A scoping review of artificial intelligence in medical education: BEME Guide No. 84

배경 (Background)

의료 분야에서 인공지능(AI, Artificial Intelligence)의 활용은 환자 진료, 의학 연구, 그리고 보건의료 시스템 전반에 걸쳐 중대한 영향을 미칠 것으로 예상된다(Weidener and Fischer 2023). 자연어처리(Natural Language Processing, NLP), 머신러닝(Machine Learning, ML), 생성형 사전학습 변환기(Generative Pre-trained Transformers, GPT) 등 AI에 접근하기 위한 구체적인 도구나 기법들이 의료 교육의 **내용(content)**뿐만 아니라 과정(process) 자체를 변화시킬 수 있는 잠재력을 가지고 있다. 기술이 지속적으로 발전함에 따라, 입학에서부터 교육과정(curricula), 교수법(teaching), 평가(assessment)에 이르기까지 의학교육의 모든 측면에 걸친 이러한 발전의 영향을 면밀히 검토하는 것이 필수적이다.

AI 분야 자체는 새로운 것이 아니지만, 최근 **머신러닝과 대규모 언어모델(Large Language Models, LLM)**에 기반한 AI의 적용—예컨대 OpenAI의 ChatGPT와 같은 AI 기반 챗봇 애플리케이션의 핵심을 이루는 기술—은 이 기술을 더 많은 사용자들이 쉽게 접근하고 사용할 수 있게 만든 획기적인 전환점이었다. Masters(2023a)는 이러한 변화를 가리켜 "ChatGPT 이전과 이후(pre and post ChatGPT world)를 구분지을 수 있는 중대한 전환점"이라고 평가했다.

AI의 급속한 확산과 함께, 의학교육자들은 이와 관련된 위험성에 대한 우려를 점점 더 강하게 표명하고 있다. 최근 한 의사 방어 단체(physician defense organization)의 글에서는, 학생들이 과제를 수행하는 데 있어 이러한 기술을 사용하는 것과 관련된 위험성을 경고하였다(Graham 2023). 다른 연구들에서도 AI가 학술 출판의 신뢰성과 **학문적 진실성(integrity of academic publishing)**을 훼손할 수 있는 잠재성에 대해 경고하였다(Masters 2023b; Loh 2023).

그와 동시에, AI에 대한 교육자들의 기대감도 커지고 있다. 최근의 주요 연구들은 AI가 평가를 향상시키는 도구로서의 강력한 가능성(예: Schaye et al. 2022)을 지니고 있으며, 입학 및 학생 선발(admissions and selection)과 같은 교육 과정의 효율성을 높일 수 있다는 점(예: Burk-Rafel et al. 2021)을 강조하고 있다.

2021년에 수행된 Lee J 외의 리뷰 연구는, 학부 의학 교육(Undergraduate Medical Education, UME)에서 무엇을(what), 그리고 어떻게(how) AI를 가르쳐야 하는지를 다룬 22편의 다양한 연구들을 확인하였으나, 대학원 의학 교육(Graduate Medical Education, GME)과 지속적 전문성 개발(Continuing Professional Development, CPD) 분야는 범위에서 제외되어 있었다. 특히 최근 12개월 동안 ChatGPT의 출시 이후, AI에 대한 출판물과 관심은 기하급수적으로 증가하고 있으며, 이는 새로운 근거들을 종합적으로 고찰해야 할 필요성을 시사한다.

본 리뷰 연구의 목적은 의료 교육 전 영역에서 AI가 어떻게 적용되고 있으며, 어떤 도전과제를 안고 있는지를 조망하는 데 있다. 우리는 스코핑 리뷰(scoping review) 방법론을 채택하여 현재 문헌의 지형을 그려내고, 관련 근거의 기반을 명확히 하며, 사용된 연구 방법론을 분류하고, 체계적 후속 연구가 필요한 주제 영역들을 도출하고자 했다. 궁극적으로 우리는 이 리뷰를 통해 의료 교육에서 AI 통합의 방향성을 제시하고, 보다 복잡하고 빠르게 변화하는 보건의료 환경에 효과적으로 적응할 수 있는 전문인을 양성하기 위한 기반을 마련하고자 한다.

연구 방법 (Methods)

본 **스코핑 리뷰(scoping review)**는 시작 후 16주 이내의 신속한 기간 내에 완료되었다. 신속한 진행에도 불구하고, 우리는 이전의 연구들(Gordon et al. 2020; Daniel et al. 2021)에 준거하여 **체계성(systematicity)**을 유지하였고, 연구의 진실성(integrity) 및 방법론적 정밀성(methodological precision) 또한 확보하였다. 본 연구의 방법론은 **Arksey와 O’Malley(2005)**의 스코핑 리뷰 프레임워크에 기반하였고, **Levac et al.(2010)**이 제안한 방식으로 이를 정교화하였다. 보고 방식에 있어서는 STORIES 진술(STructured apprOach to the Reporting In healthcare education of Evidence Synthesis)(Gordon and Gibbs 2014)과 **BEME 지침(Hammick et al. 2010)**을 따랐으며, PRISMA-ScR(Tricco et al. 2018) 보고 기준에도 부합하였다. 특히 건강 전문직 교육 분야의 스코핑 리뷰에 특화된 보고 기준이 없는 점을 보완하고자 **Peters et al.(2020, 2022)**의 가이드를 참고하였다. 연구 프로토콜은 다음 링크에서 확인할 수 있다: https://clok.uclan.ac.uk/49900/

스코핑 리뷰는 다음의 5단계 절차를 따랐다(Arksey and O’Malley 2005):

• 1단계: 연구 목표 및 질문 설정
• 2단계: 관련 문헌 탐색
• 3단계: 문헌 선정
• 4단계: 데이터 도표화(charting)
• 5단계: 결과의 통합, 요약, 및 보고

Levac et al.(2010)이 권장한 **6단계(전문가 자문, expert consultation)**는 생략하였다. 그 이유는, 본 연구의 저자진 중 AI 전문가(BK, JC, MS) 및 의학교육 전문가(CM, DD, JC, JH, MD, MG, MH, ST)가 해당 역할을 충분히 수행할 수 있었기 때문이다.

2단계: 검색 전략 (Search Strategy)

**정보 전문 전문가(information specialist)**의 도움을 받아 PubMed/MEDLINE, EMBASE, MedEdPublish를 대상으로 날짜나 언어에 제한을 두지 않고 검색을 수행하였다. 우리는 MeSH 용어와 키워드를 모두 포함한 포괄적인 검색 전략을 사용하였다. 검색어는 **AI, ML, NLP, GPT, 의학교육(medical education)**과 관련된 용어를 기반으로 하였으며, **복잡한 용어 사용을 정제하기 위해 반복적 파일럿 검색(iterative pilot searches)**을 통해 전략을 조정하였다.

2023년 7월에 실시한 초기 검색에서는 총 1,598편의 논문이 확인되었으며, 참고문헌 스크리닝을 통해 누락된 핵심 논문이 식별되면서 추가 조정이 이루어졌다. 최종적으로 보다 포괄적인 검색 전략이 2023년 8월에 수행되었고, 최종 검색 전략은 **보조 부록 1(Supplementary Appendix 1)**에 상세히 제시되어 있다.

또한, 포함된 연구의 참고문헌도 검토하여 누락된 논문이 있는지 확인하였다.

3단계: 문헌 선정 (Study Selection)

스크리닝 과정은 저자 쌍(AA, HU, MD, MG, RG)이 독립적으로 제목, 초록, 전체 본문을 검토하여 수행하였다. 이견이 있을 경우 상호 합의 또는 제3저자의 판단을 통해 해결하였다. 문헌 선정 과정을 시각적으로 나타내기 위해 **PRISMA 흐름도(PRISMA flow diagram)**를 작성하였다.

포함 기준(Inclusion Criteria)

• AI, ML, NLP, GPT의 의학교육 내 사용 사례를 다룬 논문
• AI의 사용 여부와 관계없이, AI의 영향, 태도, 지식, 관점을 다룬 논문
• **학부(UME), 대학원(GME), 지속적 전문성 개발(CPD)**의 전 범위를 포함한 논문
• 의대생, 전공의, 펠로우, 의사를 대상으로 한 연구 (다직종 학습자 그룹일 경우, 의학 관련 참여자가 주요 비중일 것)
• 교육과정(curriculum), 교수학습(teaching and learning), 평가(assessment) 등 관련 영역을 다룬 논문
• 모든 방법론적 형태의 논문
• 모든 언어로 된 논문

제외 기준(Exclusion Criteria)

• 진단, 임상, 보건의료 조직 운영 또는 거버넌스를 위한 AI 활용 사례를 다룬 논문
• AI를 교육 연구의 도구로만 사용한 논문 (즉, AI 자체가 초점이 아닌 경우)
• 논문 작성에 AI를 활용했지만, AI 자체에 대한 논의는 없는 경우

4단계: 데이터 도표화 (Charting the Data)

이번 연구에서는 포함된 두 가지 명확한 문헌 범주에 따라 각기 다른 데이터 도표화 방식을 적용하였다.

• 첫 번째 범주는 Articles and Innovations로, **의학교육에서 AI 또는 관련 이슈를 실제 또는 제안된 방식으로 활용한 원저 논문(original studies)**에 해당한다.
• 두 번째 범주는 Perspectives publications로, 이는 **의학교육 분야에서 AI와 관련된 이슈에 대해 저자의 전문성, 경험, 기존 문헌 리뷰 등을 바탕으로 의견을 제시하는 학술적 견해글(scholarly perspectives)**이다. 이들은 원저 연구는 아니며, 해당 분야의 통찰에 기반한 **정보성 의견문(informed opinions)**이다.

Articles and Innovations

총 8명의 저자(AA, BK, CJC, HU, MH, MS, NX, RB)가 쌍(pair)으로 작업하며 데이터를 도표화하였다. 이들은 **사전 정의된 데이터 추출 양식(predefined data extraction form)**을 사용했으며, 이는 파일럿 테스트 후 정제되었다. 각 연구로부터 다음 항목들을 추출하였다:

• 연구 식별자: 저자명, 논문 제목, 출판일, 학술지명
• 연구 특성: 교육 단계, 연구 수행국가, 진료과목, 연구 목적, 연구 설계
• AI의 적용 분야 또는 활용 초점: 예) 입학 및 선발, 교육과정, 평가 등
• AI 기술 방법론: 일반적인 AI 개념으로 다루었는지, 또는 의사결정모델(Decision Models, DM), 전통적 머신러닝(ML), 딥러닝(Deep Learning, DL), 자연어처리(NLP) 등 구체적 기술을 사용하였는지 여부
• AI의 활용 사례(Use Cases)
• 사용된 언어모델 및 소프트웨어 프로그램 명칭 (해당되는 경우)
• AI 활용의 근거(Rationale)
• SAMR 기술통합 프레임워크에 따른 분류
  (Substitution: 대체, Augmentation: 증강, Modification: 수정, Redefinition: 재정의)
• AI 구현 방식에 대한 서술
• 연구 결과 요약 및 Kirkpatrick의 교육성과 평가 모델 적용 여부
• 실제 교육, 정책, 연구에의 시사점(Implications)

Perspectives

총 4명의 저자(JC, CM, JH, ST)가 두 쌍으로 나뉘어 독립적으로 도표화 작업을 수행하였다. 이들은 Articles and Innovations와 유사한 **기본 메타데이터(metadata)**뿐 아니라 다음과 같은 추가 정보도 수집하였다:

• AI 사용의 근거 및 이론적 기반
• AI의 적용 분야 및 기술 프레임워크
• 교육과정 및 연구를 위한 주제 제안
• 윤리적 쟁점 및 적용상의 제약 조건

5단계: 결과 통합, 요약 및 보고 (Collating, Summarizing and Reporting the Results)

Articles and Innovations

모든 저자들은 데이터 추출 양식을 바탕으로 정보를 모아, 시각화가 용이한 다수의 표와 도표로 정리하였다. 이는 현재의 근거 기반(evidence base)을 시각적으로 조망하기 위한 목적이다. 도표화 작업 후에는, **연구에서 다룬 개발 현황의 범위 및 평가된 결과들을 서사적으로 기술한 분석(narrative account)**을 생성하였다. 또한 **연구가 부족한 영역(paucity of research)**을 확인하고, **향후 1차 또는 2차 연구(primary and secondary studies)**가 필요한 영역을 제안하였다. (예: 체계적 문헌고찰)

Perspectives

연구팀은 데이터를 숙지한 후 **체계적인 종합 절차(systematic approach for synthesis)**를 개발하였다. 먼저, 포함된 논문들을 두 가지 중심 주제로 분류하였다:

1. 의학교육에 AI 통합의 중요성 (Importance of Integrating AI into Medical Education)
2. 의학교육에서의 AI 활용 가능성 (Potential Application into Medical Education)

이 중 두 번째 범주에 대해서는 **실용성 중심의 접근(utility-focused approach)**을 적용하였으며, 각 논문이 독자에게 제공할 수 있는 **‘기여(Contributions)’**를 강조하였다. 비록 대부분의 논문이 실제 평가나 연구를 거치지는 않았더라도, 이들 기여는 정보에 기반한 의사결정, 교육 프로그램 설계, AI 응용 평가 등에서 핵심적인 역할을 할 수 있다. 기여 내용은 다음과 같이 구분하였다:

1. 제안된 교육적 적용 및 개발
2. 교육 프레임워크
3. 교육과정 내용, 역량(competencies), 도구 및 자원에 대한 제언
4. 윤리적 고려사항(Ethics Considerations)

각 단계에서는 팀 구성원들이 독립적으로 분류 작업을 수행한 후, **합의(consensus)**를 도출하는 토론을 거쳤다. 결과는 **‘간단한 요약(Brief Summary)’**과 **‘핵심 포인트(Key Points)’**로 구성된 서사적 종합(narrative synthesis)으로 정리되어, 독자들이 내용을 보다 쉽게 이해하고 실제 교육에 적용할 수 있도록 하였다.

결과 (Results)

개요 (Overview)

데이터베이스 검색을 통해 총 2,123편의 논문이 확인되었으며, 중복 논문을 제거한 후 2,019편이 남았다. 제목 및 초록 스크리닝 과정을 통해 310편으로 추려졌으며, **평가자 간 신뢰도(inter-rater reliability)**는 매우 높아 κ = 0.86을 기록하였다. 이후 전면 본문 검토를 통해 AI를 단순한 연구 도구로만 사용하거나, AI에 대한 초점이 부족한 논문 70편이 제외되었고, 최종적으로 241편이 포함 대상으로 선정되었다.

**참고문헌 수기 검색(hand-searching references)**을 통해 추가로 37편의 논문이 발견되었으며, 총 278편의 논문이 본 스코핑 리뷰에 포함되었다. 전체 선정 과정을 요약한 PRISMA 다이어그램은 Figure 1에, 포함 논문에 대한 세부 정보는 Appendix 표 형태로 저장소(repository)에 업로드되어 있으며, 아래 링크를 통해 접근 가능하다:

https://clok.uclan.ac.uk/49919/

Figure 2의 인포그래픽은 포함된 연구들의 세부 내용을 요약하고 있다.

**지리적 분포(Geographic distribution)**를 보면, 연구는 **주로 영어권 북미 지역(Anglo-North American)에서 수행된 것이 가장 많았으며, 총 138편(49.6%)**이었다. 그 외 지역 분포는 다음과 같다:

• 유럽(European): 51편 (18.4%)
• 동아시아(East Asian): 22편 (7.9%)
• 중동(Middle Eastern): 22편 (7.6%)
• 남아시아(South Asian): 17편 (6.1%)

그 외 지역은 소수의 연구만 포함되었으며, 아프리카 지역(Africa)에서는 연구가 확인되지 않았다.

AI와 의학교육을 주제로 한 가장 이른 시기의 출판은 1992년에 이루어졌으며, 시간 흐름에 따라 2018년 이후 급격한 증가세를 보였다. 연도별 출판 현황은 다음과 같다:

• 2018년: 11편
• 2019년: 14편
• 2020년: 18편
• 2021년: 49편
• 2022년: 57편
• 2023년 8월 기준: 114편

(자세한 내용은 Figure 2a, 2b 및 보조부록 1의 E, I열과 부록 2 참고)

전체 포함 논문 중 Articles 또는 Innovations 범주에 해당하는 논문은 **191편(68.7%)**이었으며, 나머지 **87편(31.3%)**은 Perspectives 범주에 속하였다. 의학교육 단계별 분포를 보면,

• **학부 의학교육(UME)**에 초점을 맞춘 논문이 135편(48.6%),
• 대학원 의학교육(GME) 관련 논문이 62편(22.3%),
• 지속적 전문성 개발(CPD) 관련 논문은 **7편(2.5%)**이었다.
• 나머지 **74편(26.6%)**은 UME, GME, CPD 중 둘 이상을 포괄하거나 명확한 구분이 없는 경우였다.
  (자세한 분포는 Figure 2c, 2d 및 부록 2의 H열 참고)

기초의학(basic science) 분야는 6개, 임상의학(clinical specialties)은 총 24개 전공이 논문에 포함되어 있었다. 가장 많이 등장한 기초의학 전공은 **해부학(Anatomy)**과 **생리학(Physiology)**으로 각각 **4편(1.4%)**씩이었다. 임상 전공 중 가장 빈도가 높은 분야는 다음과 같았다:

• 영상의학(Radiology): 31편 (11.2%)
• 외과(Surgery): 24편 (8.7%)
• 그 뒤를 이어
  • 안과(Ophthalmology): 8편 (2.9%)
  • 신경외과(Neurosurgery): 6편 (2.2%)

한편, 157편(56.5%)의 논문은 특정 전공 또는 전공 구분 없이 수행되었다. (세부 내용은 Figure 2e 및 보조부록 2의 J열 참조)

포함된 Articles 및 Innovations

본 리뷰는 매우 다양한 Articles(원저 연구) 및 **Innovations(교육 혁신 사례)**를 포괄하며, Supplementary Table 2에서 A1–A191로 체계적으로 분류 및 표기되어 있어 리뷰 전반에서 **상호 참조(cross-reference)**가 용이하다.

이들 중,

• **7편(3.6%)**은 입학 및 선발(admissions and selection) 과정에서 AI를 사용한 연구(A1–A7)였고,
• **34편(17.8%)**은 **AI에 대한 교육 또는 AI를 활용한 교수(instruction)**에 초점을 두었으며(A8–A41),
• **50편(26.2%)**은 **평가(assessment)**에 AI를 적용한 연구(A42–A91)였다.
• **13편(6.8%)**은 임상 추론(clinical reasoning) 교육 또는 평가에 AI를 사용하였고(A92–A104),
• **4편(2.1%)**은 **증례 및 술기 기록 자동화(automation of case and procedure logs)**에 AI를 활용하였다(A105–A108).
• 또한, **51편(26.7%)**은 **의료에서의 AI에 대한 지식 또는 태도(knowledge or attitudes)**를 조사하였고(A109–A159),
• **32편(16.8%)**은 **대형 언어 모델(Large Language Models, LLMs)**의 **의학 문제 혹은 시험에 대한 성능(performance)**을 평가하였다(A160–A191).
  (자세한 정보는 Figure 2f 및 Supplementary Appendix 2의 M열 참조)

AI의 기술적 적용 방식 (Technical Application)

AI가 실제 계산 없이 **일반 개념(general concept)**으로만 다뤄진 경우는 **65편(34%)**이었다. 나머지 연구에서는 다양한 컴퓨팅 기법이 활용되었으며, 구체적으로는:

• 데이터 마이닝(Data Mining): 4편 (2.1%)
• 전통적 머신러닝(Traditional ML): 41편 (21.5%)
• 딥러닝(Deep Learning, DL): 81편 (42.4%)
• 자연어처리(Natural Language Processing, NLP): 78편 (40.8%)
  (자세한 분포는 Figure 2g, 2h 및 Supplementary Appendix 2의 N, O열, AI 관련 용어 정리는 Table 1 참조)

기술 통합 수준: SAMR 프레임워크 적용 결과

본 리뷰는 기술 통합 수준을 분석하기 위해 SAMR 프레임워크를 활용하였다.
그 결과, AI는 다음과 같은 방식으로 활용되었음을 확인하였다:

• Substitution(대체) 수준: 36편 (18.8%)
• Augmentation(기존 과정 증강): 34편 (17.8%)
• Modification(과제의 재설계): 10편 (5.2%)
• Redefinition(기존에는 불가능했던 새로운 과제 창출): 11편 (5.8%)
  
• 한편, **SAMR 분류가 적용되지 않은 사례는 100편(52.4%)**에 달했다.
  (자세한 수치는 Figure 2i 및 Supplementary Appendix 2 참조)

AI 활용 유형: Use Cases

이 리뷰는 포함된 논문에서 AI의 다양한 **활용 사례(use cases)**도 파악하였다. 구체적으로는 다음과 같다:

• 데이터 분석(Data analytics): 9편
• 예측 모델(Predictive models): 17편
• 성과 분석(Performance analytics): 19편
• 감정 분석 또는 편향 평가(Sentiment analysis or bias evaluation): 7편
• 가상 환자 시뮬레이터(Virtual Patient Simulators, VPSs): 11편
• 개인 맞춤형 학습 플랫폼 또는 지능형 튜터링 시스템(Personalized learning platforms or intelligent tutoring systems): 6편
• 수련생 대상 임상적 의사결정 지원(Clinical guidance for trainees): 10편
• 수술 또는 술기적 안내(Procedural guidance for trainees): 5편
• 챗봇(ChatBots): 2편
• 데이터 라벨링(Data labeling): 2편
• 콘텐츠 생성(Content generation): 5편
• 총괄 평가 수행(Summative assessment completion): 32편

(상세한 분류는 Figure 2j 및 Supplementary Appendix 2의 P열 참고)

의과대학 및 레지던시에서의 입학 및 선발에 AI를 활용한 연구
(AI use in admissions and selection for medical school and residency)

한 연구(A7)에서는 **AI 챗봇(Chatbot)**을 활용하여 **입학 지원자 모집 과정 중 가상 질의응답 세션(virtual Q&A session)**을 운영하였다. 또 다른 연구(A5)에서는 감정 분석(sentiment analysis) 기법을 이용해, **지난 30여 년간 외과 레지던시 지원자 추천서에 존재하는 성별 편향(gender bias)**을 탐지하였다. 이 연구는 성별 편향이 시간이 지나면서 감소하긴 했지만 여전히 남성에게 유리하게 긍정적 편향이 존재함을 보여주었으며, 이는 선발 결과에 영향을 미친다고 밝혔다.

한편, 연구(A3)에서는 교수들이 평가한 **의대생 성적 평가서(Medical Student Performance Evaluations, MSPEs)**와 기성 감정 분석 프로그램을 활용한 머신러닝(ML) 모델의 점수를 비교하였다. 그러나 MSPE 대부분이 매우 긍정적 표현으로 작성되었기 때문에, 해당 ML 모델은 효과적으로 순위를 매기지 못했다. 이에 따라 향후 교수 평가를 보다 잘 모사할 수 있는 맞춤형 모델 개발의 가능성이 제시되었다.

또 다른 연구(A4)에서는 ML을 활용하여 지원자가 매칭될 가능성(ranking and matching)을 예측하는 모델을 개발하였고, 그 결과 **수신기 조작 특성 곡선 하 면적(AUROC)**이 0.925로 매우 높은 예측 정확도를 보였다. 총 세 건의 연구(A1, A2, A6)에서는 ML을 활용해 지원서 스크리닝을 실시했으며, 이는 회고적(retrospective) 데이터셋으로 학습 후, 회고적 또는 전향적(prospective) 데이터셋으로 검증되었다. 이들 모델은 0.925–0.95의 AUC 범위를 기록하며 매우 높은 정확도를 보여, **대량의 지원서를 심층적으로 평가하는 전체적 검토(holistic review)**를 부분적으로 자동화하는 데 기여할 가능성을 제시하였다.

특히, **인간 평가를 보완하는 방식(restorative fashion)**으로 적용될 경우, ML 모델은 편향을 줄이고, 기존에는 인터뷰 기회를 얻지 못했을 지원자를 새롭게 식별하는 데 도움을 줄 수 있다(A1). 이러한 모델들이 더욱 정교화되고 검증이 이루어진다면, 지원자 선별 과정의 효율성과 공정성을 향상시키고, 랭킹 프로세스를 보다 정확하게 만들 가능성이 있다.

AI에 대한 교육 및 AI를 활용한 교수
(Teaching about AI and AI-augmented instruction)

총 33편의 논문(A8–A41)이 AI에 대한 교육 또는 AI를 활용한 교수법을 다루었다. 이 중

• 12편은 학습 도구로서의 AI,
• 11편은 교육과정 개발(curriculum development),
• 3편은 개인 맞춤형 학습을 위한 AI,
• 5편은 의학교육 시뮬레이션에서의 AI 활용,
• 2편은 AI 관련 교육 역량을 주제로 하였다.

학습 도구로서 AI를 다룬 12편 중 7편은 **영상 이미지에서 특정 소견을 판별하는 훈련(training on image findings)**에 집중하였다. 예를 들면,

• **사구체 질환(glomerulopathies)**의 조직학적 판별(A22),
• 신경해부 구조(neuroanatomic structures)(A35),
• 일반 조직 유형(general tissue types)(A31),
• 흑색종(melanomas)(A25) 식별 교육이 이에 포함된다.

또 다른 논문에서는

• 당뇨망막병증(diabetic retinopathy)(A26, A30),
• X-ray 상 고관절 골절(hip fractures)(A24)을 식별하는 훈련도 제시하였다.

한 연구는 AI를 이용해 심초음파 영상 획득 시 실시간으로 최적의 시야를 안내하는 시스템(A32)을 설명했고, 다른 논문에서는 AI 알고리즘을 직접 개발하여 폐 구조를 초음파로 식별하는 훈련 과정(A33)을 다루었다.

그 외에도, 챗봇(chatbot) 스타일의 도구를 활용하여

• 해부학 학습(A29),
• 나쁜 소식 전달 훈련(breaking bad news)(A34),
• 수술 절차 요약 생성(surgical procedure summaries)(A28) 등에 활용한 연구도 있었다.

교육과정 개발(curriculum development) 관련 11편 중

• 6편은 교수 모듈 개발에 관한 연구였으며,
• 그중 4편은 AI 및 ML의 기초 개념을 학부생에게 가르치는 방식을 다루었다(A11, A13, A16, A19).
• GME/CPD 대상 연구에서는 주로 영상의학(radiology) 전공자를 대상으로 진행되었으며,
  • AI 워크숍(A14, A17),
  • 딥러닝 커리큘럼(A18),
  • 데이터과학 선택과목(data-science elective)(A20),
  • **의료 의사결정모델(medical DM) 교육(A21)**이 포함되었다.
• 한 연구는 **현직 의사를 위한 AI 입문 과정(A12)**을 소개하였다.

개인 맞춤형 학습을 위한 ML 활용 연구 3편은 다음과 같다:

• 노인 환자 평가를 위한 NLP 기반 즉시 학습(just-in-time learning) 지원 알고리즘(A36),
• 예비 임상과정 학생을 위한 ML 기반 적응형 학습 시스템(adaptive learning system)(A37),
• 안과환자 선별을 위한 DL 모델(patient triage)(A38)

의료 시뮬레이션에서 AI를 활용한 연구 5편은 다음 주제를 다루었다:

• **로봇 표준화 환자(robotic SP)**에 대한 인터뷰(A39),
• 심전도(ECG) 및 피부전도(GSR)를 활용한 인지 부하 평가(A40),
• 시뮬레이션 영상 분석을 위한 DL 기반 결과 평가(A41),
• 단일 신장의 시뮬레이션을 위한 ML 기반 멀티미디어(A23),
• 피부 질환 이미지 생성을 위한 생성형 AI 사용(A27)

마지막으로, **AI 교육 역량(educational competencies)**을 다룬 2편의 연구에서는

• **의대생이 임상현장에서 AI를 활용할 준비 정도를 평가하는 도구 개발(A9)**과
• **독일 GME 및 CPD 과정에서 AI 관련 역량의 보급 현황 조사(A10)**를 수행하였다.

평가에서의 AI 활용
(AI Use in Assessment)

AI를 평가(assessment)에 활용한 논문은 총 50편으로, 이 중 가장 두드러진 분야는 심리운동기술(psychomotor skills) 평가였으며, 21편의 연구가 이에 초점을 맞추었다. 이들 중

• 18편은 외과 수술기술(surgical skills),
• **3편은 술기(procedural skills)**에 대한 평가였고,
  술기 관련 연구는 모두 기도삽관(intubation) 기술에 국한되었다(A71–A73).

수술기술 평가 연구들은 주로 일반외과(general surgery) 내에서의 최소침습수술(minimally invasive surgery) 및 **로봇수술(robotic surgery)**을 대상으로 하였으며(A74–A83, A85, A87–A88, A91), 일부는 **신경외과(neurosurgery)(A84, A86, A89)**와 **소아외과(pediatric surgery)(A90)**를 다루었다.

그 외에도

• 서술형 텍스트 분석(narrative text analysis): 15편
• 임상기술(clinical skills): 10편
• 객관식 문제(MCQs) 생성: 3편
• 예측 분석(predictive analytics): 1편
  이 있었다.

특히 주목할 만한 경향은, ML을 사람의 관찰 및 피드백을 대체하거나 보완하는 도구로 사용하는 것이었다(A74, A76–A78, A83, A86, A88, A90). 다수의 연구들은 가상 트레이너나 시뮬레이터를 사용하여 시뮬레이션 환경에서 평가를 수행하였다. 예컨대, **클라우드 기반 AI 비디오 분석(cloud-based, AI-powered video analytics)**을 통해 최소침습수술에서 사용자의 수행을 모니터링하고 평가한 혁신적 접근이 소개되었다(A81).

일부 연구에서는, 시각적 또는 운동적 입력(visual or kinesthetic input)을 기반으로 **숙련도(expertise level)**를 감별하거나, **학습 곡선(learning curve)**을 예측하는 알고리즘을 개발하였다(A74–A76, A80, A84, A85, A86, A87, A91). 한 연구는 참여자의 뇌파(EEG) 데이터를 ML 모델에 통합하여, 전문 외과의와 초보자의 차이를 구분하는 시스템을 제안하였다(A89).

이러한 연구들은 기존 평가가 갖는 높은 자원 소모 및 편향 가능성을 AI가 감소시킬 수 있는 잠재력을 지닌다는 점을 시사한다.

AI는 서술형 텍스트 기반 평가(narrative text assessment) 영역에서도 점차 활용되고 있으며, **감정 분석(sentiment analysis)**과 **자연어처리(NLP)**가 주요 도구로 활용되었다. 이는 **정량 평가(예: 평점)**에 더해, 광범위한 서술형 정보를 효율적으로 분석하고 맥락화하는 자동화된 방법으로 주목받고 있다.

AI는 다음과 같은 영역에 적용되었다:

• 레지던트에 대한 교수의 서술형 평가: A55, A57, A62–A64, A67–A68, A69
• 클럭십(clerkship) 학생에 대한 평가: A55, A56, A65

이러한 연구들은 AI를 활용하여

• 임상역량위원회(Clinical Competency Committees)의 의사결정 보조(A55)
• 역량 개발에 대한 통찰 도출(A57, A68–A69)
• 교수 피드백의 질 평정(A64, A67)
• 객관적 해석 지원(A65)
• 위험 학습자 식별(A68)
• 편향 탐지(A56, A66) 등을 수행하였다.

또한 NLP는

• 학생의 반성적 글쓰기(reflective writing) 분석(A59)
• 단답형 응답에서의 전문직업성 평가(A61)
• 교수 피드백 중 전문성 결여 가능성 탐지(A60)
• 의사의 전문성 및 환자안전 관련 성과 평가(A58) 등에도 사용되었다.

임상기술 평가(clinical skills assessment) 연구 10편 중 7편은 학부교육(UME) 맥락에서 수행되었다. 이들 연구에서 **가상 환자 시뮬레이터(VPSs)**는 시간 및 자원 등 전통 평가의 물리적 부담을 줄이고, **원격 시험(remote examination)**이 가능하도록 도왔다(A42, A48–A49, A51). AI는

• 가상 OSCE(Objective Structured Clinical Examinations) 구현(A42, A49),
• OSCE 자동 채점(automated grading)(A43–A44, A50),
• AI 기반 OSCE 평가 전반(A46, A48, A51)에도 적용되었다.

GME 맥락에서는,

• 의사소통 기술 교육을 위한 가상 시뮬레이터와
• 자동 평가 및 피드백 시스템이 적용되었으며(A47),
• 중환자실 수련생의 구술 증례 발표에 대한 NLP 평가도 이루어졌다(A45).

객관식 문항(MCQs) 생성을 주제로 한 3편의 연구(A52–A54)는
**딥러닝(DL)**과 NLP를 활용하여 시험 문항 및 학습 도구를 자동 생성하는 방법을 탐구하였다. 이들은

• AI가 문항 개발에서 수작업 부담을 크게 줄일 수 있는 잠재력을 강조하였지만,
• 여전히 문항의 품질 확보를 위한 인간 검토가 필요하다는 점도 지적하였다.

AI의 빠른 속도가 주요 장점으로 언급되었고, ChatGPT가 선호 도구로 자주 사용되었다. 그러나 결과는 일관되지 않았고, AI가 MCQ 생성을 전적으로 대체하기에는 시기상조라는 회의적 시각도 존재하였다(A52–A54).

마지막으로, **예측 분석(predictive analytics)**은 여러 수술기술 평가 연구에서 중요한 역할을 수행하였으나, 해당 주제를 **주제로 삼은 연구는 단 1편(A70)**뿐이었다. 이 연구는 의대생의 고부담(high-stakes) 시험에서의 성과를 예측하는 ML 모델을 개발하여, AI가 고위험 환경에서의 학업 성취를 예측하는 새로운 가능성을 제시하였다.

임상 추론 교육 및 평가에서의 AI 활용
(AI to Teach and Assess Clinical Reasoning)

임상 추론(clinical reasoning) 교육 및 평가에 있어 AI의 역할을 탐구한 연구는 총 13편이며, 이는 **의미 있는 새로운 영역의 가능성(promising frontier)**을 보여준다.

그 중 8편의 연구는 **AI 기반 가상 환자 시뮬레이터(Virtual Patient Simulators, VPSs)**와 **지능형 튜터링 시스템(Intelligent Tutoring Systems, ITSs)**의 융합에 초점을 맞췄다(A92, A95–A98, A101–A102, A104).

• VPSs는 학습자가 아바타 또는 텍스트 인터페이스를 통해 질문하고 답변을 받으며, **역동적(clinically dynamic)**인 환경에서 다양한 임상 시나리오를 바탕으로 추론 능력을 연습할 수 있도록 한다.
• 이를 통해 학습자는 정보 수집(information gathering), 가설 설정(hypothesis generation), 문제 표현(problem representation), 진단 정당화(diagnostic justification) 등 임상 추론의 전 과정을 연습할 수 있다.

ITSs는

• 개인화된 학습 및
• 실시간 피드백을 제공하면서,
• 올바른/잘못된 추론 반응을 통해 학습 과정을 안내하고(A92, A95–A97, A101–A102),
• 추가 학습 자료를 제안하기도 한다(A95).

또한, 분석 도구와 결합되었을 때(A92, A96, A101, A102), 이 시스템들은 학습자 및 교육자에게 정교한 성과 피드백과 개선 영역의 통찰을 제공할 수 있었다. 총 6편의 연구는 해당 시스템의 효과에 대해 Kirkpatrick 1단계(A92, A98, A101) 및 2b 단계(A92, A95–A96, A101–A102) 수준의 근거를 보고하였다.

VPS 및 ITS 케이스 개발은 일반적으로 많은 자원과 전문가의 투입을 필요로 하지만,
2편의 연구(A101, A104)에서는 **자연어처리(NLP)**를 활용해 이를 자동화하는 혁신적인 사례를 제시하였다.

• 각각 413건 및 2,525건의 사례를
• 실제 병원 진료기록 또는 New England Journal of Medicine의 임상 케이스 시리즈에서 추출하여 자동 생성하였다.
  이러한 **방대한 사례 라이브러리(case library)**는 임상 추론 교육에서 자주 문제로 지적되는 사례의 다양성 부족과 실제 임상에서의 예측 불가능성 문제를 효과적으로 보완할 수 있었다.

ML을 활용하여 **서면 기록(written notes)**을 분석하고 임상 추론을 평가한 연구도 3편 포함되었다(A93–A94, A99).

• 예를 들어,
  • OSCE 이후 서술 평가(Post-encounter OSCE notes)(A93),
  • 진단 정당화 에세이(diagnostic justification essays)(A94),
  • **EHR 기반 전공의 입원기록(admission notes)**을 대상으로 하였다.
  • 이때 **IDEA 도구(standardized rubric)**를 기준으로 사용하였다(A99).

해당 ML 알고리즘의 **심리측정학적 타당도와 평가자 간 신뢰도(inter-rater reliability)**는 수용 가능한 수준으로 보고되었으며, 특히 한 연구(A93)는 κ(kappa) = 0.8로, **고부담 평가(high-stakes assessment)**에 적합한 신뢰도 기준을 충족하였다. 다른 연구들도 **중저위험 평가(low-stakes assessments)**에서는 적절한 기준을 만족하였다. 이들 연구는 **임상 노트(clinical notes)**라는 기존에 과소활용되던 평가 자원을 활용하여,

• 평가의 효율성 향상,
• **형성 평가(formative feedback)**의 질적 향상에 기여할 수 있음을 보여준다.

해당 영역의 마지막 두 편의 연구는 AI의 확장 가능성을 강조하였다.

• 첫 번째 연구(A100)는 **신경망(neural networks)**을 활용해 성공적인 문제 해결 패턴을 인식하였고,
• 두 번째 연구(A103)는 **3개의 대형 언어모델(LLMs)**을 비교 평가하여 주니어 의사에게 임상 의사결정 지원을 제공할 수 있는지를 분석하였다.
  저자들은, 의료 데이터베이스 기반으로 학습되고 전문가 검토를 거친 고도화된 LLM이 향후 가치 있는 교육 도구가 될 수 있음을 강조하였다.

임상 및 술기 기록 자동화를 위한 AI 활용
(AI Use for Automation of Case and Procedure Logs)

총 4편의 논문은 AI/ML을 활용한 수련생의 임상 및 술기 경험 기록 자동화를 다루었다.

• 한 연구(A107)는 **자연어처리 기반 알고리즘(NLP)**을 활용하여
  • 수련생의 임상 노트에서 핵심 임상 개념을 식별하고,
  • 이를 전문가가 정의한 핵심 임상 문제(core clinical problems)에 매핑하였으며,
  • **정확도는 92.3%**에 달하였다.
• 또 다른 연구(A105)는 상용 NLP 제품을 기반으로
  • 신경과 전공의의 증례 경험을 자동 추적하였으며,
  • 1개월간 기록된 증례 수가 3배 증가하는 성과를 보였다.
• 세 번째 시스템은 **‘Trove’**로 명명되었으며(A106),
  • 전공의가 생성한 영상 진단 소견을 기반으로
  • 진단 분류를 자동 산출하고,
  • **대시보드(dashboard)**에 결과를 표시하였으며,
  • 정확도는 93.2%에서 97.0% 사이였다.
• 마지막 시스템(A108)은 **심층 신경망(Deep Neural Network)**과 **강화 학습 모델(Reinforcement Learning)**을 결합하여,
  • EHR 데이터 및 수술 일정 정보를 바탕으로
  • 전공의가 기록해야 할 수술 경험 데이터를 자동 제안하였다.

AI에 대한 지식
(Knowledge of AI)

포함된 논문 중 **51편(26.7%)**은 AI에 대한 지식, 인식(perceptions), 태도(attitudes), 기대(hopes), 우려(concerns) 등을 다루었다. 총 3편의 연구에서는 **AI 지식에 대한 객관적 평가(objective assessment)**를 수행하였다.

• 스페인에서는 의대생 281명을 대상으로 참/거짓 문항을 사용하여 일반적인 AI 지식을 평가한 결과, **정답률은 65%**였다(A117).
• 사우디아라비아에서는 의대생 476명을 대상으로 **딥러닝(DL)**에 대한 지식을 평가하였고, 이 중 54%가 5개 참/거짓 문항에 하나도 정답을 고르지 못했다(A118).
• 호주, 뉴질랜드, 미국을 대상으로 한 또 다른 연구에서는 의대생 245명을 대상으로 머신러닝(ML) 지식을 **객관식(MCQs)**으로 평가했으며, **평균 점수는 49.7%**에 그쳤다(A120).

자기 보고(self-reported) 형태의 AI 지식 수준은 지역에 따라 다양했다.

• 서호주(Western Australia)의 연구에서는 의대생의 85%가 AI에 대한 기초적인 이해를 가지고 있다고 응답하였고(A151),
• **소아안과 전문의의 91%**도 기본적인 AI 개념에 익숙하다고 보고했다(A154).
• 반면 독일 의대생은 31%만이 AI 기술에 대한 기초 지식이 있다고 응답하였다(A145).
• 한 대학병원의 소아영상의학 전공의를 대상으로 한 포커스 그룹 인터뷰에서는 AI 관련 용어와 문헌 해석에 어려움을 겪는 모습이 관찰되었다(A156).

한국에서 수행된 설문(A127)에서는,

• 의대생들이 AI 관련 정보를 얻는 주요 경로로 뉴스나 방송(82%),
• 소셜미디어(41%),
• 강의(32%),
• 친구나 가족(29%) 등을 꼽았고,
• 학술 논문이나 책을 이용하는 비율은 **22%**에 불과했다.
  미국의 한 연구에서도, 의대생의 72%, 교수의 59%가 미디어를 통해 AI를 접하고 있다고 보고되었다(A159).

AI 관련 강좌(course)의 개설 현황은 국가 간 차이가 컸다.

• 독일에서는 의과대학의 71.8%가 AI 과목을 제공하였으며, 대부분 **선택 과목 또는 비교과 과정(extra-curricular)**으로 운영되었다(A142).
• 반면 캐나다 의대생을 대상으로 한 조사에서는, 85%가 의과대학 커리큘럼 내에 정규 AI 교육이 없었다고 응답하였다(A146).

임상의학에서의 AI 활용에 대한 태도
(Attitudes Towards the Application of AI in Clinical Medicine)

AI의 임상 적용에 대한 태도는 다양하게 혼재되어 있었다. 다수의 의대생과 의사들은 AI가 임상 판단(clinical judgment), 연구(research), 감사 감사(auditing) 능력을 향상시키고, **행정 업무의 효율화(streamlining administrative processes)**에 기여할 수 있다고 인식하였다(A111, A117, A141).

그러나 동시에

• 윤리적 문제(ethical implications),
• 의사-환자 관계 약화(weakened physician–patient relationships),
• 예측 불가능한 상황에서의 AI의 한계 등에 대한 우려도 존재했다(A114, A119, A154, A140).

**의대생의 AI 사용 의도(intention to use AI)**를 다룬 두 편의 연구에서,

• 한 연구는 **UTAUT 모델(Unified Theory of User Acceptance of Technology)**을 이용해 **진단 지원(diagnostic support)**에 대한 AI 사용 의도를 조사하였고, ‘사회적 영향(social influence)’이 유일한 결정 요인으로 나타났다(A153).
• 다른 연구에서는, AI가 의료의 미래에서 중요한 역할을 한다는 강한 신념이 있을 때만 사용 의도가 나타났다(A157).

의학교육에서의 AI 활용에 대한 태도
(Attitudes Toward the Application of AI in Medical Education)

두 편의 연구가 AI의 의학교육 내 활용에 대한 인식을 조사하였다.

• 한 연구에서는 레바논 의대생을 대상으로 평가(assessment)에 AI를 활용하는 것에 대한 인식을 조사하였는데,
  • 58%가 AI가 사람보다 더 객관적일 수 있다고 응답했지만,
  • **AI만을 활용한 평가를 선호한 비율은 26.5%**에 불과했고,
  • 71%는 인간과 AI의 병합된 평가 방식을 선호했다(A131).
• 또 다른 카리브 해 지역 의과대학 연구에서는
  • 교수 중 33%가 ChatGPT를 사용하고 있었으며,
  • 주로 객관식 문항(MCQs)을 생성하는 데 활용하였다.
  • 그러나 잘못된 정보(misinformation)의 교육자료 내 유입과 **표절(plagiarism)**에 대한 우려가 존재했다.

