합의
• 5.5: 더 빠르고 효율적인 연구 확산 방식
• 5.7: AI 시대 의사의 미래 역할에 대한 전략적 비전 수립

---

✅ 6. 결론: 측정과 적응력

보고서의 결론은 짧아요.

AI의 빠른 진화를 고려할 때, 엄격한 측정(의도한 결과와 의도하지 않은 결과 모두)과 적응력을 갖춘 접근이 필수적일 것이다. 그래야 이 놀라운 새 도구를 활용하면서도 우리의 변함없는 목표, 즉 최첨단 기술을 활용해 인간의 건강을 증진하는 의사를 양성한다는 목표를 지킬 수 있다.
"Given the rapid evolution of AI, an approach incorporating rigorous measurement (of both intended and unintended consequences) and adaptability will be essential as we harness these remarkable new tools while preserving our enduring goal: training physicians who leverage cutting-edge technology to promote human health."

---

💡 7. 읽으며 든 생각과 한국 의학교육에 주는 시사점

마지막으로 제 생각을 조금 덧붙일게요. 어디까지나 제 해석이에요.

 

• ① 읽기 전에 알아 둘 한계 🧐
  • 보고서 스스로 밝히듯, 참가자 대부분이 AI 혁신가와 얼리어답터였어요. 또 Macy 컨퍼런스 권고는 "합의이지만 모든 항목에 만장일치를 뜻하지는 않는다" 고 명시돼 있어요. 권고의 방향이 전반적으로 적극적인 건 이런 구성과도 관련이 있을 거예요. 흥미롭게도 이 보고서 자체도 참가자 동의를 받아 녹음한 논의를 AI로 요약한 자료를 활용해 작성했다고 투명하게 밝히고 있어요.
• ② "무엇을 뺄 것인가"라는 질문 ✂️
  • 권고 1.2는 역량을 더하는 것만큼 빼는 것을 진지하게 고민하라고 해요. 그런데 동시에 기초과학 지식과 임상추론은 반드시 지켜야 한다고 강조하죠. "AI 때문에 무엇이 덜 중요해졌는가"와 "AI 때문에 무엇이 더 중요해졌는가"를 함께 따져 보는 작업이, 교육과정 개편을 준비하는 학교라면 피할 수 없는 과제일 것 같아요.
• ③ 앞 글(AAMC 기초역량)과 이어서 보기 🔗
  • 지난번에 소개한 미국 UME 기초역량에도 "신기술을 활용해 지식에 접근한다", "신기술 사용의 위험과 이익을 평가한다"는 세부역량이 이미 들어가 있었죠. 이번 Macy 권고는 여기서 한 걸음 더 나가서 별도의 AI 역량 세트, 인증·면허 기준 반영, 평가 환경의 변화까지 요구하고 있어요. 두 문서를 함께 보면 미국 의학교육이 어느 방향으로 움직이는지 꽤 잘 보여요.
• ④ 데이터 생태계와 거버넌스는 우리에게도 숙제 🗂️
  • CBME와 WBA를 확대하다 보면 결국 평가 데이터를 어떻게 모으고, 통합하고, 해석할 것인가의 문제에 부딪혀요. 이번 권고는 그 해법의 하나로 AI를 제시하면서도, 학습자 데이터의 투명성과 소유권, 편향 모니터링, 인증기관의 AI 사용 공개까지 함께 요구해요. 우리 기관에 AI 사용 정책이나 거버넌스 기구가 있는지, 학습자 데이터를 누가 어떻게 쓰는지부터 점검해 보면 좋겠다는 생각이 들어요.

 

---

📝 정리하며

• Macy 재단이 2024년 11월 AI·의학교육 전문가 41명과 함께 5개 권고, 22개 실행 단계를 내놓았어요.
• AI는 CBME와 정밀교육의 오랜 걸림돌(데이터, 피드백, 실제적 평가) 을 풀 수 있는 기회지만, 의사를 알고리즘의 수동적 실행자로 만들 위험도 있어요.
• 핵심 키워드는 거버넌스, 형평성, 공동생산, 인간 참여 감독(human-in-the-loop), 데이터 생태계, 엄격한 연구예요.
• 기초역량을 다시 보고 무엇을 AI에 맡기고 무엇을 뺄지 고민하되, 기초과학 지식과 임상추론은 지켜야 한다고 강조해요.
• 결론은 엄격한 측정과 적응력이에요.

같은 부록에 실린 Boscardin·Gin의 Macy 혁신 보고서 Part I, II(Acad Med 2025;100(9S):S15–S29)와 Gin 등의 AI를 위한 위임과 EPA 논문(Acad Med 2025;100(3):264–272)도 함께 읽어 보시면 좋아요. 📎

덧붙여, 이 컨퍼런스를 이끈 Macy 재단 이사장 Holly J. Humphrey 박사는 보고서가 나오기 전인 2025년 4월 17일에 세상을 떠났어요. 미국 최초의 화이트코트 세리머니를 이끌었고, 학생들이 뽑은 최우수 교수상을 25번 받은 분이에요. 삼가 고인의 명복을 빕니다. 🕊️

---

인공지능(artificial intelligence, AI)은 의료를 포함한 사회의 모든 부문을 변화시킬 기회를 만들고 있다. 투명성(transparency), 책무성(accountability), 윤리(ethics)의 원칙에 뿌리를 두고 AI를 신중하게 도입한다면, 우리는 보건의료체계를 더 효율적이고 효과적이며 형평성 있게 만들 수 있다.1,2 이러한 성과를 달성하고 잠재적인 부정적 결과를 피하려면, 현재와 미래의 AI 기술을 활용하는 능력에 점점 더 의존하게 될 의사와 다른 보건의료 전문직의 교육·훈련도 이에 발맞추어 AI를 활용하는 방향으로 전환해야 한다.

 

의료계는 수십 년 동안 AI를 사용해 왔으며, 주로 데이터의 추세와 패턴을 분석하여 결과를 예측하는 예측형 AI(predictive AI)를 이용했다(AI 용어집은 http://links.lww.com/ACADMED/B719의 디지털 보충 부록 1 참조). 그러나 최근 방대한 데이터에서 학습한 패턴을 바탕으로 ‘인간과 유사한’ 콘텐츠를 생성하는 생성형 AI(generative AI)가 등장하면서 전 세계적으로 큰 반향을 일으켰고, 의료와 그 밖의 분야에서 AI에 대한 관심이 급격히 높아졌다. 보건의료체계 전반에서 OpenAI의 GPT, Google의 Gemini, Anthropic의 Claude와 같은 생성형 AI 도구가 행정, 임상 진료, 연구에 활용될 가능성이 탐색되고 있다. 환자들도 건강 관리를 돕기 위해 생성형 AI 도구를 사용한다. 보건의료 전문직 교육(health professions education)에서는 학부 및 대학원 단계의 입학 선발, 교수·학습, 학습자 평가(assessment), 프로그램 평가(evaluation), 연구를 향상할 잠재력을 지닌 생성형 AI 응용 프로그램을 탐색하고 도입하고 있다.3 또한 생성형 AI는 전문직 간 교육(interprofessional education), 역량바탕 의학교육(competency-based medical education), 정밀교육(precision education)을 포함한 성과 중심 교육 틀로의 전환을 가속할 것으로 기대된다.2–5 하버드 의과대학 의학교육 학장인 Bernard Chang 박사는 2024년에 “몇 년 안에 생성형 AI가 모든 것에 내장될 것”이라고 말했다.6

 

미국과 전 세계에서 이처럼 새로운 의료 환경이 펼쳐지는 가운데, 의학교육계는 계속 진화하는 AI가 교수·학습·학습자 평가·프로그램 평가에 책임 있고 윤리적인 방식으로 통합되도록 노력해야 한다. 이러한 필요성이 2024년 11월 조시아 메이시 주니어 재단(Josiah Macy Jr. Foundation)이 개최한 회의의 동기가 되었으며, 이 회의에는 AI와 의학교육 전문가 41명이 모였다. 재단 회장인 Holly J. Humphrey 박사는 “건강을 개선하기 위한 수단으로서 보건의료 전문직 교육의 향상에만 전념하는 유일한 전국적 지원 기관인 조시아 메이시 주니어 재단은 현재와 미래 학습자의 교육·훈련에 AI의 힘을 활용하려는 의학교육자들의 노력을 지원할 책임이 있다”고 설명했다. 이 보고서는 회의 경과를 개괄하고, 교수·학습에 AI를 통합하는 데 초점을 맞춘 일련의 권고안을 의학교육계에 제시한다.

회의의 배경, 개요, 목적 (Conference Background, Overview, and Purpose) 

2022년 11월 OpenAI는 무료 버전의 ChatGPT를 공개했고, 이는 곧 현대사에서 가장 빠르게 도입된 기술이 되었다.7 생성형 AI는 거의 모든 인간 활동에 영향을 미칠 잠재력 때문에 전기, 컴퓨터, 인터넷과 함께 범용 기술(general purpose technology)로 일컬어진다.8 의료 분야에서는 과거 상당한 인적 노력이 필요했던 업무를 수행하도록 생성형 AI로 강화한 도구가 개발되고 있다.9 최근 한 연구에 따르면 미국의 의사와 간호사는 환자기록 유지, 보험 서류 작성, 시술 기록 등을 포함한 서류 업무에 일주일에 거의 28시간을 쓴다.10 이론적으로 일상적인 서류 업무나 기계적인 암기와 같은 특정 과업을 AI에 맡기면 교수자와 학습자 모두 의학 고유의 인간적 활동을 수행하고 배우는 데 더 많은 시간과 에너지를 쏟을 수 있다. 여기에는 비판적 사고와 적응적 학습 능력, 감별진단이나 새로운 치료 선택지에 관한 AI 생성 응답의 해석과 검증, 신체진찰 및 기술의 도움을 받는 환자 진찰, 환자·가족과의 소통, 환자·동료와 신뢰 관계 구축이 포함될 수 있다.

의학교육에서 AI의 기회와 위험 (Opportunities and risks of AI in medical education) 

생성형 AI는 평범한 과업의 수행을 넘어, 대량의 자료(예: 환자 진료기록, 학술논문, 미디어 파일) 요약, 임상 문서 작성, 데이터 분석, 교육과정 개발, 개인화 학습, 임상 상황 시뮬레이션, 수련생 평가, 프로그램 평가, 실시간 튜터링 또는 코칭과 같은 고차원적 활동까지 AI의 능력을 빠르게 확장했다. 이러한 AI 역량은 전문직 간 교육, 역량바탕 의학교육, 정밀교육의 발전을 가속하고 있다. 이 교육 모형들은 환자와 학습자의 성과를 개선하기 위한 것이지만, 데이터와 적절한 분석 방법의 부재 때문에 부분적으로 시행하기 어려웠다.2,4,5 지난 15년 동안 메이시 재단은 연구비 지원, 회의, 권고안 보고서·단행본·학술지 특별부록 발행을 통해 의과대학과 임상 학습환경에서 전문직 간 교육과 역량바탕 교육을 발전시키려는 의학교육자들의 노력을 적극적으로 지원해 왔다.11–13 새롭게 등장한 정밀교육은 미국의사협회(American Medical Association)의 ChangeMedEd 사업에서 우선순위가 높은 중점 분야14이며, 메이시 재단의 의학교육 지원 우선순위와 목표에도 부합한다.

 

AI를 의학교육에 적용할 때 기대되는 흥미로운 가능성 중 하나는 역량바탕 의학교육의 시행을 돕는 것이다. 역량바탕 의학교육은 의미 있고 형평성 있는 평가를 우선시하며, 학습자가 양질의 환자 진료를 보장하기 위해 설정된 역량을 습득하도록 하는 데 초점을 맞춘다. 역량바탕 접근법은 세계 여러 지역의 임상 수련에서 널리 사용되지만,15 “복잡성, 표준화 부족, 제한된 경험적 근거, 잠재적인 평가 편향” 때문에 충분하고 효과적으로 시행하는 데 어려움이 있었다.16 2021년 미국국립의학한림원(National Academy of Medicine, NAM) 보고서에 따르면 역량바탕 의학교육은 “각 학습자에 관한 풍부한 프로그램 차원 평가 자료”에 의존하기 때문에 “학습에 활용할 수 있도록 그러한 자료를 관리하고 시각화하고 해석”하는 데 어려움이 있으며, AI를 사용하면 이 모두에 잠재적으로 대응할 수 있다.2 서술형 피드백(narrative feedback)의 질을 평가하기 위해 자연어처리(natural language processing)를 사용하는 등, AI를 활용하여 역량바탕 교육의 일부 요소를 개선할 수 있음을 보여 주는 유망한 연구들이 발표되었다(자연어처리 등의 AI 용어집은 http://links.lww.com/ACADMED/B719의 디지털 보충 부록 1 참조).17

 

보다 최근에는 의학교육자들이 최적화된 개인맞춤형 의학교육 모형으로 정밀교육을 채택하기 시작했다. 정밀교육은 임상의가 개별 환자에게 치료를 맞추는 정밀의학(precision medicine)의 개념과 맥을 같이하며, 형평성과 풍부한 평가를 포함하는 역량바탕 교육의 우선순위도 포괄한다. 정밀교육은 “데이터와 기술을 사용해 개인·프로그램·조직 차원의 개인화, 효율성, 주체성(agency)을 높임으로써 평생학습을 변화시킨다.”18 DxMentor가 실제 사례다. 뉴욕대학교 의학교육자들이 개발·도입한 이 도구는 병원의 전자의무기록(electronic health record) 시스템과 교육자료의 디지털 목록을 연결하여, 학습자와 지도교수에게 최근 입원시킨 환자의 건강 요구와 관련된 자료를 제공한다.19 각 학습자의 요구에 맞게 자료를 제공하는 이 적시 학습(just-in-time) 도구의 콘텐츠는 사람의 개입 없이 AI가 선별한다.

 

AI가 의학교육을 발전시킬 잠재력에 큰 기대가 쏠리지만, 의학교육자와 연구자들은 회의적인 시각도 보인다. 예를 들어 미래의 의사가 자신에게 필요한 기초 의학 지식의 범위와 깊이를 명확하고 근거에 기반하여 이해하지 못한다면, AI로 보강된 환자 진료를 능동적으로 관리하기보다 알고리즘의 의사결정을 수동적으로 실행하는 사람이 될 수 있다.

 

• 2023년 《뉴잉글랜드 의학저널》(New England Journal of Medicine)의 논평은 AI가 인지적 도제학습(cognitive apprenticeship), 노력이 수반되는 공부, 의도적 연습(deliberate practice), 윤리적 준칙이라는 의학의 오랜 전통을 뒤흔들 수 있다는 이유로 의학교육에서의 AI를 “판도라의 상자”라고 불렀다.20
• 마찬가지로 《가정의학》(Family Medicine)의 한 사설은 의학교육에서 AI 적용을 “고위험 활동”으로 규정하고, 도구를 널리 사용하기 전에 “안전하고 검증되었는지” 확인할 수 있도록 사람의 감독을 촉구했다.21
• Ng와 동료들에 따르면 현재 의료 인력의 AI 지식과 기술 수준은 “낮으며”, 이 때문에 배포·시행 과정에서 부정확성과 편향, 윤리적 난제, 불명확하거나 집행되지 않는 거버넌스, 해석하거나 설명할 수 없는 모델 작동 방식과 같은 “심각한 문제”가 생길 수 있다.22

 

의학교육자들은 AI가 교육 현장에 빠르게 진입하는 데 대해 추가적인 우려도 품고 있다. 여기에는

 

• 학문적 진실성(academic integrity)에 관한 우려(예: 학습자의 부정행위와 표절 기회),
• AI 도구의 정확성과 신뢰성에 관한 우려(예: 편향을 영속화하거나 ‘AI 환각(AI hallucinations)’이라고 하는 조작된 결과를 포함해 부정확한 답을 생성할 가능성),
• 복잡한 학습환경에 대한 위해 우려(예: 학습자가 AI에 지나치게 의존하거나 교수·학습의 자원 불평등을 악화할 가능성)가 포함된다.21,23
• 데이터의 사생활 보호와 보안도 우려 대상이다. AI가 의료와 의학교육에 더욱 깊숙이 스며들고 의사결정에서 데이터 사용이 기하급수적으로 늘어나면서, 건강보험 이동성 및 책무성에 관한 법률(Health Insurance Portability and Accountability Act, HIPAA)과 가족 교육권 및 사생활 보호법(Family Educational Rights and Privacy Act, FERPA)이 요구하는 환자와 학습자의 개인정보 보호 문제도 확대된다.21

 

일부 의학교육 지도자와 기관은 AI 정책, 원칙, 역량을 제안했다.24,25 의학교육을 발전시키는 동시에 혼란을 초래할 수도 있는 AI의 막대한 잠재력, 그리고 앞으로 나아가기 위한 권고안을 함께 구상할 필요성에 따라 메이시 재단은 의학교육과 AI 분야의 저명한 전문가·혁신가들로 회의 기획위원회를 구성했다. 재단 이사회 위원이자 캘리포니아대학교 샌프란시스코(UCSF) 의과대학 내과 학과장인 Robert Wachter 박사가 이끈 이 위원회(아래의 회의 참가자·저자 명단 참조)는 2024년 11월 18~21일 조지아주 애틀랜타에서 개최된 ‘2024 메이시 재단 의학교육 AI 회의’를 설계했다.