AI에 대한 기대와 우려 (Concerns and Hopes for AI)

AI에 대한 주요 우려 사항은 다음과 같았다:

• AI로 인해 의사의 수요가 줄어들 수 있다는 점,
• 특히 **방사선과(radiology)**처럼 기술 대체 가능성이 높은 전공의 진로 선택에 부정적 영향을 미칠 수 있다는 점(A113, A115, A124, A135, A137, A147, A150).
• 의과대학 커리큘럼에서 AI 교육이 충분하지 않다는 점(A128, A143, A151)도 중요한 우려였다.

**세 편의 연구(A133, A156, A158)**는, 의학교육에 포함되어야 할 AI 관련 교육 주제로 다음을 제안하였다:

• 임상 응용(clinical applications)
• 알고리즘 개발 및 평가(algorithm development and appraisal)
• 코딩(coding)
• AI의 기초, 통계학, 윤리, 개인정보 보호(basics of AI, statistics, ethics, privacy)

의학 시험에서의 대형 언어 모델(LLMs) 성능|
(Performance of LLMs on Medical Exams)

총 **32편의 연구(A160–A191)**는 **대형 언어 모델(Large Language Models, LLMs)**이 의학 시험 또는 대형 문항은행(question banks)에서 추출한 문제를 푸는 능력을 평가하였다. 평가에 포함된 LLM에는

• Microsoft Bing Chat,
• ChatGPT,
• GPT-3, GPT-3.5, GPT-4,
• Google Bard,
• 그리고 **기타 사전 학습 언어모델들(pre-trained language models)**이 포함되었다.

이들 모델은 다음과 같은 형식의 시험에서 테스트되었다:

• 객관식 문제(Multiple Choice Questions): A160–A185, A188–A190
• 단답형 및 서술형 문제(Short answer and essay questions): A186–A187, A191

이미지 및 도해를 포함한 문항은 LLM이 시각 정보를 처리하는 데 제약이 있기 때문에 대부분 제외되었다. 몇몇 연구에서는 LLM에게 응답에 대한 ‘정당화(justification)’를 요구하기도 했으며(A164, A168, A175–A176), 이 응답의 정확성도 평가되었다.

LLM의 성과는

• 초보자부터 전문가까지의 다양한 수준의 인간 응답자,
• 정답 기준(gold standard answers)
  과 비교되었다(A160–A191).

그 결과, LLM은

• 대학 차원의 기초의학 및 임상의학 시험,
• 국가 자격시험(national licensure exams),
• 전문의 자격시험(specialty licensure exams) 등에서
  합격 기준 이상을 기록하거나 뛰어난 성적을 거둔 사례들이 보고되었다.

예를 들면,

• 대학 자체 시험: A178, A183, A184
• 국가시험: A160, A169, A180, A182, A187, A189
• 전문과목 시험: A169, A175, A181

그러나 일부 시험에서는 성과가 보통이거나 낮은 수준에 그친 경우도 존재하였다(A168, A170, A173–A174, A176, A190).

• 일반적으로 최신 세대의 LLM이 이전 세대 모델보다 성능이 뛰어났지만,
• 이러한 경향이 모든 시험에서 일관되게 나타난 것은 아니었다.
  또한, 일반 의학 시험에서는 더 좋은 성과를 보였으나,
• 전공 및 세부 전공 시험에서는 상대적으로 낮은 성적을 기록하는 경우도 있었다.

시험은 다양한 국가의 시험 문제를 기반으로 진행되었으며, 다음과 같은 국가들이 포함되었다:

• 오스트레일리아 (A177)
• 캐나다 (A162, A174)
• 중국 (A173, A190)
• 프랑스 (A160, A170, A181)
• 독일 (A165, A182)
• 인도 (A160, A163, A183–A184, A187)
• 이탈리아 (A160)
• 일본 (A189)
• 대한민국 (A171, A180)
• 네덜란드 (A179)
• 사우디아라비아 (A178)
• 스페인 (A160)
• 스위스 (A185)
• 대만 (A173)
• 터키 (A166)
• 영국 (A160, A167, A191)
• 미국 (A160–A161, A164, A168–A169, A172–A173, A175–A176, A186, A188)

대부분의 경우, 영어로 된 문제에서 LLM이 더 좋은 성과를 보였으며, 다른 언어로 된 문항을 영어로 번역한 경우에도 성능이 향상되었다. 그러나 타 언어에서의 성능은 매우 가변적이었으며,
예를 들어

• 프랑스어 문제에서는 정확도 22%,
• **이탈리아어 문제에서는 정확도 73%**로 큰 차이를 보였다(A160, A170).

현재로서는,

• 학습자와 교육자는 LLM의 정확도에 변동성이 크다는 점을 인식하고 신중히 접근할 필요가 있다(A188).
• 그러나 최신 LLM들의 눈에 띄는 성능 향상은 이러한 한계를 조만간 극복할 가능성을 보여준다.

LLM의 능력이 향상됨에 따라,

• 공식 평가(formal assessment)의 공정성(integrity),
• 신뢰도(reliability) 및
• **타당도(validity)**에 대한 우려도 증가할 것이다.

이에 따라

• 평가 방식의 재설계,
• **사실 회상(fact recall)**보다 **정보 통합 능력(information integration ability)**을 강조하는
  ‘오픈북(open-book)’ 형태의 시험으로의 패러다임 전환이 필요할 수 있다(A186).

리뷰에 포함된 관점(Perspectives) 논문 개요
(Overview of Perspectives Publications Included in the Review)

본 리뷰에는 총 **87편의 관점 논문(perspectives publications)**이 포함되었으며, Supplementary Table 3에서 P1–P87로 라벨링되었다. 이들 문헌은 논평(commentaries), 사설(editorials), 독자 서한(letters to the editor) 등으로 구성되어 있으며, **의학교육에서 AI 활용에 대한 의견, 제언, 혹은 실제적 활용 사례의 가능성(use cases)**을 제시하고 있다.

연구진은 이들 문헌을 **주된 내용(primary content)**에 따라 다음의 다섯 가지 범주로 분류하였다:

1. 의학교육에 AI를 통합해야 하는 당위성에 관한 일반 논의 – 42편
2. AI의 교육적 응용 및 개발 제안 – 18편
3. AI 기반 교육과정 개발 프레임워크 – 8편
4. 교육과정 내용, AI 역량, 활용 자원에 대한 제안 – 15편
5. AI 윤리 관련 고려사항 – 4편

또한 일부 문헌은 **보조 주제(secondary content)**로 다른 범주와도 중복되는 내용을 포함하고 있다. (자세한 내용은 Supplementary Table 3 및 Supplementary Appendix 2 참고)

의학교육에 AI를 통합해야 하는 중요성
(Importance of Integrating AI into Medical Education)

다수의 관점 논문에서는 AI를 의학교육에 통합하는 것이 미래 의사들이 임상에서 AI를 효과적으로 활용하도록 준비시키기 위해 필수적이라고 주장하였다(P50, P52–53, P60, P65–67, P70, P79). AI는 이미 **진단 및 치료 결정(diagnosis and treatment decisions)**에 영향을 미치고 있으며, 의대생과 레지던트들이 의료 시스템에서 AI 도구를 적절히 사용할 준비가 되어 있어야 한다는 것이다. 또한, 일부 논문에서는 AI가 교수-학습(teaching and learning)(P55–56, P58–59, P61, P64, P69, P71, P84–86)이나 평가(assessment)(P48, P81)를 향상시키는 도구로서의 가능성을 강조하였다.

두 편의 논문은 의학교육자에게

• AI의 영향,
• 윤리적 및 법적 고려사항에 대한 교육을 포함시킬 것을 제안하였다(P57, P87).

반면 몇몇 논문은

• AI가 임상 학습을 제한하거나 왜곡할 가능성에 대한 우려를 제기하였다(P46, P49, P54, P63, P72–73, P82).

기타 관점 논문들은 AI의 활용 가능성에 대한 일반적인 견해를 공유하였다(P47, P49, P51, P54, P62, P68, P74–78, P80, P82–83).

교육적 활용 사례 및 개발 아이디어 제안
(Specific Suggestions for Educational Applications and Ideas for Development)

총 18편의 관점 논문에서는 AI 도구를 활용한 구체적인 교육적 적용 방안을 다음과 같이 제시하였다:

• 지능형 튜터링 시스템(Intelligent Tutoring Systems, ITSs):
  • 의사결정 능력 향상을 위한 개인 맞춤형 학습 경험 제공(P5)
• AI 기반 학습자 평가:
  • **잠재 의미 분석(Latent Semantic Analysis)**을 활용한 임상 케이스 요약 평가 및 피드백 제공(P11)
  • NLP 기반 임상술기 평가 자동화(P15)
• 챗봇(ChatBot, 예: ChatGPT):
  • 의학 문헌 분석을 통한 임상 관리 교육(P10)
  • USMLE 및 기타 시험 대비 지원(P12, P17)
  • 비판적 사고, 창의성, 환자 의사소통 촉진(P8, P14, P16)
• 개인 맞춤형 학습 플랫폼(Personalized Learning Platforms):
  • 학습 경로 설계(P1)
  • 개인 맞춤 피드백 제공(P8)
• 로봇 수술 시뮬레이션 (Robot-Assisted Surgery Simulations):
  • 가상현실(VR)을 활용한 AI 수술 교육 및 평가(P13)
• 해부학 교육 향상:
  • 해부학의 교수, 학습, 평가 전반에서 심화 학습 및 장기 기억 정착 유도(P2)
• AI 도구를 활용한 입학 서류 준비:
  • 의대 입학 서류, 레지던시 자기소개서 작성(P6, P18)
  • 단, 공정성 확보를 위한 가이드라인 필요성도 제시
• AI 생성 예술(art):
  • 환자와의 상호작용을 시각적으로 스토리텔링하는 데 활용(P7)
• 수술 중 영상 분석을 통한 ML 교육:
  • 역량 기반 환자 평가 역량 교육(P9)

의학교육 내 AI 활용 프레임워크
(Frameworks for AI in Medical Education)

여러 관점 논문에서는 AI를 의학교육에 통합하기 위한 구조적 틀을 제안하였다:

• AI 리터러시 프레임워크(AI literacy framework):
  • 의대 입학, 교육, 평가, 연구 전반에서의 AI 적용 가능성과 영향력 제시(P19)
• 영상의학 교육 프레임워크:
  • 개인화 학습 및 의사결정 지원 도구로서의 AI 역할 강조(P20)
• 디지털 기술 교육 프레임워크:
  • 데이터 보호, 법적 고려사항, 디지털 커뮤니케이션, 데이터 분석 역량 등 포함(P21)
• 사례 기반(case-based) UME 교육 프레임워크:
  • AI 교육 내용을 사례 중심으로 정교하게 구조화(P22)
• AI에 조기 및 점진적으로 노출시키는 프레임워크:
  • 학습자의 임상 적응 능력 개발을 위한 분석 계층 제공(P23)
• 의료지식 기반 확장을 위한 프레임워크:
  • 보건의료 경제, 규제, 환자진료와 관련된 AI 내용 포함(P24)
• AI 윤리 통합 프레임워크(embedded AI ethics education framework):
  • 기존 생명윤리 교육과 통합하여 의료 AI의 윤리적 측면을 교육할 수 있도록 설계(P25)
• ML 기반 교육과정 프레임워크:
  • 임상의의 연구 역량, 통계 지식, 임상 역량 향상에 기여하는 ML 교육 구조 제안(P26)

AI 교육과정 내용 및 역량, 도구와 자원에 대한 권고사항

총 **15개의 논의(perspectives)**에서 의료 교육에서 인공지능(AI)을 가르치기 위한 교육과정 개발에 도움을 줄 수 있는 AI 관련 내용, 역량(competency), 그리고 구체적인 도구와 자원에 대한 명시적인 권고를 제시하였다.

권고된 교육 내용에는 다음과 같은 주제가 포함된다:

• AI가 의료 실무를 변화시키는 상황에서, 의사들이 환자의 요구를 충족시키기 위해 알아야 할 사항들 (P31–32),
• 데이터 과학(data science) 및 AI의 기반 개념(P33, P35),
• AI를 활용한 외과적 결과 향상 (P41),
• 안과의사를 위한 외과적 훈련 (P40),
• AI 모델 성능, 경제적 영향, 영상의학에서의 보고서 생성 (P38–39, P37),
• 근거중심의학(evidence-based medicine)을 뒷받침하는 데이터 과학 (P36),
• AI를 활용한 진단 및 예후 예측(diagnostics and prognosis) 기법 (특히 혈액학 분야) (P28),
• 기계 학습(machine learning)의 개념적 기반 (P34),
• 의료에서의 AI 윤리적 활용(ethical uses) (P27) 등이 있었다.

특히 한 출판물에서는 ‘의료 데이터 과학 의사(Doctor in Medical Data Sciences)’라는 새로운 전문 분야의 커리큘럼을 제안하였으며 (P29), 또 다른 출판물은 **1차 진료(primary care)에서의 AI 도구 활용을 위한 6개 역량 영역(six domains of competency)**을 Quintuple Aim의 맥락에서 설명하였다(P30).

AI 교육을 위한 윤리적 고려사항 (Ethics Considerations for AI Education)

총 **14개의 논의(perspectives)**에서는 **AI가 보건의료에 도입되면서 발생하는 윤리적 풍경(ethical landscape)**에 대한 다면적(multi-faceted) 시각을 반영하였다. 이들 중 다수는 AI 응용의 한계에 대한 신중함을 나타냈으며, 의료 교육에서의 AI 활용이 가지는 한계에 대해 **우려(caution)**를 표명하였다. 또한 이 논의들은, 의료 전문가들이 AI로 인한 새로운 도전에 적절히 대응할 수 있는 기술과 자질을 갖추는 것이 중요하며, AI 시대에도 인간의 판단력(human judgment)과 윤리적 사고(ethical reasoning)의 가치는 대체될 수 없다는 점을 강조하였다.

윤리 교육의 중점 분야에 대한 권고 (Recommended Focus for Ethics Education)

여러 관점 논문(perspectives papers)은 의료와 의학교육에서의 AI 활용에 따른 윤리적 문제를 지적하며, 의사들이 그러한 윤리적 도전에 **직면할 책임(responsibility)**이 있다는 점을 논의하였다. 이러한 논문들은, 현재와 미래의 의사들이 이러한 문제를 다룰 준비가 되어야 하며, 우리가 아직 AI의 윤리적 함의(ethical implications)를 충분히 이해하지 못했으며, 이러한 도전에 어떻게 적절히 대응해야 할지에 대한 방법 역시 완전히 갖추지 못했다는 사실을 인정한다.

이 논문들을 종합적으로 고려할 때, 의학교육에서 다루어야 할 주제에 대한 **중요한 통찰(insights)**을 제공하며, 의학교육자들이 커리큘럼에 포함해야 할 윤리적 이슈에 대한 명확한 지침을 얻는 데 도움이 된다. 이러한 논의에서 제안된 윤리 교육의 핵심 주제는 Figure 3에 요약되어 있다. (→ 그림 내용이 이어진다면 다음 부분에서 추가로 번역하겠습니다)

윤리 교육의 중점 주제들 (계속)

• 알고리즘 편향과 형평성 (Algorithmic Bias and Equity): 미래의 임상의들은 특히 대표성이 부족한(non-representative) 데이터셋에 기반한 학습으로 인해 발생하는 **보건의료 AI의 편향(bias)**을 이해해야 한다(P42). AI 커리큘럼을 통해, 의사들은 자신의 전제(assumption)와 임상 실무 및 AI 시스템에 내재한 편향을 **비판적으로 성찰(critical reflection)**할 수 있으며, 이는 AI의 출력 결과를 더 잘 해석하고 현재 의학 지식의 한계를 인식하는 데 도움이 된다(P22).
• 자원 배분(Resource Allocation): AI는 보건의료 내 **공정한 자원 배분(just resource allocation)**과 형평성(equity) 문제를 전면에 드러내며, 학생들에게 **정의로운 의료 정의(healthcare justice)**를 위해 AI가 어떻게 설계되고 사용되어야 하는지 고민하게 만든다(P42).
• 안전 및 품질 보장(Safety and Quality Assurance): AI의 책임 있는 사용을 위해, **의료 전문가 간의 합의(consensus)**가 필요하다. 이는 의사로서 **안전하고 효과적으로 진료할 의무(professional obligation)**와도 연관된다(P25). 임상 실무에 AI가 통합되면서, 학생들은 AI 안전성에 대한 규제 노력(regulatory efforts), 그 한계, 그리고 윤리적 함의를 이해해야 한다(P42).
• 인간 상호작용과 공감적 돌봄(Human Interaction and Compassionate Care): AI 기반 윤리 교육은 전통적 방식에 비해 학생들의 **공감(compassion)**을 함양하는 데 덜 효과적일 수 있다. 한 출판물은 공감은 가르칠 수 있으며, 의학교육에서의 **긍정적인 역할 모델(role model)**이 학생들의 공감적 실천에 대한 이해를 심화시킬 수 있다고 주장하였다(P44).
• 데이터 프라이버시 및 보안(Data Privacy and Security): 의료에서 AI를 활용하려면, 환자 데이터에 대한 윤리적 처리와 법적 측면에 대한 깊은 이해가 필요하다(P42, P43). 사용 가능한 데이터셋이 방대해지고 AI의 능력이 향상됨에 따라, 데이터 비식별화 해제(de-anonymization) 또는 재식별(reidentification) 가능성이 높아지고 있으며, 이는 다른 데이터와의 **교차 참조(cross-referencing)**를 통해 이루어질 수 있다(P43).
• 자동화 편향 및 임상기술 보존(Automation Bias and Skill Preservation): AI에 대한 **과도한 신뢰(undue reliance)**로 인한 **자동화 편향(automation bias)**은 오류를 초래할 수 있으므로, 균형 잡힌 신뢰와 회의적 시각이 요구된다(P25).
  윤리 교육은 AI가 의사의 역할을 대체하는 것이 아니라 보완해야 함을 강조해야 하며, 교육은 AI가 대체할 수 없는 임상 기술과 인간 상호작용을 유지하는 데 중점을 두어야 한다(P42). 또한, 하이브리드 인텔리전스(hybrid intelligence) 시스템을 활용하여 **환자-의료진 간의 치료적 관계(therapeutic relationship)**와 **공감(empathy)**을 강화할 수 있도록 해야 한다(P44).
• 투명성과 설명된 동의(Transparency and Informed Consent): 건강 AI의 사용은 설명된 동의(informed consent) 및 AI가 진료 결정에 어떤 식으로 개입하는지를 환자에게 알릴 의무에 대한 핵심적인 질문을 제기한다(P42). **의료 AI에 대한 숙련도(proficiency)**는 **윤리적 역량(ethical competency)**과 불가분의 관계에 있으며, 윤리적 고려는 임상 결정에 영향을 미치고, 반대로 임상 결정도 윤리적 사고에 영향을 준다. 미래의 의사들은 AI의 잠재적 결과를 인식하고, 이를 윤리 원칙에 비추어 환자와 논의할 수 있는 능력을 배양해야 한다(P25). 의학교육에서는 학생들이 자신의 데이터가 어떻게 수집되고, 동의는 어떤 의미를 가지며, 그 범위가 어디까지인지를 명확히 이해하도록 해야 한다(P43).

윤리 교육을 위한 제안된 교육적 접근법 (Proposed Educational Approaches for Ethics Education)

AI 윤리 교육을 위한 한 가지 권장 접근법은, 실제 사례(real-life case studies)를 의학교육 커리큘럼에 포함시키는 것이다. 이 방법은 설명된 동의(informed consent), 편향(bias), 투명성(transparency) 등 **보건의료 AI가 제기하는 다면적인 윤리 문제(multifaceted ethical issues)**를 구체적으로 보여줄 수 있다(P42). 이러한 사례 기반(case-based) 방법론은 이론적 이해를 풍부하게 하는 동시에, 학생들의 **실천적 의사결정 능력(practical decision-making skills)**을 연마하는 데 도움을 준다.

또 하나의 접근법은 **‘내재된 AI 윤리 교육 프레임워크(Embedded AI Ethics Education Framework)’**를 적용하는 것이다. 이 접근법은 기존의 의료 윤리 수업 내에서 AI 윤리 교육을 점진적으로 통합하는 방식으로, 기술 오남용으로 인한 잠재적 해악(potential harms)을 다루고, 환자 진료의 핵심이라 할 수 있는 **위험-이익 분석(risk-benefit analysis)**을 수행할 수 있도록 학생들을 준비시킨다(P25).

세 번째 접근법은 현재 임상 현장에서 실제로 사용되고 있는 AI 시나리오를 학습 사례로 활용하여, 학생들이 AI의 기술적 측면과 윤리적 함의를 함께 비판적으로 평가할 수 있도록 준비시키는 것이다(P22). 이 접근법은 **비판적 성찰(critical reflection)**을 촉진하고, 환자 중심 진료(patient-centered care)에서 AI를 활용하기 위해 필요한 **학제 간 대화(interdisciplinary dialogue)**를 장려한다.

또 다른 접근법은, 전통적인 의학교육에서 **윤리 교육을 사람 중심(human-led)**으로 진행해온 것처럼, AI의 한계(limitations)를 강조하면서 인간 중심의 윤리 교육을 유지하는 것이다. 이 방식은 기술에 대한 의존보다는 인간의 상호작용(human interaction)과 도덕적 추론(moral reasoning)의 함양에 초점을 맞추며, 동시에 인간과 기계가 서로 배우며 윤리적 의사결정에서 더 나은 성과를 낼 수 있는 ‘하이브리드 인텔리전스(hybrid intelligence)’ 시스템의 가능성도 열어둔다. 이러한 다양한 교육 전략들을 종합해보면, 보건의료와 보건전문직 교육에서 AI가 가져온 복잡성(complexity)을 극복하기 위해, 의료 전문직 종사자들이 기술적 능력(technical skill)과 윤리적 식별력(ethical discernment)을 모두 갖추는 것이 필수적임을 강조하고 있다.

Discussion

본 리뷰는 의학교육 영역에서 인공지능(AI)에 대한 폭발적인 관심의 확산을, 출판된 문헌들을 통해 조망하려는 여정을 시작하였다.
**논문 및 관점(perspectives) 문헌에 대한 상세한 표, 요약 인포그래픽, 관련 설명 서술(narrative)**은 현재 근거의 상태를 명확하게 보여준다.

AI에 대한 최초의 의학교육 관련 연구는 1992년으로 거슬러 올라가며, 이는 실제 AI가 개발된 시점보다 훨씬 후의 일이지만, 이후 지속적인 출판물 증가는 AI에 대한 끊임없는 흥미와 꾸준한 진화를 보여준다. 최근의 출판 급증은 처음에는 해당 분야의 성숙과 함께 발생한 자연스러운 성장으로 보일 수 있으나, 우리의 분석에 따르면 이는 ChatGPT의 공개 출시와 직접적인 관련이 있는 동시대적(contemporaneous) 반응으로 보인다.

최근 AI 기술의 발전은 전 세계적으로 접근 가능하고 비용 효율적인 AI 도구들이 빠르게, 광범위하게, 그리고 사실상 한계 없이 확산되는 결과를 낳았다. 이러한 **기술의 민주화(technological democratization)**는 출판물의 출신 지역 다양성에서도 나타나며, 약 3분의 1이 북미 또는 유럽의 전통적 학문 중심지를 벗어난 지역에서 출판되었는데, 이는 최근의 대부분 BEME 리뷰보다 높은 수치이다¹²³⁴.

이 리뷰는 중앙집중적(centralized) 관점에서 분산(distributed)된 관점으로의 전환을 반영하며, AI가 전 세계 의학교육을 어떻게 변화시키고 있는지를 보다 포괄적이고 통합적인 시각으로 이해하게 해준다. 이 **스코핑 리뷰(scoping review)**는 AI의 의학교육 내 여정을 그려나가면서, 단순히 근거의 증감만이 아니라 교육 환경 전반에 스며든 광범위한 변화를 드러낸다.

이러한 **전반적 환경 수준에서의 변화(impact at such a broad environmental level)**를 고려할 때, 본 분석은 **Oberg의 문화 충격 이론(culture shock theory)**의 네 단계, 즉 **허니문(Honeymoon), 좌절(Frustration), 적응(Adaptation), 수용(Acceptance)**과 잘 맞아떨어진다¹². 각 단계는 AI 통합에 대한 감정적, 심리적, 행동적 반응을 개인 및 영역에 따라 다양하게 나타나는 방식으로 표현한다.

• ‘허니문(Honeymoon)’ 단계는 **매혹(fascination)**과 **이상주의(idealism)**가 혼합된 상태로, 주로 **관점 논문(perspective articles)**이나 **혁신 사례 논문(innovation pieces)**에서 나타난다. 이들 논문은 전문가들에 의해 작성된 경우가 많으며, 의미 있는 통찰(insight), 유용한 자원(resources), 그리고 향후 발전 방향에 대한 기초를 제공한다.
  하지만 이들은 종종 AI의 잠재력에 대해 과도하게 낙관적이며, 윤리적 고려와 도전 과제에 대한 탐색이 부족한 경향이 있다.
• ‘좌절(Frustration)’ 단계에서는 AI에 대해 압도당한 느낌(feeling overwhelmed), 이해 부족에 대한 두려움(fear), **방향 상실감 및 소외감(feeling lost and out of place)**이 나타난다. 이러한 반응은 충분히 타당하며, AI라는 시스템 충격(shock)에 적응하기 위한 필연적인 단계로 이해할 수 있다. 특히 AI의 구체적 응용에 따른 윤리적 고려와 도전 과제는 반드시 고려되어야 하며, **지속가능한 도입(sustainable implementation)**을 위해서는 이들 간의 균형이 중요하다.
• **NLP, 특히 ChatGPT를 의학시험에서 활용한 연구들[A160–191]**에서는, 많은 논문들이 **양가적 태도(ambivalence)**를 보였다. 이는 문화 적응(cultural adaptation)의 비선형적(nonlinear)이며 개인적인 성격을 반영하며, 허니문과 좌절 단계를 동시에 경험하는 듯한 모습—**AI의 능력에 대한 경이로움(awe)**과 **기존 의학교육 방식이 필요 없어질지도 모른다는 우려(apprehension)**가 공존한다. 우리는 이 논문들을 단순한 사례로 언급하는 것이 아니라, 혁신적이거나 새로운 관점을 제시하지 않는다면, 이와 유사한 추가 연구는 더 이상 정당화되기 어렵다는 점을 강조하고자 한다.
• AI 통합에 따른 초기 좌절과 도전이 명확히 인식되기 시작하면, ‘적응(Adaptation)’ 단계로 전환된다. 이 단계에서는 교육자들이 실용적이고 효과적인 방식으로 AI 도구를 도입하기 시작한다. 이 시기는 AI에 대한 경외감이나 회의에서 벗어나, **보다 균형 잡힌 현실적 통합(balanced and functional integration)**으로 전환되는 시기이며, AI의 **실제 활용 사례(use cases)**가 등장하는 것이 특징이다. 그러나 관점 논문에서는 이러한 사례들에 대한 논의가 종종 **장기적 이해나 반복적 탐구(longitudinal or iterative understanding)**를 결여하고 있다는 점도 지적할 필요가 있다. 이는 효과적인 통합을 위해 매우 중요한 요소이다.
• 마지막 단계인 ‘수용(Acceptance)’ 단계에서는 교육자들이 AI와 맺는 관계가 **단순한 적응(adaptation)**을 넘어, 진정한 통합과 편안함의 상태로 **변모(transformation)**하는 모습을 볼 수 있다. 이 단계는 AI가 더 이상 외부의 혼란을 주는(disruptive) 요소가 아니라, **교육 설계의 필수 구성 요소(integral part of the educational blueprint)**로 받아들여지는 전환의 지점을 의미한다. 이 단계에 해당하는 일부 출판물은, AI에 대한 **깊은 이해(deep understanding)**와 **숙련된 활용(skillful utilization)**을 보여주며, AI 기술을 **교육 개발 전반에 걸쳐 창의성(creativity), 비판적 사고(critical thinking), 미래지향적 시각(forward-looking perspective)**과 함께 자연스럽게 통합하고 있다. 이러한 **성숙한 수용의 단계(mature phase of acceptance)**는 단순히 AI 도입의 충격(shock)에서 회복하는 것을 넘어서, **기술을 능동적이고 사려 깊게 수용하는 태도(proactive, thoughtful embrace)**를 상징한다. 이 단계의 교육자들은 **진정한 의미의 선구자(pioneers)**가 되어, AI가 의학교육에 **조화롭고 혁신적으로 통합될 수 있는 기준(benchmark)**을 제시하며, 그들의 경험과 실천은 넓은 교육 공동체에 **귀중한 통찰(insight)**을 제공한다. 이들은 **불안(apprehension)에서 수용(acceptance)**으로 나아가는 여정에서, 기술 수용뿐 아니라 개인적·전문적 성장의 여정을 함께 보여준다.

우리가 데이터를 추출하고 도식화하는 과정에서, 연구 보고 방식에 있어 **중대한 공백(critical gaps)**을 확인할 수 있었다. AI가 의학교육에 적용되는 과정에서의 ‘나침반(compass)’ 역할을 할 체계적인 틀이 필요하다는 것이다. 이러한 간극을 해소하기 위해서는 교육 맥락, 단계, AI 기술 등 서로 분절된 요소를 단순히 나열하는 수준을 넘어, **보급(dissemination), 재현(replication), 혁신(innovation)**을 지원하는 **포괄적 프레임워크(comprehensive framework)**가 요구된다. 이에 저자들은 FACETS 프레임워크를 제안한다(도표 Figure 4 참조).

이 구조화된 접근은 향후 AI 연구에 있어 다음의 핵심 요소들에 중점을 둔다:

• 형태(Form)
• 활용 사례(Use Case)
• 맥락(Context)
• 교육 형태(Education Form)
• 기술(Technology)
• 기술 통합을 위한 SAMR 프레임워크

본 리뷰는 이 요소들이 대부분의 문헌에서 개별적으로는 보고되고 있으나, 단일 논문 내에서 통합적으로 보고된 경우는 드물다는 점을 지적한다. 이러한 분절된 요소들을 체계적이고 통합된 방식으로 결합하는 것은, 의학교육자 및 연구자 모두에게 AI 기술이 어떻게 사용되고 있는지, 기존 실천과의 연계는 어떠한지, 그리고 교육 맥락에 어떻게 통합될 수 있는지를 설명하는 데 매우 유용하다.

FACETS는 단순히 연구자가 자신의 논문을 구상하는 데 도움이 되는 틀일 뿐 아니라, 독자가 AI의 전체적 범위와 영향력을 파악하는 데에도 도움이 되도록 설계되었다. 이는 이 분야의 이해와 혁신을 진전시키는 데 필수적인 접근이며, 향후 연구에 대한 **저자 팀의 핵심적인 권고사항(core recommendation)**이기도 하다.

이 프레임워크는 **관점 논문(perspective pieces)**이나 **태도 조사(attitude surveys)**에는 적용되지 않을 수 있으나, AI 활용 사례나 보다 광범위한 혁신에 대해 보고한 논문의 저자들이 이를 활용한다면 상당한 이점을 제공할 수 있다. FACETS 프레임워크는 연구 간의 수렴 지점을 식별하고, **보다 초점을 맞춘 후속 종합 연구(focused syntheses)**를 위한 유용한 안내자가 될 수 있다.

본 리뷰는 철저하고(rigorous), 체계적이며(systematic), 광범위한(wide-ranging) 작업으로, 스코핑 리뷰(scoping review)의 전통에 충실하게 부합하는 방식으로 수행되었다. 따라서, 향후 추가적인 스코핑 리뷰는 필요하지 않다고 판단된다.
그러나 **현재의 폭발적 연구 생산 속도(velocity of output)**를 고려할 때, 입학(admissions), 교수(teaching), 평가(assessment), 임상 추론(clinical reasoning) 영역에서는 곧 **보다 심층적인 체계적 문헌고찰(systematic reviews)**이 필요해질 것이다. 또한 본 리뷰의 범위를 벗어나 있어 다루지 않았지만, 의학교육 연구에서 AI 활용이라는 또 다른 영역도 체계적 문헌고찰이 필요할 수 있다. **교육기관이 보유한 방대한 빅데이터(big data)**의 **미개척 가능성(untapped potential)**을 고려할 때, 이는 추가 연구가 절실히 요구되는 핵심 분야임이 분명하다.

한계점 (Limitations)

이 리뷰의 한계는 스코핑 리뷰의 본질적 한계에서 비롯된다. 스코핑 리뷰는 본질적으로 근거의 종합(synthesis)을 목표로 하지 않는다는 점에서 제한이 있다(Levac et al., 2010)¹. 또한, 연구를 **범주화하는 과정에서의 주관성(subjectivity)**도 한계로 작용한다. 예를 들어 일부 연구는 **교수(teaching)**와 평가(assessment) 두 영역 모두에 해당될 수 있다. 아울러, 용어의 **일관성 부족(inconsistent terminology)**도 문제로 지적되는데, 이는 의학교육 내 빠르게 발전하는 AI 분야의 복잡성을 여실히 보여준다.

AI 관련 문헌의 범위가 방대하고 계속 진화하는 특성상, 본 리뷰는 **초기 단계에서 검색 전략을 여러 차례 반복(iterated the search)**하였지만, 그럼에도 불구하고 일부 연구가 누락되었을 가능성은 존재한다. 이는 체계적이고 엄격한 방법론을 사용했음에도 불구하고 발생할 수 있는 현실적 한계이다.

또한 본 리뷰는 BEME 리뷰로서는 **비정통적(unconventional)**이지만, 다양한 시각 제공을 위해 perspective article을 포함하였다. 그러나 이러한 포함은 일부에게는 리뷰의 경험적 강도(empirical strength)를 희석시키는 것으로 인식될 수 있다. 이에 따라, 본 연구팀은 이들 관점 논문을 **별도의 병렬 데이터 집합(parallel data set)**으로 구분하여 투명하게 제시하기로 결정하였다. 이는 이 논문들이 무엇을 제공하고 무엇을 제공하지 않는지를 명확히 밝히는 데 큰 가치가 있었기 때문이다.

한편, 본 리뷰는 **Arksey & O’Malley의 스코핑 리뷰 프레임워크의 여섯 번째 단계(외부 전문가 자문)**를 수행하지 않았다. 저자 팀 내에 AI 및 교육 전문가가 포함되어 있어 해당 역할을 수행했다고 판단했지만, 이 과정을 생략한 점은 한계로 간주될 수 있다.

실천 및 정책에 대한 함의 (Implications for Practice and Policy)

이 리뷰는 AI가 의학교육에서 갖는 **변혁적 역할(transformative role)**을 강조하며, AI를 교육과정 개발(curriculum development), 교수법(teaching methodologies), 학습자 평가(learner assessment) 등 여러 측면에 **통합(integration)**시켜야 할 필요성을 제기한다.

이는 기존의 역량 프레임워크를 업데이트하고, 의학교육에서의 AI 활용에 대한 표준화된 가이드라인을 수립할 필요성을 의미한다. 또한, **교육자, 정책 결정자, AI 개발자 간의 협력(collaborative efforts)**이 강조되며, 이를 통해 **형평성(equity)**과 접근성(accessibility) 문제를 해결하고, 편향 없는 AI 도구의 보편적 이용을 보장할 수 있어야 한다. 

AI에 대한 초기 흥미에서 **실질적 채택(profound adoption)**으로 나아가기 위해서는 **지속적인 자원 및 시간 투자(continuous investment in resources and time)**가 필수적이다. 아울러, AI 사용에 따른 윤리적 문제와 오남용의 위험을 관리하는 것 역시 매우 중요하다. 무엇보다도, AI를 통해 새로운 통찰과 효율성을 얻더라도, 보건의료에서의 인간 요소(human element)는 결코 대체되어서는 안 된다는 점이 핵심이다.

**윤리 교육(ethical education)**은 필수적이며, AI가 의료제공자의 역할을 대체하는 것이 아니라 보완(enhance)해야 함을 보장해야 한다. 이는 환자-의료진 관계(patient-provider relationship), 공감(empathy), 그리고 **환자의 자율성(respect for patient autonomy)**을 지키는 데도 필수적이다. 이러한 접근은 **의료의 탈인간화(dehumanization)**를 방지하고, 의료전문직의 핵심 가치와 인간적 기술을 강화하는 방식으로 AI가 활용되도록 만든다.

미래 연구에 대한 함의 (Implications for Future Research)

본 리뷰는 향후 연구 및 교육 개발을 위한 핵심 영역을 다음과 같이 제시한다:

• **AI가 의학교육 전반 및 특정 학습성과에 미치는 장기적 영향(long-term impact)**에 대한 **포괄적 연구(comprehensive studies)**의 필요성
• 자동화 편향(automation bias), 과소·과대기능화(over-/under-skilling), 불균형 심화(disparity exacerbation),
  그리고 **핵심 임상기술의 보존(preservation of essential clinical skills)**과 같은 AI 관련 위험요소에 대한 연구
• 향후 AI 관련 연구에서 FACETS 프레임워크의 활용 권장

이와 같은 포괄적 접근을 통해, AI는 윤리적으로 타당하며(ethically sound), 교육적으로 효과적이고, 위험성과 도전과제를 충분히 인식한 채로 의학교육에 통합될 수 있을 것이다.

결론 (Conclusions)

본 리뷰가 그려낸 의학교육 내 AI의 지형은, 단계, 전문 분야, 목적, 활용 사례에 이르기까지 매우 광범위하며, 그 대부분은 아직 **초기 적응 단계(early adaptation phase)**에 머물러 있다. **장기적이고 구조적인 변화(longitudinal or deep change)**를 보여주는 사례는 극히 일부에 불과하다. 이에 본 리뷰의 핵심 성과 중 하나는 FACETS 프레임워크로, 향후 연구와 실천을 위한 **체계적 접근법(structured approach)**을 제공한다는 점에서 의미가 크다. 현재로서는 즉각적인 체계적 문헌고찰(systematic review)의 필요성이 뚜렷이 나타나지는 않지만, AI의 **동적 특성(dynamic nature)**을 고려할 때, **지속적인 감시(vigilance)와 유연한 대응(adaptability)**이 필요하다는 점은 명백하다.

Developing a Canadian artificial intelligence medical curriculum using a Delphi study

🧠 의대생을 위한 AI 교육, 어디까지 가르쳐야 할까?

– 캐나다 전문가 106명이 만든 의학 AI 교육의 핵심 리스트

요즘 의료 인공지능(AI)에 대한 관심, 정말 뜨겁죠?
AI가 판독을 돕고, 문서를 대신 써주고, 예후까지 예측해주는 세상인데…
정작 의대에서는 이걸 어떻게, 얼마나 가르쳐야 할지 막막하다는 목소리가 많습니다.

그래서 캐나다 연구진이 나섰습니다!
캐나다 전역의 AI, 의학교육, 임상의 전문가 106명을 대상으로 델파이 방법(Delphi method)을 써서
의대생을 위한 AI 교육 커리큘럼을 직접 정리한 연구가 나왔어요.
👇 핵심 내용을 함께 살펴볼게요!

🔍 연구 목적: “AI, 뭘 가르쳐야 하지?”

연구팀은 이렇게 말합니다:

"This curriculum aims to equip the next generation of healthcare providers with the competencies required to integrate AI into their clinical workflows confidently."
“이 커리큘럼은 차세대 의료인이 AI를 임상 업무에 자신 있게 통합할 수 있는 역량을 갖추도록 돕는 데 목적이 있다.”

📋 방법: 전문가 106명이 107개 항목 평가

• 델파이 방식으로 3라운드에 걸쳐 설문
• 총 107개의 학습 요소를 주제별로 제시
• 포함(inclusion) 기준: 70% 이상이 4점 또는 5점
• 제외(exclusion) 기준: 70% 이상이 1점 또는 2점
• 나머지는 "합의 미도달(no consensus)"

🧭 6개 핵심 주제

연구진은 AI 교육 내용을 다음 **6가지 주제(Core Themes)**로 나눴습니다:

✅ 포함된 항목 (총 82개, 77%)

합의에 따라 **가장 많이 포함된 주제는 ‘윤리’와 ‘의사소통’**이었습니다.
예를 들어…

"Explain the importance of data privacy in the context of using AI with healthcare data."
“의료 데이터에 AI를 적용하는 맥락에서 데이터 프라이버시의 중요성을 설명할 수 있어야 한다.”

또한, ‘이론’과 ‘응용’ 영역에서도 AI의 신뢰성 평가, 의사결정에 활용, 오류 해석(error analysis) 같은
임상 활용을 위한 기초적 역량이 포함되었습니다.

❌ 제외된 항목들 (총 20개)

너무 기술적이거나 의대생 수준에서 과도한 프로그래밍 능력을 요구하는 항목들은 제외되었어요.

예를 들어:

"Use TensorFlow to build and train deep learning models."
“TensorFlow를 이용해 딥러닝 모델을 구축하고 학습시키는 것” → ❌ 제외

🤔 합의되지 못한 항목들

70% 기준을 넘지 못한 애매한 항목들도 있었어요.
대표적으로 이런 것들:

• "List the key issues surrounding the intellectual property of AI." (지적재산권 쟁점 열거) → 54% 찬성
• "Train AI models using appropriate techniques and algorithms." (AI 모델을 적절히 학습시키기) → 69% 찬성
• "Use Keras to build and train deep learning models." → 69% 제외 찬성

이들은 앞으로 교육 수요와 기술 변화에 따라 포함될 수도 있겠죠.

🔗 전문가의 평가 기준은?

흥미롭게도 M.D. vs Ph.D. 간 평가 차이는 거의 없었다고 해요!
→ "This similarity may be attributed to a broad consensus on core elements that are important..."
→ “이러한 유사성은 핵심 요소에 대한 폭넓은 공감대 때문일 수 있다.”

🧩 실제 교육에 어떻게 녹일까?

논문은 다음과 같은 현실적 접근법을 제안해요:

• AI 윤리, 프라이버시는 생명윤리 강의에 통합
• AI 관련 통계 개념은 생물통계(biostatistics) 수업에서 함께 다루기
• AI 적용 사례는 PBL/CBL 세션에 포함
• 임상실습 중 AI 도구(초음파 가이드, 디지털 스크라이브 등) 사용해보기
• 게스트 강사 초빙, AI 프로젝트 참여 유도 등

"There is little room for a drastic overhaul of UGME... but integration is feasible."
“UGME에서 급격한 교육과정 개편은 어렵지만, 기존 수업 속 통합은 가능하다.”

✨ 정리하자면…

✅ 윤리·의사소통 중심의 기초적 AI 이해는 필수

❌ 딥러닝 코딩, 벡터화, TensorFlow 등은 의대생에겐 과도

📦 기존 수업 안에서 자연스럽게 통합하는 방식이 유효

👩‍⚕️ 미래 의사는 AI를 직접 만들기보다, 잘 해석하고, 비판적으로 사용할 수 있어야 함

이제 우리 의대에서도,
“AI 교육, 어디까지 가르쳐야 할까?”에 대해
좀 더 구체적인 방향을 이야기할 수 있게 된 것 같죠?

서론 (Introduction)

의료 분야에서 인공지능(Artificial Intelligence, AI)의 통합은 진단의 정확성 향상, 위험도 계층화, 치료 효율성 개선 등의 측면에서 변혁적 변화를 일으키고 있다¹,². AI 기술은 방대한 임상 영역에서 효과성을 입증받았으며, 예를 들어 임상의의 문서화 업무 부담을 줄이거나, 방사선 영상 해석을 향상시키고, 수술 중 실시간 가이던스를 지원하며, 공중보건의 위험 계층화를 가능하게 하는 등의 활용 사례가 보고되어 왔다²,³.