의학교육 AI의 현재 현황과 미래 방향 (Current landscape and future directions of AI in medical education) 

회의 첫날은 의학교육에서 AI에 관한 논의를 진전시킬 동료 공동체를 모으는 데 초점을 맞췄다. 회의는 사우스캐롤라이나주 최대 학술의료체계인 사우스캐롤라이나 의과대학교(Medical University of South Carolina, MUSC) Health의 최고경영자 Patrick Cawley 박사가 학술의료센터와 의료체계의 일상 업무에 AI를 통합할 때 따르는 기회와 과제를 설명하는 것으로 시작했다. 이어 UCSF의 Christy Boscardin 박사와 일리노이대학교 시카고의 Brian Gin 박사가 메이시 재단의 의뢰로 수행한 의학교육 AI 현황 연구보고서(이 특별부록에 두 편으로 나누어 출판됨)를 발표하며 현재 상태와 미래의 기회·과제를 요약했다.26,27 첫날은 소그룹 및 전체 토론으로 마무리되었으며, 참가자들은 권고안을 작성하고 이에 대한 합의를 구축할 토대를 마련했다.

AI에 대한 의료체계 최고경영자의 관점 (A health system CEO’s view of AI) 

환자 진료, 보건의료 전문직 교육, 연구에 사명을 둔 학술의료체계와 학술의료센터는 의료 분야 AI 혁명의 중심에 서 있다. Wachter 박사의 인터뷰에서 Cawley 박사는 MUSC의 디지털 전환이 2019년에 공식적으로 시작되었고, 2022년 ChatGPT 출시 이후 더욱 가속되었다고 말했다. 그는 “[ChatGPT가 등장했을 때] 우리는 곧장 출발했습니다. [우리는] 기존의 방식을 계속할 수 없다는 것을 알았습니다”라고 말했다. Cawley 박사는 기회와 함께 경쟁상의 위협도 인식했다. 다른 의료체계가 AI를 효과적으로 통합하는 동안 MUSC가 뒤처진다면 “우리는 낙오할 것”이라고 했다.

 

Cawley 박사는 의료체계 최고경영자로서 MUSC 환자들이 우려하는 두 가지 문제, 즉 상승하는 의료비와 의료 접근의 장벽에 초점을 맞춘다고 말했다. 그는 AI가 주로 효율성을 높여 이러한 우려에 대응할 수 있다고 믿는다. 그는 “이전에 보지 못한 방식으로 비용을 유발하는 관료적 절차를 실제로 없앨 수 있습니다”라고 말했다. Cawley 박사는 비용보다 더 큰 걱정거리이지만 해결하기도 더 어려운 의료 접근성 확대 능력에 대해서도 열의를 보였다. 특히 1차의료를 비롯한 모든 전문과목에 의사가 부족하므로 그는 접근성을 높일 방안을 생각하는 데 많은 시간을 쓴다. 그는 AI 도구를 사용한 환자 차트 요약, 진료 계획의 공백 파악, 약물 최적화, 최적의 진료 장소 결정 등을 포함하여 “환자 진료 중, 특히 의학적으로 복잡한 환자를 볼 때 개선할 수 있는 일이 많다”고 말했다. AI가 가져올 효율성 향상이 역설적으로 의사에게 맡겨지는 환자 수를 늘려 업무량을 확대할 수 있다는 의사와 환자 모두의 우려에 대한 질문을 받자, Cawley 박사는 진료기록을 갱신하고 보험 서류를 작성하느라 근무시간 이후까지 일할 필요를 없애는 등 AI를 사용해 의사의 소진을 완화하고 직무 만족도를 높이는 데 관심이 있다고 말했다.

 

특히 의학교육에 AI가 미칠 영향에 관한 질문에 Cawley 박사는 의학교육이 씨름해야 할 엄청난 변화 가능성을 설명했다. 여기에는 교육과 훈련에도 통합해야 하는 임상 진료 기술의 급속한 발전이 포함된다. 그는 “어떤 AI 강화 도구를 사용하고 어떻게 사용할지 모두가 빠르게 익히도록 해야 합니다”라고 말했다. 의료체계는 잠재적인 정확성·보안 문제에 대응하고 AI 도구의 안전성을 보장해야 한다고 했으며, 특히 생성형 AI 도구에 프롬프트(prompt)를 입력하는 방법과 결과의 타당성을 평가하는 방법을 사용자에게 즉시 가르쳐야 한다고 강조했다. 그는 “모두가 AI에 질문하는 법을 배워야 합니다. 매번 다른 답을 줄 수 있기 때문입니다. 거의 일종의 기술입니다”라고 말했다.

의학교육 AI 현황 보고서 (Report on AI landscape in medical education) 

회의 전에 참가자들은 의학교육에서 현재 AI의 현황을 조사하고 미래에 대한 함의를 제시한 의뢰 연구보고서인 「의학교육 AI에 관한 메이시 재단 혁신 보고서」(The Macy Foundation Innovation Report on AI in Medical Education)를 읽었다. 이 보고서는 이 특별부록에 두 편으로 출판되었다.26,27 책임연구자인 Boscardin과 Gin도 회의에서 연구의 세부사항을 발표했다. 이들은 생성형 AI의 도움을 받아 관련 학술논문 2,000편 이상을 추려 내고, 남은 논문을 검토해 정보를 추출했으며, AI 도구가 의학교육에서 어떻게 사용될 가능성이 탐색되는지와 그 한계 및 향후 적용 가능성을 어떻게 파악했는지 설명했다.26 저자들은 의학교육과 AI 분야의 혁신가들을 인터뷰하여 현재 상황에 대한 생각과 미래의 우선순위에 관한 통찰도 얻었다.27

 

이 의뢰 연구는 의학교육의 다섯 영역, 즉 (1) 입학 선발, (2) 강의실 기반 학습·교수, (3) 일터 기반 학습·실천(workplace-based learning and practice), (4) 학습자 평가·피드백·자격인증, (5) 프로그램 평가·연구에서 현재 및 잠재적으로 AI를 활용하는 ‘모범적’ 사례를 확인했다. 이러한 활용 사례 중 다수는 장애물을 줄이고 역량바탕 및 정밀 의학교육으로의 전환을 촉진할 수 있는 방식이다. 예를 들어 실제 환자 사례에 기반하면서 수련생의 학습 요구에 맞춘 가상 튜터링과 코칭, 학습자에게 효율적인 실시간 피드백을 제공하도록 강화된 표준화 환자 모형, 개인화된 피드백을 제공하고 학습 궤적을 예측하는 데 사용할 수 있는 자동 평가가 있다. Boscardin 박사는 “역량바탕 의학교육을 실제로 운영할 상당한 잠재력을 보고 있습니다. 역량바탕 의학교육은 20년 동안 존재해 왔지만, 특히 피드백과 데이터 관리, 실제적 평가(authentic assessment)에서 큰 장벽과 난관에 부딪혀 왔습니다. 새로운 AI 모형은 이러한 문제를 해결하는 데 도움을 줄 수 있습니다”라고 말했다.

 

연구자들은 유망한 AI 응용 분야를 확인하는 것 외에도 인터뷰 참가자들에게 해결해야 할 가장 큰 AI 관련 과제를 돌아보게 했다.

 

• 많은 AI 도구가 ‘블랙박스(black boxes)’처럼 작동한다는 점에서 그 작동 방식의 투명성 부족에 대한 우려가 제기되었다.
• AI가 환자 진료와 의학교육 과정의 편향뿐 아니라 교육기관 내부와 기관 간의 자원 불평등을 악화할 수 있다는 우려도 있었다.
• 데이터 보안과 학습자·환자의 사생활,
• 사용자가 AI 도구에 지나치게 의존할 가능성,
• AI가 의학교육과 학습자·환자 성과에 미치는 영향을 평가해야 할 필요성에 대한 우려도 추가로 제기되었다.

 

Boscardin과 Gin은 의학교육에 AI를 도입하기 위한 우선순위를 제시하며 발표를 마쳤다. 여기에는 의학교육의 AI 역량 집합을 마련해야 할 ‘시급한’ 필요성이 포함되었다. 이들은 AI가 의사의 역할과 책임을 바꾸는 방식을 반영해 임상 역량을 조정하고, AI 사용의 윤리 기준을 개발하며, AI의 결과물과 영향을 지속해서 모니터링할 도구와 절차를 마련할 것도 촉구했다. 마지막으로 연구 협력과 재원 조달 기제를 포함하여 의학교육자와 기술 산업 간의 새로운 유형의 협력이 필요하다고 말했다.

합의 권고안의 토대 (Groundwork for consensus recommendations) 

발표가 끝난 뒤 참가자들은 의학교육 안의 서로 다른 영역에 초점을 맞춘 분과 그룹으로 나뉘었다. 교수와 학습자의 경험에 직접 적용되고 의학교육에서 기본적으로 중요한 네 중점 영역은

 

• (1) 기초 교육과정,
• (2) 경험 교육과정,
• (3) 학습자 평가와 프로그램 평가,
• (4) 코칭과 피드백이었다.

 

회의 첫날, 기획위원회 구성원들이 진행을 맡은 각 그룹에는 동일한 과제가 주어졌다. 회의 목적 진술문 초안(상자 1)에 의견을 제시하고, 오늘날의 의학 학습자가 앞으로 몇 년 동안 강의실과 임상 학습환경에서 AI를 어떻게 접할 가능성이 있는지에 관한 가상이지만 현실적인 비전을 담은 종단적 사례연구(longitudinal case study, http://links.lww.com/ACADMED/B719의 디지털 보충 부록 2 참조)를 토의하는 일이었다.

 

메이시 재단은 공동 작업을 시작할 때 참가자들에게 기획위원회가 작성한 통합적인 목적 진술문에 대한 의견을 요청하곤 한다. 참가자들이 회의와 관련된 개인적 관점, 동기, 우선순위를 공유하는 이 활동은 궁극적으로 회의와 권고안의 포괄적 목적 또는 비전을 다듬고 명확히 표현하는 역할을 한다. 이번 회의의 최종 목적 진술문은 상자 1에 제시되어 있다.

 

상자 1. 회의 목적 진술문 (Box 1. Conference Purpose Statement) 

인공지능은 강력하고 빠르게 진화하는 기술이다. 의학교육계는 역량바탕 의학교육을 최적화하고, 현재와 미래의 의사가 양질의 환자중심 진료를 제공하는 고성과 팀의 일원으로 일하도록 준비시키기 위해, 이 기술을 안전하고 형평성 있으며 효과적인 방식으로 활용해야 한다.

 

이 사례연구(디지털 보충 부록 2: http://links.lww.com/ACADMED/B719)는 한 가상의 학습자가 의과대학에서 일반외과 레지던트 수련으로 나아가는 과정을 따른다. 그 과정에서 학습자는 AI로 강화된 교육과정, 임상 경험, 평가, 코칭을 접한다. 회의 목적 진술문과 종단적 사례연구에 대한 그룹 토의에서는 AI 시대의 의학교육자가 직면한 다양한 과제가 확인되었으며, 여기에는 다음의 필요성이 포함되었다.

 

• 모든 의학 학습자와 교육자에게 지금 필요한 데이터과학(data science) 및 AI 리터러시(literacy) 기술과 역량을 결정한다.
• AI 혁신과 관계없이 바뀌어서는 안 되는 의학교육의 핵심 또는 기초 요소를 확인한다.
• 전문직 간 임상 진료팀에 전문 데이터 과학자를 통합할 가능성을 탐색한다.

 

회의 첫날이 끝날 무렵 한 참가자는 이후 논의의 방향을 제시했다. “AI가 우리[의학교육계]에게 일방적으로 닥쳐오는 것이 아니라는 점을 기억해야 합니다. AI는 우리가 항상 해 온 일, 즉 가능한 최고의 도구, 지식, 기술, 연구를 활용해 의사를 교육할 기회를 제공합니다. [의학교육에] AI를 도입하는 것은 그 성과를 어떻게 쓸지 우리가 결정할 수 있는 기회입니다.”

권고안을 형성한 회의의 주제 (Conference Themes Inform Recommendations) 

회의의 전체 토론, 소그룹 토론, 비공식 대화에서 여러 주제가 반복적으로 나타났다. 아래에 간략히 설명하는 이 주제들은 이 보고서 마지막 부분에 제시된 다섯 가지 합의 권고안과 이에 따른 실행 단계(상자 2)에 반영되어 있다. 완전한 투명성을 위해 밝히면, 권고안을 포함한 이 보고서의 내용은 회의 참가자들이 메이시 재단 직원들의 지원을 받아 다음 자료를 활용하여 개발했다. 메이시 재단이 의뢰한 AI와 의학교육에 관한 연구보고서 및 기타 배경자료, 회의 중 참가자들이 작성한 메모, 모든 참가자의 허락을 받아 녹음한 회의 토론의 AI 생성 요약본이다.

주제: AI 도구 평가를 위한 교육·정책 틀과 역량 구축 (Theme: Develop educational and policy frameworks and capacity to assess AI tools) 

 

• 대부분 AI 혁신가이자 초기 수용자인 회의 참가자들은 AI가 의학교육을 발전시킬 잠재력에 기대를 표하면서도 신중할 것을 촉구했다. 참가자들은 기관 내부와 여러 체계 전반에서 AI를 안전하고 효과적이며 윤리적으로 도입·사용하도록 하는 효과적인 거버넌스 전략의 필요성을 거듭 우선시했다. 한 참가자는 “모든 사람이 AI를 충분히 교육받아 자신에게 계속 더 많은 교육이 필요하다는 사실을 제대로 이해해야 합니다”라고 말했다.
• 연구자들은 AI 사용을 위한 안전장치를 제안해 왔다. 예를 들어 Triola와 Rodman은 개별 기관이
  • (1) 기관과 환자의 데이터를 보호하고 학업 환경에서 AI의 적절한 사용에 대해 학생에게 명확한 지침을 제공하는 정책을 만들고,
  • (2) 안전하고 윤리적인 AI 사용을 정의하며 감독하고 기술 발전을 따라갈 지역 거버넌스 기구를 설치하며,
  • (3) 학습자 역량을 정의하고 책임 있는 AI 사용을 가르칠 흥미로운 교육과정을 개발할 것을 권고했다.24
  • 이들은 AI에 관한 기본 지식, 윤리와 규제, 임상 진료에서의 활용, 도구의 질과 정확성 평가, 데이터 사생활 보호와 보안, 전문직업성을 포함하는 AI 역량 틀도 제안한다.
• 의료와 보건의료 전문직 교육에 관련된 중요한 AI 역량은 주어진 도구의 정확성과 유용성을 비판적으로 평가하는 능력이다. 이를 위해 Gin과 동료들은 한 가지 가능한 접근법으로, 지도자가 학습자에게 특정 환자 진료 활동을 맡겨도 될 준비가 되었는지 평가하도록 하는 의학교육의 위임(entrustment) 패러다임을 채택할 것을 제안했다.28 이 연구를 설명하면서 Gin은 “위임 모형은 어떤 과업을 AI가 잘 수행한다고 믿고 맡길 수 있고 어떤 과업은 그렇지 않은지 결정하는 데 도움을 줄 수 있습니다. 이는 개별 수련생에게 서로 다른 수준의 감독과 자율성을 부여하면서 환자 진료 업무를 맡기거나 맡기지 않는 것과 같습니다”라고 말했다.

 

주제: 형평성을 높이고 편향을 완화하며 학습자와 환자를 중심에 두기 (Theme: Advance equity, mitigate bias, and center learners and patients) 

 

• AI의 개발과 사용에서 형평성을 증진하고 편향을 완화하며 학습자와 환자를 중심에 두어야 한다는 주제는 회의 전반에 걸쳐 나타났다.
  • 형평성에 관한 대화는 주로 학습자, 프로그램과 기관, 의학교육계 전반에서 AI 도구와 기술에 형평성 있게 접근할 수 있어야 한다는 필요성에 집중되었다. 장애가 있거나 영어에 능숙하지 않은 학습자·교육자, 기술 또는 AI 도구 사용에 익숙하지 않은 사람, 인터넷이나 개인용 컴퓨터 등 지원 기술에 접근할 수 없는 사람, 최첨단 AI 모형의 구독료를 감당할 수 없는 사람은 AI 도구에 접근하기가 더 어려울 수 있다.29
  • 마찬가지로 참가자들은 재정 및 기타 자원이 적은 기관이 의학교육, 환자 진료, 연구를 포함한 여러 사명 영역의 활동에서 AI 기술을 이용·도입·배포·감독하는 데 더 큰 어려움을 겪을 수 있음을 인식했다. 따라서 모든 의대생에게 제공해야 할 최소한의 학습 경험을 정하는 데 주의를 기울여야 한다.
• 또한 AI 알고리즘과 도구는 유해한 편향, 차별, 불평등을 악화할 수 있다는 우려를 낳는다.30,31
  • AI 도구는 학습에 사용된 데이터셋이나 개발자가 학습 데이터를 구성하고 우선순위를 정한 방식 자체에 편향이 있거나, 그 도구의 대상 인구집단을 대표하지 못하는 경우 불평등을 지속시킬 수 있다.32,33
  • 불평등의 확산을 줄이려면 편향을 알아보도록 훈련된 전문가가 AI 도구를 검토해야 하며, 기관은 도구 도입 이후 지속적으로 모니터링하는 절차를 수립해야 한다.21
  • AI의 편향과 불평등이 초래하는 위험은 학술의료체계에서 강력한 AI 거버넌스를 마련하고, 최종 사용자와 의사결정자를 대상으로 탄탄한 AI 교육·훈련을 제공해야 할 필요성을 더욱 뒷받침한다.
• 참가자들은 데이터 투명성의 필요성과, 의학교육에서 AI 강화 도구를 개발·사용하기 위한 계획에 교육자가 학습자와 환자의 관점을 반영해야 한다는 점도 논의했다. 학습자의 향후 수행을 예측하는 데 사용될 수도 있는 도구를 포함하여, AI 제품 개발을 위한 데이터의 이차적 사용에 동의하지 않았을 수 있는 학습자와 환자 모두에게 데이터가 어떻게 사용되는지에 관한 투명성은 필수적이다.34 역사적으로 소외된 공동체의 구성원이라고 정체화하는 학습자와 환자와 함께 AI 시행계획을 공동 생산(co-production)하면 편향을 완화하고 형평성을 증진하는 데 도움이 될 수 있다. 데이터 보안과 사생활 보호 노력에도 정보를 제공할 수 있다. 나아가 참가자들은 많은 의학 학습자가 이미 기술 활용 능력을 지닌 채 의학교육에 들어오며 기술로 더욱 강화된 교육 경험을 기대한다고 지적했다. 환자에게도 기술 활용 능력이 있고, 진단과 치료 선택지를 이해하고 전반적인 건강을 관리하는 데 AI 도구를 사용한다. 한 참가자는 환자들이 임상의와 상호작용할 때 기술 전문성의 정도가 매우 다양하므로, 의학 학습자도 AI 접근성이 없거나 낮은 환자부터 AI를 생활 속에 깊이 활용하는 환자까지 마찬가지로 다양한 가상 환자와 상호작용해야 한다고 제안했다.