그러나 이러한 기술적 진보에도 불구하고, 의학교육에서 AI를 커리큘럼에 반영하려는 노력은 여전히 미진하다⁴. 현재까지 의료 AI의 실용적 측면과 윤리적 측면을 균형 있게 다루는 체계적인 프로그램은 드물다³,⁴,⁵,⁶,⁷,⁸,⁹,¹⁰. 반면, AI의 혁신은 앞으로의 임상 실천에 커다란 영향을 미칠 것으로 예견되면서, 현재와 미래의 의사들에게 AI 기술을 교육해야 한다는 필요성이 점점 커지고 있다¹,⁵,¹¹.

여러 조사에 따르면, AI 리터러시 교육에 대한 지지는 매우 높은 편이다. 예를 들어, 영국 의사의 **81%**⁴, 캐나다 의과대학생의 **63%**¹²가 AI 교육의 필요성을 인식하고 있으며, 터키의 의대생들 중 93.8%는 AI의 지식, 적용, 윤리 영역에 대한 체계적인 교육을 지지한다¹³. 이러한 데이터는 의대생들이 향후 임상 현장에서 AI 도구를 효과적으로 활용하기 위해 필수적인 리터러시 역량이 부족함을 시사한다⁵,⁸. 이에 따라, 기술적 이해와 인간 중심의 진료 간의 균형을 맞출 수 있는 **학제간 접근 방식(interdisciplinary approach)**이 필요하다¹⁴.

이러한 접근은 AI 기술의 이해(understanding), 적용(application), 그리고 **비판적 분석(critical analysis)**을 포함해야 하며, 이는 교육 목표와 학습 성과를 설계할 때 흔히 사용하는 인지 영역의 위계 분류인 Bloom의 교육 목표 분류 체계(Bloom’s Taxonomy)―지식(knowledge), 이해(comprehension), 적용(application), 분석(analysis), 종합(synthesis), 평가(evaluation)―와 정렬될 수 있어야 한다³,⁸,¹⁵. 현재까지 **의과대학생을 위한 핵심 AI 역량(Core AI Competencies)**은 명확히 규정되지 않았지만, 다양한 가이드라인과 주제 제안들은 존재한다⁹,¹⁰.

의학교육은 그 자체로도 이미 매우 밀도 높은 훈련과정이기 때문에, AI 개념의 도입은 학생과 교수진 모두에게 부담이 되지 않도록 신중하게 설계되어야 한다¹³,¹⁶. 따라서, AI 교육은 기존의 의학 교육과 통합되되, 경쟁 관계가 아니라 상호보완적이어야 하며, 반드시 필수 의학 지식을 대체하지 않고 강화해야 한다⁴,¹³. **의학적 역량(Medical competency)**은 임상의의 핵심 역량이며, AI는 이를 보완해야지 방해해서는 안 된다.

이 연구는 **델파이 방법(Delphi method)**을 활용하여, 의과대학생을 위한 필수 커리큘럼 요소들을 도출하고자 한다. 이 방법은 반복적 라운드를 통해 전문가 의견을 정제함으로써, 현재와 미래 보건의료의 요구를 반영하는 포괄적이고 타당한 커리큘럼을 구축하는 데 유용하다¹⁷. 본 연구는 임상, 기술, 교육 분야의 전문가들로부터 다양한 관점을 수렴함으로써³,⁸,¹¹, 교육적 공백을 메우고자 한다. AI에 대해 의과대학생이 무엇을 알아야 하는지에 대한 질문에 답함으로써, 이 커리큘럼은 차세대 의료인들이 자신 있게 AI를 임상에 통합할 수 있도록 필수 역량을 갖추는 데 목적을 두고 있다⁵,⁷,¹¹,¹³,¹⁴,¹⁶.

결과 (Results)

표 1은 본 연구에 참여한 **18명의 캐나다 전문가(subject matter experts)**의 인구통계학적 특성을 보여준다. 참여자 중 남성은 10명, 여성은 8명이었다. 학력에 있어서는, **8명이 석사 학위(Master’s degree)**를, 12명이 박사 학위(Ph.D.), **10명이 의학 학위(MD 또는 이에 준하는 학위)**를 보유하고 있었다. 이들의 임상 전문분야는 심장학(Cardiology), 진단방사선학(Diagnostic Radiology), 일반내과(General Internal Medicine), 신경학(Neurology), 정신의학(Psychiatry), 비뇨기과학(Urologic Sciences) 등을 포함한다.

표 1. 캐나다 주제전문가의 인구통계학적 특성
(Table 1. Demographics of Canadian subject matter experts)
전체 크기 표 보기 (Full size table)

표 2는 AI 커리큘럼에 포함되도록 선정된 학습 요소들을 보여준다. 

표 2. 핵심 주제별 및 합의 도달 라운드별로 정리된 학습 요소들
(Table 2. Learning elements selected for inclusion, organized by core theme and round in which consensus was achieved)

• 윤리(Ethics) 주제에서는, 데이터 공유와 관련된 규제 이슈 식별, 데이터 프라이버시의 중요성 설명 등의 **11개 요소가 1라운드에서 합의(consensus)**에 도달하였다. 
• 법률(Legal) 주제에서는 11개 요소가 1라운드와 2라운드에서 합의되었으며, 이에는 데이터 거버넌스(data governance), 비밀 유지(confidentiality), **책임 문제(liability concerns)**와 같은 주제가 포함된다.

• 이론(Theory) 주제에서는, 총 29개 요소가 세 차례 라운드에 걸쳐 선정되었다. 이들 요소는 통계 개념 이해, 기계 학습 유형의 구분, AI의 보건의료 경제적 영향 평가 등 다양한 주제들을 포괄한다.
• 활용(Application) 주제에서는, 11개 요소가 세 라운드 모두에 걸쳐 합의되었으며, 데이터 분석, AI 근거를 임상 의사결정에 통합, AI 모델 검증과 같은 실제적 기술에 초점이 맞춰져 있다.
• 협업(Collaboration) 주제에서는 제안된 7개 요소 전부가 1라운드에서 합의되었다. 이 항목들은 AI 중심 동료와의 관계 유지 전략, 공동 의사결정(shared decision-making), 의료현장에서의 AI 학습 기회 탐색 등을 강조한다.
• 의사소통(Communication) 주제에서도 제안된 7개 요소 모두가 1라운드에서 합의되었으며, 동료 및 환자와의 효과적인 의사소통 전략, 공감적 커뮤니케이션 기술, AI 관련 이견 조정 등이 포함된다.
• 마지막으로, 질 향상(Quality Improvement) 주제는 6개 요소로 구성되었으며, 이들 모두 1라운드에서 합의되었다. 이 항목들은 환자 피드백 평가, AI 개선안 제시, 현존하는 AI 적용 분석, 그리고 사용자 중심 설계(user-centered design) 원칙을 적용하여 AI 사용자 경험을 향상시키는 데 초점을 맞추고 있다.

그림 1은 다양한 주제별로 선정된 학습 목표의 분포를 시각적으로 요약한 것이다.

그림 1. AI 보건의료 합의에서 주제별 항목 분포
(Fig. 1: Distribution of items by thematic priority in AI healthcare consensus)

이 그림은 전문가 합의에 기반하여 주요 주제를 순위화한 것으로, 전체적으로 합의된 항목 수에 대한 각 주제의 비중을 반영한다. 피라미드 구조는 주제 간 우선순위의 위계를 시각적으로 강조하며, '이론(Theory)'은 최상단에 위치하여 가장 높은 비중을 차지함을 보여주고, 반면 '질 향상(Quality Improvement)'은 가장 넓은 기반을 차지하여 기초적이지만 상대적으로 덜 우선시된 주제임을 시사한다.

표 3은 AI 커리큘럼에서 제외된 학습 요소들을 나열하고 있다.

• 이론(Theory) 주제에서는, 2라운드에서 총 4개의 요소가 제외되었는데, 이들은 컴퓨터 구조, 하드웨어 구성 요소, 하드웨어 성능에 대한 영향, 기초 프로그래밍 개념 등을 포함한다.
• 응용(Application) 주제에서는 총 9개 요소가 제외되었다. 2라운드에서는 AI 모델 프로그래밍, 경사하강법(gradient descent), 정규화 기법(regularization techniques), 역전파(backpropagation), 커널을 활용한 데이터 변환(data transformation with kernels), 이상 탐지(anomaly detection), 벡터화를 통한 코드 최적화(code optimization with vectorization), TensorFlow 활용 등이 제외되었으며, **3라운드에서는 비지도 학습의 클러스터링 기법(clustering techniques for unsupervised learning)**이 제외되었다.

표 3. 핵심 주제별 및 합의 도달 라운드별로 정리된 제외 학습 요소들
(Table 3. Learning elements selected for exclusion, organized by core theme and round in which consensus was achieved)
전체 크기 표 보기 (Full size table)

표 4는 합의에 도달하지 못한 학습 요소들을 보여준다.

• 법률(Legal) 주제에서는, 지식재산권(intellectual property) 및 **저작권 관리(copyright management)**에 해당하는 항목들(L12–L14)이 합의에 도달하지 못했다.
• 이론(Theory) 주제에서는 **프로그래밍 언어, 딥러닝의 유형 및 모델(T33–T35)**에 대한 항목들에 대해 합의가 이루어지지 않았다.
• 응용(Application) 주제에서는 데이터 표준화, AI 모델의 개발 및 학습, 차원 축소 기법(dimensionality reduction techniques), Keras 활용, 하이퍼파라미터 튜닝(hyperparameter tuning) (A21–A26) 등에 대해 합의가 이루어지지 않았다.

표 4. 핵심 주제별로 정리된, 합의에 도달하지 못한 학습 요소들
(Table 4. Learning elements for which no consensus was achieved, organized by core theme)

현직 의사(M.D.)와 박사(Ph.D.) 연구자 간 비교 분석

1라운드에서 전공 배경(M.D. vs. Ph.D.)에 따라 커리큘럼 요소에 대한 평가가 달랐는지 비교 분석이 수행되었다. 총 107개의 커리큘럼 요소 중, 단 3개 요소에서만 통계적으로 유의한 차이가 확인되었다. **현직 의사들은 법률 요소(L6)**에 더 강한 지지를 보였으며, 반면 **연구자들은 응용 요소(A1과 A24)**에 더 강한 지지를 나타냈다. 이외의 모든 요소에서는 p < 0.05 수준에서 유의미한 차이를 보이지 않았다.

기관별 영향 분석 (Leave-one-institution-out analysis)

1라운드와 3라운드에서는 브리티시컬럼비아대학교(UBC) 소속 위원을 제외했을 경우, 포함된 항목과 미합의 항목의 수에 상당한 영향이 있는 것으로 나타났다. 2라운드에서는 UBC 소속 위원을 제외했을 때, 제외 항목의 비율이 증가하고, 포함 항목은 다소 감소하였으며, 미합의 항목의 수도 줄어드는 경향을 보였다. 반면, 다른 기관 소속 인원을 제외했을 경우에는, 세 라운드 모두에서 포함·제외·미합의 항목에 미치는 영향이 상대적으로 미미했다. **자세한 결과는 보조 자료(Supplementary Table 1)**에 정리되어 있다.

논의 (Discussion)

전체적으로 **제안된 AI 커리큘럼 요소 중 77% (n = 82)**가 의과대학생이 AI를 숙련되게 활용하기 위해 반드시 알아야 할 중요한 내용으로 간주되었으며, 이 중 **77% (n = 63)**는 1라운드에서 이미 합의에 도달한 요소들이었다. 주제별로 살펴보면, **비기술적 요소(non-technical elements)**들은 1라운드에서 빠르게 합의에 도달하였다. 특히 윤리(Ethics)(11/11), 의사소통(Communication)(7/7), 협업(Collaboration)(7/7), 질 향상(Quality Improvement)(6/6) 항목은 모두 만장일치로 채택되었다.

이러한 결과는 미래의 의사들이 AI를 안전하게 활용하여 환자 진료를 향상시키고, 제공하는 진료의 투명성을 확보하기 위해 필요한 이해 수준을 보여준다. 더불어, 이러한 넓은 주제들(윤리, 협업, 소통, 질 향상)은 이미 캐나다의 의과대학 교육과정(UGME) 내에 존재하며 가르쳐지고 있는 내용이므로, 새로운 교육과정을 대체하는 것이 아니라 기존의 틀 안에 통합할 수 있는 여지를 보여준다.

한편, 기술적 주제인 ‘이론(Theory)’과 ‘응용(Application)’은 상대적으로 덜 포함되었다. 구체적으로, 이론 요소 36개 중 21개, 응용 요소 26개 중 단 3개만이 포함되었다. 이들 포함된 요소는 주로 AI의 유효성 검증, 강점 및 한계에 대한 이해에 초점을 두고 있으며, 이는 미래의 의사들이 AI를 적절하고 신중하게 사용하는 데 도움을 주는 방향일 것이다.

한 전문가의 의견에 따르면, 의과대학생들이 정량적 데이터의 한계를 이해하는 것이 중요하며, *“방대한 양의 정량 데이터는 의사-환자 간 소통 및 관계와 같은 질적 데이터를 폄하하는 데 사용되어서는 안 된다”*고 경고하였다. 이와 같은 관점에서, AI 모델을 비판적으로 평가할 수 있는 훈련은 **무작위 대조군 연구(randomized controlled trials)**를 해석하듯이 임상 맥락에서 AI의 적절성을 판단하는 데 필수적이다.

특히 1라운드에서 가장 적은 수의 요소가 포함된 ‘응용(Application)’ 주제에 대해서는, 오늘날 의사들이 일상적으로 사용하는 지식의 복잡성과 기술성 증가가 주요 원인이라고 판단된다. 한 전문가는, 의과대학생의 역할은 프로그래밍이 아니라 의학 지식 전달에 있다고 강조했다. 또 다른 전문가는 다음과 같이 덧붙였다: “임상의는 데이터 수집, 정제, 전처리, 그리고 AI 모델 훈련에 책임을 져서는 안 된다. 이러한 책임은 환자 진료라는 임상의 본연의 역할에서 벗어나는 것이다.” 즉, 프로그래밍과 딥러닝 기술은 공학자(engineer)의 영역이며, 의사는 AI를 검증하고 결과를 해석하는 역할에 초점을 두어야 한다.

물론 향후에는 일부 의사들이 AI 혁신과 통합을 더 적극적으로 주도할 필요성이 생길 수 있지만, 대다수의 임상의는 AI를 일상 진료에 활용하는 사용자(user)로서 기능할 것이다⁸,¹⁸. 이러한 이유로 인해, 특정 데이터 과학 기법의 제외, 지식재산권 등 법률적 이슈에 대한 미합의가 발생했음을 설명할 수 있다.

**전문가 그룹 간 평가 차이에 대한 분석(M.D. vs. Ph.D.)**과 관련하여, 학력 배경에 따른 전반적인 평가 차이는 존재하지 않는 것으로 나타났으며, 총 3개의 비교를 제외하고는 통계적으로 유의미하지 않았다. 이러한 유사성은, 핵심 교육 요소에 대한 폭넓은 공감대에서 비롯된 것으로 보이며, 이는 의사(M.D.)와 박사(Ph.D.) 각각의 상호보완적인 전문성이 교육과정 설계에 기여함을 보여준다. 또한, 의료 분야에 일정 부분 노출된 Ph.D. 연구자들을 선정함으로써, 중첩되면서도 서로 다른 시각이 조화를 이루도록 구성하였다. 이 결과는, 임상 경험을 가진 의사들과 연구 경험이 풍부한 박사 연구자들 양쪽의 의견이 균형 잡힌 커리큘럼 구성에 필수적임을 시사한다.

Leave-one-institution-out 분석에서는, UBC 소속 전문가가 포함되었는지 여부에 따라 포함·제외·미합의 항목에서 차이가 발생하였다. 이는 특정 기관의 전문가 수가 많을 경우 결과에 영향을 미칠 수 있음을 시사한다. 그러나 표본 수의 제한으로 인해 모든 전문가의 데이터를 분석에 포함할 수밖에 없었으며, 이로 인해 이번 연구에서 도출된 커리큘럼 요소의 일반화 가능성(generalizability)에 일정한 한계가 존재할 수 있다. 이에 대한 내용은 **이후 제한점(paragraph on limitations)**에서도 다룰 예정이다.

현재까지 정식으로 확립된 AI 커리큘럼은 UGME(학부 의학교육) 수준에서 존재하지 않지만, 이를 보완하려는 다양한 노력들이 커리큘럼 외부에서 이루어지고 있다. 예를 들어, Lindqwister 등은 방사선과 전공의를 대상으로 한 AI 커리큘럼을 제시하였으며, 이는 AI의 강점과 한계(T9), **규제 이슈(E1)**에 대한 요소들과 연계되며, 기술적 교육과 윤리적 교육 사이의 균형을 반영한다¹⁹. Hu 등은 캐나다 의과대학생들을 위한 워크숍과 프로젝트 피드백 중심의 AI 교육과정을 시행하였으며, 이는 임상 의사결정에 AI 모델을 적용하는 법(A2), 편향을 완화하는 전략 개발(E8) 등의 본 연구 결과와 연결된다⁹. Krive 등은 4학년 의과대학생을 위한 4주짜리 모듈형 AI 선택과정을 개발하였으며, 이는 온라인으로 진행되었고, AI 연구 및 기술의 비판적 평가(A7, A13), AI 도구로부터의 임상 결과 해석(A11), 편향을 완화하는 전략(E8), 환자에게 결과를 전달하는 의사소통 기술(COM3) 등의 요소와 일치한다²⁰.

이와 같이 본 연구는 의학교육자들과 향후 연구자들이 활용할 수 있는 이론적 토대를 제공한다. UGME는 전반적으로 일반의(generalist) 양성을 위한 교육과정으로, 생리학, 해부학, 병리학, 진단학, 치료학, 임상 의사결정, 협진, 상담 등의 영역을 포괄한다. 따라서 기존 UGME의 구조를 급격히 재구성하는 것은 현실적으로 어렵다. 그럼에도 불구하고, 토론토대학교(University of Toronto)의 UGME는 기본적인 AI 개념들을 소개하며, 기계학습, AI의 보건의료 역할, 잠재적 활용 사례, 윤리적 문제 등을 다루고 있다. 이는 AI 교육이 UGME에 효과적으로 통합될 수 있음을 보여주는 사례이며, 핵심적인 AI 리터러시와 의학 내 AI의 중요성을 강조한다.

결과적으로 본 연구는, 어떤 요소들이 교육되어야 하며, 어떤 요소들이 제외되어야 하는지에 대한 전문가들의 미묘하고 정교한 견해를 반영하며, 의학교육에 AI를 효과적으로 통합하기 위한 방향성을 제시하고 있다.

**델파이 방법(Delphi method)**은 전문가의 의견에 기반한 견고하고 반복적인 프레임워크를 제공하여, 의과대학생의 실제적 요구에 맞는 교육과정을 구성하는 데 매우 효과적이었다¹⁷. 본 연구는 다양한 의학교육 분야에서 전문가 의견을 활용하여 커리큘럼을 개발하거나 개정한 선행 연구들을 기반으로 하였으며²¹,²²,²³,²⁴,²⁵, 이들 연구의 구조를 참고함으로써 우리의 과정이 충분히 철저하게 이루어졌음을 보장하였다.

UGME(학부 의학교육) 교육과정의 구조를 살펴볼 때, 기존 커리큘럼에 큰 영향을 주지 않으면서도 AI 교육을 포함시킬 수 있는 다양한 방안들이 존재한다. 한 가지 접근법은 현재의 생물통계학(biostatistics) 교육과정 내에 AI 관련 문헌을 통합하는 것이다. 이를 통해 학생들은 AI 관련 문헌과 도구를 비판적으로 평가하고 검증하는 방법을 배우게 되며, 동시에 AI 주제와 신기술에 대한 노출도 증가시킬 수 있다.

또한, **AI를 교수자 주도형의 사례 기반 학습(case-based learning, CBL)**이나 문제 기반 학습(problem-based learning, PBL) 세션에 통합하면, 학생들이 다양한 AI 도구와 그 영향력에 대해 탐구할 수 있는 기회를 제공할 수 있다²⁶–³⁰. 이 세션에서는 예를 들어, AI 기록보조 도구(AI scribes), 임상 의사결정에서의 AI 활용, AI 관련 정책, AI 기반의 최신 연구 등 윤리적 주제도 함께 토론할 수 있다. 예를 들어, **책임 있는 의료용 머신러닝 프레임워크(responsible healthcare machine learning framework)**를 기반으로, 문제 설정부터 예상되는 실제 적용(deployment)까지의 시뮬레이션 과정을 소그룹에서 탐색하는 것도 가능하다¹⁴.

더 나아가, 임상 실습 중 실제 의료 현장에서 사용되는 AI 도구를 직접 활용해보는 실습 세션을 제공하는 것도 효과적이다. 예를 들어, AI를 활용한 Point-of-care 초음파 가이드¹³¹, AI 기반 디지털 기록보조 도구¹³² 등을 학생들이 체험함으로써, 기술적 역량을 키우고, AI 도구의 장점과 위험성을 스스로 이해할 수 있는 기회를 제공할 수 있다. AI 및 의료 분야에 종사하는 전문가를 초청하여, 의과대학생들이 꼭 알아야 할 AI의 핵심 개념과 현재 연구 동향에 대해 강의하는 것도 학습 경험을 풍부하게 만들 수 있다.

또한, 타 과목의 임상실습처럼 연 1회 실시하는 AI 윤리 혹은 기본 지식 모듈을 도입하면, 학생들이 빠르게 변화하는 AI 분야에 지속적으로 업데이트될 수 있는 기회가 생긴다. 여기에 더해, 의과대학 4년 동안 최소한 한 번은 AI 관련 연구 프로젝트에 참여하도록 유도하면, 학생들이 해당 주제에 대한 깊은 이해를 형성할 수 있을 것이다.

마지막으로, AI 교육과정의 통합은 유연하게 이루어져야 하며, 각 교육기관의 교육 프레임워크와 자원에 따라 적절히 조정될 필요가 있음을 인지하는 것이 중요하다.

각 포함된 학습 요소는, **AFMC(Association of Faculties of Medicine of Canada)의 EPA(Entrustable Professional Activities)**와 CanMEDS 역할에 **매핑(mapping)**되어, 의료 AI 교육의 중요성을 강조하였다. 이들 요소는 거의 모든 EPA와 CanMEDS 역할을 포괄하며, 이는 **AI 지식이 여러 졸업 역량(exit competencies)**과 부합하며, 의과대학 교육과정에의 통합을 정당화할 수 있는 근거가 됨을 보여준다. 대안적으로는, 기존 역량 지표들이 개정되는 과정에서, 본 연구에서 제시된 AI 교육 요소들을 반영한 구체적인 역량(competency)을 신설하는 방식도 고려될 수 있다. **AI 교육에 대한 국가 차원의 승인(national endorsement)**과 표준화된 교육과정 개발이 병행된다면, 캐나다 전역의 의과대학들이 AI 교육을 UGME 과정에 통합하도록 유도할 수 있으며, 향후 보건의료 전문가의 지식 수준을 향상시키는 데 기여할 것이다. 이러한 목표를 위한 **초기 제안 사항으로서, 각 학습 목표와 실행 전략 간의 매핑은 보조자료 2(Supplementary Table 2)**에 제시되어 있다.

**본 연구는 몇 가지 제한점(limitations)**을 가진다. 먼저, **비확률 목적 표집(non-probability purposive sampling)**을 사용했기 때문에 **선택 편향(selection bias)**이 우려되었다. 우리는 캐나다 전역의 다양한 전문가 106명을 대상으로 모집을 시도했으나, 응답하지 않은 경우들이 결과에 영향을 미쳤을 가능성이 있다. 이러한 표집 방식은 **체계적 편향(systemic bias)**을 초래할 수 있으며, 특히 AI 교육이 활발히 이루어지고 있는 특정 지역이나 기관의 관점이 과도하게 반영되었을 가능성이 있다.

실제로 본 연구에서는 UBC(University of British Columbia) 소속 전문가가 가장 많이 참여하였으며(이는 본 연구가 UBC 주도로 수행되었기 때문으로 보인다), 반면 Atlantic 지역, Quebec, Prairie 지역에서는 응답률이 낮았다. 그 결과, UBC 소속 인원의 수가 커리큘럼 요소의 포함·제외·미합의 여부에 통계적으로 유의미한 영향을 미쳤다. 이러한 제한점은, **무작위 표집(random sampling)**을 사용하거나, 표본 구성을 보다 전국적이고 국제적으로 확장하는 방식으로 보완할 수 있었다. 또한, 의과대학이 없는 기관이더라도 보건 관련 프로그램이 있는 기관을 포함시키는 것도 고려될 수 있었다.

표본 수를 확대하였다면, **지역 간 응답의 이질성(heterogeneity of responses)**을 보다 면밀히 분석할 수 있었을 것이며, 이는 **보조자료 1(Supplementary Table 1)**에서 일부 확인되었다. 이번 연구는 총 18명의 응답자에 기반하였기 때문에, 모든 관점이 충분히 반영되었는지는 불확실하다. 각 라운드에서 이탈(dropout)한 이유는 명확히 조사되지 않았으나, 시간 부족, 관심 부족, 우선순위 충돌, 또는 주제에 대한 흥미 부족 등이 포함되었을 수 있다.

또한, 전문가 포함 기준을 M.D.와 Ph.D.로 한정한 점도 관점의 다양성 측면에서 제약이 되었을 수 있다. 앞으로는 산업계 전문가나 비대학 소속이지만 의료 AI 교육에 전문성을 가진 인물들까지 포함함으로써, 보다 넓은 시각을 수렴할 수 있을 것이다.

방법 (Methods)

교육 요소 선정(Curricular element selection)

연구팀은 **체계적 문헌고찰(systematic review)**에 대한 사전 주제분석을 통해, 의과대학 커리큘럼에 AI를 성공적으로 통합하기 위한 6가지 핵심 원칙을 도출한 바 있다⁸. 이 원칙들은 다음의 주제별로 분류되며: 윤리(ethics), 이론과 응용(theory and application), 의사소통(communication), 협업(collaboration), 질 향상(quality improvement), 그리고 **인식과 태도(perception and attitude)**이다. 각 범주에 대한 개요는 다음과 같다:

• (a) 윤리: 데이터 공유 규제, 프라이버시, 형평성 등을 강조하며, 환자의 권리를 존중하는 방향을 지향한다.
• (b) 이론과 (c) 응용: 통계학부터 고급 머신러닝까지 기술적 역량을 포괄한다.
• (d) 의사소통: 보건의료 전문가와 환자 모두가 AI 도구를 이해하고 활용할 수 있도록 돕는다.
• (e) 협업: AI 활용에 있어 다학제적 팀워크와 공동 의사결정, 지속적인 학습의 중요성을 강조한다.
• (f) 질 향상: AI 도구를 지속적으로 분석하고 개선해 나가는 과정을 의미한다⁶,³³–³⁷.

이러한 각각의 원칙은 AI를 환자 진료에 신중하게 통합할 수 있는 의사 양성을 위한 전체론적(holistic) 교육과정의 구성 요소로 기능한다.

커리큘럼 요소 개발을 위해, **두 명의 연구자(AG, NP)**는 기존 주제 분석에서 수집된 요소들을 기반으로 하여, **Bloom의 교육 목표 분류 체계(Bloom’s Taxonomy)**를 참고하여 총 107개의 새로운 교육 요소를 설계하였다. 이후, **제3의 연구자(RS)**가 이 요소들을 검토하여 기존 문헌과의 반복적 토론 및 검증을 거쳐 최종 합의에 도달하였다. 이 과정은 **보조자료 2(Supplementary Table 2)**에 상세히 제시되어 있으며, 각 학습 목표와 이를 기반으로 한 원 연구 간의 매핑 정보도 포함되어 있다.

또한, 전문가 패널은 각 섹션 말미에 자유 서술(open-text) 형식으로 의견이나 우려 사항을 제출할 수 있도록 구성되었다.

전문가 패널 선정(Subject matter expert panel selection)

본 연구에서는 의학교육 및 AI와 관련된 다양한 분야의 전문가 106명을 모집하기 위해 목적 표집(purposive sampling)을 사용하였다³⁸. 세 명의 저자(AG, CK, NP)는 먼저 캐나다 전역의 주요 의과대학(https://www.afmc.ca/about/#faculties)에 소속된 대학교들을 기준으로, 의학, 과학, 공학 등 각 단과대학의 교수진 및 전공, 관련 학회, 연구 클러스터, 특수 관심 그룹 등을 체계적으로 조사하여 전문가 후보군 목록을 작성하였다.

**과대표집(overrepresentation)**을 방지하기 위해, 서로 다른 대학, 연구 클러스터, 관심 그룹 출신의 전문가들을 선정하는 데 특별한 주의를 기울였으며, 이후 또 다른 저자(RS)가 이 명단을 검토하여 최종적으로 선정 기준을 충족하는 전문가들을 확정하였다. 선정 과정에서는 교수진 웹페이지, 학과 프로필 등 공개된 최신 정보를 활용하였다.

최종 패널은 지리적·제도적 다양성을 반영하였으며, 의학박사(M.D.)부터 인공지능 관련 박사(Ph.D.)에 이르는 다양한 학위와 경력을 보유한 전문가들로 구성되었다. 표집 전략은 교육 배경, 의학 전문분야, 지리적 분포, 기관 유형의 다양성 확보를 목표로 하였으며, 캐나다 내 의료 AI 전문성의 지역 간 격차도 일부 반영되었다. 이는 모든 학교가 AI 관련 인프라를 보유하고 있지 않기 때문이다.

전문가 선정 기준은 엄격하고 다면적이었으며, 다음 7가지 기준 중 최소 4가지를 충족해야 참여 자격이 주어졌다:

• (a) 의학 또는 관련 분야 박사 학위(M.D. 또는 Ph.D.) 보유 및 의료 혹은 컴퓨터과학 분야 종사,
• (b) 의과학 교육에 참여,
• (c) 의과대학 교육과정 개발 참여,
• (d) 의학교육에 대한 전문성 보유,
• (e) AI와 의료 융합 분야의 리더십 보유,
• (f) 해당 분야의 주요 논문 게재,
• (g) AI와 의료 융합 분야의 대규모 연구팀 또는 부서 관리 경험.

모든 선정된 전문가들은 연구 참여에 대한 서면 동의(informed consent)를 제공하였으며, 본 연구는 브리티시컬럼비아대학교(UBC) 연구윤리위원회(Research Ethics Board)의 승인을 받았다 (IRB 번호: H22-01695).

합의 절차 (Consensus Process)

이 **델파이 연구(Delphi study)**는 의학교육을 위한 핵심 AI 커리큘럼 요소를 도출하기 위해, **구조화된 합의 절차와 다차례의 설문(rounds of questionnaires)**을 활용하였다¹⁹. 1차 설문에서는 총 107개 교육 요소가 포함되었으며, **Qualtrics 플랫폼(Seattle, WA, USA)**을 통해 배포되어, 참여자의 익명성과 반복적 피드백의 제공이 보장되었다.

그림 2에서 설명된 것처럼, 2023년 10월부터 2024년 5월까지 총 106명의 전문가가 이메일을 통해 연구에 초대되었다. 1차 라운드에서는 익명화된 인구통계 데이터를 제공하고, 각 커리큘럼 요소에 대해 **5점 리커트 척도(5-point Likert scale)**로 평가하였다.

• **70% 이상이 ‘4점’ 또는 ‘5점’**으로 평가한 항목은 포함 대상으로 간주,
• **70% 이상이 ‘1점’ 또는 ‘2점’**으로 평가한 항목은 제외 대상으로 간주하였다.

이러한 70% 기준은 기존의 커리큘럼 개발을 위한 델파이 연구들에 근거한 것이다²¹–²⁵. 전문가들은 각 섹션 말미의 **의견란(comments section)**을 통해, 누락된 역량 요소 제안이나 개인 의견도 제출할 수 있었다.

그림 2. 본 델파이 연구에서 주제별 포함 및 제외 과정을 세 라운드에 걸쳐 도식화한 그림
(Fig. 2. This figure illustrates the inclusion and exclusion process of themes in a Delphi study conducted in three rounds)

2차 라운드에서는, 1차에서 합의에 도달하지 못한 항목들과 새롭게 제안된 항목을 재평가하였다. 이때, 이전 라운드의 피드백 및 평가자 간 일치도(interrater agreement) 점수가 제공되어, 전문가들이 보다 정교한 결정을 내릴 수 있도록 하였다. **이 라운드부터는 단순화된 2점 척도(2-point scale)**를 사용하였다.

3차 라운드에서는, 여전히 합의에 도달하지 못한 항목에 대해 최종 결정을 내리는 과정이 이루어졌으며, 동일한 2점 척도가 유지되었다. 이와 같은 절차를 통해, 전문가 합의 기반의 엄밀한 평가 과정이 구현되었다.

모든 포함된 항목은 이후, 캐나다 의과대학협회(AFMC)의 위임가능 직무(Entrustable Professional Activities, EPAs) 중 하나 이상에 매핑되었다. EPA는 감독 없이 학습자에게 맡길 수 있는 전문 직무를 의미한다³⁹. 더불어, 모든 항목은 CanMEDS 역할에도 함께 매핑되었으며, 이는 환자의 요구를 충족시키기 위해 의사가 갖추어야 할 역량을 구조화한 프레임워크이다
(출처: www.royalcollege.ca/en/canmeds/canmeds-framework).

데이터 및 통계 분석 (Data and Statistical Analysis)

1차 라운드에서는, 각 커리큘럼 요소에 대한 5점 리커트 척도 점수의 평균값이 계산되었고, 찬성(4점 또는 5점), 중립(3점), **반대(1점 또는 2점)**로 분류한 뒤, 각 범주에서 가장 높은 득표율을 전체 응답 수로 나누어 퍼센트 합의율(percent agreement)을 산출하였다.

2차 및 3차 라운드에서는, 남은 각 요소에 대해 2점 척도로 응답을 받고, 찬반 중 더 많은 응답 수를 전체 응답 수로 나누어 퍼센트 합의율을 계산하였다. 이 퍼센트 합의율은 다음 라운드에서 전문가들에게 피드백으로 제공되어, 합의에 이르지 못한 항목에 대한 판단에 도움을 주었다.

또한, 각 교육 요소에 대해 **정규성(normality)**과 분산의 동질성(homogeneity) 검정을 시행하였고, M.D.와 비M.D. 전문가 간 평균 평가 점수를 비교하기 위해, 독립표본 t검정(unpaired t-test) 또는 Mann–Whitney 검정 중 적절한 통계 검정을 선택하여 사용하였다.

Leave-one-institution-out 분석도 수행되었으며, 각 라운드에서 포함·제외·미합의 항목 비율이 특정 기관의 참여 여부에 따라 유의미하게 달라지는지 여부를 분석하였다.

Supplementary Table 1 및 2에 대한 요약 설명이나 전체 Methods의 한글 요약 정리도 원하신다면 도와드릴 수 있습니다.

🟦 Theme: 윤리 (Ethics)

포함된 학습 요소 (Element for inclusion):

• E1 의료기관, 학술기관, 민간 조직 간의 데이터 공유와 관련된 주요 규제 이슈들을 식별한다.
• E2 의료 분야에서의 데이터 공유 관행에 영향을 미치는 이러한 규제 이슈의 함의를 분석한다.
• E3 의료기관 간 데이터 공유와 관련된 규제 요구사항을 준수하기 위한 적절한 대응 전략을 적용한다.
• E4 의료 데이터에 인공지능(AI)을 활용하는 맥락에서 데이터 프라이버시의 중요성을 설명한다.
• E5 **형평성 있는 AI(equitable AI)**를 정의하고, AI 응용에서 공정성을 증진하고 편향을 방지하는 데 있어 그 중요성을 설명한다.
• E6 알고리즘적 편향, 데이터 편향, 사용자 편향 등 AI에서 나타날 수 있는 다양한 편향 유형을 정의하고 구분한다.
• E7 각 편향 유형의 실제 사례와 그것이 AI 응용의 효과성에 미치는 영향을 식별한다.
• E8 AI 응용에서 편향 발생을 완화하고 예방하기 위한 전략을 개발한다.
• E9 형평성 있는 AI의 사용을 촉진하기 위한 전략을 적용하고, 그 구현을 옹호한다(advocate).
• E10 의료 분야에서 AI를 사용할 때 고려해야 할 환자 권리와 윤리적 고려사항을 정의한다.
• E11 AI 사용 시 환자 권리를 존중하는 것의 중요성을 설명하고, 그로 인한 잠재적 이점을 기술한다.

📊 Theme: 이론 (Theory)

포함된 학습 요소 (Element for inclusion):

• T1 정확도(accuracy), F1 점수(F1 score), 민감도(sensitivity), 특이도(specificity), 양성 예측도(PPV), 음성 예측도(NPV), 승산비(odds ratio), 상대위험도(relative risk), 양성/음성 가능도비(likelihood ratios) 등 통계 개념을 정의하고 구분한다.
• T2 이러한 통계 개념들을 실제 의료 상황에 해석하고 적용한다.
• T3 **통계 유형(기술통계 vs 추론통계)**을 이해하고, 해석하며, 설명한다.
• T4 **데이터 유형(수치형 vs 범주형)**을 이해하고, 해석하며, 설명한다.
• T5 AI에서 사용되는 주요 용어(terminology)를 이해하고, 해석하고, 활용하며 설명한다.
• T6 AI가 성공적으로 적용된 의료 분야들을 식별한다.
• T7 각 분야에서 AI 사용의 강점과 약점을 정확성, 효율성, 비용효과성 측면에서 평가한다.
• T8 AI가 환자 진료의 질과 보건의료 산업 전체에 미친 영향을 설명한다.
• T9 보건의료의 다양한 영역에서 AI 사용의 한계와 도전 과제를 식별한다.
• T10 AI 도입에 따라 의사의 업무 흐름(workflow)이 어떻게 변화할지를 예측하고 예상한다.
• T11 AI 도입을 보다 원활히 촉진할 수 있는 기술적 기법들을 식별한다.
• T12 기계 학습(machine learning)의 기본 개념과 원리를 이해한다.
• T13 지도학습(supervised), 비지도학습(unsupervised), 강화학습(reinforcement learning) 등 기계 학습의 다양한 유형을 구분하고 식별한다.

📊 Theme: 이론 (Theory) – (T14~T29)

포함된 학습 요소 (Element for inclusion):

• T14 **기계 학습(machine learning)**의 각 유형이 갖는 강점과 한계, 그리고 보건의료 분야에서의 적용을 평가한다.
• T15 **회귀분석(regression analyses)**의 여러 유형(선형, 로지스틱, 포아송 회귀)을 구분하고 식별한다.
• T16 기계 학습에서의 모델 선택(model selection) 개념을 이해한다.
• T17 **딥러닝(deep learning)**의 기초 개념과 원리를 이해한다.
• T18 보건의료 분야에서 딥러닝이 적용되는 다양한 사례(예: 영상 분석, 자연어 처리, 시계열 분석 등)를 이해한다.
• T19 **자연어 처리(Natural Language Processing, NLP)**의 기본 개념과 원리를 이해한다.
• T20 NLP의 다양한 의료 응용 사례(임상 문서화, 환자 커뮤니케이션, 질병 감시 등)를 식별하고 구분한다.
• T21 NLP가 의료 프로세스의 질과 효율성에 미치는 영향을 평가한다.
• T22 딥러닝의 각 유형이 갖는 강점과 한계, 그리고 보건의료 분야에서의 적용을 평가한다.
• T23 결정 트리, 랜덤 포레스트, 서포트 벡터 머신(SVM) 등 모델 유형을 식별하고 구분한다.
• T24 모델별 강점과 한계 및 보건의료 분야에서의 응용 가능성을 평가한다.
• T25 데이터 전처리(data preprocessing), 피처 엔지니어링(feature engineering), 모델 선택, 평가 기법에 대한 실무 능력을 개발한다.
• T26 이러한 기술들을 활용해 보건의료 분야의 실제 문제를 AI 도구로 해결한다.
• T27 AI 도입이 보건의료 시스템에 미치는 경제적 영향(예: 구현 및 유지 비용)을 평가한다.
• T28 AI 사용으로 인한 비용 절감 및 수익 창출 가능성을 분석한다.
• T29 **빅데이터(big data)**와 **전통적 데이터셋(traditional data sets)**의 차이점을 정의하고 구분한다.

🛠️ Theme: 응용 (Application)

포함된 학습 요소 (Element for inclusion):

• A1 AI 모델의 입력과 출력 데이터를 포함한 자료를 분석하고 해석하여, 의사결정에 활용한다.
• A2 AI 모델로부터 도출된 근거를 임상 의사결정 실무에 통합한다.
• A3 **보건의료 분야의 AI 응용 연구에 대해 무결성(integrity), 신뢰성(reliability), 적용 가능성(applicability)**을 비판적으로 평가한다.
• A4 AI 연구에 적합하고 정교하게 설계된 연구 질문을 생성한다.
• A5 AI 연구를 위한 데이터를 효과적으로 수집하고 관리한다.
• A6 데이터 관리(data stewardship)의 원칙을 적용하여, AI 데이터의 품질과 보안을 확보한다.
• A7 **AI 모델을 통계적 방법을 통해 검증(validate)**하여, 연구 목적에 적합한 정확도와 신뢰도를 확보한다.
• A8 데이터 시각화를 위해 다양한 함수와 도구를 활용하여 인사이트를 도출한다.
• A9 **AI 연구를 위해 데이터를 정제, 변환, 특성 선택(feature selection) 등의 방법으로 전처리(preprocess)**한다.
• A10 AI 문제에 적합한 알고리즘을 평가하고 선택, 해당 알고리즘의 강점과 한계를 기반으로 결정한다.
• A11 기계학습 및 딥러닝 모델에서 오류 분석(error analysis)을 수행하고 해석한다.

다음은 이미지에 나온 Theme: Collaboration (협업) 항목의 **포함된 학습 요소 (Element for inclusion)**에 대한 충실한 한국어 번역입니다.

🤝 Theme: 협업 (Collaboration)

포함된 학습 요소 (Element for inclusion):

• C1 데이터 과학자(data scientists) 등 보건의료 분야의 AI 관련 동료들과 긍정적인 관계를 형성하고 유지하기 위한 전략을 개발한다.
• C2 의사, 기타 의료 제공자, 데이터 과학자 간의 역할을 구분하여, 명확한 의사소통을 촉진한다.
• C3 환자 중심 진료(patient-centered care)를 촉진하기 위해, AI 관련 사안에 초점을 맞춘 동료들과의 공동 의사결정(shared decision-making)에 참여한다.
• C4 AI가 적용된 의료 환경에서 자신의 역할과 한계를 성찰하고, 윤리적 고려사항과 잠재적 편향을 포함하여 AI 도구의 책임 있는 사용을 촉진한다.
• C5 AI 관련 역량을 최신 상태로 유지하기 위해, 교육 프로그램이나 온라인 자원 등을 통한 학습 및 자기계발(self-improvement) 기회를 식별한다.
• C6 AI에 대해 학습할 수 있는 신뢰할 수 있는 출처(예: 동료 평가된 논문, 전문가 의견, 정부 보고서 등)를 식별하고 탐색하여, 정확하고 신뢰할 수 있는 정보를 사용할 수 있도록 한다.
• C7 AI 기반 보건의료 시스템 설계 시, 환자의 요구와 가치를 반영하기 위해 환자 참여(patient inclusion)의 중요성을 설명한다.

🗣️ Theme: 의사소통 (Communication)

포함된 학습 요소:

• Cm1 AI가 도입될 때 환자와의 상호작용 방식이 어떻게 변화할지를 예측하고 대비한다.
• Cm2 의료 분야 동료들에게 AI 관련 지식과 연구 결과를 효과적으로 전달하기 위한 의사소통 전략을 개발한다.
• Cm3 환자에게 AI 관련 지식과 연구 내용을 전달하기 위한 환자 친화적인 자료를 개발한다.
• Cm4 환자 진료에서 AI 사용에 대해 논의할 때, 환자의 신뢰와 자율성을 증진시키는 환자 중심 접근법을 포함한 공감적 의사소통 기술을 시연한다.
• Cm5 AI와 관련된 의견 충돌이나 감정적으로 격해진 대화를 효과적으로 관리하며, 갈등 완화 및 조정 기술을 활용한다.
• Cm6 AI 분석에 활용될 수 있도록 환자 및 기타 출처로부터 관련 정보를 수집하고 통합한다.
• Cm7 AI 분석 결과를 환자 진료 및 기타 보건의료 의사결정 과정에 적절히 해석하고 문서화한다.