 

주제: 새로운 임상의 역할과 관계를 받아들이고 교육하기 (Theme: Embrace and educate around new clinician roles and relationships) 

 

• AI 기술의 진화와 의료 분야 도입은 의사의 새로운 역할을 만들고 의료 관계의 역학을 바꾸고 있다. 의학교육은 의사들이 이러한 변화에 대비하도록 해야 한다. 한 논문은 미래의 임상의를 AI 도구의 ‘소비자(consumers), 번역자(translators), 개발자(developers)’로 개념화하는 의학교육 과정을 제안한다.22
  • AI 소비자인 임상의는 “임상 환경에서 AI 도구를 효과적으로 선택하고 사용할 충분한 지식과 기술”이 필요하다.
  • 임상의-번역자는 AI의 소비자이면서 어느 정도 개발자 역할도 할 수 있다.
  • 개발자는 임상·과학 전문성에 더해 AI에 관해 더 깊은 지식과 기술을 갖춘 사람이다.
  • 이러한 노력은 기존의 임상정보학(clinical informatics) 교육과정과 훈련 프로그램을 토대로 삼을 수 있다.35
• AI 도구와 기술의 도입은 의료 관계도 바꾸고 있으며, 팀워크와 협력 진료의 중요성을 더욱 높이고 환자들이 AI에 더 익숙해지면서 의료제공자–환자 관계도 변화시키고 있다. 한 참가자는 이렇게 요약했다.
  • “지금까지 의학교육에서 우리는 AI를 인지적 활동으로 생각하는 경향이 있었고, 그것이 임상 추론을 어떻게 발전시킬 수 있는지에 초점을 맞췄습니다. 하지만 임상의와 환자 사이, 진료팀 내부와 팀 간의 대인관계 상호작용과 관계의 역학도 중요합니다. 저는 AI가 환자 진료에 대해 더 인간중심적이고 포괄적인 팀 접근을 위한 여지를 만들 것이라고 생각합니다.”
  • 이 참가자는 임상의가 AI를 진료팀의 또 다른 구성원으로 생각하기 시작할 것을 권했다.
• AI 기반 도구가 의학에서 보편화되어 임상의의 승인을 기다리는 권고, 예측, 문서 초안을 제공하게 됨에 따라, 효과적인 ‘인간 참여형(human-in-the-loop)’ 감독에 필요한 역량을 면밀히 검토해야 한다.36
  • 가까운 미래에도 AI의 결과물은 불완전할 것이므로, 임상의가 안주하거나 자동화 편향(automation bias)에 빠지지 않으면서 핵심 술기를 유지하도록 준비시키는 것은 양질의 AI 활용 진료를 제공하는 데 필수적이 될 것이다.37
  • 참가자들은 임상의가 핵심 생물과학에 관한 기초 지식과 이를 임상 추론에 적용하는 능력을 유지하는 것이 특히 중요하다고 논의했다.
• 참가자들은 AI가 임상의의 역할과 관계를 바꾸는 데 그치지 않고 일부 의료제공자 집단을 아예 대체할 수도 있다는 우려를 인정했다. 이러한 우려는 AI가 인간보다 뛰어난 진단 정확도와 치료 계획 능력을 보일 수 있다는 새롭게 등장하는 근거에 바탕을 둔다.38 논의는 AI를 임상의의 지식·기술·전문성을 보완하고 강화하는 도구로 규정하는 방향으로 자주 돌아왔다.
  • Sezgin이 설명했듯이 인간과 AI의 협력은 “보건의료 제공자의 인지적 강점과 AI의 분석 능력을 결합”하고, “인간의 전문성이 AI 체계를 이끌고 이에 관해 소통하며 감독하도록 하여 의료서비스의 안전과 질을 유지”한다.38

 

주제: 협력·파트너십과 탄탄한 AI 연구 의제 개발 (Theme: Develop collaborations, partnerships, and a robust AI research agenda) 

 

• 참가자들은 기관과 조직 사이의 새로운 관계가 필요하다는 점도 인식했다. MUSC의 Cawley 박사는 학술의료센터와 의료체계가 독립적으로 운영되어 온 전통을 강조했다. 이들은 내부의 복잡한 부서 장벽을 넘어서는 협력에도, 다른 의료센터나 의료체계와의 외부 협력에도 익숙하지 않다. 그러나 생성형 AI 도입은 시간이 중요한 동시에 자원이 많이 드는 과제이며, 상당한 재정 투자와 폭넓은 기술 전문성이 필요하다. 의학교육계 내부와 기관 간의 파트너십 및 기술 기업과의 협력은 비용을 분담하고 효율성을 높이며 더 폭넓은 전문성과 다양한 접근법을 활용하여 더 견고한 기술 도구를 만드는 데 도움이 될 수 있다.
• 참가자들에 따르면 협력과 파트너십은 데이터의 민주화, 모범 실무·교육과정·역량의 개발과 보급, AI 도구의 개발·시험·평가 등 여러 방식으로 AI 도입을 촉진할 수 있다. 참가자들 가운데 일부는 의학교육자를 위한 AI 연구 지침39의 개발에 참여했으며, 파트너십을 통해 추진할 수 있는 시급한 우선순위로 탄탄한 연구 의제의 개발과 지원을 꼽았다. Ng 등은 “AI 연구는 보고가 미흡한 경우가 많고, 많은 검증 연구의 방법론에 결함이 있으며, 마케팅은 환자에 대한 AI 응용의 근거로 입증된 이익을 과장하는 경우가 많다”고 지적했다.22
• 회의 발표에서 Boscardin과 Gin도 비슷한 우려를 표했다. Boscardin 박사는 “AI 도구를 검증하고, 가장 적합한 활용 사례를 설명하며, 위험과 한계를 상세히 밝히는 연구가 훨씬 더 많이 필요합니다”라고 말했다. 여러 참가자는 전통적인 학술연구와 출판에 필요한 시간에 대한 우려를 표했다. 한 참가자는 “매우 비싼 연구에 대한 지원을 받고, 연구를 수행하고, 출판할 즈음에는 연구 대상 기술이 이미 구식이 되어 있습니다”라고 말했다. 이러한 문제는 연구 기준과 지침을 개발하고, 시의적절한 결과를 지원·생산·공유할 방법을 찾는 공동 노력을 통해 해결할 수 있다.
• 모든 참가자는 AI라는 ‘요정’이 이미 병 밖으로 나왔고, 의학교육과 임상 진료에서 AI의 존재가 확실하다는 데 동의했다. 이제 과제는 우리가 사물을 보고 일을 하는 새로운 방식에 대해 상상하고 적응하는 능력만큼 변혁의 가능성이 커지는 기술의 힘을 활용하는 것이다. 하버드의 Chang 학장이 설명했듯이 “아마 수십 년에 한 번쯤은 의대생을 가르치는 방식과 그들이 의사가 되었을 때 기대하는 능력에 진정한 혁명이 일어납니다. 지금이 바로 그런 시기입니다.”6 다음 권고안은 의학교육자들이 생성형 AI와 미래의 AI 혁신을 도입하면서 보건의료 전문직 교육과 의료를 계속 발전시키고 개선하도록 돕기 위한 것이다.

 

권고안 (Recommendations) 

다음 합의 권고안은 AI와 의학교육에 관련된 주요 당사자들의 노력을 이끌기 위한 것으로, 대상에는 다음이 포함된다.

 

• 의학교육 학장, 프로그램 지도자, 교육과정 책임자, 교수자, 관련 인력.
• 학부·대학원·계속 의학교육 전 단계의 학습자.
• 환자와 환자 옹호자.
• 의과대학, 교육병원, 학술의료체계 및 학술의료센터의 이사회 위원, 임원, 관리자, 기타 지도자.
• 관련 인증·면허·자격인증 기관의 대표자.
• 의사, 전문과목, 의과대학, 레지던트 프로그램의 활동을 지원하고 발전시키는 협회와 조직의 대표자.
• 간호 및 다른 보건의료 전문직의 지도자, 교육자, 학습자.
• 정책 입안자와 정부 규제 담당자.
• 교육 중심 AI 기술 기업.

 

 

상자 2. 권고안과 실행 단계 (Box 2. Recommendations and Action Steps)

1. 의학교육에서 안전하고 효과적인 AI의 도입을 촉진한다.

 

• 1.1 AI 교육과정과 역량을 시행한다.
• 1.2 AI 시대에 맞추어 의사의 기초 역량을 재평가한다.
• 1.3 인증·면허·자격인증의 기준과 절차를 수정한다.
• 1.4 학습을 촉진하기 위한 교육자의 AI 사용을 지원한다.
• 1.5 개인과 조직의 적응력을 촉진한다.
• 1.6 파트너십과 협력을 구축한다.

 

2. 의학교육에서 공동 생산한 AI 강화 교수·학습·학습자 평가·프로그램 평가 접근법을 시행한다.

 

• 2.1 AI 실험 공간을 개발한다.
• 2.2 기존 교수 전략을 개선하는 데 AI를 사용한다.
• 2.3 AI 시대에 맞추어 평가 프로그램을 조정한다.

 

3. 의학교육에서 AI 도입을 촉진할 탄탄한 데이터 생태계를 개발하고 활용한다.

 

• 3.1 데이터 체계를 통합한다.
• 3.2 학습자 평가에 데이터 투명성을 내재화한다.
• 3.3 역량바탕 및 정밀 의학교육을 수용한다.
• 3.4 인증에서 데이터 기반의 탁월성을 촉진한다.

 

4. 의학교육에서 윤리적 AI 거버넌스 틀과 AI 도구·기술의 책임 있는 활용을 촉진한다.

 

• 4.1 포괄적인 AI 틀과 윤리 지침을 마련한다.
• 4.2 전국적 모범 실무 네트워크를 구축한다.

 

5. 의학교육의 AI에 관한 학술활동을 발전시킨다.

 

• 5.1 의학교육의 AI를 연구한다.
• 5.2 참여형 연구를 수행한다.
• 5.3 도전적인 학술활동에 자금을 지원한다.
• 5.4 보고 기준을 사용한다.
• 5.5 연구 성과의 보급을 강화한다.
• 5.6 학제 간 협력을 지원하고 산업계와의 파트너십을 모색한다.
• 5.7 AI와 의학의 미래에 관한 전략적 비전을 구상한다.

 

권고안 1: 의학교육에서 안전하고 효과적인 AI의 도입 촉진 (Recommendation 1: Promote the implementation of safe and effective AI in medical education)

의학교육·훈련 프로그램을 후원하는 기관의 지도자는 교수, 학습, 학습자 평가, 환자 진료에서 안전하고 효과적인 AI 도구·기술의 도입을 촉진하도록 실질적인 지원과 자원을 제공해야 한다. 여기에는 의대생부터 대학원 수련생, 교수진, 진료 중인 의사에 이르는 학습자가 의료 분야에서 AI를 활용할 수 있도록 준비시키는 포괄적인 교육과정의 개발·시행이 포함된다.

 

• 실행 단계 1.1: AI 교육과정과 역량 시행 (Action step 1.1: Implement AI curricula and competencies). 기관 지도자와 의학교육자는 현재와 미래 의사를 위한 AI 교육과정과 역량을 개발·시행해야 한다. 교육과정과 역량은 AI의 유형, 기능, 능력, 한계 등 기본 원리와 사회적 함의를 다루어야 한다. 또한 의사가 AI를 효과적으로 사용하는 데 필요한 기술, 즉 도구를 비판적으로 평가하고 환각 및 편향을 지속시킬 수 있는 능력과 같은 단점을 완화하는 방법도 가르쳐야 한다. AI 교육과정의 효과는 학습자와 환자의 성과를 측정하여 평가해야 하며, 그 결과를 교육 프로그램의 지속적인 향상에 반영해야 한다.
• 실행 단계 1.2: AI 시대에 맞추어 의사의 기초 역량 재평가 (Action step 1.2: Reevaluate foundational physician competencies for the AI era). 주요 당사자들은 의료 분야에서 AI가 갖는 함의를 의사의 기초 역량 영역과 훈련이라는 관점에서 평가해야 한다. 여기에는 의학 지식, 비판적 사고와 임상 의사결정, 데이터 리터러시(data literacy), 팀워크, 지속적인 질 향상, 전문직업성, 의사소통 교육이 포함된다. 의사의 업무 중 어떤 요소를 AI에 맡길 수 있는지, AI가 활용되는 환경에서 수련생에게 더 이상 필수적이지 않을 수 있으므로 기존 교육과정의 어떤 요소를 제거해야 하는지 신중히 고려해야 한다. 교육과정에서 무엇을 제거할지 결정하려면 세심한 사고와 분석이 필요하며, 이용 가능한 최선의 근거와 기관 및 그 지역사회의 고유한 사명·상황에 근거해야 한다. 이때 AI 도구의 가용성과 효과가 다소 예측하기 어렵고 진료 환경마다 균일하지 않으며, 가까운 미래에도 진단과 치료처럼 중대한 AI 결과물을 감독하는 책임이 의사에게 있다는 점을 인정해야 한다.
• 실행 단계 1.3: 인증·면허·자격인증 기준과 절차 수정 (Action step 1.3: Modify accreditation, licensing, and certification standards and processes). 의학교육 인증·면허·자격인증 기관의 지도자들은 면허 및 자격인증 과정에서 AI 역량을 평가하는 일을 포함하여, AI 역량을 의학교육과 의사 진료의 기준에 통합하는 방안을 고려해야 한다.
• 실행 단계 1.4: 학습 촉진을 위한 교육자의 AI 사용 지원 (Action step 1.4: Support educators’ use of AI to promote learning). 기관 지도자들은 AI와 관련된 의료 역량, 도구, 방법론을 통합하도록 교육과정과 평가체계를 재설계하는 교육자를 적극적으로 지원하기 위해 자원을 배정하고 기반시설을 개발해야 한다. 구체적인 단계에는 다음이 포함되지만 이에 한정되지는 않는다.
  • AI의 기초 원칙과 의학교육에서 현재 및 잠재적인 활용에 관한 훈련을 포함하여, 교수·학습·학습자 평가·프로그램 평가에서 AI를 사용하는 교수개발을 제공하고 장려한다.
  • AI를 활용한 교수·학습(예: 가상 환자와 개별화 튜터링 시스템)을 지원하는 데 필요한 컴퓨팅 기반시설을 제공한다.
  • 교육과정에서 문서 초안 작성, 수작업 채점처럼 학습 효과가 낮고 반복적인 과업을 AI 도구에 안전하게 맡기도록 한다. 그러면 교육자는 학습자, 환자, 동료와의 인간적 상호작용에 더 집중할 수 있다.
  • 연구·재정 지원 등을 제공하여 AI 활용 의학교육의 혁신과 학술활동에 교수진이 기여하도록 장려한다.
• 실행 단계 1.5: 개인과 조직의 적응력 촉진 (Action step 1.5: Facilitate personal and organizational adaptability). 주요 당사자들은 AI와 관련된 기술 발전과 정책 변화에 신속하게 대응할 수 있도록 의학교육·훈련 프로그램의 적응력과 민첩성을 높여야 한다. 조직 차원에서 이를 실현할 한 가지 방법은 AI 발전에 대응하고 이를 반영하여 역량과 교육과정을 갱신하기 위해 정기적으로 회의하는 AI 교육과정 검토위원회를 설치하는 것이다.
• 실행 단계 1.6: 파트너십과 협력 구축 (Action step 1.6: Create partnerships and collaborations). 지도자들은 의학교육에서 AI의 도입을 강화·확대하기 위해 기관 내부와 외부의 전문가들과 전략적 파트너십 및 기타 협력 관계를 구축해야 한다. 예를 들어 필요에 따라 기술 전문가를 채용할 자원을 갖추고, 학부·대학원 의학교육 및 다른 보건의료 전문직 교육 프로그램을 아우르는 교육 디지털 혁신실(Office of Educational Digital Innovation)을 설립해야 할 수도 있다. 의학교육에서 AI 도입을 지역·국가·국제 수준으로 확대할 수 있도록 허브·스포크(hub-and-spoke) 방식의 협력에 참여하는 방안도 포함될 수 있다.