🔧 Theme: 질 향상 (Quality Improvement)

포함된 학습 요소:

• Q1 환자 피드백을 평가하여 의료 분야에서 AI 개선이 필요한 영역을 파악한다.
• Q2 환자 피드백과 경험을 바탕으로, 의료에서 AI의 역량을 향상시키기 위한 해결책을 제안한다.
• Q3 현재 의료에서 AI가 어떻게 활용되고 있는지를 분석하여 개선이 필요한 영역을 식별한다.
• Q4 지역사회 건강 요구를 평가하고, 이를 해결하기 위해 AI를 활용한 해결책을 제안한다.
• Q5 AI 개발 및 구현 과정에 환자 피드백을 통합한다.
• Q6 사용자 중심 설계(user-centered design)의 원칙을 적용하여, AI의 사용자 경험을 향상시킨다.

❌ 제외된 학습 요소 (Table 3)

핵심 주제별로 정리된 제외 항목과 합의가 이루어진 라운드

🧠 Theme: 이론 (Theory)

• T29 중앙처리장치(CPU), 메모리, 저장장치 등을 포함한 컴퓨터의 기본 구조와 기능을 설명한다.
  → 제외 합의 라운드: 2
• T30 하드웨어 구성 요소의 종류 및 컴퓨터 작동에서의 역할을 식별한다.
  → 제외 합의 라운드: 2
• T31 컴퓨터 성능 및 응용 역량에 대한 하드웨어 사양의 영향을 평가한다.
  → 제외 합의 라운드: 2
• T32 데이터 타입, 제어 구조, 함수, 알고리즘 등을 포함한 프로그래밍의 기본 개념을 이해한다.
  → 제외 합의 라운드: 2

⚙️ Theme: 응용 (Application)

• A12 AI 모델, 도구 및 간단한 의료 응용 프로그램을 구축하기 위한 프로그래밍 개념을 적용한다.
  → 제외 합의 라운드: 2
• A13 **기계 학습 모델에서의 경사하강법(gradient descent)**을 정의한다.
  → 제외 합의 라운드: 2
• A14 **모델의 과적합(overfitting)을 줄이기 위한 정규화 기법(regularization techniques)**을 구현한다.
  → 제외 합의 라운드: 2
• A15 **딥러닝 모델에서의 역전파(backpropagation)**를 이해하고 적용한다.
  → 제외 합의 라운드: 2
• A16 커널(kernel)을 활용해 데이터를 변환하여 기계 학습 및 딥러닝 모델에 적용한다.
  → 제외 합의 라운드: 2
• A17 비지도 학습(unsupervised learning)을 위한 클러스터링(clustering) 기법을 이해하고 적용한다.
  → 제외 합의 라운드: 3
• A18 **데이터에서 이상값(outliers)을 식별하기 위한 이상 탐지 기법(anomaly detection techniques)**을 구현한다.
  → 제외 합의 라운드: 2
• A19 벡터화(vectorization) 기법을 활용하여, 파이썬(Python) 기반의 기계 학습 및 딥러닝 모델 코드를 최적화한다.
  → 제외 합의 라운드: 2
• A20 TensorFlow를 활용하여 딥러닝 모델을 구축하고 학습시킨다.
  → 제외 합의 라운드: 2

⚖️ Table 4. 합의에 도달하지 못한 학습 요소
(Learning elements for which no consensus was achieved organized by core theme)

📚 Theme: 법률 (Legal)

• L12 AI의 **지적 재산권(intellectual property)**과 관련된 핵심 쟁점들을 열거한다.
  🔹 54%가 포함에 찬성
• L13 의료 분야에서 AI 사용과 관련된 지적 재산권 이슈의 함의를 분석한다.
  🔹 69%가 포함에 찬성
• L14 AI 사용 시 저작권 문제를 보호하고 관리하기 위한 적절한 전략을 적용한다.
  🔹 54%가 포함에 찬성

🧠 Theme: 이론 (Theory)

• T33 의료 현장에서 일반적으로 사용되는 프로그래밍 언어(Python, R 등)에 대한 실습 능력을 개발한다.
  🔹 62%가 제외에 찬성
• T34 **딥러닝의 다양한 유형(convolutional neural networks, recurrent neural networks)**을 식별하고 구분한다.
  🔹 54%가 포함에 찬성
• T35 **오토인코더(autoencoders)**와 적대 신경망(generative adversarial networks, GANs) 등 딥러닝 모델의 다양한 유형을 식별하고 구분한다.
  🔹 54%가 제외에 찬성

⚙️ Theme: 응용 (Application)

• A21 AI 연구 목적을 위해 데이터를 표준화(standardize)하여 일관성과 비교 가능성을 확보한다.
  🔹 69%가 포함에 찬성
• A22 연구 목적의 AI 모델을 개발 및 구현한다.
  🔹 54%가 제외에 찬성
• A23 **적절한 기법과 알고리즘을 활용하여 AI 모델을 학습시키고, 필요에 따라 세부 조정(fine-tune)**한다.
  🔹 69%가 포함에 찬성
• A24 PCA(주성분 분석) 등 **차원 축소 기법(dimensionality reduction techniques)**을 적용하여 특성 선택과 시각화를 수행한다.
  🔹 62%가 제외에 찬성
• A25 Keras를 사용하여 딥러닝 모델을 구축하고 학습시킨다.
  🔹 69%가 제외에 찬성
• A26 모델 성능 최적화를 위해 하이퍼파라미터 튜닝(hyperparameter tuning)을 수행한다.
  🔹 62%가 제외에 찬성

📌 요약 정리 포인트:

• 법률 영역에서는 일부 항목이 **과반 찬성(50% 이상)**을 받았으나 **명확한 합의(70% 이상)**에는 도달하지 못함.
• 이론 및 응용 영역의 항목 중 일부는 기술 난이도가 높거나 의과대학 수준에서의 실용성 부족으로 인해 제외에 근접한 의견이 우세함.
• 다만 A21, A23, L13 등은 향후 포함 가능성이 높은 항목으로 주목할 수 있음.

Bridging Medicine and Society-A Call to Expand the Pipeline of Physician-Social Scientists

자연 재해든 인간의 행동이든, **보건의료 위기(health care crises)**는 오늘날 의학이 직면한 **사회적 차원(social dimensions)**을 효과적으로 다룰 수 있는 리더의 시급한 필요성을 다시금 부각시켰다. **의료 전달의 불평등(inequities in delivery)**에서부터 공공 신뢰(public trust)의 장벽에 이르기까지, 오늘날의 보건의료 문제는 단순한 의학적 혹은 과학적 전문성만으로는 충분하지 않다. **진정한 변화를 이끄는 개입(transformative interventions)**을 실현하려면, 우리는 사회적 힘(societal forces)에 대한 더 깊은 이해를 필요로 한다. 이러한 문제를 해결할 수 있는 위치에 있는 사람들이 바로 사회과학 및 인문학(Social Sciences and Humanities, SSH) 교육을 받은 **의사과학자(physician-scientists)**들이다. 이들은 임상적 통찰력과 함께 보건 정책(health policy), 경제학(economics), 인류학(anthropology), 역사(history), 역학(epidemiology), 생명윤리(bioethics) 등 다양한 학문 분야에서 얻은 독특한 시각을 결합할 수 있다. 이들은 비정부기구(NGO) 설립, 국가 및 국제 기관에서의 리더십 등 중요한 기여를 해왔음에도 불구하고, 의사과학자 집단 내에서 SSH 배경을 가진 이들은 여전히 소수에 머물러 있다.¹

**전통적인 교육 경로와 자금 지원 체계는 기초 및 중개 연구(basic and translational science)**에 우선순위를 두어 왔으며, 그 결과 SSH 배경의 MD-PhD 학생들은 제한된 훈련 기관, 부족한 자금 지원, 다양한 행정적 장벽을 스스로 극복해야 하는 상황에 처해 있다. 이처럼 제한적인 환경은 학생들이 SSH 경로를 선택하지 않도록 만드는 요인이 되며, 궁극적으로는 의학과 사회를 통합적으로 이해하고 연결할 수 있는 리더에 대한 수요를 충족시키는 데에 한계를 초래한다. 따라서 SSH 배경의 의사과학자 인재 풀(pipeline)을 확대하는 일은 매우 중요하며, 이는 의학이 오늘날의 복합적 사회 문제에 실질적으로 대응할 수 있도록 하는 기반이 된다.

미국에서의 의사과학자 양성 교육은 **1964년, 미국 국립보건원(National Institutes of Health, NIH)**의 의과학자 훈련 프로그램(Medical Scientist Training Program, MSTP) 설립으로 체계화되었다. 이 프로그램은 등록금 지원과 생활비 제공을 통해, **이중 학위 과정(dual-degree training)**을 위한 지속 가능한 모델을 만들어냈다. 그러나 이 자금 지원은 주로 기초과학 분야에 집중되어 있으며, 이는 전통적으로 **의사과학자란 ‘기초 연구와 임상 진료를 연결하는 존재’**라는 시각을 반영한 것이다.²

현재 미국에는 118개의 MD-PhD 프로그램이 존재하지만, 그 중 SSH 분야의 공식적인 훈련 기회를 제공하는 프로그램은 57개에 불과하고, 전용 트랙과 자금 지원, 전문 지도, 포괄적 교육과정을 갖춘 곳은 10개 미만이다.³ 이로 인해 많은 SSH 트랙 학생들은 MSTP 자금을 포기해야 하며, 의대와 대학원에 별도로 지원해야 하거나, 심지어 서로 다른 기관에서 교육 과정을 나눠서 수행해야 하는 상황에 놓인다. 이처럼 분절된 교육 인프라는 접근성과 지원의 불균형을 지속시키며, 학생들이 SSH 경로에 진입하는 것을 어렵게 만든다.

SSH(사회과학 및 인문학) 배경의 의사과학자들은 훈련 과정에서 고유한 도전 과제에 직면한다. 이들의 연구는 다학제적(interdisciplinary) 성격을 지니기에, 학문 간 장벽을 넘어서야 하며, 때로는 대륙을 넘어 협력해야 하기도 한다. 또한 **연구 일정이 일반적인 MD-PhD 훈련과정의 체계적 진도(progression)**와 잘 맞지 않는 경우도 많다. **전담 멘토링(mentorship)**과 **제도적 지원(institutional support)**이 부족할 경우, 이 학생들은 고립감을 느끼거나, 기초과학 중심으로 설계된 시스템 안에서 연구가 제약받을 위험에 처하게 된다. 오늘날 SSH 배경의 의사과학자들이 이런 장벽을 돌파할 수 있었던 것은, 스스로 동기를 부여하고(proactive), 자기주도적으로 노력했기 때문이다.

이들은 **보건의료 문제를 효과적으로 해결한 실적(track record)**을 통해 존재감을 입증해 왔다.¹ 예컨대, 민족지학적(ethnographic) 및 역사적(historical) 연구는 문화적으로 민감한, 그래서 더 효과적인 진료를 가능하게 하고,
**경제학적 분석(economic analysis)**과 **윤리 분석(ethics analysis)**은 공공보건을 개선하기 위한 **자원 배분(resource allocation)**의 방향을 제시한다.⁴⁻⁷ 이러한 **양방향 시너지(bidirectional synergies)**는 **환자 결과(patient outcomes)**를 향상시키고, **기초연구에서 개발된 신약 및 치료법의 임상 적용(implementation)**을 촉진하는 데 기여한다.

SSH 의사과학자들은 HIV/AIDS 팬데믹에 대한 세계적 대응에서 핵심적인 역할을 수행하며, **의약품과 치료를 자원이 부족한 지역의 환자들에게 연결(linking medications and care)**했다.⁸ 또한 **COVID-19 팬데믹 시기에도 핵심 대응자(key responders)**로 활동했으며, 자원 배분, 백신 주저(vaccine hesitancy), 건강 불평등(health inequities), 정부 정책의 사회경제적 영향을 주도적으로 다뤘다.⁹ 

이들의 활동은 감염병에 국한되지 않는다. 정신건강(mental health), 약물 사용(substance use), 의료 접근성(access to care), 병원 운영(hospital management), 건강보험(insurance coverage) 등 복잡하고 구조적인 문제들을 다루는 데에도 깊이 관여해 왔다. 학계와 대중(public audiences) 간의 다리를 놓는 이들의 기여는 절대적으로 중요하며, 이는 위기를 극복하고 해법을 제시할 수 있는 SSH 의사과학자 인력의 지속적인 공급 필요성을 강력히 뒷받침한다.

SSH 의사과학자의 인재 풀(pipeline)을 확장하기 위해서는 다층적(multilevel) 조정과 전략이 필요하다. 우리가 소속된 MD-PhD 프로그램과 그 밖의 성공적인 사례들에서 얻은 교훈을 바탕으로, 다음과 같은 기관 차원 및 국가 차원의 실행 방안을 제안하고자 한다.

📚 프로그램 차원의 실행 방안 (Program-Level Actions)

첫째, SSH(사회과학 및 인문학) 인재 육성의 성공을 위해서는 MD-PhD 프로그램 자체가 SSH 훈련에 대한 명확한 의지를 가지고, 이를 지지할 핵심 인사들을 식별하는 것이 필요하다. 의대와 대학원 양측에 걸친 MD-PhD 프로그램 리더십의 확고한 의지와, SSH 훈련을 받은 교수진의 옹호 활동은 의학·SSH 이중 훈련(dual medical/SSH training)에 대한 이해와 지원을 이끌어내는 데 필수적이다. 사실, 미국 내 30개 대형 MD-PhD 프로그램의 소속 기관들은 대부분 경제학, 보건 정책, 인류학, 과학사(history of science) 등 핵심 SSH 분야의 대학원 학과를 이미 보유하고 있으며, 이는 SSH 기반 의사과학자 훈련을 확대할 수 있는 학문적 기반이 갖추어져 있음을 의미한다.

둘째, SSH 훈련은 기존 MD-PhD 프로그램과 별개 트랙이 되어서는 안 되며, MD-PhD 교육과정에 통합되어야 한다. SSH 교수진과 연구, 관점을 핵심 커리큘럼 및 공식 프로그램 안에 통합하는 것은 모든 학생에게 이로운 **다학제적 담론(interdisciplinary discourse)**을 촉진할 수 있다. 또한 네트워킹 행사나 포용적인 소셜 활동 등을 통해 **SSH 학생들의 소속감(sense of belonging)**을 강화할 수 있다. SSH 연구는 현장조사(field research) 등을 위한 장기 출장이나 유연한 일정 조정이 필요한 경우가 많기 때문에, 프로그램은 교육 기간에 유연성을 제공할 수 있어야 한다.

셋째, SSH 학생들을 위한 입학 절차를 간소화하면, 행정적 장벽으로 인해 SSH 지원자들이 과도한 불이익을 받는 구조를 개선할 수 있다. 이들은 종종 의대와 대학원에 각각 따로 지원서를 제출해야 하는 이중 절차를 거치게 되는데, 이를 단순화하고, 입학 사정위원회가 SSH 지원자의 고유한 자질과 가능성을 이해하도록 교육하는 것이 중요하다. 예를 들어, 하버드/MIT MD-PhD 프로그램은 이러한 변화를 통해 지원자 수가 눈에 띄게 증가했고, 지난 10년간 SSH 전공자의 규모가 두 배로 늘어났다.

넷째, 특히 MD-PhD 프로그램이 없는 대학의 학부생들을 대상으로 한 아웃리치 활동은 지원자 풀을 넓히는 데 있어 필수적이며, 이는 NIH가 MSTP(Medical Scientist Training Program) 훈련의 우선 과제로 인정한 바 있다.¹⁰ 여름방학 동안 운영되는 학부생 연구 프로그램은 SSH 기반 이중 학위 경로에 대한 조기 노출 기회로 이상적이다. 또한 MD-PhD 리크루팅 행사에 SSH 학생을 포함시키는 것도 인지도와 관심을 높이는 데 효과적이다.

다섯째, 의학과 시너지를 이루는 SSH 분야에 대한 훈련을 적극 장려해야 한다. 초기 SSH 훈련생들은 현재 **영향력 있는 의사-사회과학자(physician–social scientists)**가 되었으며, 이들은 인류학, 역사, 경제학, 보건 정책, 역학(epidemiology) 분야에서 스스로 길을 개척했다. 최근에는 이 흐름이 교육학, 종교학, 영문학(English) 등의 분야로 확장되었으며, 이는 의료의 변화하는 요구를 충족시키는 데 도움이 되는 독창적인 도구와 시각을 제공한다. 앞으로 미디어 및 커뮤니케이션(media and communications), 영양학(nutrition), 환경보건(environmental health) 등도 의료와 시너지를 낼 수 있는 유망한 SSH 연구 분야로 고려될 수 있다.

여섯째, 기금 재단, 기부자, 민간 부문과의 연계를 확대해야 한다. 하버드/MIT MD-PhD 프로그램의 초기 SSH 훈련생들은 **맥아더 재단(MacArthur Foundation)**의 지원을 받았고, 그 이후에는 **대학 총장 기금(presidential funds)**과 개인 기부자들의 후원이 중요한 자금원이 되었다. 이러한 **목적성 있는 외부 자금 지원(targeted, additive funding)**은 SSH 교육의 판도를 바꾸는 데 큰 역할을 한다. 특히 보건의료 경제학, 데이터 기반 정책, 지속가능한 보건 인력 확보가 산업의 성공과 직결되는 현실을 고려할 때, 민간 부문과의 파트너십은 더 많은 자원을 확보할 수 있는 전략적 기회가 된다.

🏛️ 국가 차원의 실행 전략 (National-Level Actions)

국가 차원에서는, NIH의 MSTP(Medical Scientist Training Program) 자금 지원이 SSH 분야로 확대되어야 한다. 현재 MSTP 자금은 기초과학(basic science) 분야에 과도하게 편중되어 있다. 미국 내 MD-PhD 교육을 주로 지원하는 기관인 National Institute of General Medical Sciences(NIGMS) 이외에도, SSH와 임무가 부합하는 다른 NIH 산하 기관들이 **분야별 MSTP 보조금(field-specific MSTP grants)**을 제공해야 한다. 예를 들어, National Institute on Aging은 경제학, 보건정책, 사회 및 행동의학(social and behavioral medicine) 훈련을 포함하는 노화 관련 연구(aging-related research) MSTP 프로그램을 성공적으로 개설한 바 있다. SSH 훈련을 위한 연방정부 및 민간 부문의 MSTP 자금 지원 확대는 지속가능한 성장 기반을 마련함과 동시에, 기초과학과 사회과학 지원자 간 **제로섬 경쟁(zero-sum game)**을 피하는 데도 기여할 것이다.

또한, SSH MD-PhD 졸업자들이 의사과학자 트랙(physician-scientist training program residency tracks)에 포함되어야 한다. SSH 전공자들의 참여를 보장하는 것은, **임상-사회과학 간 통합 역량을 갖춘 의사–사회과학자(physician–social scientists)**가 독립적 경력으로 전환되는 과정에 지속적인 지원을 제공할 수 있는 구조를 만든다. 이러한 SSH 훈련생에 대한 인정과 육성은, 기초과학 및 사회과학 모두를 전공한 MD-PhD 레지던트들의 교육 환경을 더욱 풍부하고 통합적으로 만드는 데 기여할 것이다.

🧭 결론 (Conclusions)

SSH 배경의 의사과학자 인재 풀을 확장하는 일은, 실행 가능할 뿐 아니라, 변화하는 의학의 요구에 대응하기 위해 매우 중요하다.
기초 연구(bench)에서 나온 혁신이 임상 현장(bedside)에 잘 도달하려면, 그 과정에 **사회적 고려(social considerations)**가 통합되어야 한다.

의료의 미래는 임상, 연구, 사회를 연결하는 리더들의 손에 달려 있으며, SSH 의사과학자들은 이 역할을 수행할 준비가 된 인재들이다. 하지만 그들의 잠재력은, 그에 상응하는 체계적 지원과 투자가 없이는 실현될 수 없다. 자금 지원 확대, 훈련 경로의 간소화, 포용적이고 확장적인 커뮤니티 조성을 통해, 우리는 의학이 직면한 도전과 가능성의 전 범위를 반영하고 해결할 수 있는 인재 파이프라인을 구축할 수 있다.

JAMA. 2025 Feb 27. doi: 10.1001/jama.2025.0136. Online ahead of print.

Deleting My Mother's Email Account

“이메일 계정을 영구히 삭제하시겠습니까?”

나는 **"예"**와 "아니오" 위에 커서를 올려놓고, 클릭할 준비를 한다. 커서는 컴퓨터 화면에서 깜빡이며, 한 치의 흔들림 없이 나를 바라본다. 무엇을 해야 하는지는 안다. 그러나 그것을 할 준비가 되었는지는 확신할 수 없다.

어머니께서 이야기를 반복하고 사소한 것들을 잊기 시작했을 때, 우리는 그것을 스트레스 탓으로 돌렸다. 그녀의 바쁜 일정, 정치 활동 출마, 혹은 무엇이든 간에... 단지 ‘진짜 이유’만은 아니기를 바랐다. 그러나 더는 그렇게 둘러댈 수 없는 순간이 찾아왔다. 그 뒤를 이은 것은 진료, 검사, 평가였고… 결국은 알츠하이머병(Alzheimer disease)이라는 진단이었다.¹

나는 의사의 시선으로 그것을 바라보았다. 그러나 그 시선은 개인적인 명료함도, 병의 경과를 바꿀 수 있는 힘도 주지 못했다. 나는 앞으로 벌어질 일을 알고 있다고 생각했다. 환자와 그 가족들이 이 병으로 어떤 영향을 받는지를 수없이 보아왔다. 기억이 점차 침식되고, 자율성이 사라지며, 자아라는 존재 자체가 서서히 무너져가는 과정을 말이다. 하지만 30년이 넘는 임상 경험도 내 어머니—나의 중심이자 영감이었던 그 생기 넘치고 빛났던 여성—에게서 그 과정을 지켜보는 일에 대비시키진 못했다.

어머니는 나에게 진정한 롤모델이었다. 용기를 갖고 살라는 것, 괴롭힘이나 편견, 불의에 맞서라는 것, 순간에 머물지 말고 큰 꿈을 품으라는 것, 그리고 야심찬 목표를 세우라는 것을 가르쳐주셨다. 비판적으로 사고하는 법, 연구하는 법을 알려주셨고, 언제나 가장 도전적인 일을 마주하라고 격려하셨다. 어머니는 늘 변함없는 지지자였고, **내가 어떤 이야기를 해도 판단 없이 오직 사랑으로 받아주는 ‘안식처’**였다. 그녀는 정말 대단한 분이었고, 오늘날 내가 된 사람—전문가로서도, 인간으로서도—그 모든 기반은 어머니가 마련해주신 것이다.

하지만 알츠하이머병은 지성이나 관대함에 관심이 없다.

처음엔 그녀도 자신의 어려움을 감췄다. 결단력과 자신에게 쓴 메모들로 효과적으로 보완했다. 어느 서랍 속에 숨겨진 종이에는 그녀의 필체로 단 한 줄이 적혀 있었다.

“기억, 신경과 의사.”

그녀는 알고 있었다. 하지만 행동하지 않았다. 우리가 눈치채고 개입할 때까지.

**경미한 로고페닉 실어증(logopenic aphasia)**은 점차 완전한 실어증으로 진행되었고, 감정 기복은 공격성으로, 다시 부드러운 순응으로 변했다. 시간이 흐르며 그녀는 기억을 잃고, 독립성을 잃고, 결국 그녀 자신이라는 존재의 본질을 잃었다.

나는 그 전 과정을 함께하며, 돕기 위해 애썼다. 기억 센터, 신경과 전문의, 신경심리학자, 그리고 다양한 전문가들을 찾아갔다. 광범위한 검사, 약물 치료, 상담을 받게 했다. 나는 조율하고, 지지하고, 해석하고, 모니터링하며, 안내하고, 교육했다—그러면서도 단순히 그녀의 아들로 존재하기 위해 안간힘을 썼다.

그녀의 이메일을 관리하는 일도 내 역할 중 하나였다. 처음에는 사적인 영역을 침범하는 듯한, 죄스러운 기분이 들었다. 하지만 미납 요금, 깜빡한 약속, 그녀의 상태를 모르는 친구들의 메시지가 걱정되었다. 그래서 마지못해 로그인했다. 그녀의 받은 편지함은 스팸, 청구서, 오래된 사진, 그리고 한때 생기 넘쳤던 삶의 파편들로 가득 차 있었다. 나는 그 모든 메일을 읽고, 스팸을 삭제하고, 사진을 저장하고, 중요한 것 같으면 전달했다. 그 과정은 끝이 없었고, 상실감을 불러왔지만 이상하게도 위로가 되었다. 그녀를 위해 할 수 있는, 유일하게 손에 잡히는 무언가였기 때문이다.

마침내 모든 걸 정리했다. 그런데도 나는 계속 로그인을 했다. 혹시 잊혀진 친구가 연락을 줄까 싶어서. 하지만 로그인할 때마다 그녀가 없다는 사실이 또렷하게 다가왔고, 마음은 산산이 부서졌다.

얼마 전, 어머니는 세상을 떠나셨다. 그 상실의 무게는 지금도 깊게 내리눌러 있다. 그녀—정열적이고 사랑이 넘쳤던 존재—는 이제 없다. 그러나 매일 나는 그녀의 이메일을 열고, 의미 없는 메일 하나하나에 “스팸”을 누른다. 이제 그녀의 받은 편지함은 공허한 공간이 되었다—과거에 존재했던 의미 있는 삶에 대한 조용한 증언일 뿐이다.

나는 컴퓨터 앞에 앉아 화면을 응시한다. 화면에는 다시 프롬프트가 뜬다.

“이메일 계정을 영구히 삭제하시겠습니까?”

커서는 여전히 깜빡이고, 내 손은 마우스 위에 머문다. 나는 머뭇거린다. ‘종결’이라는 무게가 나를 짓누른다. 그녀의 부재는 너무 생생하다. 눈을 감자 그녀가 떠오른다—질병으로 무너진 모습이 아니라, 나의 삶과 가치관을 형성해주고 오늘날의 나를 만든 그 어머니의 모습이.

화면은 아무 말 없이 정지되어 있다. 나는 깊이 숨을 들이쉬고, 눈을 뜬다. 화면에 떠 있는 마지막 질문을 바라본다. 손을 가다듬는다. 나는, 아직도 준비가 되었는지 모르겠다.

하지만, 나는 클릭한다.

JAMA Netw Open. 2025 Jan 2;8(1):e2453131.  doi: 10.1001/jamanetworkopen.2024.53131.

The Digital Health Competencies in Medical Education Framework: An International Consensus Statement Based on a Delphi Study

🧠 의과대학에서 디지털 헬스를 가르치려면?

— 국제 전문가들이 만든 DECODE 프레임워크 소개

요즘처럼 인공지능(AI), 원격의료(telehealth), 웨어러블 기기(wearables) 같은 기술이 급속도로 발전하면서, 의료현장도 하루가 다르게 달라지고 있어요. 그럼 의과대학생들은 이런 변화에 어떻게 대비하고 있을까요?

사실 많은 학생들과 의사들이 디지털 헬스를 활용하는 데 충분한 교육을 받지 못했다고 느끼는 게 현실이에요. 이 문제를 해결하기 위해, 전 세계의 전문가들이 모여 **DECODE 프레임워크(Digital Health Competencies in Medical Education)**라는 새로운 교육 지침을 만들었어요.

📌 DECODE 프레임워크란?

DECODE 프레임워크는 의과대학 정규교육(preregistration medical education) 단계에서 디지털 헬스에 필요한 핵심 역량을 정의한 국제적 합의문이에요. 전문가들은 이렇게 설명해요:

"This multistage international consensus process has produced a comprehensive DHC framework for preregistration medical education."
(이번 다단계 국제 합의 과정을 통해, 의과대학 정규교육을 위한 포괄적인 디지털 헬스 역량 프레임워크가 개발되었습니다.)

총 4개의 핵심 영역(domain)과 19개의 역량(competency), 그리고 178개의 학습성과(learning outcomes)를 담고 있는데요, 그중 33개는 ‘모든 학생이 반드시 알아야 할 필수 항목’이에요.

🧩 4가지 핵심 영역

DECODE 프레임워크는 다음과 같은 4가지 영역으로 구성돼 있어요:

1. 디지털 헬스에서의 전문성 (Professionalism in Digital Health)
   → 의료인이 디지털 환경에서도 윤리적·법적으로 전문성을 갖추도록 하는 내용이에요.
2. 환자 및 인구 중심 디지털 헬스 (Patient and Population Digital Health)
   → 원격의료, 디지털 치료제, 건강앱, 디지털 헬스 리터러시(health literacy) 등을 포함해요.
3. 건강정보시스템 (Health Information Systems)
   → 전자의무기록(EHR), 데이터 거버넌스, 정보 교환 시스템 등에 대해 다룹니다.
4. 건강 데이터 과학 (Health Data Science)
   → AI, 머신러닝, 정밀의료(precision medicine) 등 첨단 데이터 분석 역량을 포함해요.

🎯 왜 이게 필요할까요?

연구팀은 이렇게 말해요:

"The framework will play an enabling role in assisting individual medical institutions in developing and introducing digital health learning outcomes and appropriate learning opportunities into curricula for medical students."
(이 프레임워크는 각 의과대학이 학생들을 위한 디지털 헬스 교육성과와 교육 기회를 커리큘럼에 통합하는 데 실질적인 도움이 될 것입니다.)

특히, 디지털 헬스에 익숙하지 않은 국가나 자원 부족 환경에서도 적용할 수 있도록 필수 학습성과와 재량 학습성과를 구분해서 제시한 점이 인상 깊어요.

🚧 현실적인 고민들도 함께 담겼어요

DECODE 프레임워크는 단순히 “이렇게 가르치세요!”라고 말하는 게 아니에요.
교육과정에 어떻게 통합할지, 어떤 용어를 쓸지, 저소득국가(LMICs)에서의 교육 격차까지 꼼꼼히 고민했어요.

예를 들어 연구팀은 이렇게 말합니다:

"Several experts raised concerns on the challenges in incorporating all competencies within this framework into the existing crowded medical curricula and the potential pushback that might arise."
(이미 과밀한 교육과정에 모든 역량을 통합하려 할 때 발생할 수 있는 어려움과 반발 가능성을 우려한 전문가들도 있었습니다.)

그래서 수직 통합(vertical integration), 보완 교육(optional programs), 단계적 도입(step-by-step rollout) 같은 실행 전략도 함께 제안하고 있어요.

💬 마무리하며

디지털 기술이 의료를 바꾸고 있는 지금, 의대 교육도 함께 변화해야 하는 건 분명해요.
DECODE 프레임워크는 “무엇을 가르쳐야 할까?”라는 질문에 대한 글로벌한 답변이에요.

이제 우리에게 필요한 건, “이걸 우리 현실에 어떻게 적용할 수 있을까?”를 고민하는 일 아닐까요?

서론 (Introduction)

**디지털 헬스(Digital Health)**란 보건의료 분야에서 **더 나은 건강과 웰빙(well-being)을 증진하기 위해 정보 및 통신 기술(information and communication technologies, ICT)**을 활용하는 것을 의미한다. 디지털 헬스에는 전자건강기록(EHR, electronic health records), 임상 의사결정 지원 시스템(clinical decision support systems), 원격의료(telemedicine), 모바일 앱, 웨어러블 기기, 데이터 분석(data analytics), 그리고 점차 확대되고 있는 인공지능(artificial intelligence) 등이 포함된다.

지난 40여 년 동안 디지털 헬스의 적용은 전 세계적으로 빠르게 증가하였고, 특히 COVID-19 팬데믹 기간 동안 그 속도가 더욱 가속화되었다.¹–³ 그러나 많은 의사들은 이러한 디지털 헬스 기술을 자신의 임상 업무에 안전하고 효과적으로 활용할 준비가 부족하다고 느끼고 있다.⁴⁻⁵

예를 들어, Stanford Medicine 2020 Health Trends Report⁶에 따르면, 의사의 44%가 자신이 받은 교육이 새로운 헬스케어 기술에 대해 불충분했다고 평가하였다. 이 보고서는 다양한 국가에서 수행된 연구 결과들과도 일치하며, 그에 따르면 의과대학생과 젊은 의사들 다수가 디지털 헬스 기술 활용에 대한 자신감이 부족하며, 이 분야에 대한 교육을 받고 싶어 한다는 점이 반복적으로 나타났다.⁷–¹²

보건의료 인력에서의 디지털 헬스 역량(Digital Health Competencies, DHCs) 부족은 이 기술들이 보건의료 성과를 향상시킬 수 있는 잠재력을 충분히 실현하는 데에 걸림돌이 된다.¹³

디지털 헬스에 대한 효과적인 교육은 안전하고 효율적이며 고품질의 진료 제공을 위해 필수적이다.¹³ 영국의 Topol Review 보고서(보건의료의 디지털화에 대한 검토)¹⁴는 보건의료 인력의 디지털 리터러시(digital literacy)를 향상시키는 것이 중요하다고 강조했으며, 이는 곧 더 나은 건강 정보 관리 및 디지털 헬스케어 전환 가속화를 위한 적절한 기술, 태도, 행동 개발이 필요함을 뜻한다.¹⁵

**세계보건기구(WHO) 유럽 지역의 디지털 헬스 실행 계획(2023–2030)**도 이러한 권고를 반영하고 있다. 이 계획은 디지털 헬스 교육의 중요성을 부각시켰는데, 이는 WHO 회원국의 3분의 1 미만만이 디지털 헬스 교육 전략을 갖추고 있다는 점을 근거로 들고 있다.¹⁶⁻¹⁷

그러나 **대부분의 의과대학은 여전히 디지털 헬스 교육 및 훈련을 교육과정에 포함하지 않고 있다.**¹⁸⁻²⁰ 이러한 부재는 다양한 도전 과제들로 설명될 수 있다. 예를 들면,

• 이미 과밀한 의과대학 커리큘럼,
• 디지털 헬스 전문성을 갖춘 교수진 부족,
• 교육 인프라 및 기술 자원 부족,
• 디지털 헬스 자체가 빠르게 변화하고 역동적인 특성,
• 그리고 디지털 헬스 교육과정의 구체적인 내용과 교수법에 대한 명확성 부족 등이다.²¹⁻²³

일부 의과대학에서는 디지털 헬스 교육을 도입하고 있으나, **그 내용이 포괄적이지 못하고 대부분 선택과목(elective) 형태로 제공되는 경우가 많다.**¹¹,²⁴⁻²⁸ 모든 의과대학 교육과정에 디지털 헬스 교육을 통합하는 것은 명백하며 긴급한 과제이다.

**디지털 헬스 교육과 훈련은 명확히 정의된 디지털 헬스 역량(Digital Health Competencies, DHCs) 프레임워크에 기반하여 이루어져야 한다.**²⁹ 최근 몇 년 사이, 간호사(nurses),³⁰⁻³³ 의사(physicians),¹⁸,³⁴,³⁵ 보건 보조 인력(allied health professionals),³⁶ 그리고 보건정보학 전문가(health informatics specialists)²⁹,³⁷,³⁸ 등을 위한 다양한 프레임워크가 개발되어 왔다.

주목할 만한 예로는, EU와 미국의 전문가들이 2014년에 공동 개발한 Health Information Competency Framework³⁹, 그리고 국제의료정보학회(International Medical Informatics Association, IMIA)가 2000년에 발표하고 2023년에 최신 개정한 프레임워크⁴⁰⁻⁴¹가 있다. 이들 프레임워크는 **보건의료 전문가의 교육 단계(학사~박사 수준)**에 따라 **보건정보학 학습목표(health informatics learning objectives)**를 제시하고 있다.⁴¹⁻⁴²

이러한 프레임워크는 분명 유용하지만, 전통적인 생물의학정보학(biomedical informatics) 역량에 주로 초점을 맞추고 있으며, 디지털 헬스의 전반적인 측면을 포괄하지는 못한다. 또한 기존 디지털 헬스 프레임워크 대부분은 고소득 국가의 간호 인력 중심으로 설계되었기 때문에, **의과대학 정규 교육과정(preregistration medical education, 학부 및 대학원 모두 포함)**이나 저소득 및 중간소득국가(LMICs)에서의 활용에는 한계가 있다.²⁹

국가별로 디지털 헬스 학습 목표를 통합한 의학교육 커리큘럼도 존재하지만,⁴³⁻⁴⁶ 그 내용은 국가마다 상이하며, 최근 새롭게 등장한 디지털 헬스 도구들—예를 들어 **증상 검사기(symptom checkers)**나 대화형 에이전트(chatbots)—는 대부분 반영되지 않고 있다.

디지털 헬스 교육의 기반을 무엇으로 정의할 것인가에 대한 연구는 여전히 진행 중이다. 최근 발표된 두 개의 디지털 헬스 프레임워크는, 의과대학생을 대상으로 각각

• **인공지능 관련 27개 핵심 역량(competencies)**⁴⁷,
• **40개 디지털 헬스 주제(topics)**⁴⁸
  를 제시하였다.

그러나 이 두 프레임워크 모두 단일 국가의 전문가 집단만을 참여시켜 개발되었기 때문에, 국제적으로 널리 채택되기에는 한계가 있을 수 있다. 의사는 임상 진료에서 핵심적인 의사결정 주체 중 하나이기 때문에, 디지털 헬스 솔루션을 진료에 통합하려면 그들의 지지와 적극적인 활용이 필요하다. 의과대학생과 의사의 디지털 헬스 역량(DHCs)을 향상시키는 것은, 디지털 헬스 솔루션의 **광범위한 채택과 실사용 확대에 있어 중요한 장애물을 극복하는 데 기여할 수 있다.**¹³,²⁹

따라서, 의학교육에 적용 가능한 포괄적이고 실행 가능한 국제적 DHC 프레임워크가 시급히 요구된다. 이를 위해, 본 연구에서는 국제적 델파이(Delphi) 연구를 수행하였다. 본 연구의 목적은 다음과 같다:

→ 의학 교육과정 설계 및 개발에 활용될 수 있는, 근거 기반(evidence-informed)이며 합의에 기반한(consensus-guided), 적용 가능한 디지털 헬스 핵심 역량과 관련 학습성과 세트를 개발하는 것이다. 이는 전 세계 의과대학 커리큘럼에 적응(adaptable)될 수 있도록 설계되었다.

방법 (Methods)

의학교육에서의 디지털 헬스 역량(Digital Health Competencies in Medical Education, DECODE) 프레임워크 개발은 총 5단계의 절차를 거쳐 이루어졌다:

1. 스코핑 리뷰(scoping review) 기반의 **매핑 작업(mapping exercise)**을 통해 잠재적 역량 항목 발굴,²⁹
2. 전문가 반복 자문(iterative expert consultations) 및 초기 역량 및 학습성과 리스트의 파일럿 테스트,
3. **프레임워크 구조, 용어, 영역(domains), 역량(competencies), 학습성과(learning outcomes)**에 대한 합의를 도출하기 위한 2라운드 수정 델파이(modified Delphi) 설문조사,
4. 표현을 정제하기 위한 합의 회의(consensus meeting),
5. 후속 정성적 피드백 및 권고사항을 수렴하기 위한 후속 활동(postmeeting activities).

이 과정은 Figure에 도식화되어 있다. **수정 델파이 기법(modified Delphi method)**은 전문가 패널 간의 합의를 구축하기 위해 활용되었으며, 최종 회의에서의 토론과 상호작용이 가능하다는 점에서 적합한 방법으로 선택되었다.⁴⁹

**전문가 합의 과정(expert consensus process)**은 의학교육 및 디지털 헬스 연구 분야의 주제 전문가(subject matter experts) 그룹(J.C., Q.C.O., T.E.F., S.J.K., I.S., K.K.F.T., A.H.S., C.G.P., R.A.)이 감독하였다. 본 연구는 난양기술대학교(Nanyang Technological University)의 기관윤리심의위원회(IRB) 승인을 받았으며, **바이오의학 분야에서의 합의 방법에 대한 보고 기준인 ACCORD 가이드라인(Accurate Consensus Reporting Document)**에 따라 진행되었다. 이 가이드라인은 *수정된 델파이 방법(modified Delphi)*을 통해 개발되었다.

디지털 헬스 역량 초안 도출 (Identification of the Initial Set of Relevant DHCs)

디지털 헬스의 영역(domains), 역량(competencies), 학습성과(learning outcomes) 목록을 작성하기 위해 다단계 접근 방식이 적용되었다.

초기 리스트는 국제 의학 문헌에 대한 2020년 스코핑 리뷰 결과²⁹를 기반으로 하였으며, 이 리뷰는 다음을 분석하였다:

• 기존 보건의료 전문가 대상 DHC 프레임워크,
• 그 지리적 적용 범위(지역 조직 수준, 지역/국가/국제 수준),
• 보건의료 제공 환경(예: 급성기 진료, 응급진료, 1차 진료),
• 역량 영역의 명명법(nomenclature) (예: health information technology, telemedicine 등).

이 과정에서 총 30개의 DHC 프레임워크와 28개의 일반적인 디지털 헬스 영역이 식별되었으며, 보건 직종별로 초점이 다양하게 분포되어 있음을 확인하였다. 그중 의과대학 정규(pre-registration) 교육에 특화된 프레임워크는 단 하나였다.

핵심 연구팀은 스코핑 리뷰에서 확인된 모든 역량과 학습성과 리스트를 검토하였다.²⁹ 이후 **4명의 디지털 헬스 연구자가 사전에 정의된 선정 기준(eTable 1 in the Supplement)**에 따라 역량 항목을 선별하였다. 이 선별 과정에서 **기존 학습성과의 공백(gaps)**이 확인되었고, 이를 보완하기 위해 추가 문헌 검토 및 기존 의학교육 커리큘럼 프레임워크에 대한 분석이 수행되었다. 이를 통해 새로운 영역과 역량 항목이 추가되었고, 신규 학습성과가 수립되었다.

반복적인 내부 논의를 통해 초기 프레임워크 구조에 대한 합의에 도달하였으며, 여기에는 용어, 영역, 역량, 학습성과가 포함되었다. 이렇게 도출된 리스트는 델파이 연구 1라운드 설문조사 문항 개발에 활용되었다.

이후 **두 차례의 파일럿 테스트(pilots)**가 수행되었고, 설문지와 식별된 영역·역량·학습성과 리스트는 핵심 그룹에 배포되어 면밀한 검토를 받았다. 설문지는 명료성을 높이고 응답 편의를 고려하여 정제되었으며, 용어, 구조, 역량 항목 및 관련 학습성과는 최신 디지털 헬스 영역까지 포함되도록 수정, 재조정, 개선되었다.

델파이 조사(2단계)
(Two-Round Delphi Survey)

다양한 배경의 전문가 패널을 구성하기 위해 반복 표본추출(iterative sampling) 방식이 활용되었으며, 패널 선정 기준은 *보조자료(eAppendix 1)*에 상세히 제시되어 있다. 연구 목적 및 패널로서의 역할에 대한 자세한 설명은 서면 동의 전 온라인으로 제공되었으며, 1차 라운드 설문을 완료한 이들만 2차 라운드에 초대되었다.

델파이 1차 조사는 2022년 12월부터 2023년 4월까지 수행되었으며, 다음의 세 부분으로 구성되었다:

1. 프레임워크 구조 및 용어,
2. 디지털 헬스 영역의 관련성 평가,
3. 의학교육을 위한 DHC와 학습성과의 관련성 평가.

프레임워크의 구조 및 용어에 대한 피드백은 자유 서술형(free text)으로 수집되었으며, **영역(domains), 역량(competencies), 학습성과(learning outcomes)**의 관련성은 **Likert 척도(전적으로 동의, 동의, 반대, 전적으로 반대)**를 통해 평가되었다.

DHC 프레임워크에 항목이 포함되기 위해서는, 참여자의 70% 이상이 ‘동의’ 또는 ‘전적으로 동의’한 사전 정의된 기준을 충족해야 했다(무응답 및 기권 제외). 전문가 합의 비율은 델파이 연구에서 일반적으로 활용되는 기준이며, 다양한 연구에서는 67%~80%의 기준을 적용해왔다.⁵⁰⁻⁵³

자유 서술형 응답에 대한 정성 분석은 두 명의 검토자(O.C.O.와 T.E.F.)가 독립적으로 수행하였고, 의견 차이는 세 번째 검토자(J.C.)와의 논의를 통해 조율되었다. 제안들은 **공통 주제별로 범주화 및 종합(synthesized)**되었다.

델파이 2차 조사는 2023년 6월부터 7월 사이에 실시되었으며, 1차 설문 피드백에 기반한 변경사항에 대해 전문가들이 동의 여부를 평가하였다. 1차 조사에서 수집된 자유 서술형 응답 분석 결과, 교육과정 차별화 및 정의를 돕기 위해 학습성과를 분류하자는 제안이 도출되었다. 이에 따라, 전문가들에게 각 학습성과가 필수(mandatory), 선택(elective), 보완(supplementary) 중 어느 범주에 속하는지를 묻는 항목이 추가되었다.

• 필수 학습성과: 모든 의과대학생에게 반드시 필요한 항목.
• 선택 학습성과: 중요하지만 전원에게 적용되지는 않는 항목.
• 보완 학습성과: 특정 문맥에 따라 추가적으로 요구되는 지식, 기술, 행동.

또한, 1차 라운드 참여자들이 제안한 신규 역량 및 학습성과에 대해 그 관련성을 평가하는 설문 항목도 포함되었다.

참여자 모집 및 델파이 조사 2단계 전체 과정은 보조자료(eMethods)에 기술되어 있다.

합의 회의 및 후속 활동
(Consensus Meeting and Postmeeting Activities)

2023년 9월, 온라인으로 합의 회의(consensus meeting)가 개최되었으며, **1~2차 델파이 조사에 모두 참여한 12명의 전문가(총 16명 초대 중)**와 **핵심 그룹 소속 2명(회의 주재자 및 기록자)**이 참석하였다. 이들은 의학교육 내 다양한 역할, 의학 전문 분야, 전 세계 지역을 대표하도록 구성되었다. 불참한 한 명의 패널은 상세한 서면 피드백을 제출하였으며, 이는 회의에서 함께 고려되었다.

원활한 논의를 위해 회의 전 모든 패널에게 합의 회의 안건 및 수정된 DHC 프레임워크 초안이 사전 배포되었다. 회의에서는 조사 결과가 발표된 후, 패널들이 각 역량 및 학습성과의 포함 여부, 표현 방식, 용어의 적절성 등에 대해 집중 토의하였다. 특히 60.0%~69.9%의 경계 수준 동의율을 보인 항목은 별도로 강조되어 논의되었으며, *합의(consensus)*는 논의를 통해 도출되었다.

수정된 문서는 최종 합의된 영역, 역량, 학습성과를 포함하고 있으며, 모든 패널에게 공유되어 문안 수정(minor wording changes) 및 최종 확인을 받았다. 이 과정을 통해, 문서가 합의 회의에서 이루어진 결정 사항을 정확하게 반영하는지 확인하고자 하였다.

또한, 합의 회의에 참석하지 않았더라도 델파이 설문 1·2차를 모두 완료한 모든 참여자에게 최종 문서가 공유되었으며,

• 정성적 피드백 수렴,
• 각자의 의과대학에서 해당 프레임워크를 실제로 구현하고자 하는 의향 확인 등의 후속 활동이 함께 이루어졌다.

결과 (Results)

델파이 조사 및 합의 회의
(Delphi Survey and Consensus Meeting)

1차 델파이 조사에는 총 211명이 참여했으며, 2차 조사에는 **149명(1차 참여자의 70.6%)**이 참여하였다.
1차 조사는 79개국 및 지역, 2차 조사는 68개국에서 응답이 있었으며, WHO의 6개 모든 지역과 세계은행(World Bank)의 4개 국가소득 분류군이 모두 대표되었다(eFigure 참조).

1·2차 모두 참여한 149명 중,

• **63명(42.6%)**은 고소득국(high-income countries),
• **19명(12.8%)**은 저소득국(low-income countries) 기반이었다(세계은행 기준).⁵⁴

전체 참가자 중 약 **3분의 2(91명, 61.1%)**는 자신의 주된 전문 분야를 *임상의학(clinical medicine)*이라고 보고하였다.
또한,

• 대다수(125명, 83.9%)는 교수 역할,
• 109명(73.2%)은 연구자 역할,
• 76명(51.0%)은 임상 역할을 동시에 수행 중이라고 응답하였다.

참가자의 대부분(140명, 94.0%)은 대학 소속이었고, 그 중 **83명(55.7%)**은 *임상 환경(clinical setting)*에서도 근무하고 있었다. 또한 **약 3분의 1(47명, 31.5%)**은 총장, 학장, 병원 최고 책임자 등 기관의 리더십 직책을 맡고 있다고 보고하였다. 각 라운드별 참가자 특성은 Table 1에 제시되어 있다.

초기에는 **4개 영역(domains), 18개 역량(competencies), 189개 학습성과(learning outcomes)**가 제안되었으며,
1차 조사 후 70% 이상 합의 기준을 충족한 항목은

• 4개 영역,
• 18개 역량,
• 177개 학습성과였고, 이는 2차 라운드로 이월되었다(Figure 참조).
  사전 합의 기준에 도달하지 못한 12개 학습성과는 제거되었다.

또한, **총 446개의 자유 서술형 제안(free-text suggestions)**이 수집되었으며, 그 내용은 프레임워크 구조, 역량 설명, 학습성과 표현, 중복 항목 및 신규 제안에 관한 것이었다.
정성 분석 후 다음과 같은 수정이 이루어졌다:

• 1개 역량 및 이와 관련된 7개 학습성과 삭제,
• 16개 학습성과 통합 → 8개로 재구성,
• 64개 학습성과 문구 수정,
• 신규 2개 역량 및 19개 학습성과 추가.

2차 라운드에서는 새로 추가된 모든 항목이 70% 이상 합의를 획득하여 프레임워크에 포함되었다.
1차에서 유지된 162개 학습성과 새롭게 추가된 19개 학습성과 관련해,

• 30개 항목은 ‘필수(mandatory)’ 범주에서 70% 이상 합의를 얻었으나,
• 나머지 151개는 어느 범주(필수/선택/보완)에서도 70% 이상 합의를 얻지 못했다.

이 151개 학습성과는 ‘재량(discretionary)’ 항목으로 분류되었다.
2차 조사에서 수집된 169개 자유 서술형 제안에 기반하여,

• 14개 학습성과 문구 수정,
• 6개 학습성과 통합 → 3개로 조정되었다.

2차 라운드 학습성과 범주화 결과:

• 필수(mandatory): 30개,
• 재량(discretionary): 148개

합의 회의에서는 합의율이 경계선에 있는(60.0%~69.9%) 4개 재량 항목을 필수로,
반대로 필수 항목 중 합의율이 낮은(70.0%~79.9%) 1개 항목을 재량으로 재분류하였다.

합의 회의 이후, 프레임워크를 수신한 58명이 정성적 피드백을 제공하였고,
그 중

• 29명(50.0%)은 자신들의 의과대학에서 DECODE 프레임워크 채택 의향을 표명,
• 6명(10.3%)은 조건부 채택 고려,
• 7명(12.1%)은 추가 논의 필요,
• 6명(10.3%)은 도입에 장벽이 있거나 비확정적 입장,
• 10명(17.2%)은 직접적인 응답 없음.

2단계 수정 델파이 조사 결과는 Figure,
각 라운드별 상세 결과는 eTable 2 및 eTable 3에 정리되어 있다.

최종 DECODE 프레임워크
(Final DECODE Framework)

DECODE 프레임워크는 3단계 위계 구조로 구성되어 있다: 영역(domain), 역량(competency), 학습성과(learning outcome).

• 역량은 **특정 지식, 기술, 행동을 필요로 하는 하나 이상의 능력을 설명하는 진술(statement)**이며,
• 학습성과는 교육 프로그램을 통해 달성하려는 최종 학습자의 성취 지점으로 정의된다.⁵⁶⁻⁵⁸

델파이 2단계 조사와 합의 회의를 거쳐, 최종 프레임워크에는

• 4개 영역,
• 19개 역량,
• 33개 필수 학습성과,
• 145개 재량 학습성과가 포함되었다(eAppendix 2 참조).

4개 영역은 다음과 같다(Box 참조):

1. 디지털 헬스에서의 전문성(Professionalism in Digital Health)
2. 환자 및 인구 건강(Patient and Population Digital Health)
3. 건강정보시스템(Health Information Systems)
4. 건강 데이터 과학(Health Data Science)

각 역량에는 설명과 학습성과 세트가 함께 제시되며, 이 중 일부는 필수, 일부는 재량으로 구분된다.
전체 178개 학습성과는 다음과 같이 분류되었다:

• 지식 중심(knowledge): 119개 (66.8%),
• 기술 중심(skill): 35개 (19.7%),
• 행동 중심(behavior): 24개 (13.5%).

또한, 19개 역량 중 13개는 필수 및 재량 학습성과를 모두 포함하며,
6개 역량은 재량 학습성과만 포함하고 있다.

의학교육자를 위한 추가 고려사항
(Additional Considerations for Medical Educators)

델파이 조사와 합의 회의 과정에서 여러 논쟁 지점이 등장하였다. 이러한 논의는, 의과대학에서 디지털 헬스 교육과정을 개발하거나 실행하려는 교육자와 보건의료 관계자들이 반드시 고려해야 할 핵심 주제들을 시사한다. 주요 논의 주제는 다음과 같다:

• 용어의 다양성(variations in nomenclature),
• 디지털 헬스의 고유성(distinctiveness),
• 디지털 헬스 리터러시(digital health literacy) 개념,
• 교육과정 내 시간 및 구조적 여유(curriculum space and implementation),
• 재량 학습성과(discretionary learning outcomes)의 포함 여부,
• 디지털 헬스 교육에서의 사회경제적 불평등(socioeconomic inequities)

이러한 항목들은 Table 3에 정리되어 있으며, 관련 참고자료는 보조자료 eAppendix 3에서 확인할 수 있다.⁵⁹⁻⁷⁵

논의 (Discussion)

DECODE 프레임워크는 체계적이고 다단계의 국제적 합의 과정을 통해 개발된 결과물이다. 본 프레임워크는 다음 다섯 가지 기반 위에서 설계되었다:

1. 스코핑 리뷰(scoping review) 결과²⁹,
2. 전문가 자문,
3. 2단계 델파이 설문조사,
4. 합의 회의,
5. 회의 이후 수렴된 정성적 피드백.

합의 과정에는 다양한 전문 배경, 의학교육 내 리더십 역할, 그리고 전 세계 여러 국가를 대표하는 전문가들이 참여함으로써, 프레임워크의 국제적 적용 가능성과 적절성을 높였다. 최종 DECODE 프레임워크는 4개 영역, 19개 역량, 33개의 필수 학습성과 145개의 재량 학습성과로 구성되어 있으며, 세계 각국 및 지역의 상황과 필요에 맞추어 각 의학교육 기관이 자율적으로 디지털 헬스 커리큘럼을 조정하고 적용할 수 있도록 설계되었다. 우리의 지식으로는, 이 프레임워크는 디지털 헬스 의학교육 커리큘럼을 전 세계적 규모에서 체계적으로 개발한 최초의 시도이다.

이 연구의 중요한 강점 중 하나는, 델파이 조사 이전 단계에서 스코핑 리뷰를 통해 초기 역량과 학습성과 리스트를 체계적으로 도출했다는 점이다.²⁹ 또한, 전문가 패널에 저소득 및 중하소득 국가의 전문가들이 포함되어 있었다는 점도 매우 의미 있는 성과이다. 이들 국가에서는 미래 의사의 디지털 헬스 훈련에 대한 우선순위가 다를 수 있기 때문에, 그들의 참여는 프레임워크의 적용 가능성을 확장시켰으며, **디지털 헬스 형평성(digital health equity)**을 역량 항목에 반영하자는 제안(예: digital determinants of health)을 도출하는 데 중요한 기여를 하였다.

또한, 델파이 참여자 중 기관 리더십 역할을 수행하는 인물들이 다수 포함되어 있었던 점은, 본 프레임워크가 전략적 통찰을 반영하고, 교육 및 조직적 요구에 부합하도록 구성되는 데 크게 기여했으며, 각 기관에서의 실제 채택 가능성을 높이는 요인이 될 수 있다.

그러나 보편적 디지털 헬스 역량 프레임워크(DHC framework)의 채택에는 여전히 여러 장벽이 존재한다.
본 연구팀은 다음과 같은 장벽 범주를 확인하였다:

• 지역 간 이질성(geographic heterogeneity),
• 지역 및 동일 지역 내 기관 간 자원 격차,
• 기관 내부의 고유한 요구(needs),
• 교육과정의 제로섬 특성(즉, 새로운 내용을 넣으려면 기존 내용을 줄여야 하는 구조)

이러한 문제들은 앞으로의 후속 연구에서 **실행 가능한 적용 전략(pragmatic approaches to adoption)**을 개발하며 지속적으로 탐색될 예정이다. 이에는 다음과 같은 내용이 포함될 수 있다:

• 프레임워크 구현 가이드(예: WHO Patient Safety Curriculum Guide와 유사하게, 각 영역과 역량에 대한 교육방법 명시),
• 평가 방법 개발,
• 각 학교에서 활용 가능한 주기적 업데이트형 핵심 커리큘럼 콘텐츠.

또한, 이 프레임워크의 실제 구현과, 학생 역량 및 환자 진료 결과에 미치는 영향을 평가하기 위한 평가 프레임워크의 개발도 필요하며, 이는 장기적으로 DECODE 역량들의 정교화 및 검증에 기여할 수 있다. 현재는 표준화된 국가 면허시험에 포함되어 있지 않은 디지털 헬스 역량들도, 앞으로는 **시험에 반영되고 평가될 필요가 있다.**⁷⁷⁻⁷⁸

한계 (Limitations)

본 연구에는 몇 가지 한계가 존재한다.
첫째, 본 연구가 기반하고 있는 예비 스코핑 리뷰는 오직 영어로 출판된 문헌만을 포함하였다.²⁹
둘째, 연구팀의 언어적 제약과, 의학 출판물에서 영어가 주로 사용되는 언어라는 점에 따라 전체 연구가 영어로 진행되었으며, 이는 영어 사용자만 연구 참여가 가능하도록 제한하였다.

셋째, 설문조사에서 리커트 척도(Likert scale)에 중립 항목이 포함되지 않았기 때문에, 응답자들이 애매한 입장임에도 불구하고 긍정 또는 부정 중 하나를 강제로 선택하게 되는 경향이 있었으며, **이에 따른 응답 편향(response bias)**이 발생했을 가능성이 있다.

넷째, 모든 델파이 접근법과 마찬가지로, 본 연구 또한 **의도적 표집(purposive sampling)에 따른 선택 편향(selection bias)**과 같은 잠재적 편향에 노출될 수 있다.
연구팀은 지리적 및 분야적 다양성을 확보한 대규모 전문가 패널을 구성하기 위해 다중 방법 표집(multimethod sampling approach)을 적용하여 표집 편향을 최소화하고자 했으나, 그럼에도 모든 국가의 구체적인 맥락과 요구를 완전히 반영하지는 못했을 수 있다.

또한, 델파이 접근법에 대한 또 다른 비판점은, 전문가들이 사전 결정된 항목 리스트에 대해서만 투표하도록 제한될 수 있다는 점이다.
연구팀은 이를 방지하기 위해 **초기 작업(스코핑 리뷰, 반복된 전문가 자문, 파일럿 테스트)**을 통해 가능한 많은 항목을 식별하려 노력하였으나, 항목 리스트의 완전성을 보장할 수는 없었다.
이에 대한 보완책으로, 설문조사에서 자유 서술형 응답(free-text responses)을 허용하여 전문가들이 추가 항목을 제안할 수 있도록 하였고, 이 방식은 실질적으로 매우 유용한 결과를 제공하였다.

결론 (Conclusions)

이번 다단계 국제 합의 과정을 통해, 의과대학 정규 교육(preregistration medical education)을 위한 포괄적인 디지털 헬스 역량(DHC) 프레임워크가 개발되었다. 이 프레임워크는 개별 의과대학이 자국의 필요와 맥락에 맞추어, 디지털 헬스 학습성과와 적절한 교육 기회를 커리큘럼에 포함시키는 데 있어 실질적인 도움을 줄 수 있다. 각국의 특정한 요구와 상황에 유연하게 적응할 수 있도록 설계된 이 접근법은, 교육과정 설계에 있어 적절성과 유연성을 동시에 보장한다. 국제적 전문가 패널로 구성된 델파이 그룹은, 디지털 헬스 기술과 디지털 헬스 형평성에 대한 균형 잡힌 시각을 제공하였으며, 이에 따라 학습성과를 필수(mandatory)와 재량(discretionary) 범주로 구분하여 다양한 교육 환경에서의 적용 가능성을 높였다.

이 프레임워크를 실행하는 데 있어, 단일 학과 내 또는 학과 간(interdisciplinary) 협력 체계를 갖추는 것이 권장된다. 이 프레임워크가 교육과정 설계에 통합된다면, 미래의 의사들이 디지털로 전환되는 보건의료 환경에 보다 잘 대비할 수 있도록 도와줄 것이다. 이 프레임워크를 기반으로 설계되는 교육과정은, 학업 연차 전반에 걸쳐 통합된 방식으로 가르쳐질 것으로 예상된다. 또한, 간호사, 조산사, 치료사, 보건기술자, 보건관리자 등 타 보건의료 전문가들을 위한 유사한 국제 협력 기반의 프레임워크 개발도 매우 중요하며, 본 연구진은 향후 이러한 작업에 기여할 계획이다.

후속 연구에서는, 이 프레임워크에 기반한 교육 자료를 공공재로 널리 보급하는 데 주력할 것이다. 또한, 디지털 헬스의 최신 발전과 과학적 근거의 진전을 반영하기 위해, 이 프레임워크는 향후 지속적인 검토 및 업데이트가 필요할 것이다.

📦 박스. 의학교육에서의 디지털 헬스 역량(DECODE) 프레임워크 내 정의, 영역, 역량 목록

🔹 정의 (Definitions)

• 역량(Competency): 특정 지식, 기술, 행동을 필요로 하는 하나 또는 여러 능력을 설명하는 진술(statement).⁵⁶⁻⁵⁷
• 학습성과(Learning Outcome, LO): 교육 프로그램을 통해 학습자가 달성해야 할 종합적인 목표 지점.⁵⁶⁻⁵⁸

🔹 영역 및 역량 (Domains and Competencies)

🟩 영역 1: 디지털 헬스에서의 전문성 (Professionalism in Digital Health)

1.1 디지털 헬스에서의 전문성, 윤리, 법적 및 규제 고려사항 (9개 학습성과)
의과대학 졸업생은 건강 정보를 다룰 때, 전문성·윤리·법적·규제 기준을 준수할 수 있어야 한다.

1.2 디지털 정체성, 안전, 보안 (8개 학습성과)
졸업생은 전문적 디지털 정체성을 적절히 유지하고, 디지털 인텔리전스(digital intelligence) 개념을 보건의료에 적용하며, 사이버 리스크와 위협에 있어 자신의 책임과 역할을 인식할 수 있어야 한다.

🟨 영역 2: 환자 및 인구 건강을 위한 디지털 헬스 (Patient and Population Digital Health)

2.1 디지털 헬스 리터러시 (7개 학습성과)
졸업생은 인구 집단의 디지털 헬스 리터러시 수준과 관련된 건강 불평등의 중요성을 인식해야 한다.

2.2 개인 건강 기록(PHR) (6개 학습성과)
졸업생은 환자 중심 진료에서 개인 건강 기록의 역할을 이해할 수 있어야 한다.

2.3 원격의료(Telehealth) (12개 학습성과)
졸업생은 원격의료의 범위, 가능성, 한계를 인식하고, **비대면 상담 기술(remote consulting skills)**을 갖추어야 한다.

2.4 디지털 진단(Digital Diagnostics) (15개 학습성과)
졸업생은 디지털 진단 도구의 기능과 한계를 파악하고, 해당 진료 분야에 적절한 방식으로 활용할 수 있어야 한다.

2.5 센서, 웨어러블, 의료 사물인터넷(IoMT) (9개 학습성과)
졸업생은 환자 진료에서 웨어러블 및 의료용 IoT의 적용 범위와 한계를 이해해야 한다.

2.6 건강 앱 및 디지털 치료제(Digital Therapeutics) (8개 학습성과)
졸업생은 건강 관련 앱과 디지털 치료제의 개념과 적용에 대한 지식을 갖추어야 한다.

2.7 인터넷 기반 건강 중재(Interventions) (6개 학습성과)
졸업생은 인터넷 기반 건강 개입의 설계 유형과 임상 적용 영역을 설명할 수 있어야 한다.

2.8 디지털 건강 결정요인(Digital Determinants of Health) (8개 학습성과)
졸업생은 다양한 디지털 건강 결정요인을 설명하고, 디지털 헬스 형평성에 미치는 영향을 인식해야 한다.

🟦 영역 3: 건강정보시스템 (Health Information Systems)

3.1 데이터 거버넌스 및 데이터 관리 (13개 학습성과)
졸업생은 해당 보건의료 시스템의 데이터 거버넌스 기준에 따라 건강 데이터를 효과적으로 관리할 수 있어야 한다.

3.2 건강정보시스템의 기초 및 원칙 (8개 학습성과)
졸업생은 **건강정보시스템(HIS)**을 활용하여 건강 데이터를 안전하고 효율적으로 운영 및 관리할 수 있어야 한다.

3.3 전자건강기록(EHR) (19개 학습성과)
졸업생은 자신의 진료 분야와 지역에 맞게 전자건강기록, 전자처방, 관련 임상 소프트웨어를 적절하게 사용할 수 있어야 한다.

3.4 건강정보 교환(HIE) (5개 학습성과)
졸업생은 환자 및 인구 중심의 안전하고 효과적인 진료를 위해 **전자 건강정보를 교환(operate electronic health information exchange)**할 수 있어야 한다.

3.5 디지털 헬스의 인간 중심 설계(Human-Centered Design) (6개 학습성과)
졸업생은 환자와 보건 전문가를 위한 디지털 헬스 솔루션을 설계하거나 평가할 때, 인간 중심 설계 및 시스템 사고(system thinking)를 적용할 수 있어야 한다.

🟥 영역 4: 건강 데이터 과학 (Health Data Science)

4.1 공중보건 정보학(Public Health Informatics) (11개 학습성과)
졸업생은 공중보건 분야에서 정보학이 어떻게 적용되는지를 설명할 수 있어야 한다.

4.2 의료에서의 인공지능(AI) (19개 학습성과)
졸업생은 데이터 분석, 인공지능, 머신러닝이 보건의료에 적용되는 범위를 이해하고, 이러한 기술들이 환자, 인구, 보건시스템 성과 향상에 어떻게 기여할 수 있는지 설명할 수 있어야 한다.

4.3 의료에서의 계산적 사고(Computational Thinking) (4개 학습성과)
졸업생은 계산적 사고의 원리를 의학에 적용할 수 있어야 한다.

4.4 정밀의료(Precision Medicine) (5개 학습성과)
졸업생은 정밀의료의 개념과 디지털 헬스와의 교차점, 그리고 공중보건 및 개인 건강에서의 응용 가능성과 관련성을 설명할 수 있어야 한다.

🔹 1. 디지털 헬스에서의 전문성 (Professionalism in Digital Health)

• 중요성(Importance): 보건의료에서 디지털 기술의 사용은 전문성, 법적, 윤리적 측면에서 중대한 함의를 가지며, 높은 수준의 의료 전문성을 요구한다.
• 설명(Description): 이 영역은 디지털 헬스에서의 전문성과 관련된 주제들을 포함하며, 이는 보건 전문가들이 디지털 기술을 사용할 때 적절한 전문적 행동을 이해하고, 개발하며, 이를 실천하는 능력을 의미한다. 이 영역의 학습을 통해 의과대학 졸업생들은 사이버 보안(cybersecurity), 윤리, 법률, 규제 지침에 대한 인식을 갖춘 유능하고 책임 있는 디지털 헬스 사용자로 성장할 수 있다. 또한, **디지털 인텔리전스(digital intelligence)**를 실천하며, 환자 데이터를 침해하지 않고 일상 진료에 기술을 통합하는 능력을 배양할 수 있다.

🔹 2. 환자 및 인구 건강을 위한 디지털 헬스 (Patient and Population Digital Health)

• 중요성(Importance): 인터넷, 모바일, 웨어러블 기술의 광범위한 보급은 환자와 일반인을 보건의료의 적극적인 참여자로 변화시키고 있다. 이들은 단순한 수동적 수혜자가 아니라 **자신의 건강에 대한 선택을 직접 수행하는 ‘디지털 헬스 소비자’**로 자리매김하고 있다. 이러한 변화는 **환자 중심 진료(person-centered care)**를 가능하게 하며, 이를 위한 전제조건으로는 의료정보에 대한 환자 중심 접근, 디지털 헬스 리터러시 증진, 환자 교육이 포함된다.
• 설명(Description): 이 영역은 의대생들이 다음과 같은 기술과 지식을 습득할 수 있도록 교육하는 데 초점을 둔다: 원격의료(telehealth), 건강 앱, 디지털 치료제, 웨어러블, 센서, 원격 모니터링, 현장 진단(point-of-care) 및 자가검사(self-testing). 학생들은 이와 같은 도구들을 활용해 환자와 소통하고, 상담하며, 진료를 제공하고, 자가 관리(self-management)를 유도할 수 있어야 한다. 또한, 디지털 헬스 환경에서 수집되는 데이터의 유형과 임상적 의사결정에의 활용을 이해하고, 디지털 헬스 형평성과 결정 요인을 인식하도록 교육된다.

🔹 3. 건강정보시스템 (Health Information Systems)

• 중요성(Importance): 의사를 포함한 보건의료 전문가들은 건강 데이터를 수집, 저장, 모니터링, 접근, 공유하는 데 있어 핵심적인 이해관계자이다. 정확하고 안전한 데이터 처리는 단순한 품질의 문제를 넘어, 환자 안전의 핵심 요건이 된다. 또한, 임상 의사결정 지원 시스템, 전자 처방, 전산화된 문서 작성 도구 등은 건강정보시스템에 내재된 핵심 기술로, 기존 데이터를 활용하고 자동화와 의사결정 지원을 통해 진료의 질을 향상시킬 수 있다.
• 설명(Description): 이 영역의 역량은 의대생들이 **건강정보시스템(HIS) 및 건강정보 교환 시스템(HIE)**을 효율적이고 안전하게 사용할 수 있도록 준비시키는 것을 목표로 한다. 데이터 거버넌스 정책에 부합하는 시스템 개발 및 운용에 대한 이해, **임상 문서화(clinical documentation) 및 전자 처방 시스템(e-prescribing)**에 대한 실습 기반 역량이 강조된다.

🔹 4. 건강 데이터 과학 (Health Data Science)

• 중요성(Importance): 디지털 방식으로 수집, 처리, 저장된 건강 데이터의 폭발적인 증가는 의학, 공중보건, 생의학 등 다양한 분야의 문제를 해결할 수 있는 기회를 창출하였다. 전자의무기록(EHR), 환자 생성 데이터(예: 웨어러블), 게놈 시퀀싱 데이터 등은 모두 정밀의료 구현에 중요한 기여를 하고 있으며, 이 영역은 _다양한 데이터 모달리티의 통합을 통해 개인맞춤형 의료를 실현_하고자 하는 데 핵심적이다.
• 설명(Description): 이 영역은 의대생들이 다음과 같은 분야에서 역량을 갖추도록 교육한다: 보건 정보학, 계산적 사고(computational thinking), 의료 인공지능(AI), 정밀의료(precision medicine). 학생들은 건강 데이터의 범위와 영향력을 이해하고, 이를 개인 및 인구 수준의 보건의료 개선에 적용할 수 있어야 한다.

🔹 DECODE 프레임워크 실행을 위한 추가 고려사항

1. 용어 사용의 다양성 (Variations in nomenclature used)

합의 패널은 이 프레임워크에서 사용된 용어가 지리적, 언어적, 문화적 차이에 따라 다르게 해석될 수 있음을 인정하였다. 의학교육에서의 교육과정 설계 및 교수설계에서는 **여러 용어 체계(terminology schemes)**가 사용되며, 이들은 지역, 국가, 기관에 따라 상이하다. 예컨대, 영국의 General Medical Council, 미국의 AAMC MSOP, 호주의 Accreditation Standards 등 다양한 문서들이 각국의 의과대학 교육을 가이드한다.⁵⁹⁻⁶¹ 특히 **‘competency’, ‘outcome’, ‘objective’**와 같은 용어는 전 세계적으로 널리 사용되지만, 그 정의·사용 방식·해석은 지역마다 달라 통일성이 부족하다. 이는 디지털 헬스 교육과정의 글로벌화에 있어 장애 요소가 될 수 있으므로, 정의의 명확화와 용어의 정제 및 합의가 중요하며, 프레임워크 서문에 *작업 정의(working definitions)*를 포함하는 것이 도움이 될 것이라고 패널은 제안하였다.

2. 디지털 헬스의 고유성 (Distinctiveness of digital health)

합의 패널은 디지털 헬스를 비디지털 영역(nondigital counterparts)과 명확히 구분하려는 집중된 접근법이 필요하다고 강조하였다. 그 이유는 프라이버시, 보안 등 일부 원칙은 디지털 이전부터 존재해 왔으며, 디지털 헬스에만 국한되는 개념이 아니기 때문이다. 따라서 교육과정의 초점은 단순히 디지털 기술을 보건의료에 ‘적용’하는 것이 아니라, 디지털 전환(digital transformation) 자체가 보건의료에 도입하는 새로운 도전과 뉘앙스에 있어야 한다. 디지털과 비디지털 모두에 적용 가능한 일반적 개념을 강조할 경우, 디지털 헬스만의 특수성과 핵심 역량이 희석될 위험이 있다. 예를 들어 **공중보건(public health)**처럼, 데이터 기반 도메인이 디지털 헬스 내에서 충분히 다뤄지지 않으면, 커리큘럼 내에서 중요한 데이터 처리 역량이 누락되거나 축소될 수 있다는 우려도 제기되었다.

3. 디지털 헬스 리터러시 개념 (Concept of digital health literacy)

합의 패널은 디지털 헬스 리터러시(digital health literacy) 개념이 보편적 합의가 이루어지지 않았고, 측정이나 정의가 어렵다는 점을 인정하였다. 문헌에서는 digital health literacy, digital literacy, eHealth literacy 등의 용어가 서로 교차되어 사용되며, **같거나 유사한 개념으로 혼용되는 경우가 많다.**⁶²⁻⁶⁵ 일부 문헌은 digital literacy와 health literacy의 교차 지점이 디지털 헬스 리터러시라고 보지만, 이는 서로 다른 구성요소를 가지는 별개 개념이기도 하다.⁶⁶⁻⁶⁹ 최근에는 디지털 헬스 리터러시를 시민 리터러시(civic literacy), 디지털 리터러시, 건강 리터러시의 **세 가지 빌딩 블록으로 구성된 상위 결정요인(superdeterminant)**으로 간주하기도 한다.⁷⁰ 디지털 헬스 리터러시는 특히 다음과 같은 이유에서 중요하다:

• 환자의 디지털 기술 접근성 및 사용 능력 차이가 의료서비스 이용에 영향을 미치며,⁷¹
• 건강 관련 행동 및 결과에 영향을 주는 요인이기 때문이다.⁷²⁻⁷³

본 프레임워크에서는 기존 정의들을 기반으로, 디지털 헬스 리터러시를 다음과 같이 정의하였다:

_“개인이 전자 정보원, 디지털 건강기술, 디지털 건강서비스로부터 건강 정보를 탐색, 평가, 이해, 적용하는 능력”._⁶²⁻⁶⁵

4. 교육과정 내 공간과 실행의 문제 (Curriculum space and implementation)

여러 전문가들은 현재 과밀한 의과대학 교육과정에 DECODE 프레임워크의 모든 역량을 통합하는 데 있어 실질적인 어려움이 있을 수 있음을 우려하였다. 이는 이론적으로 모든 영역을 포괄하고자 하는 열망과, 실제 교육 실행 가능성 사이의 긴장을 반영한다. 교육과정에 모든 핵심 역량이 실질적으로 통합되도록 하려면, 기초 개념과 기술 변화에 적응 가능한 핵심 기술에 집중하는 접근이 필요하다. 예를 들어, 졸업생은 AI 기반 진단의 장단점은 파악할 수 있어야 하지만, 기계학습의 세부 알고리즘까지 이해할 필요는 없다.

제안된 대안 중 하나는, **재량 학습성과(discretionary learning outcomes)**를

• **평생교육 또는 연속 교육과정(continuing medical education)**이나,
• **기존 교육과정 내 수직 통합(vertical integration)**을 통해 점진적으로 도입하는 방식이다.
  또는, **기후 변화 및 보편적 건강과 같은 횡단 주제(cross-domain curriculum)**에 디지털 헬스 도메인을 결합하는 방식도 실행 가능성을 높일 수 있다.⁷⁴

5. 재량 학습성과의 포함 (Inclusion of discretionary learning outcomes)

재량 학습성과는 필수는 아니지만 여전히 중요하다. 일부 항목들은 이미 공중보건, 정보과학 등의 다른 교육 영역에서 다뤄질 수도 있다. 예를 들어, **복수 학위 프로그램(dual-degree programs)**을 운영하는 기관에서는

• MD-MBA (경영), MD-JD (법학), MD-MPH (공중보건), MD-PhD (의생명과학) 등의 트랙을 통해
  일부 DECODE 프레임워크 내용이 포함될 수 있다.

또한, 디지털 건강 결정요인(digital determinants of health) 같은 주제는 다학제적 성격을 띠므로, 예를 들어 MPH 과정 내의 한 모듈로 다뤄질 수도 있다. 하지만 특정 역량이 이미 다뤄지고 있다는 추정만으로 해당 항목을 제외할 경우, **중요한 내용의 비의도적 누락(risk of inadvertent oversight)**이 발생할 수 있다. 따라서 본 연구에서는 모든 디지털 헬스 도메인을 포함시켜, 의학교육자들이 재량 학습성과도 포함할 수 있도록 포괄적인 프레임워크를 제공하였다. 이는 기존 교육과정 내에서 아직 다루어지지 않은 경우에 특히 유용하다.

6. 디지털 헬스 교육에서의 사회경제적 불평등 (Socioeconomic inequities in digital health education)

디지털 헬스 형평성 및 사회경제적 불평등, 특히 저소득 및 중간소득국가(LMICs)에서의 디지털 진단 기술 접근성에 대한 문제는 델파이 조사와 합의 회의에서 여러 전문가들에 의해 제기되었다. 자원 제약 환경에서는 디지털 진단 도구의 구현이 비용, 인력 부족, 규제, 인프라 등의 제약으로 인해 여전히 어렵다.⁷⁵ 이러한 기술이 실제 임상현장에서 쉽게 접할 수 없는 LMIC의 의대생들은, 디지털 도구의 실제 활용 방식에 대한 이해와 교육을 받기 어려울 수 있다. 또한, 이러한 기술을 직접 사용해본 경험이 없는 교수자들은 디지털 기술 교육에 자신감을 가지기 어렵다.

그럼에도 불구하고, 전문가들은 디지털 진단 도구가 오히려 가장 자원이 부족한 지역에서 더 큰 혜택을 줄 수 있음을 강조하였다. 그러나 이러한 기술의 비용, 설치, 교수 역량 등의 문제는 단기간 내 해결되기 어려운 과제이다. 따라서 본 연구에서는, 디지털 진단 기술에 관련된 학습성과 중 상당수를 재량 항목으로 분류하였다. 이는 현재 디지털 진단 기술의 불균등한 보급 현실을 반영하는 것이며, 다만 해당 주제가 중요함을 부정하는 것은 아니다. 이는 웨어러블(2.5), 인터넷 기반 건강중재(2.7), 건강정보 교환(3.4) 등의 항목에서도 동일하게 나타난다.

인공지능(AI)의 급속한 발전은 다양한 산업 분야에서 경제성과 효율성을 크게 향상시켰으며, 의료 분야도 예외는 아니다. 이 혁신의 최전선에는 **대형 언어 모델(large language models, 이하 LLMs)**이 있다.¹–³ 이들은 임상 업무 수행에 있어 초기부터 유의미한 성과를 보였다. AI가 문서화(documentation), 의사소통(communication), 심지어 임상적 추론(clinical reasoning)과 같은 핵심 역량을 *보완(augment)*할 것으로 예상되는 가운데, 의료 교육에서는 필연적으로 다음과 같은 핵심 질문이 제기된다: “AI 시대에 미래의 의사들을 어떻게 교육해야 하는가?”

AI가 제공하는 가능성은 분명 매력적이지만, 이를 현대 의학교육에 성공적으로 통합하려면 그 장점과 한계를 섬세하게 이해하는 것이 필수적이다. 더불어, AI 활용은 유능하고(compentent), 공감하며(compassionate), 적응력 있는(adaptable) 의사를 양성하려는 의료 교육의 본래 목적과도 부합해야 한다. 이 글에서는 AI가 교육, 학습, 평가 방식에 혁신을 가져오면서 다음 세대의 의사 양성 방식을 어떻게 변화시킬 수 있는지를 고찰하고자 한다. 현재의 활용 가능성을 넘어, 이들 모델은 **교육 기회의 표준화와 민주화(standardization and democratization)**를 가능케 하여, 과거에는 상상하기 어려웠던 기회들을 제공하고 있다.

LLM은 임상적 과업에서 놀라운 성과를 보여왔다.¹² 일부 맥락에서는 이 모델들이 표준화된 평가 기준에서 인간 의사와 유사하거나 오히려 뛰어난 성과를 보이기도 했다.⁴ 겉으로 보기에는, 이러한 성공이 곧 LLM이 임상적 의사결정에 필요한 **추론 과정(reasoning)**을 복제한다는 뜻처럼 보일 수 있다. 만약 이것이 사실이라면, 이러한 추론 능력은 모델이 결과를 도출하는 ‘블랙박스’를 열어, 의학 실천을 보완할 수 있는 투명하고 합리적인 과정을 제공할 전례 없는 기회를 의미한다. 그러나 최근 연구들은 이 모델들이 실제로 논리적 추론을 수행하는지에 대해 의문을 제기하고 있으며, 이들이 단지 통계적 패턴 인식에 의존하는 것이 아닌가 하는 문제 제기가 이어지고 있다.⁵–⁸ LLM은 훈련 데이터에서 패턴을 인식하고 이를 재현하는 방식으로 작동한다. 이러한 작동 방식은 임상적 문맥에서는 **유행어(buzzwords)**나 **자주 함께 등장하는 임상 특성(co-occurring clinical features)**에 반응하여, 그럴듯해 보이지만 **기전적 깊이(mechanistic depth)**가 부족한 진단이나 치료 계획을 생성하게 만들 수 있다.

의학교육의 목표는 단순한 사실 전달이 아니라, 임상 가설(clinical hypothesis)에 도달하는 사고 과정을 가르치는 데 있다. 실제 임상에서는 상황이 미묘하지만 중대한 방식으로 변화할 수 있다: 새로운 증상이 나타나거나, 병력(history)을 다시 고려하게 되거나, 검사 결과가 기존 정보를 뒤흔들 수도 있다. 이처럼, 진정한 추론은 과거 데이터를 기반으로 ‘가장 가능성 높은 답’을 고르는 것이 아니라, 실시간으로 사고 방식을 재평가하는 과정이다. LLM이 미국의사면허시험(USMLE)과 같은 단일 정답(single-answer) 평가에서 좋은 성과를 보이는 것은 고무적이지만, 이는 동적인 임상적 추론 능력을 반영한다기보다는, 패턴을 인식하고 사실을 회상하는 능력을 보여주는 것이다. LLM이 임상 추론 교육에서 파트너 역할을 수행하려면, 복잡한 임상 사례를 단계적으로 추론하고, 자신의 의사결정을 정당화하며, 불확실성과 모호함 속에서도 진단적 사고를 반복적으로 정제해 나가는 새로운 평가 기준이 필요하다.²

진정한 임상 추론(clinical reasoning) 능력을 갖춘 대형 언어 모델(LLM)이 개발된다면, 의학교육의 패러다임은 근본적으로 변화할 수 있다. 최근 수년간 사례 기반 학습(case-based learning)이 현대 의학교육의 핵심으로 자리 잡음에 따라, 이러한 모델은 교육적 사례에서 **의대생의 사고 과정을 평가하고 비평하는 ‘비판적 조력자(informed critic)’**로 기능할 수 있으며, **튜터(tutor), 평가자(grader), 심지어 토론 파트너(discussion partner)**의 역할까지 수행할 수 있게 된다. 이와 같은 기술은 또한 복잡한 텍스트—예컨대, 교내 교육과정 문서, 의학 교과서, 동료 심사 기반 생물의학 논문—를 학습자 수준에 맞게 해석할 수 있는 도구로서 활용될 수 있다. 이러한 기능은 의대생뿐 아니라, 전공의(resident), 임상의(attending physician)에게도 유용하다. 왜냐하면 의학은 끊임없이 변화하는 분야이므로, 이러한 도구를 개발하는 일은 의료계 전체가 자기 속도에 맞춰 발전해 나갈 수 있도록 하는 기반을 마련하는 작업이기 때문이다.

이제 더 이상, 임상 실습 중 우연히 마주치는 환자만을 대상으로 학습하는 시대는 지났다. LLM은 다양한 환자 증례 수백 가지를 빠르게 제시함으로써 고차원 임상 기술을 정교하게 연마하는 데 기여할 수 있다. 또한 지리적 또는 사회인구학적 특성으로 인해 특정 유형의 환자에 편중된 교육 경험을 갖게 되는 문제를 보완하기 위해, LLM을 활용해 희귀질환이나 특이 환자 증례를 포함한 폭넓은 임상 경험을 제공할 수 있다. 이를 구체적으로 실현하는 방법 중 하나는 LLM을 표준화 환자(standardized patient, SP)와의 상호작용에 활용하는 것이다. 즉, 객관적 구조화 임상시험(objective structured clinical examination, OSCE)에서 표준화 환자 역할을 수행하는 특화된 도구를 사용하는 방식이다. 우리는 이러한 도구를 SP-LLM이라 명명했으며, 이는 의사소통 기술을 연습할 수 있는 손쉽고 접근 가능한 환경을 제공한다.⁹ SP-LLM은 SP의 역할을 연기하도록 훈련 및 프롬프트(prompt) 설정이 가능하며, 이어서 학생의 수행을 평가하도록 다시 프롬프트할 수도 있다. 이로 인해 학생들은 *초희귀질환(ultrarare diseases)*이나 *문화적으로 특수한 환자 표현(culturally distinct presentations)*을 포함한 다양한 상황에 노출될 수 있다.

또한, LLM은 의학교육 전문성을 전 세계적으로 분산시킬 수 있는 확장 가능하고 비용 효율적인 학습 도구가 될 잠재력을 지니고 있다. 이들은 학생의 질문에 대해 정확한 설명을 생성하고, 표준화 시험이나 기관 내 교육과정을 대비하는 데 도움을 줄 수 있으며, 특히 **자원이 제한된 환경(resource-limited settings)**에서 그 가치가 더욱 크다. 예컨대, 환자 다양성이 부족하거나 환자 수 자체가 적은 학교에서는 이러한 LLM 기반 모델을 교육 보완 수단으로 활용함으로써, 학생들이 보다 포괄적인 임상 경험을 접할 수 있도록 보장할 수 있다. 그러나 이러한 도구에 공정하고 광범위하게 접근하려면, 각 기관의 자원 수준과 지역 간 경제적 차이를 고려한 기술 라이선스 모델이 필요하며, 자원이 풍부한 기관과 제한된 기관 간의 협력 파트너십도 중요하다.