 

권고안 2: 의학교육에서 공동 생산한 AI 강화 교수·학습·학습자 평가·프로그램 평가 접근법 시행 (Recommendation 2: Implement coproduced, AI-enhanced teaching, learning, assessment, and evaluation approaches in medical education)

AI를 통한 학습을 장려하기 위해 의학교육자는 학습자, 교수진, 전문직 간 팀원, 환자와 함께 AI 활용 교육 실험 공간, 거꾸로 학습(flipped classrooms), 형성적 자기평가 도구(formative self-assessment tools), 가상 환자 시뮬레이션 등을 공동 생산해야 한다. AI 자체의 전문가도 참여해야 하는 이 공동 생산 모형은 학습자와 교수진이 데이터과학과 AI에 대한 이해를 깊게 하면서 AI 기술을 적극적으로 탐색하고 실험하며 그 발전에 영향을 미치게 할 것이다.

 

• 실행 단계 2.1: AI 실험 공간 개발 (Action step 2.1: Develop AI playgrounds). 기관 지도자와 의학교육자는 기술 전문가와 협력하여 학습자와 교수진이 실제 운영 버전에 필요한 제약 없이 특정 과업에 AI 도구를 탐색·실험·적용할 수 있는 안전한 공간인 ‘AI 실험 공간(AI playgrounds)’을 만들어야 한다.
• 실행 단계 2.2: 기존 교수 전략 개선에 AI 사용 (Action step 2.2: Use AI to improve existing instructional strategies). 의학교육자는 다음을 수행해야 한다.
  • AI 도구를 활용해 학습 경험의 상호작용성을 높이는 거꾸로 학습과 같은 AI 활용 교육 모형을 시행한다.
  • 표준화되고 통제된 학습환경에서 핵심 술기를 연습할 기회를 확장하기 위해 AI 강화 가상 환자 시뮬레이션을 시행한다.
  • 피드백 도구를 개선한다. 교육자는 기술·평가 전문가와 협력하여 모든 수준의 학습자에게 즉각적인 피드백을 제공하는 AI 강화 형성평가, 자기평가 및 기타 피드백 도구를 사용해야 한다. 이는 정밀교육에 부합하는 방식으로 학습 성과와 교육 효과를 높인다.
• 실행 단계 2.3: AI 시대에 맞추어 평가 프로그램 조정 (Action step 2.3: Adapt assessment programs to the AI era). 의학교육자는 다음을 수행해야 한다.
  • AI 도구가 임상 진료 전반에 스며들 것이므로 평가 환경에도 스며들어야 한다는 사실을 인정한다.
  • 환자 진료에서 빠르게 진화하는 AI의 역할과 관련하여 학습자(및 교수진)에게 새롭게 요구되는 중요한 수행 기대치를 확인한다.
  • 현재의 평가 전략을 조사하여 효과를 평가하고, AI 시대의 수행 기대치에 맞추며, 개선할 부분을 파악한다. 더 이상 적절하지 않은 영역과 도구는 버린다.
  • 의사소통 술기, 체계 기반 진료(systems-based practice), 전문직업성처럼 전통적으로 측정하기 어려웠던 역량을 평가할 수 있도록 AI 도구와 기술의 사용을 고려한다.

 

권고안 3: 의학교육에서 AI 도입을 촉진할 탄탄한 데이터 생태계의 개발과 활용 (Recommendation 3: Develop and leverage robust data ecosystems to facilitate AI implementation in medical education)

의학교육기관의 지도자들은 표준화된 체계(schema)와 공유된 어휘를 사용하여 교육 데이터와 임상 데이터를 결합하는 포괄적인 데이터 생태계(data ecosystem) 구축에 투자해야 한다. 이러한 데이터 생태계에는 정보기술 전문가, 데이터 과학자, 교육자, 관리자, 질 향상 전문가를 포함한 학술의료센터 전반의 여러 주요 당사자의 의견과 협력이 필요하다. 체계가 구축되면 정밀교육, 체계 기반 교육의 개선, 평가 등 다양한 교육적 활용을 촉진해야 한다.

 

• 실행 단계 3.1: 데이터 체계 통합 (Action step 3.1: Integrate data systems). 의학교육 및 의료체계 지도자와 다른 주요 당사자는 임상 데이터 체계와 교육 데이터 체계의 통합을 촉진하기 위해 협력해야 한다. 양방향 데이터 통합은 임상 진료가 의학교육에 정보를 제공하고, 교육 실천이 임상 성과에 미치는 영향을 측정할 수 있게 한다. 시행팀에는 교육정보학자(educational informaticians), 연구자, 프로그래머 등을 포함하여 다학제로 구성하고 AI의 안전하고 효과적이며 윤리적인 사용을 지원해야 한다.
• 실행 단계 3.2: 학습자 평가에 데이터 투명성 내재화 (Action step 3.2: Build data transparency into assessment). 기관 지도자와 교육자는 평가 자료가 어떻게 수집되고 사용되는지에 관한 투명성을 높여야 한다. 이를 위해 다음을 수행해야 한다.
  • 형성평가 자료를 공동 생산하고 투명하게 사용하며, 실행 가능한 경우 학습자에게 자료의 소유권을 부여함으로써 학습자의 역량을 강화하고 안전과 신뢰를 우선시한다.
  • 평가 자료에서 의도하지 않은 결과와 AI가 유발한 편향을 모니터링하면서 학습자 성과를 지속적으로 평가하고, 문제가 발견되면 대응한다.
  • 데이터 분석에서 얻은 통찰이 의미 있는 프로그램 차원의 행동으로 이어지도록 시행과학(implementation science)의 원칙을 적용한다.
• 실행 단계 3.3: 역량바탕 및 정밀 의학교육 수용 (Action step 3.3: Embrace competency-based and precision medical education). 지도자와 교육자는 다음을 수행해야 한다.
  • 역량바탕 의학교육에 따라 필요한 교수진의 학습자 상호작용·관찰 확대와 함께 AI 생성 평가를 사용한다.
  • 임상 환경에서 사용할 AI 활용 역량 평가 도구를 설계·시행한다.
  • 역량바탕 교육과 정밀교육의 실천·원칙에 맞추어, AI와 교수진이 확인한 학습자별 역량 공백에 맞춤형 학습계획으로 대응하고 AI 도구를 이용해 각 학습자에게 교육 콘텐츠를 맞춘다.
• 실행 단계 3.4: 인증에서 데이터 기반의 탁월성 촉진 (Action step 3.4: Promote data-driven excellence in accreditation). 의학교육 인증기관의 지도자는 다음을 수행해야 한다.
  • 진료 중인 의사와 수련 중인 의사를 위해 데이터 기반, 역량바탕, 개인맞춤형 교육 경로를 촉진하고 학습자·교수진·기관이 사용할 AI 관련 자원의 적절성을 보장하도록 인증 기준을 검토·개정·조정한다.
  • 인증 심사의 절차, 보고서, 결정에서 AI를 사용하는 방식에 관해 투명하게 공개한다.

 

권고안 4: 의학교육에서 윤리적 AI 거버넌스 틀과 AI 도구·기술의 책임 있는 활용 촉진 (Recommendation 4: Facilitate ethical AI governance frameworks and responsible utilization of AI tools and technologies in medical education)

의학교육에서 AI 도구와 기술을 책임 있게 활용하도록 기관·교육·조직의 지도자와 재원 지원자는 윤리적이고 형평성 있는 AI 거버넌스 틀의 개발과 시행을 우선시해야 한다. 또한 미국의사협회(American Medical Association), 미국의과대학협회(Association of American Medical Colleges), 미국정골의과대학협회(American Association of Colleges of Osteopathic Medicine), 전공의교육인증위원회(Accreditation Council for Graduate Medical Education), 미국의학전문과목위원회(American Board of Medical Specialties) 등을 포함한 의학교육기관들은 의학교육과 임상 진료에 AI를 신중하게 도입하는 데 공동의 강한 이해관계를 갖고 있다. 이들 기관의 지도자들은 의학교육에서 AI를 공정하고 형평성 있게 도입하고 체계적으로 활용하도록 협력해야 하며, 의학교육의 AI에 관한 연구를 후원·촉진·공유해야 한다.