의학교육 맥락에서 LLM을 개발하고 검증하는 일은—임상 추론 과정이 면밀히 검토될 수 있는 이 환경에서—이후 임상 실무에 통합될 수 있는 기반을 제공한다. AI가 투명하고 신뢰할 수 있는 방식으로 추론할 수 있다는 것을 보여줄 수 있다면, 의료 전반에 걸쳐 LLM을 폭넓게 응용할 수 있는 기반이 마련되며, 이는 곧 **신뢰 가능한 임상 의사결정 지원 시스템(clinical decision support)**으로 나아가는 길이 열릴 것이다.

AI가 **일상적인 문서화(routine documentation)**나 **의무기록 검토(medical record review)**와 같은 업무를 수행하게 됨에 따라, **미래의 의사들은 이러한 기술의 책임 있는 관리자(responsible stewards)**로서의 역할을 감당해야 한다. 미래의 의사에게는 임상 추론(clinical reasoning), 데이터 해석(data interpretation), **윤리적 감독(ethical oversight)**과 같은 고차원의 역량이 요구된다. 따라서 의학교육은 변화하는 환경에 적응해야 하며, 학생들에게 **알고리즘 기반 결과물(algorithmic outputs)**을 비판적으로 평가하고, 문맥에 맞게 해석하며, 환자 진료에 안전하게 통합하는 방법을 가르쳐야 한다. 이를 위해 교육과정은 **데이터 시스템 리터러시(data systems literacy)**에 대한 심층적인 교육을 포함하여, 의사가 이 강력한 도구들을 신중하게 구현하고 감독할 수 있는 능력을 갖추도록 해야 한다.

그러나 이러한 기술적 정교함(technical sophistication)은 **핵심 임상 기술(core clinical skills)**을 희생해서는 안 된다. 기술은 언제든 실패할 수 있기 때문에, 의학교육은 AI 기반 진료와 전통적 진료 모두에 자신감을 갖춘 의사를 양성해야 한다. 그래야만 예기치 못한 시스템 중단(unplanned downtimes), 보안 침해(security breaches), 그리고 전염병을 포함한 공중보건 위기(unprecedented public health challenges) 등의 다양한 상황에서도 환자 진료의 질이 최고 수준으로 유지될 수 있다. 이러한 **이중 역량(dual competency)**을 갖추기 위해서는 **병력 청취(history taking), 신체검진(physical examination), 감별진단(differential diagnosis)**과 같은 기본 임상 기술을 보조 도구 없이 스스로 수행하도록 도전하는 학습 경험을 통해 지속적으로 강화해야 한다. 다행히도, 이러한 이중 역량을 구축할 수 있는 길은 이미 존재한다. 오늘날 전통적인 방식으로 훈련받은 임상의들이 실제 임상 현장에서 AI를 적극적으로 통합하고 있으며, 이들로부터 얻은 교훈은 다음 세대를 위한 교육에 유용한 통찰을 제공할 수 있다.

미래의 의과대학은 단순히 AI를 수용하는 데 그치지 않고, 검증된 교육 방법과의 통합을 통해 접근성의 격차를 해소하고, 확장성과 교육의 엄격함을 동시에 확보해야 한다. 이때 가장 중요한 것은, **임상 진료에서의 인간적인 요소(human elements of clinical care)**를 보존하는 동시에, 끊임없이 변화하는 의료 환경에 적응하는 의사를 양성하는 것이다. 이러한 비전을 실현하려면, 신기술—특히 신흥 AI 기술의 능력과 한계, 그리고 궁극적으로 다가올 인공지능 일반화(artificial general intelligence)의 확산—을 정면으로 마주해야 한다. 이러한 도전에 대응하려면, **의사와 교육자는 이 모델에 대해 깊이 이해하고 있는 기계학습 전문가(machine learning experts)**와 협업해야 하며, 이를 통해 의학교육과 환자 진료의 수준을 최고로 유지할 수 있어야 한다.

비록 의학교육은 앞으로도 지속적으로 AI와 같은 최신 기술을 통합해 나갈 것이지만, 그것이 진정으로 최상위 수준의 임상 진료(elite clinical care)의 기반이 되기 위해서는, 다음 세대의 의사에게 반드시 철저한 추론의 원칙(rigor in reasoning), 공감(empathy), **도덕적 판단(moral judgment)**을 심화된 수준으로 체득하게 해야 한다.

Building the AI-Enabled Medical School of the Future

Avena, K. M., Quintanilha, L. F., Luzardo Filho, R. L., & Andrade, B. B. (2025, January). Lessons learned from the expansion of medical schools in Brazil: a review of challenges and opportunities. In Frontiers in Education (Vol. 9, p. 1494445). Frontiers Media SA.

🇧🇷 브라질 의학교육, 어디까지 왔을까?

의과대학의 확장, 민영화, 그리고 형평성의 교차점

👩‍⚕️ 요즘 전 세계적으로 의학교육(📚 medical education)이 빠르게 변화하고 있다는 거, 알고 계셨나요? 오늘은 최근에 나온 흥미로운 논문을 소개해보려고 해요. 이 논문은 브라질의 의학교육 시스템이 어떻게 확장되고 있는지, 그 과정에서 어떤 도전과 기회가 있는지를 아주 잘 정리해줍니다.

1️⃣ 브라질은 지금 ‘의대 대확장 시대’

브라질은 지난 10여 년간 의과대학(medical schools) 수와 정원을 엄청나게 늘렸습니다. 그 중심에는 정부 주도의 **Mais Médicos 프로그램(PMM, 2013)**이 있었죠. 이 정책은 지방 소도시나 의료 취약지역에도 의료 인력을 공급하려는 목적에서 시작됐어요. 실제로 **2014년 이후 생긴 의과대학 정원이 전체의 55.7%**에 달한다고 하니, 변화의 폭이 정말 컸죠!

하지만 문제는 여기서 끝나지 않아요. 확장은 되었는데, **교육의 질(quality of education)**이나 **접근성의 형평성(equity of access)**은 여전히 숙제로 남아 있거든요.

“Increasing access to medical training is crucial to meet the health needs of the population, especially in underserved regions, yet the quality of education and equity in access must be non-negotiable priorities.”
→ “보건서비스가 부족한 지역에서 국민의 건강 수요를 충족하기 위해 의학교육에 대한 접근성 확대는 필수적이다. 하지만 교육의 질과 접근의 형평성은 결코 타협할 수 없는 우선순위이다.”

2️⃣ 민영화(Privatization)라는 양날의 검

🔍 의과대학 정원 확장의 주체를 살펴보면, 놀랍게도 87%가 민간기관에 의해 제공되고 있어요. 특히 사립 의대 등록금은 브라질 최저임금의 7배가 넘는다고 하니, 일반 서민 가정엔 상당한 부담이겠죠. 

🎓 물론 정부는 **학자금 대출(FIES)**이나 장학 프로그램(PROUNI) 같은 제도를 통해 저소득층 학생들의 진입 장벽을 낮추려 하고 있어요. 그런데 여전히 많은 학생들은 등록금의 벽을 넘지 못하고 있는 실정이에요.

“This reality clearly limits access to medical education to a portion of the economically privileged population.”
→ “이러한 현실은 경제적으로 특권층에 속한 일부 인구만이 의학교육에 접근할 수 있도록 만든다.”

3️⃣ 농촌 의사 부족, 브라질만의 문제가 아니야

🌏 브라질처럼 농촌 지역 의사 부족 문제는 전 세계 공통 이슈예요. 캐나다, 호주, 인도 등도 똑같은 고민을 안고 있어요. 예를 들어 캐나다는 농촌 출신 학생을 선발하거나, 커리큘럼에 농촌 보건 경험을 포함하는 방식으로 대응하고 있죠. 브라질도 비슷하게 우선전공(전공의) 자리를 의료 취약 지역에 집중 배치하고, 지역사회 기반 임상 경험을 강조하는 등 유사한 노력을 기울이고 있어요.

“Countries like India and China have also been undergoing substantial transformations in the context of medical education, highlighting the need to assess and share experiences to address common challenges and promote advancements in the quality and accessibility of health services on an international scale.”
→ “인도와 중국도 의학교육의 맥락에서 중대한 변화를 겪고 있으며, 이는 공통의 도전 과제를 해결하고 보건서비스의 질과 접근성을 국제적으로 개선하기 위한 경험 공유의 필요성을 부각시킨다.”

4️⃣ 교육의 질은 누가 책임질까?

🧪 학생 수는 늘었는데, 실습병원, 임상현장, 교수진은 그대로라면…? 우려가 되는 부분이죠. 실제로 브라질에서는 의학교육 종사자의 보상이 진료 행위보다 현저히 낮아서 교수 확보에 어려움을 겪고 있다고 해요. 그럼에도 불구하고, 대형 병원 외에도 1차의료(primary care), 커뮤니티 병원, 비응급 의료기관 같은 다양한 현장 기반 교육 기회는 학생들에게 더 넓은 시야를 제공할 수 있다는 점에서 긍정적인 요소로 작용하고 있어요.

“These alternative settings not only enrich clinical exposure but also cultivate interest in underserved areas, thereby contributing to workforce redistribution and addressing systemic inequities.”
→ “이러한 대안적 현장들은 임상 경험을 풍부하게 할 뿐만 아니라, 의료취약지역에 대한 관심을 키워 의료 인력 분포의 재조정과 구조적 불평등 해결에 기여할 수 있다.”

5️⃣ 앞으로 우리가 고민해야 할 질문들

📌 이 논문이 던지는 가장 중요한 메시지는 이거예요:
“교육의 접근성을 넓히는 것도 중요하지만, 질과 형평성은 절대 타협해서는 안 된다.”

그리고 이 문장도 꼭 기억해두세요:

“There is an urgent need to focus on training physicians that transcend technical skills and include cultural and socio-emotional skills.”
→ “기술적 역량을 넘어, 문화적·사회정서적 역량을 포함하는 의사 양성이 시급히 요구된다.”

✍️ 마무리하며…

브라질의 경험은 단지 그들만의 문제가 아니라, 의학교육을 통해 사회적 형평성과 공공의 이익을 실현해야 하는 전 세계의 과제이기도 해요. 우리는 ‘의과대학이 늘었다’는 양적인 수치 뒤에 숨어 있는 질, 형평성, 윤리, 공공성을 계속해서 질문해야 합니다.

서론

브라질의 학부 수준 의과대학 과정의 최근 확장은, 보건 인력의 지역 간 불균형 문제를 완화하기 위한 핵심 전략으로 등장하였다. 학부와 레지던트 과정 모두에서 신설 정원의 대대적인 재구조화는 2013년 정부가 도입한 “Mais Médicos 프로그램” (Programa Mais Médicos, PMM)에 의해 촉진되었으며, 이 프로그램은 브라질 공공보건 시스템인 SUS (Sistema Único de Saúde) 내에서 서비스에 대한 접근성과 질을 향상시키는 것을 목표로 하였다. 더불어, **교육부(MEC)**는 신규 의과대학 과정의 인가 및 기존 과정의 정원 확대에 관한 지침을 수립하였고, 이는 브라질의 교육 및 보건 환경이 매우 복합적인 양상을 띠고 있음을 여실히 보여준다.

이러한 정부 주도의 정책은 특히 보건 인력이 부족한 지역에서 의과대학 정원의 현저한 증가를 이끌었고, 동시에 민간 고등교육 기관들의 시장 진입을 촉진하였다. 이러한 신규 정원 확대는 또한 교육부 포고령 제328/2018호(Brazil Ministry of Education, 2018)에 의해 부과되었던 의과대학 신설에 대한 5년간의 유예 조치가 철회되면서 가속화되었다. 이 유예 기간 동안 일부 기관들은 사법부의 인가를 통해 활동을 개시하기도 하였으며, 해당 포고령의 철회로 인해 현재 수백 건의 의과대학 개설 요청 절차가 진행 중에 있어, 향후 정원 수의 급격한 증가가 예상된다.

그럼에도 불구하고, 의과대학의 양적 확대와 지역 분포의 개선에도 불구하고, 현재의 의학교육 과정(Figure 1 참조)은 여러 비판과 도전 과제에 직면해 있다. 이에 본 연구는, 브라질 남동부, 북동부, 중서부 지역에서 의과대학의 기획, 실행, 운영에 직접 관여한 소수의 의학교육 전문가들의 경험을 바탕으로 구성되었으며, 역사적 맥락, 극복한 도전들, 현 정부 정책의 주요 성과와 한계에 대한 자세한 분석을 제공한다. 또한, 현재 의학교육의 구조가 향후에 미칠 잠재적 영향에 대해서도 비판적 성찰을 제시한다.

본 연구는 의학교육의 확산, 지역화, 민영화가 동시에 진행되는 브라질의 현실 속에서, 의학교육 및 보건의료 서비스의 질을 우선시하는 공공정책 논의에 기여하기 위한 비판적이고도 건설적인 분석을 제공한다. 여기서 도출된 교훈과 통찰은 정책 입안자들에게 실질적인 지침을 제공하고, 의사 부족 및 보건 인력의 불균등한 분포 문제를 겪고 있는 다른 국가들에게도 혁신적이고 지속가능한 해결책을 모색하는 데 있어 영감을 줄 수 있을 것이다.

연구는 정부 공식 보고서, 법령, 학술 문헌을 수집하여 역사적 및 현대적 주요 경향을 파악하는 방식으로 수행되었으며, **국가 교육 기본법(LDB, Lei de Diretrizes e Bases da Educação Nacional, 1996)**과 **의과대학 교육과정에 대한 국가 교육위원회(CNE, Conselho Nacional de Educação)**의 **국가교육과정지침(DCNs, Diretrizes Curriculares Nacionais, 2014)**을 포함한 규제 프레임워크에 대한 체계적 검토가 이루어졌다. 또한, 국제적 기준들과의 비교를 통해 법적 체계와 최신 근거 기반 연구들 간의 간극과 개선점을 식별하였다. 이 접근 방식은, 보건 분야 고등교육의 민영화 및 의과대학의 지역 분포에 대한 데이터를 종합적으로 검토하고, 전문가 인터뷰 및 논의를 통한 질적 자료를 더해 해석하는 데 유효하였다.

따라서 본 연구는, 브라질 내 의학교육의 확산과 민영화가 초래하는 복잡한 현실 속에서, 의료 인력의 양적 증가만이 아닌, 교육의 질을 고려한 정책적 접근이 필요함을 강조하며, 향후 지속가능하고 공공의 이익을 반영하는 의학교육 정책 설계를 위한 비판적이고도 건설적인 논의를 제공하고자 한다. 여기서 제시된 교훈과 통찰은, 유사한 문제에 직면한 국가들에게도 유의미한 방향성을 제공할 것이다.

브라질 의학교육의 역사적 맥락

교육은 한 국가의 사회적, 경제적, 인적 발전을 위한 핵심 기반 중 하나를 이룬다. 경제와 혁신이 가속화되는 세계화 시대에 있어, 질 높은 교육을 통한 인재 양성은 국가 경쟁력의 결정적인 요소로 작용한다(Garcia, 2022). 지난 수십 년 동안의 진전에도 불구하고, 브라질의 교육 시스템은 여전히 심각한 도전과제들에 직면해 있으며, 특히 양질의 교육에 대한 지역 간 접근성 격차는 여전하다(Albuquerque et al., 2017). 이러한 불균형은 국민 건강 증진에도 큰 영향을 미치고 있으며, 이는 브라질 헌법(1988)에서 건강을 국가가 보장해야 할 권리로 명시하고 있음에도 불구하고, 여전히 전국 곳곳에서 의료 전문 인력의 부족 현상이 지속되고 있음을 의미한다.

따라서 의사의 양성은 모든 국민이 건강 서비스를 보장받을 수 있도록 하는 데 있어 핵심적인 역할을 한다. 이는 의료 인력의 지역 간 불균형이 곧 의료 서비스의 질과 효율성에 직접적인 영향을 미치기 때문이다(Perim, 2020). 브라질의 경우, 인구 1,000명당 2.6명의 의사라는 평균 수치는 일견 적절해 보일 수 있으나, 이는 실제로는 경제적으로 더 발달한 지역들(중서부, 남부, 남동부) 및 **주요 도시(수도권 지역)**에 의료 인력이 과도하게 집중된 결과로 왜곡된 수치이다. 반대로, 북부와 북동부 지역, 그리고 내륙의 중소 도시들은 심각한 의사 부족 현상을 겪고 있다. 구체적인 수치로 살펴보면, 인구 1,000명당 의사 수는 중서부(3.10명), 남동부(3.39명), 남부(2.95명) 지역이 월등히 높은 반면, 북부(1.45명), 북동부(1.93명) 지역은 상대적으로 현저히 낮은 수치를 기록하고 있다(Figure 2 참조). 이와 마찬가지로, 수도권 지역의 인구 1,000명당 의사 수는 내륙 도시 평균의 약 3.3배에 달하며, 극심한 불균형을 보여준다(Scheffer et al., 2023).

브라질 의학교육의 규제 체계
Regulatory frameworks of Brazilian medical education

앞서 언급된 여러 도전과제를 고려할 때, 보건 취약 지역의 수요를 충족하고 전국적으로 공평한 건강서비스 접근성을 보장하기 위해, 우선순위 지역에 의사를 전략적으로 양성하고 배치하는 정책의 필요성은 명백하다. 이러한 점을 해결하기 위해, 브라질의 의학교육은 오랜 기간에 걸쳐 법적 체계와 다양한 정부 프로그램을 통해 발전해왔으며, 이들은 의료 전문직 교육의 확장과 질적 향상을 목표로 설계되었다. 이 중 핵심적인 것은 1996년에 제정된 **국가교육기본법(LDB, Lei de Diretrizes e Bases da Educação Nacional)**과 2014년에 수립된 **의과대학 교육과정에 대한 국가교육과정지침(DCNs, Diretrizes Curriculares Nacionais)**이다(Brazil, 1996; 2014). 이들 규제 틀은 의학교육의 전반적인 기반을 제공하지만, 의사의 지역 간 불균형 문제나, 민간 의과대학의 급속한 확장에 따른 교육의 질 저하 문제는 여전히 해결되지 않고 있다. 본 연구는 이러한 논의에 기여하고자, 현재 정책의 강점과 한계에 대한 통찰을 제공하고, 최신 연구 결과를 바탕으로 정책 개혁이 필요한 영역을 식별하였다.

**LDB(1996)**는 브라질 교육의 근간을 규정하며, 의사를 포함한 보건 전문가 양성의 원칙을 정의한다. 이 법은 전인적이며 인간 중심적이고 윤리적인 교육을 강조하며, 보건의 전 영역과 국민 건강 증진을 포괄하는 접근을 요구한다. 한편, **의과대학 DCNs(2014)**는 각 대학이 교육과정을 설계할 때 지켜야 할 방향성을 명시하며, 비판적 사고력, 팀워크, 공공보건에 대한 민감성과 같은 핵심 역량 개발에 중점을 둔다.

이러한 법적 틀 외에도, 2013년에 도입된 **“Mais Médicos 프로그램(PMM)”**은 브라질의 의학교육과 보건 시스템에 중대한 영향을 미쳤다. 이 프로그램은 의사 인력이 부족한 지역, 특히 오지나 취약 지역에서의 건강서비스 접근성을 향상시키기 위해, 외국 의사를 유치하고 지역 배치를 우선시하였다(Brazil, 2013). 정치적 논란과 비판에도 불구하고, PMM은 지역 간 건강 불균형을 완화하고 1차 보건의료를 강화하는 데 기여하였다.

또한, 이 프로그램은 의과대학의 수와 학부 정원의 확장을 가속화하였고, 의료 인력이 부족한 지역에 더 많은 정원을 배정하였다. 그러나 여전히 인프라 부족, 의사의 불균등 분포, 경제적으로 취약한 지역에서의 인력 유치 및 유지의 어려움 등 다양한 문제가 지속되고 있다. 이러한 도전 과제는 브라질 보건 및 교육 시스템의 복합성을 드러내며, 양질의 교육과 공정한 인력 분포를 동시에 달성할 수 있는 통합적 정책의 필요성을 부각시킨다.

나아가, PMM은 의과대학의 재조직과 정원 확대를 더욱 추진하였으며, 인구 대비 의과대학 정원 수 및 의사 수가 낮은 지역을 중심으로 우선적으로 신규 대학 및 정원을 배정하였다(Brazil Ministry of Education, 2024b). 그러나 이러한 노력에도 불구하고, 일부 교육기관의 인프라 부족, 전국적인 의사 분포의 불균형, 경제적 취약 지역에서의 인력 유지 문제는 여전히 해결되지 않고 있다. 이러한 역사적 도전과제들은 브라질 교육 및 보건 시스템의 복잡성을 상기시키며, 전국적으로 양질의 의학교육과 공정한 인력 분포 및 유지를 보장할 수 있는 정책의 통합적 설계가 얼마나 중요한지를 보여준다. 특히, 보건 서비스가 부족한 지역을 우선 고려한 정책적 대응이 절실히 요구된다.

브라질 의학교육의 민영화
Privatization of Brazilian medical education

브라질 의사 인구에 대한 최근 인구통계 보고서(Scheffer et al., 2023)에 따르면, 2022년 기준으로 브라질에는 총 389개의 의과대학이 존재하며, 학부 과정에서 41,805개의 정원을 제공하고 있었다. 이 중 23,287개(55.7%)의 정원은 2014년 PMM(Mais Médicos 프로그램) 도입 이후 새롭게 창설된 것이다. 이 보고서의 추가 분석 결과, 해당 시기는 브라질 의학교육의 민영화가 본격적으로 지속된 시점임을 확인할 수 있다. 2013년부터 2022년까지 새롭게 신설된 의과대학 정원의 약 87%가 민간 고등교육기관에 의해 제공된 반면, *그 이전 시기의 해당 비율은 53.4%*에 불과했다. 절대 수치로 보면, 지난 20년 동안 **공립 고등교육기관의 연간 정원은 5,917명에서 9,725명으로 증가(+64%)**한 반면, 민간 의과대학은 7,001명에서 32,080명으로 무려 358% 증가하였다.

이러한 상황에서, 의과대학 정원의 급속한 증가, 공공기관의 관리 부실 및 예산 삭감에 따른 쇠퇴, 그리고 동시적인 민영화의 확대는 교육의 질에 대한 정당한 우려를 불러일으켰다. 연구자들은 이러한 요인들이 종합적으로 의학교육의 질 저하에 기여할 수 있다고 지적하고 있다. 예를 들어, 정원의 대폭 확대에 따른 입학 기준의 완화는 학생 탈락률 증가나 교육 수준 저하의 위험과 관련될 수 있다. 그러나 현재까지 교육부(MEC)가 시행하는 기관 평가 및 졸업생 성과 평가(ENADE: National Student Performance Exam)는 이러한 시나리오를 명확하게 뒷받침하지는 않는다.

최근 연구에서는 브라질 의학교육의 전반적 상황을 분석하고, 규제기관이 수행한 기관 평가 결과를 기반으로 학부 교육의 성과를 추론하였다. 그 결과, 대다수 브라질 의과대학 과정은 '예비 과정 개념(CPC)' 지표에서 평균 3점(5점 만점)을 기록, 전반적으로 중간 수준에 해당하는 것으로 나타났다(Brito et al., 2024; Santos Júnior et al., 2021). 본 연구진의 또 다른 연구에서는 **ENADE 점수 평균이 2.7점(5점 만점)**으로 확인되었으며, 낮은 등급(1~2점)을 받은 학교 수는 상당히 감소한 것으로 나타났다(Figure 3). 이러한 데이터는 매우 고무적인 수준은 아니지만, 최근 학교 수의 확대가 교육의 질을 현저히 저하시키지는 않았음을 시사한다. 그럼에도 불구하고, 질적 향상을 위한 개선 여지는 충분히 존재함이 명백하다.

의사의 지리적 분포 개선을 위한 노력
The quest for better geographical distribution of doctors

브라질 의학교육의 최근 변화 중 또 하나 주목할 만한 지점은, 내륙 지방 도시들에서 의과대학의 존재가 확대되었다는 것이다. 이 움직임은 의사 인력이 대도시 및 경제 선진 지역에 집중된 기존 구조를 개선하기 위한 것이었으며, 전국적인 불균형 해소를 목표로 했다. 이러한 목표는 적어도 일부는 성취되었으며, 오지 지역에서 건강 서비스 접근성이 향상되었다는 증거가 존재한다. 이는 신규 의과대학 졸업생들을 해당 지역에 유치하고 유지하기 위한 정책적 노력의 결과로 평가된다. 이 맥락에서, 가정의학 및 지역사회 의학(Family and Community Medicine) 전공의 과정의 도입은 브라질 의학교육 분야에서 중대한 진전을 의미한다. 또한, 혁신적 교육 방법론의 도입은 의대생이 다양한 사회 계층, 특히 농촌과 도시 외곽 지역에서 실제로 훈련할 수 있는 기회를 확대시켰다(Separavich & Couto, 2021).

최근 조사에 따르면, 브라질 전역의 의과대학 정원 중 대다수가 내륙 지역(주 외곽 도시)에 위치하고 있으며, 이는 특히 남부와 남동부 지역에서 두드러진다. 이러한 현상은 의과대학의 수 및 정원 확대와 맞물려, 브라질 내 의사 분포의 지역적 불균형 해소라는 목표가 어느 정도 달성되었음을 시사한다(Figueiredo et al., 2019). 이전까지 교육 기회가 적었던 지역에 새 정원이 신설되면서, 농촌 지역 출신 및 저소득층 학생들도 의학교육에 접근할 수 있게 되었다. 이와 관련하여, 사회경제적 기준에 따라 장학금 제공을 의무화하는 법적 조항 등도 주목할 만하다.

이러한 추세를 뒷받침하듯, 모든 지역에서 정원 밀도가 증가하였고, 특히 국가 내 가장 취약한 북부와 북동부 지역의 증가가 두드러졌다. 물론, 졸업생들이 수도권 이외 지역에 정착하지 않고 유출되는 문제는 여전히 제기되고 있으며, 이는 사회경제적 여건, 보건 인프라, 전문성 개발 프로그램의 부족 등 다요인적 요인과 연관된다(Oliveira et al., 2015). 그럼에도 불구하고, 해마다 약 22,000명 이상의 새로운 의사들이 이러한 지역에서 배출되고 있는 것으로 추정된다. 특히, 가정의학 전공의 과정에서 지급되는 의무적 장학금, 지역 보건 시스템 연간 총수입의 10%를 재정적으로 대응하는 제도 등은 이러한 지역에서의 의료 인력 양성과 유지를 위한 중요한 전략으로 작용하고 있으며, 주민 1인당 의사 수 및 보건시설 수 증가에 기여하고 있다(Figueiredo et al., 2019).

그러나, 정원 분포의 지역적 균형을 이루기 위한 노력에도 불구하고, 여전히 외딴 지역이나 취약 지역에서는 의사 부족 현상이 심각하게 나타난다. 일부 연구자들은 이러한 확장 정책이 실제로 계획된 목표에 얼마나 부합했는지에 대해 의문을 제기하고 있다. 이로 인해, 현재 의과대학 확장 정책의 성과를 전반적으로 점검하고 재평가하려는 움직임이 나타나고 있다.

주의 깊게 살펴보아야 할 지점들: 상품화된 교육, 교육의 질, 접근성의 불평등
Points of attention: education as a commodity, quality of training, and inequity of access

브라질 의학교육의 확장이 가져온 직접적 혹은 간접적 이점에도 불구하고(Figueiredo et al., 2019), 이 과정에서 발생할 수 있는 문제적 결과들에 대한 성찰이 시급하다. 예를 들어, 의학교육의 질을 훼손하지 않으면서 교육 기관을 어떻게 확장할 것인가, 농촌 및 취약 지역에서 일할 수 있는 졸업생 수를 어떻게 늘릴 것인가, 그리고 민간 교육 부문을 어떻게 지속가능한 방식으로 발전시킬 것인가는 전 세계 의학교육 전문가들이 공통적으로 우려하는 핵심 사안이다(Couper & Worley, 2010).

브라질의 경우, 의과대학 등록금이 지나치게 높다는 점은 잘 알려져 있다. 최근 보도에 따르면, 브라질 의과대학 평균 등록금은 최저임금의 약 7배, 브라질 가구당 평균 소득의 약 6배에 달한다고 한다(Globo, 2024). 이처럼 막대한 규모의 경제적 자금 흐름은 대형 기업 집단의 강력한 이해관계를 유발하며, 의학교육 확대의 본래 목적이었던 ‘보건서비스 접근성의 민주화’는 민간의 이익에 의해 영향을 받을 수밖에 없는 상황이 되었다. 다시 말해, 의학교육 민영화의 영향으로, 공공의 목적보다 사적 이익이 우선될 수 있다는 점은 부인할 수 없다.

의과대학의 민영화와 관련된 경제적 요인 역시 주요한 숙고 지점이다. 현재 일부 법적 조항과 정부 재정 지원 제도—예: 모두를 위한 대학 프로그램(PROUNI)(Brazil Ministry of Education, 2024c), 고등교육 학생 금융기금(FIES)(Brazil Ministry of Education, 2024a)—은 다양한 배경의 학생들이 의학교육에 접근할 수 있도록 지원하고 있으며, 보건 인력 구성이 브라질 인구의 다양성을 더 잘 반영하도록 기여하고 있다. 그러나, 민간 의과대학의 높은 등록금은 여전히 상당한 재정적 부담을 유발하며, 이는 곧 경제적으로 특권을 가진 계층만이 의학교육에 접근할 수 있는 현실을 강화한다.

임상 교육의 질은 의학교육의 핵심 기둥으로, 이는 미래의사가 복잡한 보건 요구에 효과적으로 대응할 수 있도록 준비시키는 데 결정적인 역할을 한다. 특히 브라질처럼 의대생 수가 급증하는 국가에서는, 임상 수련의 수용 능력(capacity)에 큰 압박이 가해진다. 그럼에도 불구하고, 의미 있는 임상 학습은 반드시 전통적인 대학병원에만 의존할 필요는 없다(Hays et al., 2019). 1차 진료기관, 지역 커뮤니티 병원, 비급성 의료기관 등은 만성질환 관리, 전체 환자 경로에 대한 이해, 지역 기반 의료 경험을 포함한 다양하고 가치 있는 교육 기회를 제공한다. 이러한 대안적 임상 현장은 교육적 다양성을 확대할 뿐만 아니라, 취약 지역에 대한 관심을 고취시켜 인력 재배치에도 기여한다.

이와 같은 잠재력을 실현하려면, 자원을 전략적으로 재배분하고, 보건-교육 간 협력을 촉진하며, 기관의 사명과 교육 목표를 일치시키는 정책적 노력이 필요하다. 더불어, 혁신성과 질적 개선에 대한 확고한 헌신을 바탕으로, 의학교육은 공감 능력과 전문성을 동시에 갖춘 인재를 지속적으로 양성할 수 있다. 다만, 지속적인 감독과 엄격한 모니터링 체계는 반드시 병행되어야 하며, 이를 통해 노력의 실효성과 형평성을 담보할 수 있다.

브라질에서의 의학교육 확장과 민영화는 국민 전체에 대한 보건서비스 접근성을 높이기 위한 중요한 조치로 평가받고 있다(Oliveira et al., 2019). 그러나 이와 같은 정책이 의학교육의 질과 교육 접근성의 형평성 확보를 위한 효과적인 제도적 장치와 함께 시행되어야만, 국민 건강 수요에 부응할 수 있는 적절한 인력 양성이 가능하다. 지금까지의 교훈은, 브라질 내 의학교육 전략을 지속적으로 개선하고 적응시키려는 정치적, 사회적 헌신이 반드시 필요하다는 점을 분명히 하고 있으며, 특히 윤리성과 교육의 질이 무분별한 경제 논리에 종속되지 않도록 하는 것이 무엇보다 중요하다는 점을 시사한다.

새로운 국면: 시행/확장이 부분적으로 차단됨
A new phase: implementation/expansion (partially) blocked

앞서 살펴본 바와 같이, 브라질 의과대학 확대 전략은 부분적인 성공을 거두었다(Kemper et al., 2016). 그 주요한 성과로는, 의학교육 접근성의 확대, 내륙 지방의 건강서비스 확충, 의사 인적 구성의 다양화 등을 들 수 있다. 그러나 여전히 지리적 분포의 불균형, 교육의 질에 대한 의문, 그리고 윤리적·경제적 문제(예: 일부 교육 그룹이 전국 정원의 대다수를 독점하는 현상)와 같은 문제점도 여전히 존재한다.

이러한 확장 중심 정책은 전문직 양성의 질에 대한 우려를 불러일으켰으며, 그 결과 **브라질 의사협회(AMB)**와 **의학연방위원회(CFM)**는 고액 등록금, 과도한 확장, 불충분한 규제라는 구조 하에서 무분별하게 증가하는 의과대학 설립에 대해 명확한 반대 입장을 표명하였다. 이러한 비판에 따라, 2018년 브라질 교육부(MEC)는 새로운 의과대학 설립을 잠정 중단하였다. 이는 교육의 질이 확보되지 않은 상황에서의 의과대학 급증을 억제하고, 정원 인가 기준을 재논의하기 위한 조치였다.

그러나 실제 실행 과정에서는, 사법 절차를 통한 정원 인가가 지속되면서 모라토리엄(중단 기간) 동안에도 수천 개의 정원이 새로 생겼다. 현재도 교육부에는 수백 건의 의과대학 신설 요청이 접수되어 있으며, 이미 인가를 받았으나 운영 승인을 받지 못한 학교들도 존재한다(Exam Magazine, 2023; Brazil Ministry of Education, 2023; Social Communication Advisory of the Brazilian Ministry of Education, 2023; São Paulo Medical Association, 2024).

새로운 규정의 수립
The establishment of new rules

2023년 12월, 브라질 교육부(MEC)는 관보를 통해 포고령 제531/2023호를 발표하였다(Brazil Ministry of Education, Secretariat for Regulation and Supervision of Higher Education, 2023). 이 규정은 사법 결정에 따라 개시된 의과대학 신설 및 정원 증원 요청을 처리하기 위한 새로운 지침을 마련한 것이다. 주요 목적은, 기존의 사법적 결정에 의한 인가 절차의 표준화를 명문화하고, 구체적인 수정사항 반영을 가능하게 만드는 것이었다.

따라서, 사전 선별(pre-selection) 절차는 해당 지방자치단체의 사회적 필요성과 보건의료 서비스(SUS) 내 적절한 공공시설의 존재 여부를 기준으로 한다. 특히, 의과대학 신설을 위한 인가 공고에서 이미 사전 선정된 보건지역에 위치한 사법 요청은 사회적 수요가 인정된다. 또한, 인구 대비 의사 수가 OECD 평균보다 낮은 지자체도 사전 선별 대상에 포함된다.

2023년 공고에 따른 규정에 따르면, 민간기관이 제출한 사법적 요청은 최대 60명 정원까지 인가가 가능하다. 정원 증원 요청의 경우, 기존 정원의 최대 30%까지만 허용되며, 240명을 초과하는 기존 과정에서는 정원 증원이 불가하다.

또한, PMM(Brazil, 2013)의 기준에 부합하기 위해, 해당 교육기관은 SUS 지역 보건 책임자의 서명이 포함된 협약서를 제출해야 하며, 이 서명은 과정을 운영하는 데 필요한 구조를 제공하겠다는 약속을 의미한다. 이 구조는 **해당 과정 또는 증원된 정원 수에 대해, 연간 총수입의 10%에 해당하는 재정적 대응(fiscal counterpart)**으로 구성된다. 더불어, 교육의 질 확보 조건으로, 해당 학부 과정은 **현장(in loco) 평가에서 과정 개념 점수(CC, Course Concept) 4점 이상(5점 만점)**을 획득해야 한다.

브라질 보건부에 따르면, 신규 의과대학 설립 및 기존 과정의 정원 증원 요청은 다음과 같은 요건을 충족해야 한다:

• 요청된 정원 1명당 최소 5개의 SUS 병상 제공 가능
• 다학제적 1차 보건의료팀의 존재
• 응급 병상 또는 응급실의 존재
• SUS 병상을 학습용으로 제공하겠다는 약속
• 80병상 이상을 갖춘 병원 또는 교육병원 후보 기관이 해당 보건 지역에 존재하고, 현행 법령상 교육병원 인증을 받을 수 있는 잠재력을 가질 것

추가로, 정원 증원 요청은 다음 조건도 충족해야 한다:

• 가정의학 팀당 최대 학생 수 3명 이내 유지
• 우선 전문과목에서 최소 3개의 레지던트 과정 운영, 해당 과정들의 전체 정원 점유율이 50%를 초과할 것

교훈과 시사점
Lessons learned

브라질의 사례는, 의학교육의 질을 보장하기 위한 강력한 감독 및 규제 메커니즘의 필요성을 잘 보여준다. 기관에 대한 엄격한 인가(accreditation) 절차와 정기적인 평가 시스템은 이와 같은 맥락에서 중요한 역할을 한다. 나아가, 의학교육의 확장 및 민영화로 인해 시장 경쟁이 심화되고 있는 현실에서, 교육 인프라에 대한 투자, 그리고 그보다도 더 중요한 교수진 역량 강화에 대한 지속적 투자가 반드시 필요하다(Quintanilha et al., 2020). 특히 이 마지막 요소는 브라질 의학교육의 핵심적 과제 중 하나로 꼽히며, 이는 일반적으로 브라질에서 의료 교육 활동이 임상 진료 활동에 비해 훨씬 낮은 보상을 받기 때문이다(Quintanilha et al., 2023).

이와 더불어, 의과대학 접근성의 형평성을 보장하기 위한 공공정책도 매우 중요하다. 예를 들어, 학생 학자금 지원 제도와 같은 정책 메커니즘은 의학교육 내 다양성과 포용성(inclusion)을 실현하기 위한 필수 조건으로 작용한다. 또한, 입학생의 기초역량을 보완해주는 프로그램이나, 졸업 후 취약 지역으로 진출하는 젊은 의사들을 위한 전환기 지원 프로그램은 교육의 질과 보건 인력의 지역 정착에 실질적인 도움을 줄 수 있다(Figure 4 참조).

궁극적으로, 급격한 사회적 변화를 겪고 있는 현대 사회에서, 기술적 역량을 넘어서는 문화적·사회정서적 역량까지 포괄하는 의사 양성의 필요성이 그 어느 때보다 커지고 있다. 이러한 맥락에서 주목할 만한 것은, **브라질 의학교육협회(ABEM)**가 최근 제안한 의과대학 교육과정 지침 개정안이다. 이 문서는 2024년 11월에 최초 공개되었으며, 포괄적 교육(comprehensive training), 핵심 역량 개발, 그리고 포용성, 형평성, 다양성과 관련된 요소들을 통합적으로 반영하고자 한다.

또한, 이 지침은 역학 전환(epidemiological transition), 기후 변화, 보건의료에서의 기술 통합과 같은 동시대적 주제들과 더불어, 사회적 취약성에 놓인 인구집단—예: 빈곤층, LGBTQIA+ 인구, 장애인 등—에 대한 의학교육의 책임과 배려를 강조하고 있다. 이러한 논의는, 브라질과 같은 다원적(plural) 사회의 요구를 반영하는 의학교육의 방향성을 나타낸다.

다른 국가들과 비교한 브라질
Brazil compared to other countries

앞서 살펴보았듯이, 브라질은 최근 몇 년간 의학교육 영역에서의 급격한 확장기를 경험하고 있으며, 이는 보건 전문직 양성의 세계적 변화 흐름을 반영하고 있다(O’Sullivan & Chater, 2019; Table 1). **인도(India)**와 중국(China) 또한 의학교육의 맥락에서 상당한 전환기를 겪고 있으며, 이는 공통된 도전과제를 해결하고 전 세계적으로 보건서비스의 질과 접근성을 향상시키기 위한 경험 공유와 비교 평가의 필요성을 강조한다.

브라질과 마찬가지로, 다른 국가들도 의사 분포의 불균형 문제에 직면해 있으며, 이로 인한 보건의료 접근성 저하를 완화하기 위한 공공정책을 도입하고 있다(O’Sullivan & Chater, 2019). 예를 들어, 캐나다는 농촌 및 오지 지역에서의 보건서비스 제공의 형평성 확보라는 과제를 안고 있으며, 이에 대응하기 위해 입학 정책, 농촌보건 중심 교육과정, 현장 경험, 농촌 출신 학생의 선발 확대 등의 전략을 활용하고 있다(O’Sullivan & Chater, 2019; Grierson & Vanstone, 2021). 브라질에서는 의사 부족 지역에 우선전공(residency)의 자리를 마련하고, 지역 보건 수요에 대한 민감한 대응을 정책 의제로 삼고 있다.

의학교육의 확장 및 민영화 흐름은 인도에서도 유사하게 나타나며, 과정 수와 정원이 급증하고 있고, 민간 부문의 존재감이 상당히 크다. 그러나 브라질과 달리, 경제적으로 취약한 지방에서는 민간 부문의 영향력이 상대적으로 작다(Oliveira et al., 2019). 이러한 차이는 브라질의 **PMM 프로그램(Brazil, 2013)**과 같은 정책의 중요성을 강조한다. 해당 정책은 대도시 외곽 지역에서 민간 참여를 유도하고, 사회경제적 기준에 따른 장학금 제공 및 총수입의 10%를 지역 보건 시스템에 환류시키는 조건을 부과한다.

또 다른 BRICS 회원국인 중국은 세계에서 가장 큰 의학교육 시스템을 운영하고 있으며, 전혀 다른 양상을 보여준다. 2002년부터 2018년까지 학생 수 연간 증가율 7.3%, 졸업생 수 8.2% 증가라는 성장세를 보였지만, 중국의 의학교육은 공립기관 중심이며, 정부의 강력한 개입이 특징이다(Hou et al., 2014). 특히 교육의 질을 보장하기 위한 인가 프로그램의 강도와 구조적 안정성은 주목할 만하다. 2020년에는 중국의 의학교육 인가기구가 세계의학교육연맹(WFME)으로부터 국제 공인 기관으로 인정받았으며, 이는 중국 임상의학의 교육 수준이 국제적 기준에 부합함을 보여주는 이정표가 되었다(Wang, 2021).

대도시 외 지역에서의 의료 제공과 인구 대표성 확보라는 측면에서, 브라질 모델과 유사한 접근은 호주에서도 확인할 수 있다. 비록 규모는 다르지만, 정부 재정 지원, 의학교육 확대, 농촌 임상학교 설립, 교육과정 지침 개정 등의 방식으로 지난 수십 년간 호주의 의학교육은 변화해왔다(Brooks et al., 2001). 예를 들어, 학생의 농촌 의료 현장 참여를 의무화하고(Roberts et al., 2012), 원주민 학생의 입학 확대 및 문화적 건강 이해 증진에 노력해왔다(Roberts et al., 2012; Biggs & Wells, 2011). 이와 유사하게, 브라질의 신규 의과대학은 법적으로 아프로-원주민 브라질인의 삶과 생물심리사회적 맥락을 고려하도록 요구되고 있으며, 장학금과 학자금 지원제도를 통해 국민 전체의 대표성을 의학교육 내에 반영하려는 노력이 이어지고 있다.

또한, 보건의료의 세계화는 의사들의 국제적 이동성을 촉진시키고 있다(Monrouxe et al., 2022). 현재 점점 더 많은 브라질 의대생과 의사들이 해외에서의 진로 기회를 모색하고 있으며, 이는 전문성과 연구훈련, 근무환경, 보수 등에서의 향상된 조건을 제공하는 선진 의료 시스템 국가들로의 이동을 선호하는 세계적 흐름을 반영한다. 반면 브라질 내에서는 자원 부족, 인프라 미비, 낮은 보상 체계 등으로 인해 일부 지역에서 의사 유지가 어렵고, 이로 인해 해외 진출이 매력적인 대안으로 부상하고 있다(Garcia-Rosa et al., 2024). 이러한 현상은, 글로벌 경쟁 환경에서 의사 이탈의 근본 원인을 해결하고, 국내 의사 경력 경로의 매력도를 높이기 위한 강력한 정책적 대응이 필요함을 시사한다.

이상의 데이터를 종합하면, 문화적, 정치적, 사회경제적 배경이 다름에도 불구하고, 많은 국가들이 자국민의 건강보장을 위해 의학교육의 재편과 확장을 추진하거나 준비하고 있음을 알 수 있다. 따라서 국제적 모범 사례를 참고하며 각국의 전략을 벤치마킹하는 것이 권장되며, 그 과정에서 브라질 모델의 역사, 법제도, 도전과제 및 잠재력을 정리·공유하는 일은 전 세계 의학교육 향상에 기여할 수 있는 매우 중요한 작업이다.

결론 Conclusion

브라질의 교육 및 보건의료 환경이 지닌 **복합성(complexity)**을 고려할 때, **의학교육의 확장(expansion), 지역화(internalization), 민영화(privatization)**는 의미 있는 진전이자 동시에 상당한 도전 과제를 동반하는 이중적 성격을 지니고 있음이 분명하다. 의학교육에 대한 접근성을 확대하는 것은, 특히 의료 서비스가 부족한 지역의 국민 건강 수요를 충족하기 위해 반드시 필요한 조건이다. 그러나 동시에, **교육의 질(quality of education)**과 **접근의 형평성(equity in access)**은 절대적으로 타협할 수 없는 우선 순위로 자리매김해야 한다.

이러한 맥락에서, 교육의 탁월성을 촉진하고, 보건 인력의 지역 간 균등 분포를 달성하며, 경제적 이익이 의학 전문직의 윤리적·인도주의적 가치보다 우선하지 않도록 보장하는 정책에 대한 지속적이고 효과적인 헌신이 반드시 요구된다.

또한 본 연구의 결론은, 의사 분포의 지리적 불균형과 의학교육의 질적 격차를 해결하기 위한 강력한 전략의 필요성을 강조한다. 이 전략은 의과대학의 급속한 양적 팽창과 학문적 엄격성 보장, 교육 인프라 확충, 농촌 및 취약 지역에서의 인재 유치 및 유지 간의 균형을 맞추는 데 초점을 두어야 한다. 더불어, **포괄적인 교육과정(comprehensive training)**은 현대 의료가 요구하는 역량의 개발을 강조해야 하며, *포용성(inclusion), 형평성(equity), 다양성(diversity)*을 갖춘 의료 전문직의 문화 형성에 기여해야 한다.

이 연구는 또한 향후 연구의 방향성에 대해서도 제안한다. 특히, 민영화가 교육 성과 및 보건의료 접근성에 미치는 장기적인 영향에 대한 평가가 중요하다. 앞으로의 연구는 이러한 구조적 변화가 의과대학 졸업생의 전문성 프로파일, 노동시장 역학, 그리고 공공 보건 및 사회적 형평성에 미치는 폭넓은 파급 효과를 어떻게 조정하고 있는지를 면밀히 탐색해야 한다.

이러한 핵심 영역들을 다루는 미래 연구는, 브라질 국민의 보건 수요와 의학교육의 목표를 보다 정밀하게 조율하는 정책 설계에 기여할 수 있을 것이다.

Acad Med. 2021 Jan 1;96(1):126-133.  doi: 10.1097/ACM.0000000000003618.

Identifying Entrustable Professional Activities for Shared Decision Making in Postgraduate Medical Education: A National Delphi Study

👩‍⚕️ 전공의 교육에서 공유 의사결정(SDM), 어떻게 가르칠 수 있을까?

네덜란드 연구진이 개발한 4개의 EPA와 18개의 행동 지표

안녕하세요! 오늘은 최근 읽은 흥미로운 논문 하나를 소개해 보려고 해요. 😊
바로 **전공의(Postgraduate trainee)**들을 대상으로 **공유 의사결정(Shared Decision Making, SDM)**을 어떻게 교육하면 좋을지에 대해 다룬 논문인데요, 무려 **EPA(Entrustable Professional Activities)**까지 개발해서 구체적인 지침을 제시하고 있습니다!

🧩 왜 공유 의사결정(SDM)이 중요한데?

SDM은 환자 중심 진료의 핵심이자, 좋은 진료의 정점이라고들 하죠. 의사와 환자가 서로의 정보를 바탕으로 함께 숙고하고 함께 결정하는 과정이니까요.

하지만 현실에서는… 잘 안 됩니다. 😢

그래서 전 세계적으로 SDM 교육이 강조되고 있고, CanMEDS 같은 역량 프레임워크에서도 의사소통(Communication) 역량의 중요한 부분으로 포함되고 있어요.
문제는 ‘배우는 것과 실천하는 것 사이의 간극(transfer gap)’이 있다는 거예요.
그걸 메우기 위해 이 연구에서는 **진짜 임상에서 실행 가능한 EPA를 만들자!**는 목표를 세운 거죠.

📌 어떤 방법으로 연구했을까?

이 연구는 네덜란드에서 다양한 분야의 전문가 32명과 함께 **델파이 기법(Delphi technique)**을 활용해 총 3라운드에 걸쳐 EPA와 행동 지표를 다듬어 나갔어요.
EPA라는 게 원래 그 분야의 전문가가 ‘이 정도면 혼자 해도 돼’라고 믿고 맡길 수 있는 활동을 뜻하잖아요.
그만큼 실천 중심이면서도, 교육적으로 구체적이어야 해요!

✅ 결과: 최종 합의된 4개 EPA와 18개 행동 지표

연구진은 최종적으로 다음과 같은 결론을 냈어요:

“In this Delphi study, a multidisciplinary Dutch panel of 32 experts reached consensus on 4 EPAs and 18 associated behavioral indicators for SDM that residents should be trained in during postgraduate medical education to increase the routine application of SDM.”
“이 델파이 연구에서는, 네덜란드 전문가 패널이 전공의 교육을 위한 SDM 관련 4개의 EPA와 18개의 행동 지표에 대해 합의하였다.”

👉 핵심 EPA 예시 중 일부는 다음과 같아요:

• 환자와 *공유 의사결정의 필요성(desirability)*에 대해 논의한다
• 환자의 선호(preferences)와 숙고(deliberation) 과정을 탐색한다
• 치료 옵션에 대해 환자와 함께 논의한다
• 환자와 함께 충분히 근거 있는 결정을 내린다

또한 행동 지표에는 다음과 같은 내용이 포함되어 있어요:

• 환자의 관점과 개인적 목표를 이해하려 노력한다
• 관련된 제3자(예: 보호자, 다른 의료인)의 정보를 반영한다

이런 식으로 단계별 행동 수준까지 구체화한 게 인상적이었어요!

💬 연구진의 핵심 의견도 들어볼까요?

이 연구에서 제시한 EPA는 기존의 SDM 모델과 일치하면서도, 전공의 수련의 마지막 단계에서 요구되는 수준을 기준으로 구성되었어요. 그리고 의학지식(Medical Knowledge), 의사소통(Communication), 협업(Collaboration), 근거중심의학(Evidence-Based Medicine) 등 다양한 역량이 통합되어 있다는 점이 특징이에요. 📚

“The developed EPAs … aim to deliver clinicians that are able to routinely apply adequate SDM.”
“개발된 EPA들은 일상적으로 적절한 SDM을 적용할 수 있는 임상의 양성을 목표로 한다.”

그리고 이런 말도 덧붙였죠:

“We intended to develop EPAs that Warm et al categorized … as process-oriented.”
“우리는 이번 연구에서 Warm 등이 ‘과정 중심’이라고 분류한 유형의 EPA를 개발하고자 했다.”

즉, 특정 질병 평가 같은 진료과 특화(content-oriented) 과업이 아니라, 모든 임상 상황에 적용 가능한 SDM 과정 자체에 집중한 EPA라는 뜻이에요.

🧠 시사점: 이제 남은 건 현장에 적용하는 일!

연구진은 말합니다:

“Longitudinal workplace training is necessary to bridge the transfer gap … and to support integration of the SDM EPAs into the professional repertoire of future clinicians.”
“전이의 간극을 메우고, 향후 임상의들이 SDM EPA를 전문 역량으로 통합할 수 있도록 하기 위해서는 장기적인 현장 기반 교육이 필요하다.”

🔄 SDM은 한 번 배워서 끝나는 게 아니고,
🔍 현장에서 관찰하고 피드백하며,
🧑‍⚕️ 점점 자기 것으로 만들어가야 한다는 거죠!

🙋‍♀️ 한 가지 아쉬운 점은?

이번 델파이 조사에는 전공의들이 직접 참여하지 않았다는 점이에요. 연구진은 그 이유를 이렇게 설명했어요:

“We believe that the concepts of EPAs and SDM are too complex for residents.”
“EPA와 SDM이라는 개념이 전공의에게는 다소 복잡하다고 판단했다.”

하지만 동시에 이렇게 덧붙였어요:

“Including residents might have given us more insight into the transfer gap…”
“전공의를 포함했더라면 SDM 교육에서 그들이 경험하는 전이 간극에 대한 더 많은 통찰을 얻을 수 있었을 것이다.”

결국 앞으로의 연구에서는 전공의의 목소리도 꼭 담아야겠죠? 😊

✨ 마무리하며…

이 연구는 **“SDM을 어떻게 교육할 것인가?”**라는 질문에 대해
📌 *구체적인 실천 단위(EPA)*와
📌 *행동 수준에서의 평가 기준(behavioral indicators)*을
제시했다는 점에서 매우 실용적이에요.

SDM 교육의 방향을 고민하는 의료교육자나 교육과정 개발자분들께 꼭 추천하고 싶은 논문입니다!

**공유 의사결정(Shared Decision Making, SDM)**은 환자를 의학적 의사결정 과정에 참여시키기 위한 현시점에서 가장 선호되는 접근 방식이며, **양질의 환자 진료의 정점(the pinnacle of good patient care)**으로 간주된다.¹⁻⁶ 이 **상호작용적 과정(interactive process)**에서, *의료진과 환자는 환자의 충분히 숙지된 선호도(informed preferences)*와 *임상 근거(clinical evidence)*를 바탕으로 신중한 결정을 함께 내린다.⁷

의료진과 환자 모두 SDM의 중요성을 인식하고 있음에도 불구하고,⁸⁻⁹ SDM은 임상 현장에서 일상적으로 적용되지 않고 있다.¹⁰⁻¹¹ 이러한 *실천의 격차(performance gap)*는 전 세계적으로 SDM 교육의 중요성이 더 강조되도록 만들었고,¹²⁻¹³ **주요 의학 역량 프레임워크(medical competency frameworks)**에 SDM을 포함시키는 계기가 되었다.¹⁴⁻¹⁵ 그러나 일상 임상 실천에서 SDM이 일관되게 적용되지 않는 현실은, 아마도 *SDM 기술 학습과 실제 적용 간의 복잡한 전이(transfer)*에서 비롯된 것으로 보인다.¹²⁻¹³,¹⁶

우리는 이러한 **전이 과정을 지원하는 것이 SDM의 지속 가능한 임상 적용(sustainable implementation)**을 향상시킬 것으로 기대한다. *이러한 전이는 특히, 복합적인 기술(complex skills)이 진정성 있는 임상 환경(authentic clinical environment) 안에서 학습되고, **강력한 경험(powerful experiences)**에 의해 유도되며, **임상 수행에 대한 성찰(reflection on clinical performance)**을 통해 이루어질 때 가장 효과적인 것으로 간주된다.*¹⁷⁻¹⁹

우리는 **SDM을 자기주도적 임상 현장 학습(self-directed workplace learning)**에 통합하는 것이 효과적일 것이라고 기대하지만, 임상 실천에서 요구되는 SDM 역량에 대한 합의 부족은 기대한 교육 성과를 저해할 수 있다.²⁰⁻²¹

전공의(Postgraduate medical education) 교육은 **복합 역량(complex competencies)**의 자기주도적 현장 학습을 위한 이상적인 교육 환경으로 여겨진다.²² 많은 전공의 교육 프로그램에서는 이러한 복합 역량을 임상 실천에 효과적으로 전이시키기 위해, **Entrustable Professional Activities (EPAs, 위임 가능한 전문 활동)**라는 개념을 활용한다.²³⁻²⁶

**역량(competencies)**이란 일반적으로 *태도(attitude), 지식(knowledge), 행동(behavior)*을 포함하는 포괄적인 개념인 반면, **EPA는 이러한 역량을 임상 실천에 적용할 수 있도록 의료 전문직의 언어로 구체화한 것이다. EPA는 관찰과 피드백에 집중할 수 있도록 설계되어 있기 때문에, **복잡한 SDM 행동을 학습자의 역량 레퍼토리 안에 통합하는 데 기여할 수 있다.**¹⁸⁻¹⁹

이 연구의 목적은 전공의 교육 중 가르쳐야 할 SDM 관련 EPA와 이에 수반되는 행동 지표(behavioral indicators)에 대한 합의를 도출하는 것이다.

방법

맥락 (Context)

우리는 모든 진료과에서 사용할 수 있는 SDM 관련 EPA를 개발하는 것을 목표로 하였다. 네덜란드에서는 각 진료과(departments of medical specialty)가 **네덜란드 왕립의학협회(Royal Dutch Medical Association)**가 정한 **국가적 기준(national requirements)**을 바탕으로 전공의 교육과정을 운영한다.

전공과에 따라 교육 과정의 기간은 2년에서 7년까지 다양하며, **현장 중심의 수련(workplace-based training)**과 **형식 교육(formal education)**이 균형을 이루고 있다. 2015년 이후, 네덜란드의 전공의 교육 과정은 **CanMEDS 역량 프레임워크(CanMEDS competency framework)**에 따라 전공의를 교육하도록 의무화되어 있다. 대부분의 진료과에서는 이 역량들을 특정 EPA로 전환하여, 전공의의 역량 발달과 감독 수준을 결정하는 데 활용한다.²⁴,²⁷

일부 전공과 교육과정에서는 SDM을 중요한 주제 또는 의사소통 역량(communication competencies)의 일부로 언급하고 있으나, **임상 현장에서 요구되는 구체적인 과업(tasks)과 행동(behaviors)**에 대해서는 명확히 기술되어 있지 않다.

연구 설계 (Design)

우리는 2017년 4월부터 8월까지 **네덜란드 전문가들을 대상으로 온라인 델파이 조사(modified online Delphi study)**를 수행하여, 전공의 교육을 위한 **SDM 관련 EPA와 그에 수반되는 행동 지표(behavioral indicators)**에 대한 **합의(consensus)**를 도출하고자 했다. **델파이 기법(Delphi technique)**은 의학교육 연구에서 널리 사용되는 합의 도출 방법이다.²⁸⁻³¹ 이 기법은 **질문지(questionnaire)**를 여러 차례 반복(“rounds”)하여 특정 주제에 대한 합의를 이끌어내는 방식이며, 각 회차마다 이전 회차의 결과를 피드백하는 방식으로 진행된다. 합의를 도출하기 위해서는 최소 2회의 연속된 라운드가 필요하다.³²⁻³⁴

첫 번째 델파이 라운드에서 사용할 EPA 및 행동 지표 목록은 기존 문헌과 인터뷰 연구를 통해 도출하였다. 우선, A.B.는 **SDM의 개념틀(frameworks), 역량(competencies), 행동(behaviors)**을 설명하는 주요 문헌들을 검토하였고,¹³,²¹,³⁵⁻³⁷ 여기에 **스노우볼 기법(snowball method)**과 Web of Science의 관련 인용을 활용하여 자료를 보완하였다. 다음으로, 우리는 네덜란드의 SDM, 의사–환자 소통, 의학교육 분야 전문가들을 대상으로 인터뷰 연구를 수행하였다(해당 연구는 별도로 보고 예정). A.B.는 총 **17명의 전문가들과 반구조화된 대면 인터뷰(semi-structured face-to-face interviews)**를 실시하였으며, 모든 인터뷰는 **녹음(audiotaped)**되었고 **전사(transcribed)**되어, 자료 수집과 분석을 반복(iterative)하는 과정 속에서 **주제 분석(thematic analysis)**이 수행되었다.

문헌 검토와 인터뷰 결과를 종합하여, 우리는 ten Cate의 지침에 따라 EPA와 행동 지표를 공식화하였다.²⁴ 이 목록은 **SDM 전문가들로 구성된 국가 자문 위원회(national advisory board)**와 논의되었으며, 이후 의료인, SDM 연구자, 교육자 등 다양한 배경을 지닌 연구팀이 내용과 형식에 대해 합의를 이룰 때까지 수정되었다.

참여자 (Participants)

우리는 **목적 표집(purposive sampling)**을 통해 SDM, 의사–환자 소통, 의학교육에 대한 전문성과 특별한 관심을 지닌 전문가들을 기반으로 전문가 패널 후보 목록을 구성하였다.³⁸ 특히, 가정의학(family medicine) 전공의 수련과정은 의학적 커뮤니케이션 교육의 오랜 전통을 가지고 있기 때문에, 이 분야에서 활동하는 전문가들이 우선적으로 고려되었다. 최종적으로 다음 네 가지 범주의 전문가들이 목록에 포함되었다:

1. 일상적인 환자 진료에 종사하는 임상의(clinicians active in routine patient care)
2. SDM에 특별한 관심을 가진 환자 대표(patient representatives)
3. 의학적 커뮤니케이션, SDM, 또는 근거중심의학(EBM) 교육에서 활동하는 트레이너, 교육 코디네이터 및 교육 개발자(trainers, coordinators, and educational developers)
4. SDM, 의사소통 또는 환자 참여(patient participation)에 대해 연구하는 연구자들(researchers)

우리는 연구 목적, 절차, 예상 소요 시간 등을 담은 이메일을 통해 총 57명의 전문가 후보들에게 참여를 요청하였다. 참여에 동의한 이들에게는 **연구 참여 동의(informed consent)**를 받은 후 첫 번째 델파이 라운드에 초대하였다. (네덜란드 의학교육협회 윤리심의위원회 승인, 파일번호 894) 연구 기간 동안, 이전 라운드를 완료한 모든 전문가 패널은 다음 라운드에 초대되었다. **연구 조교는 모든 설문 데이터를 익명화 처리(pseudonymized)**하여, 전문가들의 익명성이 보장되도록 하였다.

자료 수집 (Data Collection)

우리는 **웹 기반 설문 도구인 Qualtrics(Qualtrics, Provo, Utah)**를 사용하여 **3라운드의 수정된 온라인 델파이 연구(modified online Delphi study)**를 수행하였다. **그림 1(Figure 1)**은 각 라운드의 주요 초점과 그 결과를 요약하고 있다. 1차, 2차, 3차 라운드의 기간은 각각 2주, 3주, 6주였으며, 일정은 다음과 같았다: 1차 라운드(4월 19일 ~ 5월 2일), 2차 라운드(5월 29일 ~ 6월 19일), 3차 라운드(7월 13일 ~ 8월 25일).

우리는 연구에 참여하지 않은 전문가 7명과 함께 1차 라운드 설문지를 파일럿 테스트한 후, 설문 내용과 레이아웃을 수정하였다. 본 연구의 목적은 전공의 수련을 마친 후 수행할 수 있어야 하는 SDM 관련 EPA 목록에 대한 합의 도출이었다. 각 EPA 및 행동 지표에 대해, 다음 두 가지 문장을 제시하였다:

• “이 EPA/행동 지표를 교육과정에 포함시키고 싶다.”
• “이 EPA/행동 지표는 임상 실천에 적용 가능하다.”

전문가들은 각 문항에 대해 **7점 리커트 척도(1 = 전혀 동의하지 않음, 7 = 매우 동의함)**로 평가하였다. 1차 탐색 라운드에서는 위의 두 문장에 대해 각 EPA와 행동 지표 목록을 평가하도록 요청하였다. 각 라운드에서는 **점수에 대한 설명, 문구 수정 제안, 추가적인 EPA 및 행동 지표 제안 등을 적을 수 있는 자유응답 칸(open text box)**을 함께 제공하였다. 1차 라운드에서는 **참여자의 인구통계학적 특성(demographic characteristics)**도 조사하였다.

2차 라운드는 다음의 두 가지로 시작되었다:

1. 각 설문 항목에 대한 참여자의 개인 점수와 전체 집단 평균 점수에 대한 요약,
2. 1차 분석 후 수정된 새로운 설문 버전을 제공하였다. 다시 한 번, 전문가들에게 각 EPA와 행동 지표에 대해 앞서 사용된 동일한 두 문장을 기반으로 평가해달라고 요청하였다.

이 라운드의 목적은 다음과 같았다:

1. 거의 최종본(near-final list)에 포함되어야 할 EPA 및 행동 지표에 대한 합의 도출,
2. 아직 합의에 도달하지 못한 항목들에 대한 재수정 및 재검토.

3차 라운드는 두 부분으로 구성되었다.

• 첫 번째 부분에서는, 2차 라운드에서 합의에 도달하지 못한 행동 지표 중, 분석을 통해 재구성(reformulated)된 항목들을 제시하고, 전문가들에게 이를 **다시 평가(rerate)**하도록 요청하였다. 해당 항목이 이번 라운드에서 합의에 도달하면 최종 목록에 포함될 것임을 사전에 공지하였다.
• 두 번째 부분에서는, 2차 라운드에서 이미 합의에 도달한 EPA 및 행동 지표 목록을 제시하고, 다음과 같은 질문을 던졌다:
  • “전공의 교육을 위한 이 SDM 관련 EPA 및 행동 지표의 거의 최종 목록에 동의하십니까?”
    응답 선택지는 “예(yes)” 또는 “아니오(no)”였다.

자료 분석 (Data Analyses)

우리는 설문지의 정량적 항목들을 **SPSS 24 for Windows(IBM Corp., Armonk, New York)**를 사용하여 **기술통계(descriptive statistics)**로 분석하였다. 델파이 연구에서는 합의(consensus)의 표준 정의가 존재하지 않기 때문에,² 연구팀은 1차와 2차 라운드에서 개별 EPA 및 행동 지표에 대해 다음 기준을 만족할 경우 합의에 도달한 것으로 정의하였다:

• 중앙값(median score) ≥ 6점,
• 전문가 패널의 ≥ 75%가 해당 항목에 대해 6점 이상을 부여한 경우
  (문장: “이 EPA/행동 지표를 교육과정에 포함시키고 싶다.”)

이 연구는 교육과정에 포함시켜야 할 SDM 관련 EPA 및 행동 지표의 전체 목록을 개발하는 것이 목적이었기 때문에, 위 문장에 대한 응답을 합의 판단 기준으로 삼았다.

3차 라운드에서는 전문가 패널의 ≥ 80%가 ‘예’라고 응답한 경우, **최종 목록에 대한 합의(consensus on the near-final list)**에 도달한 것으로 간주하였다.²⁸

A.B.는 **자유 응답란에 기록된 모든 정성적 피드백(qualitative feedback)**을 분류하여 **반복적으로 나타나는 주제(recurring themes)**를 도출하였다. 연구팀은 각 라운드 이후 이러한 주제를 기반으로, EPA 및 행동 지표의 수정 필요 여부와 그 구체적인 방식에 대해 논의하였다.

최종 EPA 및 행동 지표는 **전문 번역가(professional translator)**가 영어로 번역하였고, 이후 의료교육 및 SDM 용어에 능통한 네이티브 네덜란드어 사용자가 이를 **다시 네덜란드어로 역번역(back-translation)**하여 번역의 **정확성(accuracy)**을 검증하였다. 연구팀은 최종 영어 번역본을 승인하였다.

결과 (Results)

델파이 절차 (Delphi Procedure)

초대된 57명의 전문가 패널 후보자 중 35명이 참여에 동의하여 **응답률은 61%**였다. 1차 라운드는 총 32명이 완료하였으며, 이는 **응답률 91%**에 해당한다. 이 중 2명은 시간 부족으로 설문을 완료하지 못했으며, 1명은 의학교육에 대한 지식 부족을 이유로 참여를 포기하였다. 1차 라운드를 완료한 32명의 전문가 전원은 2차와 3차 라운드에도 계속 참여하였다.

전문가들의 연령은 31세에서 61세 사이였으며, 평균 연령은 47세였다. **여성은 21명으로, 전체의 66%**를 차지하였다. 우리는 연구 설계 당시 중요하다고 판단한 **모든 전문 직역(professional backgrounds)**이 이 전문가 패널에 포함되어 있었으며, *참여자의 특성은 표 1(Table 1)*에 요약되어 있다.

델파이 결과 (Delphi Results)

1차 라운드에서는, **6개의 EPA와 26개의 행동 지표(behavioral indicators)**를 전문가 패널에게 제시하였다 (각 라운드 요약은 그림 1과 보충 디지털 부록 1 [Supplemental Digital Appendix 1: http://links.lww.com/ACADMED/A997] 참조). 전문가 피드백을 바탕으로 5개의 EPA를 수정하였다.

그중, 다음 두 EPA 간의 중복성이 언급되었다:

• “전공의는 환자의 개인적 맥락에 맞게 의사소통을 조정한다”
• “전공의는 공유 의사결정의 필요성(desirability)에 대해 환자에게 알린다”

이 두 항목은 행동 지표 역시 중복되는 것으로 판단되어, **“전공의는 공유 의사결정의 필요성에 대해 환자와 논의한다”**라는 새로운 EPA로 통합하였고, 기존 행동 지표들은 이 통합된 EPA 하에 재배열하였다.

또한, 다음의 두 EPA 간에도 유사성이 있다는 피드백이 있었다:

• “전공의는 환자의 선호도를 탐색한다”
• “전공의는 옵션에 대해 숙고하도록 환자를 돕는다”

이에 따라, 이 둘 역시 **“전공의는 환자의 선호도와 숙고 과정을 탐색한다”**는 새로운 EPA로 통합하였고, 관련 행동 지표 역시 이에 맞추어 재배열되었다.

한편, **“전공의는 치료 옵션에 대해 환자에게 정보를 제공한다”**는 EPA는 지나치게 지시적인(directive) 표현이라는 비판을 받아, **“전공의는 치료 옵션에 대해 환자와 논의한다”**로 수정되었다.

반면, **“전공의는 환자와 함께 충분히 근거 있는 결정을 내린다”**는 EPA는 긍정적으로 평가되었으며, 수정 제안이 없었기 때문에 변경 없이 유지되었다.

1차 라운드에서 제시된 총 26개의 행동 지표 중 15개는 전문가들의 정성적 피드백을 반영하여 수정되었으며 (자세한 내용은 보충 디지털 부록 1 참조), 다음과 같은 통합 작업도 이루어졌다:

• “전공의는 환자의 선호도가 그들의 관점 및 개인적 목표 및 가치와 어떻게 연결되는지 명확히 한다”
• “전공의는 환자에게 다양한 선택지를 숙고하도록 조언하며, 이 과정에서 환자의 관점, 목표 및 가치를 고려한다”

이 두 항목은 **“전공의는 환자의 선호도가 그들의 관점 및 개인적 목표 및 가치에 적절히 부합하는지 여부에 대해 논의한다”**는 하나의 행동 지표로 통합되었다.

또한, 15개의 수정된 행동 지표 중 13개에는 경미한 문구 수정을 적용하였다. 나머지 11개의 행동 지표는 전문가들이 긍정적으로 평가했거나 수정 제안이 없었기 때문에 그대로 유지되었다.

2차 라운드 (Round 2)

1차 라운드 결과로 도출된 4개의 EPA와 25개의 행동 지표를 2차 라운드에서 전문가 패널에게 제시하였다 (Figure 1 및 보충 디지털 부록 1 참조: http://links.lww.com/ACADMED/A997). 2차 라운드에서 4개의 EPA 모두에 대해 합의가 이루어졌으며, 관련된 정성적 피드백도 제공되지 않았기 때문에, 이들 EPA는 수정 없이 거의 최종본(near-final list)에 포함되었다.

행동 지표 25개 중 17개에 대해서도 합의가 이루어졌고, 의미 있는 수정 제안이 없었기 때문에, 이들 역시 수정 없이 거의 최종 목록에 포함되었다. 합의에 도달하지 못한 8개의 행동 지표 중 2개는, 전문가의 정성적 피드백을 바탕으로 **재구성(reformulation)**하였다.

• **“전공의는 자신의 선호도를 중립적인 방식으로 논의에 제시한다”**는 행동 지표는,
  → **“전공의는 필요 시 자신의 선호도를 제시한다(the resident introduces own preferences where indicated)”**로 수정되었다.
• **“전공의는 의사, 가족, 친구 등 관련 보건의료인이나 제3자의 정보(환자의 선호도 관련)를 의사결정에 포함시킨다”**는 행동 지표는,
  → **“전공의는 선호도 논의(deliberation of preferences)에 관련 있는 경우, 관련된 제3자(보건의료인, 가족, 친구 포함)의 제공 정보를 포함한다”**로 수정되었다.

나머지 6개의 행동 지표는 합의에도 도달하지 못했으며, 의미 있는 수정 제안도 없었기 때문에 제거되었다.

3차 라운드 (Round 3)

3차 라운드에서는 2차 라운드에서 재구성된 2개의 행동 지표와, **2차 라운드에서 합의에 도달한 4개의 EPA와 17개의 행동 지표(거의 최종본)**를 전문가들에게 제시하였다 (Figure 1 및 Supplemental Digital Appendix 1 참조).

전문가들은 **재구성된 행동 지표 2개에 대해 평가(rating)**를 다시 수행하였다. 이 중 **“전공의는 필요 시 자신의 선호도를 제시한다(the resident introduces own preferences where indicated)”**는 행동 지표에 대해서는 합의에 도달하지 못하였다, 이는 해당 항목에 대해 *“교육과정에 포함시키고 싶다”*는 진술에 대해 전문가의 56%만이 6점 이상을 부여했기 때문이다.

이 항목에 대해 제시된 주요 논거는 다음과 같았다:

“전공의의 선호가 환자의 의사결정 과정에 과도한 영향을 미칠 수 있으며, 선호를 중립적으로 제시하는 것은 현실적으로 매우 어렵다.”

반면, **“전공의는 선호도에 대한 논의에 관련 있는 경우, 관련 제3자가 제공한 정보를 포함한다(the resident includes the information provided by involved third parties … if this is relevant for the deliberation of preferences)”**는 행동 지표는 합의에 도달하였다.
→ 중앙값(median)은 6점, 전문가 중 81%가 6점 이상을 부여하였다 (Table 2 참조).

최종 결과 요약

3회의 델파이 라운드 후, 전공의 교육을 위한 SDM 관련 EPA 4개와 행동 지표 18개에 대한 합의가 이루어졌다 (Table 2 참조).
→ 총 32명의 전문가 중 30명(94%)이 이 목록에 동의하였다.
→ 동의하지 않은 2명의 전문가는 어떠한 정성적 피드백도 제공하지 않았다.

합의에 도달한 **모든 EPA 4개는 “임상 실천에 적용 가능하다”**는 문장에 대해서도 높은 점수를 받았다.
그러나, 행동 지표 18개 중 11개만이 “임상 적용 가능성” 항목에서 전문가 패널의 75% 이상이 6점 이상을 부여하였다 (Table 2 참조).

논의 (Discussion)

주요 결과 요약 (Summary of Main Findings)

이 델파이 연구에서는, 다학제적(multidisciplinary) 네덜란드 전문가 패널 32명이 **전공의 수련 중 교육되어야 할 공유 의사결정(SDM) 관련 4개의 EPA와 이에 연계된 18개의 행동 지표(behavioral indicators)**에 대해 **합의(consensus)**에 도달하였다. 이는 SDM의 일상적 적용을 촉진하기 위한 교육적 기반을 제공하고자 한 것이다.
**거의 최종본(near-final list)**에 대해 30명(94%)의 전문가가 동의한 점은 높은 수준의 합의를 나타낸다.

주요 결과에 대한 성찰 (Reflection on Main Findings)

이번에 개발된 EPA들은 잘 알려진 SDM 모델들과 일치하며,³⁵ ³⁶ **전공의 교육의 마지막 단계에서 도달해야 할 숙련 수준(end-stage proficiency level)**에 맞추어 SDM 행동을 구체적으로 기술하고 있다. 이는 일상 임상에서 적절한 SDM을 실천할 수 있는 임상의 양성을 목표로 한다.²³

**행동 지표들은 각 EPA의 구성 요소(building blocks)**를 명확히 하여, 학습자의 개별적인 현장 학습 요구에 따라 학습이 조정될 수 있도록(tailored learning) 지원한다. 이 EPA들은 *이론과 실제를 정렬(alignment)*시키고, *역량과 실제 수행을 연결(bridge)*하려는 의도로, **전문 직무 단위(unit of professional practice)**로 역량을 기술한 것이다.²⁴

2015년 CanMEDS 역량 프레임워크에서는 **SDM이 3개의 보조 역량(enabling competencies)**으로 **일반적으로 기술(generic)**되어 있다. 이 보조 역량들은 다음을 강조한다:

• 환자의 고유한 선호와 상황에 SDM을 적절히 적용하는 능력
• 환자 및 가족과 **존중(respectful), 비판단적(nonjudgmental), 문화적으로 안전한 방식(culturally safe manner)**으로 논의하는 능력
• 환자가 정보에 기반해 건강 관련 결정을 내릴 수 있도록 의사소통 기술과 전략을 활용하는 능력

이와 달리, 본 연구에서 개발한 SDM EPA들은 의사결정의 실제 과정을 기술하며, 이는 하나의 진료 접촉이 아닌 여러 차례에 걸쳐 일어날 수 있는 과정을 반영한다. 또한, **의학지식, 의사소통, 협업, 근거중심의학(EBM)**과 같은 복합 역량(domain)을 통합적으로 반영하고 있다.

이러한 접근 방식은 Warm 등(2014)이 제안한 분류에 따라, “과정 중심(process-oriented)” EPA로 간주될 수 있다. 이들은 특정 진료과의 내용 중심(content-oriented) EPA—예: 비뇨기과에서 요실금 평가—와는 구별된다.³⁹

Shorey 등(2019)의 스코핑 리뷰에서는, 대부분의 기존 연구들이 **진료과 특화 EPAs(specialty-specific EPAs)**의 개발에 집중되어 있었음을 보여준다.²⁶ 본 연구의 SDM EPA들은 SDM이 특정 임상 문맥(context)에 따라 다르게 적용되어야 함을 반영하고 있으며, 이는 다음과 같은 요소를 고려한 것이다:

• 의학적 필요(medical needs)
• 환자의 가치와 선호(values and preferences)
• 임상과에 따라 구체화된 실제 과업(concrete clinical tasks)

이러한 EPA들은 SDM의 실제적 구현을 뒷받침하는 데 유용할 수 있다.⁴⁰

시사점 (Implications)

다음 단계는, 본 연구에서 개발한 **SDM EPA들을 기존 역량 기반 현장 교육과정(competency-based workplace curricula)**에 **구현(implementation)**하는 것이다. SDM 교육의 효과에 대한 기존 문헌 리뷰에 따르면, 대부분의 교육介入은 단회성(single session)에 그쳤고, 시간이 지남에 따라 임상에서의 지속적 실천이 약화되었다.¹²,⁴¹⁻⁴³

따라서, **SDM의 학습과 지속적 임상 실천 간의 전이 간극(transfer gap)**을 메우기 위해서는 장기적(longitudinal) 현장 기반 교육이 필수적이다.²² 이는 미래의 임상의들이 SDM EPA를 자신만의 전문적 역량으로 통합할 수 있도록 돕는다.

이번 연구에서 제시한 **EPA들은 임상 현장에서의 SDM 수행을 관찰하고 이에 대한 피드백을 제공하는 도구(tool)**로 활용될 수 있다. 그러나 EPA를 단순한 ‘체크리스트’로 사용하는 것을 방지하기 위해, **개별 학습자의 학습 과정(individual learning process)**이 출발점이 되어야 한다.

현재 많은 전공의 교육 프로그램에서 EPA가 사용되는 방식에 비추어 볼 때, 이 EPA들은 전공의의 역량 수준을 평가하는 데 있어서도 지침 역할을 할 수 있다. 또한, **임상 지도자의 SDM 역량을 향상시키기 위한 지속적 직무 교육(continuous professional education)**에도 통합될 수 있다. 왜냐하면, **현장 기반 학습(workplace-based learning)에서는 적절한 롤모델링(role modeling)**이 핵심이기 때문이다.

SDM은 근거중심의학(EBM)의 핵심 구성 요소이며, 문헌에 따르면 전공의들은 환자 중심 커뮤니케이션과 같은 복합 기술을 의학적 전문성과 통합된 형태로 학습할 때 가장 효과적이라고 보고된다.¹⁸,¹⁹

따라서, 우리는 **SDM EPA들을 전공의용 EBM 교육과정(Postgraduate EBM curricula)**에 통합하는 것을 제안한다.¹⁷,¹⁹

향후 연구에서는 다음과 같은 부분들을 다루어야 한다:

• **SDM 학습의 장애 요인과 촉진 요인(barriers and facilitators)**에 대한 탐색
• **임상에서 실제로 사용할 수 있는 언어 표현(language for practice)**의 구체적 예시 제공
  → 이를 통해 학습자들이 임상에서 실제 SDM을 연습할 수 있도록 지원해야 한다.

강점 및 한계 (Strengths and Limitations)

우리가 알기로, 본 연구는 SDM을 위한 EPA와 행동 지표(behavioral indicators)에 대해 수행된 최초의 연구이다. 우리는 **델파이 기법(Delphi technique)**이 EPA와 행동 지표에 대한 합의를 도출하는 데 적합한 접근 방식이라고 판단하였다. 전문가들이 개별적으로, 익명으로 설문지를 작성하게 함으로써, 다른 패널 구성원의 직접적인 영향력을 제한하고 개별 의견의 비중을 동등하게 유지할 수 있었다.²⁹⁻³¹ 또한 이전 라운드의 결과를 다음 라운드에 피드백함으로써, 전문가들이 타인의 평가와 비교해 자신의 초기 견해를 재고하도록 유도하였다.

우리는 참여자의 다양한 배경 차이와 우리가 중요하다고 판단한 모든 직역이 포함된 점이, 개발된 EPA의 질을 향상시켰다고 믿는다. 이러한 EPA의 질적 수준은 전공의 교육 과정에 보다 쉽게 도입되는 데 도움이 될 수 있다. 1차 라운드를 완료한 전문가 32명 전원이 전체 델파이 과정을 완료한 것은, 주제에 대한 전문가들의 관심, 연구의 중요성, 그리고 각 라운드가 신속하게 이어졌다는 점을 반영한다.

1차 델파이 라운드에서 사용된 EPA와 행동 지표는, **우리 연구팀이 사전에 수행한 포괄적인 기초 작업(comprehensive preliminary work)**을 바탕으로 개발된 항목들이었다. 물론 전통적인 델파이 연구에서는 전문가들이 항목 자체를 직접 생성하는 방식이 일반적이지만, 우리는 그러한 방식이 전문가들에게 지나치게 많은 시간을 요구할 수 있다고 판단하였다.

이러한 선택은 개발된 EPA와 행동 지표의 구성에 일정한 영향을 미쳤을 가능성이 있다. 하지만, 우리는 전문가들이 적극적으로 정성적 피드백을 제공하도록 권장함으로써 이러한 영향을 최소화하려고 하였다. 전문가 피드백을 분석한 결과, EPA와 행동 지표의 내용에 대해 본질적인 변화가 필요하다는 의견은 거의 없었으며, 이는 우리가 개발한 항목들이 본 연구 목적에 적합했음을 시사한다고 할 수 있다.

이 델파이 연구는 **네덜란드 국내 수준(national level)**에서만 수행되었으며, 이는 SDM이 언어와 문화에 매우 민감한 주제이기 때문이다. 그럼에도 불구하고, 개발된 EPA들은 **다른 국가에서도 자국의 필요에 맞추어 적용 가능한 일반적 요소(generic elements)**를 포함하고 있다.

우리는 비록 이 EPA들이 전공의 수련(postgraduate medical training) 과정에서 활용되는 것을 목적으로 개발되었음에도, 이번 델파이 연구에 전공의를 참여시키지 않기로 결정하였다. 이는 우리가 판단하기에 EPA와 SDM이라는 개념 자체가 전공의에게는 다소 복잡하다고 여겨졌기 때문이다. 그러나, 전공의를 포함하였다면, SDM 교육을 받는 과정에서 그들이 경험하는 전이의 간극(transfer gap)에 대해 더 많은 통찰을 얻을 수 있었을 것이다.

🧩 최종 선정된 SDM 관련 EPA와 행동 지표 목록 (내용 번역)

① 전공의는 환자와 공유 의사결정의 필요성에 대해 논의한다

(The resident discusses the desirability of shared decision making with the patient)

• 환자에게 선택이 필요하기 때문에 공유 의사결정이 바람직하다는 점을 설명한다.
• 공유 의사결정의 목적과 이 과정을 어떻게 수행할 수 있는지 설명한다.
• 환자의 관점(예: 우려, 기대, 질문 등)을 명확히 하고, 이를 존중한다.
• 의사결정 과정에서 환자의 표현을 지원하고, 환자의 **지적 수준과 건강 정보 이해 능력(health literacy)**을 고려한다.

② 전공의는 환자와 치료 옵션에 대해 논의한다

(The resident discusses the options for management with the patient)

• **기다려 보기 전략(wait-and-see option)**을 포함해 현재 사용 가능한 치료 옵션들을 최신 지견, 근거중심 가이드라인이나 권고사항에 따라 안내한다.
• 환자의 선호와 관점을 고려하여 **최소한으로 필요한 정보(minimally required information)**를 제공하고, 그 정보가 개인에게 어떤 의미가 있는지 설명한다.
• 치료 옵션에 대해 명확하고 객관적인 정보를 제공한다.
• 각 치료 옵션의 잠재적 이점과 위험, 결과를 논의한다.
• 환자 교육 자료나 의사결정 도구(예: 웹사이트 등)를 활용하거나 안내한다.
• 환자가 정보를 이해하고 해석했는지 확인하고, 필요 시 충분한 숙고 시간을 제공한다.

③ 전공의는 환자의 선호와 숙고 과정을 탐색한다

(The resident explores the patient’s preferences and deliberations)

• 환자의 **선호도(preferences)**와 치료 옵션에 대한 입장을 명확히 한다.
• 환자의 개인적 맥락을 고려하여, 각 옵션의 실행 가능성, 실현 가능성, 실용성을 탐색한다.
• 관련된 제3자(예: 보건의료인, 가족, 친구)가 제공한 정보가 선호도 논의에 관련이 있다면 이를 포함한다.
• 다양한 치료 옵션의 장단점을 요약하여 설명하고, 환자의 판단이 그에 부합하는지 확인한다.

④ 전공의는 환자와 함께 충분히 근거 있는 결정을 내린다

(The resident takes a well-argued decision together with the patient)

• 환자의 속도와 리듬에 맞춰 결정을 **조율(adjust)**하며, 의학적 긴급성을 함께 고려한다.
• 가장 중요한 논의 사항에 기반하여, 환자와 공동으로 결정을 내린다.
• 환자가 결정에 동의하는지 확인하고, 그 결정의 실천적 결과 및 향후 적용에 대해 논의한다.
• 결정의 근거와 그에 대한 전공의의 판단 이유를 의무기록에 남긴다.

Med Educ. 2019 Sep;53(9):861-873.  doi: 10.1111/medu.13905. Epub 2019 May 20.

Accounting for complexity in medical education: a model of adaptive behaviour in medicine

🧠 시스템 사고와 의학교육: 이제는 ‘적응’을 말할 때

의사로 살아간다는 건 단순한 과학지식만으로는 해결되지 않는 복잡한 세상과 매일 마주하는 일입니다. 그런데 의학교육은 아직도 ‘환원주의(reductionism)’의 틀 안에 머물러 있지 않나요? 오늘은 그 한계를 극복하고자 제안된 **시스템 사고(Systems Thinking)**와 **복잡 적응 시스템(Complex Adaptive Systems, CAS)**에 대한 흥미로운 논문을 소개할게요. 이 글은 의사 교육을 바꾸기 위한 시사점을 가득 담고 있어요. 의학교육자, 수련의, 정책 입안자 모두에게 꼭 필요한 이야기입니다.

1️⃣ 복잡한 문제 앞에서, 지식만으론 부족하다

의사들은 매일 복잡한 환자 상황을 마주하죠. 그런데 전통적인 의학교육은 대부분 기초 과학 중심의 환원주의 교육에 집중해왔어요.
하지만 저자들은 이렇게 말합니다:

"복잡한 문제를 성공적으로 해결할 수 있는 능력과 환원주의 과학에 대한 전문성 사이에는 커다란 간극이 존재한다.
There exists a broad gap between expertise in reductionist science and the capacity to successfully solve complex problems."