 

• 실행 단계 4.1: 포괄적인 AI 틀과 윤리 지침 마련 (Action step 4.1: Create comprehensive AI frameworks and ethical guidelines). 이러한 틀과 지침은 AI 도구와 결과물의 사용·평가를 관리해야 하며, 데이터 보호와 AI가 환자 진료·교육·사생활에 미치는 함의에 초점을 맞추어 책임 있는 AI 도입을 보장해야 한다. 추가 활동에는 다음이 포함되어야 한다.
  • 교육기관, 의료체계, 산업계 간의 협력을 강화하고 종단적 데이터를 활용하여 개인의 평생학습 참여와 지원을 촉진함으로써 AI 강화 평가가 실제 임상 진료 양상에 부합하도록 한다.
  • AI에 특화된 틀과 지침은 HIPAA와 FERPA 같은 규제가 관장하는 환자 또는 학습자 데이터의 공유·사생활 보호에 관한 기존 작업을 토대로 하고 그와 연계되어야 한다. 의료·교육 데이터 생태계를 설계하거나 수정하여 학습자의 경험에 영향을 주는 경우, 교육자는 핵심 당사자로 참여해야 한다.
  • AI 강화 도구가 생성한 평가 자료에서 편향과 의도하지 않은 결과를 엄격하게 모니터링한다. 필요한 경우 형평성과 공정성을 뒷받침하도록 시정 조치를 취해야 한다.
• 실행 단계 4.2: 전국적 모범 실무 네트워크 구축 (Action step 4.2: Build a national best practices network). 전국적인 의료 및 의학교육 기관의 지도자들은 적절한 이해관계자 대표성을 갖춘 협력 네트워크를 구성하여 모범 실무의 시행을 지원하고 다음 활동을 촉진해야 한다.
  • AI 관련 자료를 위한 중앙 저장소를 개발·유지·공유하여, 모든 의학교육자와 학습자가 검증된 양질의 교육자료에 무료로 형평성 있게 접근하도록 보장한다.
  • AI 활용 교육과정 개발, 교수진 훈련, 윤리적 고려사항, 평가 방법 등 특정 영역에서 협력할 전문 실무그룹을 만든다. 그룹 구성원은 협력과 지식 교류를 촉진하기 위해 회의·워크숍·학술대회 등의 행사도 계획하고 참여해야 한다. 임상정보학 훈련 프로그램과 네트워크는 중요한 파트너가 될 수 있다.
  • 네트워크 사업을 지원하고 장기적인 지속가능성을 보장할 재원을 확보하고 자원을 배정한다.
  • 엄격한 데이터 및 윤리 기준에 따라 도구의 개발·도입·평가를 발전시키기 위해 산업계와 파트너십을 구축한다.

 

권고안 5: 의학교육의 AI에 관한 학술활동 발전 (Recommendation 5: Advance scholarship on AI in medical education)

의학교육 지도자, 교수진, 모든 주요 당사자는 의학교육 및 더 넓은 보건의료 전문직 교육 전반에서 AI를 탐색·검증·도입하기 위한 포괄적인 연구 의제와 기타 학술활동을 수립하고 재원을 지원해야 한다. 이 의제는 의학교육과 보건의료 전문직 교육의 AI 교수 도구를 개발하고 엄격하게 평가하는 데 초점을 맞추어야 한다. 또한 미래 의사가 ‘과정에 참여하는 인간(human in the loop)’이 되도록 준비시키는 것과 같은 AI 역량을 어떻게 가르칠지도 검토해야 한다.

 

• 실행 단계 5.1: 의학교육의 AI 연구 (Action step 5.1: Study AI in medical education). 연구자와 의학교육자는 AI 기반 교육 중재를 현재의 표준이나 관행과 비교하는 엄격한 실험연구 또는 관찰연구를 수행하여 그 효과와 영향을 연구해야 한다. AI 활용 임상체계가 교육에 미치는 영향에 관한 연구도 연구 의제에 포함되어야 한다. 이러한 연구는 편향과 불평등의 지속을 포함해 의도한 결과와 의도하지 않은 결과를 평가해야 하며, 연구 의제를 가속하도록 프로그램과 조직 간 데이터 공유를 뒷받침해야 한다.
• 실행 단계 5.2: 참여형 연구 수행 (Action step 5.2: Conduct participatory research). 공동 생산이라는 개념을 강화하면서 연구자와 의학교육자는 학습자, 교육자, 환자, 관리자의 다양한 통찰을 수집해야 한다. 이를 통해 의학교육에서 AI에 대한 이들의 수용과 사용에 영향을 미치는 요인을 이해하고, 모든 주요 당사자의 AI 도입을 촉진하거나 저해하는 요인에 대응할 방법을 찾아야 한다.
• 실행 단계 5.3: 도전적인 학술활동 지원 (Action step 5.3: Fund ambitious scholarship). 의학교육 연구비는 AI를 사용하여 교수, 경험학습(experiential learning), 학습자 평가, 프로그램 평가, 교육 학술활동, 교육행정 절차를 개선할 잠재력이 있는 연구와 실증 사업을 포함해 혁신적이고 영향력이 큰 학술활동에 중점을 두어야 한다.
• 실행 단계 5.4: 보고 기준 사용 (Action step 5.4: Use reporting standards). 교육 지도자, 교수진, 주요 당사자는 충분한 엄밀성을 보장하고 보건의료 전문직 공동체의 신뢰를 높이기 위해, AI 관련 교육연구를 투명하게 보고하는 방법에 관한 합의 권고안을 개발해야 한다.
• 실행 단계 5.5: 보급 강화 (Action step 5.5: Enhance dissemination). 교육 지도자, 교수진, 주요 당사자는 학술 성과물과 연구 결과에 재원을 지원하고 이를 보건의료 전문직 교육계에 보급하는 더 효율적이고 효과적이며 시의적절한 방법을 개발해야 한다.
• 실행 단계 5.6: 학제 간 협력 지원과 산업계 파트너십 모색 (Action step 5.6: Support interdisciplinary collaboration and seek industry partnerships). 재원 지원자는 학술활동의 영향을 최대화하기 위해 다양한 보건의료 전문직의 학자와 데이터 과학자 및 정보학자를 포함한 학제 간 협력을 지원해야 한다. 또한 폭넓게 일반화하고 확장할 수 있는 사업을 지원하고, 이러한 협력을 뒷받침하는 과정에서 AI 기술 기업과 파트너가 되어야 한다.
• 실행 단계 5.7: AI와 의학의 미래에 관한 전략적 비전 구상 (Action step 5.7: Engage in strategic visioning around AI and medicine). AI는 이미 의학과 의학교육을 변화시키고 있다. 의학교육 지도자들은 선견지명이 있는 사람들을 모아 AI가 주도하는 세계에서 의사와 다른 임상의가 맡게 될 미래의 역할을 파악해야 한다. 이러한 미래상을 널리 알리면 교육자들이 오늘의 학습자를 내일의 진료에 대비시킬 수 있다.

 

결론 (Conclusion) 

AI의 폭발적인 성장과 이에 대한 관심은 의료 실천과 의사 교육에 심대한 결과를 가져올 것이며, 오늘날 온전히 예측하기 어려운 방식으로 미래 의사의 역할을 거의 확실히 변화시킬 것이다. 이 보고서는 다가오는 변화에 대비하기 위해 지금 시행해야 하는 중요한 변화를 강조하고자 한다. AI가 빠르게 진화하는 만큼, 의도한 결과와 의도하지 않은 결과를 모두 엄격하게 측정하고 적응하는 접근법이 필수적이다. 이를 통해 놀라운 새 도구를 활용하면서도 최첨단 기술로 인간의 건강을 증진하는 의사를 교육한다는 우리의 변함없는 목표를 지킬 수 있다.

Holly J. Humphrey를 기리며 (Remembering Holly J. Humphrey)

• 의학교육 분야에서 전국적으로 저명한 지도자이자 혁신가이며 조시아 메이시 주니어 재단의 회장이었던 Holly J. Humphrey, MD, MACP가 2025년 4월 17일 별세했다. Humphrey 박사는 1983년에 졸업한 시카고대학교 프리츠커 의과대학(University of Chicago Pritzker School of Medicine)에서 오랜 학술의학 경력을 쌓은 뒤 2018년에 재단을 이끌기 시작했다. 시카고대학교와 함께한 40년 동안 수석 전공의, 레지던트 프로그램 책임자, 의학 분야 Ralph W. Gerard 교수, 의학교육 학장을 지냈다. 1989년 Humphrey 박사와 시카고대학교의 한 동료는 졸업을 앞둔 의대생을 위한 미국 최초의 백의식(White Coat Ceremony)을 이끌었다. 경력 동안 셀 수 없이 많은 상과 찬사를 받았지만, 의대생들이 선정하는 ‘가장 좋아하는 교수’ 교육상을 25차례 받은 것을 가장 자랑스럽게 생각한다고 자주 말했다. 그는 미국국립의학한림원(National Academy of Medicine) 회원이기도 했으며, 카이저 퍼머넌트 버나드 J. 타이슨 의과대학(Kaiser Permanente Bernard J. Tyson School of Medicine), 학부 모교인 노스센트럴 칼리지(North Central College), 미국내과전문의위원회(American Board of Internal Medicine), 알파 오메가 알파 의학명예협회(Alpha Omega Alpha Medical Honor Society)의 이사회 의장 등 여러 전국적 지도자 직책을 맡았다. 전문성, 진실성, 연민, 관대함, 학습자의 교육 경험을 개선하려는 흔들림 없는 헌신으로 널리 인정받은 Humphrey 박사의 유산은 그가 경력에 영감을 준 수많은 뛰어난 의사 지도자를 통해 이어질 것이다. 의학교육에 대한 Humphrey 박사의 기여에 관한 자세한 내용은 메이시 재단 웹사이트의 「Holly J. Humphrey를 기리며」(Remembering Holly J. Humphrey, https://macyfoundation.org/news-and-commentary/remembering-holly-j-humphrey-md-macp)를 참조하기 바란다.