즉, 지식은 단지 ‘도구(tool)’일 뿐이고, **현실에서는 ‘적응(adaptation)’이 전략(strategy)**이어야 한다는 거예요.

2️⃣ 전문가란, '적응하는 사람'이다

논문에서는 복잡한 문제를 잘 풀어내는 의사의 핵심 조건으로 **적응적 행동(adaptive behaviour)**을 꼽아요.
‘정답’이 없는 상황에서 유연하게 반응하고, 계속 학습하고, 변화에 대응할 수 있어야 한다는 뜻이죠.

"탁월함(excellence)은 고정된 표준이 아니라, 핵심 가치에 의해 이끌리고 현실 세계와의 상호작용을 통해 지속적으로 반응하고 개선하려는 노력이다.
Excellence is defined as a continuous effort to respond and improve, driven by core values and guided by real-world interactions."

💡 결국, 좋은 의사는 단순히 시험을 잘 보는 사람이 아니라, 끊임없이 배우고 반응하며 실천하는 사람이라는 겁니다.

3️⃣ 교육은 '적응'을 키워주는 방향으로 바뀌어야 해요

그럼 이런 적응하는 의사를 키우려면 어떻게 해야 할까요?
저자들은 4가지 교육 전략을 제안합니다.

✅ Approach 1: 적응력 있는 사람을 뽑자!

입시 단계부터 지적 유연성, 도덕적 추론, 모호성에 대한 수용력 같은 특성을 보는 게 중요하다고 해요.

"이러한 개인은 상대적이고 비절대적인 지식의 성격을 이해하고, 모순을 받아들이며, 이를 더 큰 틀 안에 통합할 수 있다.
Such an individual understands the relativistic, non-absolute nature of knowledge, accepts contradiction and is capable of integrating contradiction into an overriding whole."

👉 미국의 WICS 모델(지혜, 지능, 창의성 기반 평가)은 기존 시험보다 더 높은 성과 예측력을 보였다고 해요!

✅ Approach 2: 인식론적 겸손(epistemic humility)을 가르치자

지식의 한계를 인정하는 태도, 즉 *"내가 모를 수도 있다"*는 겸손이 중요합니다.

"인식론적 겸손은 지식의 가치를 존중하지만 그 적용에는 비판적이다. 이는 제한적이면서도 해방적인 태도다.
Epistemic humility respects the value of knowledge but does not hesitate to be critical in its application. In this sense it is both limiting and liberating."

📉 너무 ‘근거 중심’만 외치다 보면 오히려 환자의 복잡성을 놓칠 수 있어요.

✅ Approach 3: 과도한 체계화는 피하자

표준화된 평가도구, 일률적인 행동기준… 이런 게 오히려 진짜 문제 해결 능력을 평가하기 어렵게 만들어요.

"완전히 체계화된 평가방식은 복잡한 문제 해결 능력을 평가하는 데 타당성이 떨어질 수 있다.
If standardisation of behavioural anchors and the use of surrogate outcomes lack validity in the assessment of complex problem-solving skills…"

👀 평가의 틀도 유연해야, 학생이 유연하게 자라날 수 있겠죠?

✅ Approach 4: 적응적 행동을 교육의 중심에 두자

이제는 '정답'을 가르치기보다는, 현장에서 스스로 판단하고 반응하는 습관을 기르는 게 핵심이에요.

"적응적 행동의 우선성을 가르치고 강화하는 교육이야말로 고품질 임상 실무의 본질을 담고 있다.
This approach would teach and reinforce the primacy of adaptive behaviour in high-quality clinical practice."

👩‍⚕️ 이걸 위해선 기초과학과 임상경험을 분리된 이원 구조가 아니라, 통합적으로 병행하는 교육과정이 필요하다는 제안도 함께 나옵니다.

📌 결론: 의학교육에도 ‘적응적 리더십’이 필요하다

이제 우리는 Flexner 모델을 넘어, ‘복잡성’을 인정하고, ‘적응’을 키워주는 교육을 준비해야 합니다.

"이제는 의학교육에 적응적 리더십(adaptive leadership)이 필요한 때다.
The time has arrived for adaptive leadership in medical education."

✨ 마무리하며

이 논문은 단순한 이론이 아니라, 의학교육의 패러다임 전환을 촉구하는 선언에 가깝습니다.
의학교육자이든, 학생이든, 정책입안자든—이제는 다음의 질문을 던져야 할 때예요.

“우리는 지식을 가르치고 있는가,
아니면 적응할 수 있는 전문가를 키우고 있는가?”

서론 (INTRODUCTION)

**시스템 사고(Systems thinking)**는 생의학적 시스템에 대한 환원주의적 지식과 환자의 진료라는 복잡한 현실 사이에 존재하는 간극을 메우는 것을 목표로 한다.

1990년대 이후, **복잡성 과학(complexity science)**은 다양한 산업과 학문 분야에서 조직이 자신들의 작업 방식을 바라보는 관점을 변화시켰다.¹⁻⁵ 이러한 연관된 개념들은 **보건의료 산업(health care industry)**에도 도입되어, 보건의료 조직과 임상 운영의 방식에 영향을 미치고 있다.⁶ 그러나 *의학교육(medical education)*은 이러한 근본적인 아이디어에 대해 상대적으로 천천히 반응해왔다.⁷ 더욱이, 실제로 시스템 사고가 도입된 사례들에서도 **그 구현은 대체로 시스템 사고 도구(systems-thinking tools)**에 국한되었으며, 이 도구들의 기원, 근거, 전반적인 전략에 대한 인식이 부족한 상태에서 활용된 경우가 많았다.

이러한 상황은 결국, **수련의나 실무자들이 ‘지속적 질 향상(continuous quality improvement)’, ‘환자 안전 문화(culture of patient safety)’, ‘현장 기반 학습(practice-based learning)’, ‘팀워크(teamwork)’**와 같은 중요한 시스템 개념들에 대해 잘못된 이해를 가지게 되는 결과를 초래하였다.

이 논문의 목적은 다음의 세 가지로 요약된다.

1. **수련의, 임상의, 의학교육자들에게 시스템 사고에 대한 명확한 근거(rationale)**를 제공하는 것
2. 전문직 실무에 시스템 사고를 적용하기 위한 단순한 적응적 행동(adaptive behaviour) 프레임워크를 개발하는 것
3. 이 프레임워크가 채용(recruitment), 전문성(professionalism), 평가와 피드백(assessment and evaluation) 등 의료 실무와 의학교육의 여러 영역에 미치는 시사점을 상상해보는 것

앞으로의 세기에 직면하게 될 복잡한 보건의료 과제들에 효과적으로 대응하기 위해서는, **시스템 개념에 대한 더 깊은 이해(deeper understanding of systems concepts)**가 본질적으로 필수적이다.

PART I: 복잡한 문제와 의료 실무

복잡한 문제 해결 (Complex problem solving)

일상생활과 임상의학(clinical medicine)에서 우리는 **복잡한 문제(complex problems)**에 매일 직면한다. 복잡한 문제는 ‘완고(stubborn)’하다. 이들은 몇 가지 고전적인 특징들 때문에 쉽게 해결되지 않는다(그림 S1 참고).

복잡한 문제는 **많은 요소들이 작동하는 시스템(system)**에서 발생한다. 이 요소들은 서로 연결되어(interconnected) 있으며 **상호 의존성(mutual dependencies)**을 가진다. 요소들 사이의 상호작용은 **역동적(dynamic)**이며, 따라서 시스템의 행동도 역동적이다. 또한 이 시스템의 요소들과 그 상호작용은 명확하게 드러나지 않으며(intransparent), 문제 해결의 목표 설정(goal setting) 또한 단순하지 않다. 문제 해결의 목표는 자명하지 않을 수도 있으며, 때로는 여러 개일 수도 있고, 상충하는 경우도 있다(antagonistic goals).

따라서 요소의 수가 많고, 이 요소들이 불투명하고 서로 얽혀 있을수록 문제는 더욱 복잡해진다.⁸

복잡한 시스템은 **예측 불가능한 행동(unpredictable behaviour)**을 보인다. 서로 강하게 연결된 시스템의 일부만이 드러나 있는 상태에서는, *잘 정의된 변수들을 입력하더라도 전체 시스템 수준에서 예상치 못한 행동(emergent phenomena)*이 나타날 수 있다.

게다가 부정 및 긍정적 피드백 메커니즘, 자극 임계치, 보조인자(cofactor) 관계, 동적 상호작용 등 다양한 관계들로 인해, 입력을 신중하게 조절(titration)했음에도 **예상치 못한 결과(non-linear behaviour)**가 나타난다.⁵⁻⁹

이러한 복잡계의 특성은 시스템의 한 부분에서 일어난 아주 미세한 교란이, 시스템의 전혀 다른 먼 부분에 극적인 결과를 초래하는 **‘나비효과(butterfly effect)’**의 존재를 설명해준다.¹⁰ 또한, 이는 초고속 슈퍼컴퓨터조차 주식 시장이나 날씨의 움직임을 정확히 예측하기 어려운 이유를 설명해준다.¹¹ 복잡한 문제 해결은 지식만으로는 충분하지 않다. 이에는 인지적, 정서적, 사회적 자원이 필요하다.

예를 들면:

• 인지적 유연성(cognitive flexibility)
• 반복적 사고 처리(iterative processing)
• 동기(motivation)
• 자기 신뢰(self-confidence)
• 인내(perseverance) 등이 요구된다.¹²⁻¹³

이러한 기술과 태도는 문제 해결자가 변화에 적응하고, 새로운 지식을 생성하며, 성과를 지속적으로 향상시킬 수 있도록 해준다.

이러한 특성들은 모여서 **적응적 행동(adaptive behaviour)**의 핵심 요소를 구성한다.
→ 적응적 행동은

“새롭거나 변화하는 환경 또는 상황적 요구에 대응하여 나타나는 인지적, 정서적, 동기적, 행동적 조정”
으로 정의된다.¹⁴

복잡한 문제 해결 능력은 학습될 수 있다. 경험을 모의(simulate)하거나, 학생들을 실제의 복잡한 문제 해결 상황에 직접 노출시키는 방식이 가장 효과적이다.¹⁵⁻¹⁸ 한편, 별도로 진행된 연구들도 **적응 기술(adaptive skills)**이 학습 가능하며, 경직된 사고방식을 가진 사람들보다 학업적·비학업적 성과가 더 높다는 증거를 보여준다. 이러한 적응력 향상은 정서적 웰빙(emotional well-being), 자기 효능감(self-efficacy), **회복탄력성(resilience)**의 향상과도 관련이 있다.¹⁹⁻²¹

의사들은 복잡한 시스템 속에서 실천하며, 복잡한 문제를 다룬다

의사들은 다양한 복잡한 시스템(complex systems) 안에서 진료 활동을 수행한다. 정보 플랫폼, 질병 유행(epidemics), 보건의료 체계 자체와 같은 **생물학적 및 조직적 시스템(biologic and organisational systems)**은 무수히 많은 상호연결된(interconnected)·역동적인(dynamic) 요소들로 구성되어 있으며, 이들은 **집합적으로 복잡계의 행동(complex system behaviours)**을 만들어낸다.²²⁻²⁷

개별 환자 진료(patient care) 또한 본질적으로 **복잡성(complexity)**을 지닌다. 환자들은 **생물학적·심리사회적 시스템(biologic and psychosocial systems)**에 내재된 다양한 문제를 호소하며 병원을 찾는다. 이 시스템들 역시 *역동적이며 불투명(intransparent)*하다.²⁸ 게다가, 환자 및 그 가족들과 함께 진료 목표(goal)를 설정해야 하는 책임까지 더해지면, 복잡성은 더욱 심화된다.

의학교육은 여전히 문제 해결에 있어 주로 환원주의적 접근을 장려한다

20세기 초, **환원주의적 실증과학(reductionist empirical science)**은 현대 의학의 과학, 교육, 실천의 근간이 되었다. Flexner 보고서(Flexner Report)의 지원 아래, **미국의학협회(American Medical Association)**와 **의학교육위원회(Council on Medical Education)**는 **미국 의과대학에 대한 엄격한 기준(strict expectations)**을 도입하였다. 당시 이들의 명시적 목표는, _“질병의 과학적 기초에만 집중하는 ‘이상적인’ 커리큘럼”_을 구현하는 것이었다.²⁹ 이후, 보험 수가 체계(reimbursement practices), 병원 간 경쟁, **국립보건원(National Institutes of Health)**의 우선순위에 의해 **환원주의적 과학은 의학의 본질에 깊이 스며들게 되었다.**³⁰⁻³³ 그 결과, 좁은 전문성(narrow expertise), 임상적 세분화(clinical specialisation), 목표 지향적 약물 개발(targeted drug development), 기술 의존적 진료가 오늘날 **학문적 의료기관(academic medical centres)**을 지배하게 되었다.³⁴

오늘날의 의과대학생들은 기초과학 전문가들에 의해 구성된 엄격한 기초과학 교육 커리큘럼을 통해 의학을 처음 접하게 된다.
기초 교육과 임상 교육 모두에서, 학생들은 **“건강의 상위 개념도 결국 더 기본적인 구성 요소로 환원할 수 있으며, 생물학적 시스템은 가장 기초적인 수준에서 연구해야 가장 잘 이해할 수 있다”**는 관점을 학습하게 된다. 이러한 관점은 학생들이 배우는 근거의 생성(generation of evidence), 실천에의 적용(application to practice), 병상에서의 실무(bedside work) 전반을 조직하는 **기본 원리(organising principles)**로 작동한다.³⁵⁻³⁶ 이처럼 **기계론적 문제와 해법(mechanistic problems and solutions)**에 집중하는 교육은 너무나 철저하게 이루어졌기 때문에, 일부 학자들은 의학교육을 본질적으로 환원주의적 노력이라 묘사하기도 한다.³⁷

실천의 간극: 순수한 환원주의적 접근은 과제 해결에 불충분하다

환원주의 과학에 대한 전문성과 복잡한 문제를 성공적으로 해결할 수 있는 역량 사이에는 *커다란 간극(practice gap)*이 존재한다.³⁸ 비록 생의학 과학(biomedical sciences)에 대한 우리의 이해가 눈에 띄게 진보했음에도 불구하고, 인간 질병의 방대한 영역을 뒷받침하는 메커니즘에 대해서는 여전히 무지한 상태이다. 게다가 우리가 알고 있는 기존 지식조차도 **불확실성(uncertainty)**을 내포하고 있으며, 이는 복잡하고 역동적인 시스템의 행동을 설명하기에는 단편적이고 정적인(piecemeal and static) 모형일 뿐이다.³⁹⁻⁴⁰

이러한 **‘복잡성의 간극(complexity gap)’**은 보건의료 시스템의 모든 수준에서 그 영향을 드러낸다. 예를 들어:

• 의사, 병원, 보건의료 시스템은 시간, 자원, 규정 준수 압력에 의해 움직이며, 이로 인해 복잡한 진료 차원을 고려하지 않고 단순히 *근거(evidence)*를 적용하는 경우가 많다.⁴¹⁻⁴²
• 예컨대, 복합적인 질환을 가진 환자에게 의사는 **단일 질환 중심의 진료지침(disease-specific guidelines)**을 적용할 수 있는데, 이는 대개 지침을 뒷받침한 연구에서 제외된 환자군이다.⁴³⁻⁴⁴
• 병원 차원에서 보면, **울혈성 심부전(congestive heart failure)**은 Medicare 환자 입원 사유 중 가장 흔한 원인 중 하나임에도, 재입원을 줄이기 위한 외래 치료 프로토콜은 자주 무시된다.⁴⁵⁻⁴⁶
• **보건의료 정책 전반(system wide)**에서는, 정책 입안자들이 환자의 경험, 인구 집단의 건강, 진료 비용을 동시에 개선하려 애쓰지만, 이 세 목표는 상호 독립적이지 않고 때로는 상충하기까지 하기에 어려움을 겪는다.⁴⁷

전체적으로 볼 때, 현재의 고도로 전문화(specialised)되고 분절화(compartmentalised)된 보건의료 시스템은 **서비스의 질, 비용, 이용 측면에 부정적인 영향을 미치는 단절된 진료(fragmented care)**에 시달리고 있다는 강력한 증거가 있다.⁶,⁴⁸⁻⁵⁰

환원주의적 의학교육 커리큘럼은 예상치 못한 방식으로 임상 실무에 부정적 영향을 미친다

복잡한 문제 해결에 필요한 많은 자질들은 대학 시절에 잘 발달되지만, 기초의학 교육과정 동안에는 그 발달이 정체되거나 퇴보하는 경향을 보인다. 의과대학생들은 다음과 같은 영역에서 발달이 정지되거나 지체된다:

• 도덕적 추론 능력(moral reasoning)
• 지식에 대한 신념(epistemologic development)
• **모호성과 불확실성에 대한 수용력(tolerance of ambiguity and uncertainty)**⁵¹⁻⁵⁵

이러한 현상은 매우 중요한 의미를 가진다. 이 영역들에서의 **발달 지체(disturbed development)**는 다음과 같은 결과를 초래하는 것으로 나타났다:

• 임상 성과 저하
• 보건의료 비용 증가
• 의료 과오(medical error)에 대한 수용의 장벽 형성⁵³,⁵⁵⁻⁶³

또한 일부 연구는 **적응적 특성(adaptive traits)**의 발달 저하와 **우울 및 불안(depression and anxiety)**의 발병 사이에 *허용적 관계(permissive relationship)*가 있을 수 있음을 시사한다.⁶⁴⁻⁶⁶

간극을 메우기 (Bridging the gap)

**시스템 사고(Systems thinking)**는 생의학 시스템에 대한 환원주의적 지식과 환자 진료의 복잡한 현실 사이의 간극을 메우는 것을 목표로 한다. 이 개념은 70여 년 전, 생물 전체의 생물학을 환원주의 과학만으로는 설명할 수 없다고 회의했던 생물학자들에 의해 처음 개발되었다. 이후 약 50년 전, 이 개념은 생태학(ecology), 공학(engineering), 경제학(economics), 사회학(sociology) 등의 다양한 학문 분야로 확산되었다.

초기의 시스템 사고는 **‘적응하는 전체(adaptive whole)’**라는 개념에 초점을 맞추었다. 이 개념은 어떤 존재(생물학적이든 아니든)의 행동을 그 **구성 과정들이 상호작용하면서 나타나는 *창발적 속성(emergent property)***으로 간주하였다.
이러한 존재들은 변화하는 환경과 상호작용하는 가운데, **회복탄력성(resilience)**을 보여주며, 적응하고 생존할 수 있는 능력을 지닌다.⁶⁷ 

시스템 과학은 이러한 시스템의 행동을 지배하는 근본 원리를 밝혀내려는 시도라고 할 수 있다. 중요하게도, 시스템 사고는 환원주의적 과학에 기반한 합리적 사전 계획(rational pre-planning)이나 조직적 사고(systematic ideas)—즉, _엄격한 역할, 규칙, 책임_에 의존하는 접근—의 연장선이 아니다. 이러한 접근은 다음과 같은 복잡한 문제의 고전적 특성들을 설명하는 데 실패한다:

• 모호한 목표(ambiguous goals)
• 상호 연결성(interconnectedness)
• 불투명성(lack of transparency)
• 역동적 행동(dynamic behaviour)

이에 반해, 시스템 사고는 팀워크(teamwork), 지속적 질 향상(continuous quality improvement), **시스템 기반 실무(system-based practice)**와 같은 개념들의 **근거(rationale)**를 제시하는데, 이는 복잡성의 간극(complexity gap)을 넘는 적응적 다리(adaptive bridges)—즉, 반응성과 역동성을 갖춘 ‘학습(learning)’의 과정—로 작용한다.⁶⁸

여기서 ‘체계적(systematic)’ 개념과 ‘적응적(adaptive)’ 개념 사이의 구분은 매우 중요하며, 이것이 바로 현대 의학교육 및 실무에서 시스템 개념이 오용(misapplication)되는 이유를 설명해준다. 예를 들어, **팀워크에 ‘엄격한 역할과 책임’(systematic approach)**만을 적용할 경우, **복잡한 문제 해결에 필수적인 다양한 관점의 유연성과 조율력(flexibility and leverage of diverse perspectives)을 제공하지 못한다. 이는 **적응적 접근(adaptive approach)**의 핵심적 특징이다.

이 논문의 다음 부분에서는,

• **적응적 행동(adaptive behaviour)**을 통합한 **전문직 실무 모델(model of professional practice)**을 설명하고,
• 이러한 개념적 구분을 명확히 하며,
• 널리 사용되는 시스템 개념들의 근거를 구체적으로 밝힐 것이다.

PART II: 복잡 적응 시스템(Complex Adaptive Systems, CAS)과 의료 실무

복잡 적응 시스템: 구성 요소 (Complex adaptive systems: components)

많은 **복잡한 시스템(complex systems)**은 **자발적으로 조직화된 행동(spontaneous organised behaviour)**을 나타낸다. 이러한 시스템의 예로는 자기조직화 분자(self-organising molecules), 신체의 면역계(immune system), 주식 시장(stock market), 인간 조직(human organisations) 등이 있다.

이들은 수많은 요소들, 역동적 상호작용, **불투명성(lack of transparency)**에도 불구하고, **질서(order)**를 만들어낸다.
더 나아가, 이 시스템들은 **회복탄력성(resilience)**을 지니며, 교란(perturbation) 이후 **재조직(reorganise)**된다.²¹⁻²³,⁶⁹

이러한 행동 양상 덕분에, **복잡 적응 시스템(complex adaptive systems, CASs)**은 미국 의료 시스템(American health care system), 학술 의학 센터(academic medical centre), 또는 만성 질환 환자의 치료와 같은 복잡한 시스템을 최적화하는 데 유용한 개념들을 보여준다.

중요하게도, CAS는 **복잡한 문제 해결(complex problem solving)**과 **적응적 행동(adaptive behaviour)**의 핵심 구성 요소와 역동성도 함께 보여준다.

CAS는 복잡성의 간극을 분산 통제를 통해 극복한다

복잡 적응 시스템은 **사전에 계획된 합리적 전략(rational advance planning)**이나 **전지적 중앙 조작자(omnipotent central operator)**의 통제에 의해 ‘성공’하는 것이 아니라, **각 구성 요소가 주변 시스템과의 지역적 상호작용(local system interactions)**에 민감하게 반응하는 능력을 통해 시스템 전반의 *질서 있고 회복력 있는 행동(emergent system behaviour)*을 만들어낸다.

이러한 **자기 조직화(self-organisation)**를 가능하게 하는 몇 가지 핵심 요소들이 있다(<Figure 1>, panel a):

1. **각 요소는 고유한 특성(characteristics)**을 지니며, 전체 시스템 조직에 의미 있는 기여를 한다.
2. 이 요소들은 특정한 ‘매력적 힘(attractor)’—즉 그들을 조직화로 유도하는 중심 가치나 목표—에 의해 자극받는다.
3. 각 요소는 **적응 능력(adaptive capacity)**을 가지고 있어, 주변 요소들과 건설적인 상호작용을 통해 ‘전체(whole)’로 조직화될 수 있다.
4. 이 전체 시스템의 **회복탄력성 있는 행동(resilient behaviour)**은 **과도한 외부 혹은 중앙 통제의 부재(absence of excessive external or centralised control)**에 의존한다.
   → 즉, 복잡 적응 시스템에 대한 과도한 통제는 시스템이 지역적 교란에 대해 시의적절하고 건설적으로 대응할 수 있는 능력을 약화시킨다.

이 네 가지 CAS 구성 요소는 엄격하고 외부에서 적용된 규칙들이 다루지 못하는 복잡한 시스템의 고유한 도전 과제들을 극복할 수 있도록 한다.

CAS 구성 요소는 의료 실무의 복잡한 문제 해결에도 유사하게 적용된다

• **의학 지식과 기술적 전문성(medical knowledge and technical expertise)**은 *의사가 의료 시스템(전문직, 병원, 외래 진료 등)*에 기여할 수 있도록 해주는 **핵심 특성(characteristics)**이다.
• 복잡한 문제 해결 상황에서, 의사는 병상에서 **적응적 행동(adaptive behaviour)**을 발휘할 수 있도록 자율성(autonomy)—즉 과도한 외부나 중앙 통제의 부재—을 부여받는다.
• 이러한 행동은 **의료 전문성의 핵심 가치를 형성하는 신념들(values)**에 의해 **유도(attracted)**된다.

만약 이 네 가지 CAS 구성 요소 중 어느 하나라도 부재하게 되면, 의사의 복잡한 문제 해결 능력은 저해된다.

복잡 적응 시스템: 역동성 (Complex adaptive systems: dynamics)

**복잡 적응 시스템(CASs)의 적응적 행동(adaptive behaviour)**은 **매우 특징적인 역동성(characteristic dynamics)**으로 나타난다. 이 세 가지 역동성은 단지 ‘편리하거나 바람직한 행동’이 아니다. 이들은 자기 조직화 시스템(self-organising systems)의 내재적이고 불가피한(inherent and unavoidable) 속성들이다.

인접한 요소들의 변화하고 예측 불가능한 행동에 지속적으로 노출되는 CAS의 각 요소는, 전체 시스템에 대해 반복적(iterative) 또는 지속적인(continuous) 방식으로 민감하게 반응해야 한다.

예를 들어,

• **개별 물고기(fish)**는 **주변 물고기들과 지속적으로 상호작용하지 않으면 무리(school)**에 융합될 수 없다.
• 이러한 인접 요소들의 행동에 적응하는 과정에서, 물고기들은 **공진화 행동(co-evolutionary behaviour)**을 나타낸다.
• 이들은 ‘어트랙터(attractor)’—즉 생존과 같은 중심 목표—에 의해 움직이며, 서로 상호작용하면서 **조직 최적화(optimise organisation)**를 이루어낸다.
• 물고기의 경우, **유전자 풀의 생존(survival of the gene pool)**은 **본능적인 무리 행동(schooling behaviour)**에 의해 향상된다.

이러한 개념들은 **최적의 의료 서비스(optimal medical care)**에서도 반드시 작동하고 있다.

• 환자는 **다학제 팀(multidisciplinary team)**의 구성원들과 본인 간의 **조정된 상호작용(coordinated interactions)**에 의존한다.
• 이처럼 함께 적응해가는 과정은 곧 **팀워크(teamwork)**의 본질이다.
• 예측할 수 없는 생리적 반응(unpredictable physiology)에 적절히 대응하기 위해, 각 팀원은 환자의 **생체징후(vital signs)**와 다른 팀원들의 행동을 지속적으로 모니터링해야 한다.
• **전문직업성(professionalism)**이라는 **어트랙터(attractor)**에 의해 각 팀원은 *환자의 상태를 개선하기 위한 공동의 목표(goal)*에 맞춰 자신의 행동을 조직화한다.

이 두 사례(물고기의 무리 행동과 다학제 팀의 임상 실천)에 나타난 **CAS의 역동성(dynamics)**은, 핵심 시스템 개념들(core systems concepts)— 즉,

• 팀워크(teamwork)
• 지속적 질 향상(continuous quality improvement)—
  의 **이론적 근거(rationale)**를 잘 보여준다.
  ( 참고)

복잡 적응 시스템: 실천에 대한 시사점
(Complex adaptive systems: implications for practice)

복잡 적응 시스템(CAS) 모델은 실천에 있어 여러 측면에서 강력한 영향력을 지닌다. 전체적으로 볼 때, **CAS에서 얻는 통찰(insights)**은 다음과 같은 중요한 사실을 강하게 시사한다: → **시스템 사고(systems thinking)**란 본질적으로 ‘체계적 조직(systematic organisation)’이 아니라 ‘적응(adaptation)’에 관한 것이다. 

즉, **체계화를 독립적 개입(systematisation as a stand-alone intervention)**으로 도입할 경우,
그 **경직되고 사전 결정된 사고방식(rigid, predetermined thinking)**은

• **복잡한 문제 해결(complex problem solving)**을 방해하고,
• **회복탄력성(resilience)**을 약화시킨다.

이러한 CAS 관점은 환자 진료의 최전선에서 수집된 경험적 근거에 의해 뒷받침되며,⁷⁰⁻⁷²
이미 여러 보건의료 기관들이 이 개념을 채택하여 진료의 질을 향상시키는 데 활용하고 있다.⁷³⁻⁷⁶

CAS 프레임워크는 또한 전문직 실천의 두 가지 핵심 요소에 대한 이해를 확장시킨다:

1. 의료 전문직업성(medical professionalism)
2. 의사의 자율성(physician autonomy)

① 전문직업성 (Professionalism)

• 여기서 전문직업성은 단순히 **사회와의 계약적 의무를 충족시키는 일련의 명확한 행동들(well-circumscribed behaviours)**이 아니다.⁷⁷⁻⁷⁸
• 그것은 복잡한 문제의 모호성(ambiguity) 속에서 방향을 잃지 않도록 도와주는 **‘나침반(compass)’**과 같다. 
  → 반면, **알고리즘(algorithms)**이나 규칙(rules) 같은 ‘지도(roadmaps)’는 너무 경직되어 복잡한 문제에 효과적으로 대응하지 못한다.
  (<Figure 2>, panel b 참고)

② 자율성 (Autonomy)

• 자율성은 단지 **전문직의 이타적 서비스에 대한 사회의 보상(quid pro quo)**이나, 전문성에 대한 존중의 표현을 의미하는 것이 아니다.
• 자율성은 전문가가 적응적 행동(adaptive behaviour)—즉 복잡한 문제 해결 및 혁신(innovation)—을 발휘할 수 있도록 해주는 **본질적 실천 조건(essential practice condition)**이다.

마지막으로, CAS 프레임워크는 실천에서 지식과 기술(knowledge and technology)의 역할 자체를 재정의한다.

• **환원주의적 지식(reductionist knowledge)**과 **전문성(expertise)**은 전문가를 정의하지 않는다.
• 이러한 특성들만으로는 **전문가(professional)**와 **기술자(technician)**를 구분할 수 없다.

전문가를 기술자와 구분 짓는 핵심은 다음 두 가지이다:

1. 적응 능력(adaptive capacity)
2. 공유된 가치 체계(shared value system)

→ 이것이 바로 **‘시스템 행동(systems behaviour)’**이며, (<Figure 2>, panel a 참고)

이러한 행동 특성이 전문가를 진정한 전문가로 만들어주는 요소이다.

PART III: 의학교육에서 복잡성을 고려하기
(Accounting for Complexity in Medical Education)

**의료 전문가를 적응적 존재(adaptive professional)**로 바라보는 관점은 의학교육과 실천 모두에 중대한 시사점을 가진다.
만약 *지식이 도구적(instrumental)*이며, 적응적 전문가가 복잡한 문제를 해결하기 위해 실용적으로(pragmatically) 활용하는 수단이라면, 순수한 환원주의적 교육과 실천의 한계는 자명해진다. → 이러한 접근은 ‘전략(strategy)’과 ‘도구(tool)’를 혼동하는 셈이다.

논문의 마지막 섹션에서는 이러한 발달을 **지원(support)**하기 위한 일반적인 접근 방식(general approaches) 몇 가지를 살펴본다. 각 접근법은 구체적인 개입(intervention) 사례로 설명되며, 추가적인 개입 예시는 에 정리되어 있다.²,⁷⁹⁻⁸⁷

접근법 1: 적응적 수련의와 의사 선발하기
(Approach 1: Recruit adaptive trainees and physicians)

지난 수십 년간, 심리학자들은 ‘현실 세계(real-world)’ 지능에 대한 정의를 회복하려는 관심을 지속적으로 보여왔다. 이러한 연구들을 하나의 흐름으로 본다면, 이는 **피아제(Piaget)**의 인지 발달 이론을 더 넓고 깊게 확장한 것이라 볼 수 있다.

단순한 인지 기능을 넘어,

• 인식론적 겸손(epistemic humility),
• 모호성 수용(tolerance of ambiguity),
• **도덕적 추론(moral reasoning)**과 같은 영역까지 포괄하고,
• 고도로 기능하는 성인의 특징으로서 통합된 ‘탈형식(post-formal)’ 단계를 추가하는 방식이다.⁸⁸

이러한 개인은 다음과 같은 특성을 보인다:

• 지식은 상대적이며 절대적이지 않다는 점을 이해하고,
• 모순을 수용하며,
• 모순을 더 큰 통합 구조 속에 포함시킬 수 있다.

결과적으로, 이들은 좋은 판단력(good judgement), 실용적 의사결정(practical decision making),
그리고 현실 세계의 복잡성 속에서 적응할 수 있는 능력을 발휘한다.⁸⁹⁻⁹⁰

의료 실천의 본질적 복잡성은 다음을 시사한다: **적응성(adaptability)**은 선발(admissions) 및 채용(recruitment) 전반에서 특별히 주목해야 할 속성이라는 것. 현대 직장에서의 성공에 있어 적응 능력은 핵심 요소이며,⁹¹ 이는 학업 및 비학업 성과 모두에 긍정적인 영향을 미치는 것으로 나타났다.⁹² 지난 20년간 **로버트 스턴버그(Robert Sternberg)**는 이러한 통합적 지능(intelligence) 개념이 **학생 선발(student admissions)**에 실제 적용 가능함을 입증해 왔다. 그는 **‘성공 지능(successful intelligence)’**을 확장한 WICS 모델— 즉,

• 지혜(wisdom),
• 지능(intelligence),
• 창의성(creativity)
  —을 바탕으로,
  **SAT와 ACT 같은 기존 학업능력 시험을 보완할 수 있는 평가 도구(assessment tools)**를 개발하였다.⁹³

하나의 다기관 연구에서는, 1,000명이 넘는 학생들을 대상으로 WICS 기반 평가가 SAT 단독 사용 대비, 대학 GPA 예측력을 두 배 향상시키는 것으로 나타났다. 또한, 이 평가 모델은 기존 대학 입시 평가에서 흔히 나타나는 인종 및 민족 간 격차를 완화시키는 효과도 있었다.⁹⁴ 

이러한 노력들은 다음을 강조한다. → **의학교육 및 실천의 전 교육 과정(training and practice continuum)**에 걸쳐, ‘적응 행동(adaptive behaviour)’을 선발 기준(selection criteria)에 통합하는 것이 잠재적 이점과 실효성을 갖고 있음을 보여준다.

접근법 2: *인식론적 겸손(epistemic humility)*을 가르치고 실천으로 보여주기

수천 년 전부터, ‘지혜로운 사람(wise man)’이란 자신이 모르는 것을 자각하는 사람이라고 여겨져 왔다.⁹⁵ 현대에 와서는 이러한 **지적 통찰력(intellectual lucidity)**을 **인식론적 겸손(epistemic humility)**이라는 용어로 설명한다. 여기서 epistemic은 **지식의 본질(nature of knowledge)**을, humility는 불확실성(uncertainty)에 대한 인정을 의미한다. 최근 수십 년 동안, 이 개념은 임상적 의사결정(clinical decision making)에서 과학을 활용하는 방식과 관련하여 점차 적용되어 왔다.⁹⁶⁻⁹⁷

이 분야의 주요 논의는 다음과 같은 점에 주목한다:
→ 복잡한 환자 진료(complex patient care)에 과학 지식을 적용하는 데는 본질적인 불확실성이 존재하며,
→ 윤리적이고 지적으로 엄격한 진료를 위해 의사는 이 불확실성을 인정해야 할 의무가 있다는 것이다.⁹⁸

이러한 시각은 다음과 같은 인식에 기반하고 있다:

• **확률 기반 과학(probabilistic science)**은 본질적으로 불확실한 도구이며,
• **통계적 평균(statistical averages)**은 결코 개별 환자의 진료를 완전히 설명할 수 없다.⁴²,⁹⁹

하지만 전통적인 의학교육은 이러한 불확실성을 충분히 고려하지 못하는 경우가 많다. 학생과 의사들은 실무에서 **근거(evidence)**와 **진료지침(guidelines)**을 활용하도록 교육받지만, 심지어 최고 수준의 근거조차 그 한계에 대해서는 충분히 조명되지 않는다.¹⁰⁰⁻¹⁰¹ 이러한 간과는 다음과 같은 방식으로 수련의의 과학 지식에 대한 이해와 활용 방식에 중대한 영향을 미친다:

• **p-value를 오해(misinterpretation)**하거나,
• **통계 기법의 정밀성(precision)**을 **결정의 확실성(certainty)**과 혼동하고,
• 각 사례의 고유한 맥락을 고려하지 않은 채 근거를 기계적으로 적용하는 일이 발생한다.¹⁰²⁻¹⁰³

그 결과, **과학의 무비판적 적용(undiscerning application)**은 **적응적 행동(adaptive behaviour)**을 **억제(stifle)**한다. **인식론적 겸손(epistemic humility)**은 지식의 가치를 존중하되, 그 적용에 있어 비판적 자세를 잃지 않는다. 이 점에서 그것은 제약적이면서도 해방적인(limiting and liberating) 태도이다. *불완전한 과학(imperfect science)*의 한계를 인정함으로써,

• → 의사와 과학자는 지식에 대한 무비판적 종속에서 벗어나,
  → 환자와 사회의 요구에 유연하게 대응하고, 탐색하며, 혁신할 수 있는 자유를 갖게 된다.

이를 위해서는,

• 통계학의 교과서적 전달을 넘어서,
• 과학적 추론에 깔린 환원주의적 전제를 비판적으로 분석할 수 있는 **교육과정(curriculum)**이 필요하다.¹⁰²,¹⁰⁴⁻¹⁰⁵

이러한 분석은 현대 의학 문헌(contemporary medical literature) 속 사례들을 활용하여 이루어지는 것이 이상적이다.¹⁰⁶
이러한 균형 잡힌 교육적 접근은 오늘날 많은 수련의와 실무자들이 보이는 **경직된 과학주의(scientism)**를 완화시킬 수 있을 것이다.

접근법 3: *과도한 체계화(excessive systematisation)*를 피하기

**체계화(systematisation)**는 흔히 **완고하고 해결하기 어려운 문제(stubborn problems)**에 대응하기 위해 택해지는 일반적인 반응이다. 사실상 문제의 난이도와 복잡성이 클수록, 우리는 더 **체계적(systematic)**이고 **환원주의적(reductionist)**인 접근에 끌리는 경향이 있다.² 의학교육자에게 이러한 성향은, **측정과 관찰의 엄격함을 중시하는 과학적 문화(culture of science)**에서 비롯된다.¹⁰⁷ 여기에 더해, **신뢰성과 공정성(trust and fairness)**이 높아질 것이라는 기대가 체계화의 가치를 더욱 강화시킨다.¹⁰⁸⁻¹⁰⁹

하지만 이러한 **복잡한 문제에 대한 경직된 반응(rigid responses)**은 **반드시 건설적인 것은 아니다.**²²,¹¹⁰⁻¹¹¹

의학교육에서 과도한 체계화의 대표적 사례는
→ **수련의 평가(evaluating trainees)**에 표준화된 방법들을 사용하는 것이다.

**전통적 역량 기반 의학교육(competency-based medical education, CBME)**에서 사용되는 평가 도구들은,

• **객관적이고 관찰 가능한 행동 기준(objective and observable behavioural standards)**에 근거하고 있으며,
• 이러한 행동들은 **안정된 방식으로 바람직한 결과(desired outcomes)**에 인과적으로 연결된 것으로 간주된다.

물론 CBME는 여러 영역에서 효과적이라는 점이 입증되었지만,¹¹²⁻¹¹⁴ 동시에 **보다 복잡한 역량(complex competencies)**을 제대로 평가할 수 있는지에 대한 우려도 제기되어 왔다.¹¹⁵⁻¹¹⁷ 이러한 **불일치(discrepancy)**는 자연스러운 것이다. 왜냐하면, 지속적으로 변화하고, 불투명하며, 상호 연결된 시스템에서의 문제에는 **‘정답’(one right answer)**이란 것이 존재하지 않기 때문이다. 특히 그 목표조차 명확하지 않을 때는 더욱 그렇다.⁸¹,¹¹⁸⁻¹¹⁹

궁극적으로 진정으로 유효(valid)한 성공 측정은, 각 사례마다 *합의된 목표에 부합하는 유리한 임상적 결과(clinical outcome)*를 도출했는가에 있다.¹²⁰⁻¹²² 이러한 맥락에서, **실시간(real-time)**이면서 미세한 수준(granular)의 임상 결과 데이터는 **의사 훈련에서 핵심적인 역할(pivotal role)**을 수행하게 된다.¹²³,¹²⁴

만약 우리가

• 행동 기준의 표준화,
• 대리 결과(surrogate outcomes) 사용(즉, 실제 임상 결과 대신 간접 지표 활용)
  이 복잡한 문제 해결 능력 평가의 타당성을 저해한다고 판단한다면,
  → **기존 역량(competencies)에 대한 재구성(reframing)**이 도움이 될 수 있다.

즉,

• **기술적 역량(technical competencies)**과 **적응적 역량(adaptive competence)**을 별도로 평가함으로써,
• 각각의 행동 군집에 대해 더 유효한(valid) 평가를 수행할 수 있게 된다.

이러한 접근은 다음과 같은 유익을 제공한다:

• **의료 실천의 전략(strategy)**과 **도구(tool)**를 혼동하지 않게 해준다.
• 유연하고 반응적인 대응이 필요한 상황에서도, **경직되고 부적응적인 행동(rigid maladaptive behaviours)**에 보상을 제공하는 오류를 피할 수 있다.
• 또한,
  → **개별 역량(individual competencies)**에 대한 독립적 평가가 지닌 기술적 과제들을 다루며,¹²⁵
  → **개입(remediation)**의 목표와 방법에 대해 더 의미 있는 방향 제시를 제공할 수 있다.¹²⁶,¹²⁷

접근법 4: *적응적 행동(adaptive behaviour)*을 장려하기

전문직은 어떤 행동을 지향해야 하는가? 완벽하고 표준화된(perfect, standardised) 행동이라는 개념은 복잡한 시스템에서는 아무런 의미가 없다. 목표가 상충하기도 하고, 끊임없이 변화하며, 불투명하고 예측 불가능한 시스템 속에서는 **완벽성(perfection)**이 존재할 여지가 없다. 이러한 기준 대신, **탁월함(excellence)**은
→ **핵심 가치(core values)**에 의해 추진되고,
→ **현실 세계와의 상호작용(real-world interactions)**에 의해 안내되며,
→ **반응하고 개선하려는 지속적인 노력(continuous effort to respond and improve)**으로 정의된다.¹¹¹,¹²⁸

‘학습(learning)’이라는 개념은 시스템 사고의 핵심 개념들—

• 시스템 기반 실무(systems-based practice),
• 현장 기반 학습(practice-based learning),
• 학습 조직(learning institutions)—에서
  정적이고 투명한 시스템을 전제로 하는 전통적 교수법과는 근본적으로 다르다.

→ **체계적 학습(systematic learning)**은 다음과 같은 방식으로 이뤄진다:

• 강의실 교육(classroom learning)
• 지침 기반 모듈(training modules)
• 연례 질 향상 프로젝트(annual quality improvement projects)
• 표준화 시뮬레이션(standardised simulation)

반면, **시스템 사고에 기반한 학습(systems-thinking learning)**은 → **지속적인 경험 기반 학습(continuous experiential learning)**을 통해 이루어진다. ( 참고)¹²⁹,¹³⁰

이러한 관점은 전통적인 의과 교육과정(medical curriculum)의 구조에 대해 중대한 질문을 던진다.

• Part 1에서 살펴보았듯이, 만약 환원주의적 의학교육이
  → 적응적 행동을 억제하고,
  → 그로 인해 환자 결과가 악화되고 의료비용이 증가한다면,¹³¹
• 그리고 만약 **임상 경험(clinical experience)**이
  → 회복력 있고, 자원이 풍부하며, 효과적인 전문가를 훈련하는 데 핵심 요소라면,
  → Flexner 모델은 최적의 방식이 아닐 수 있다.

기초과학 중심 교육 → 임상 중심 경험이라는 이원적(two-part) 교육구조 대신, 기초과학과 임상 실습을 의대 입학 초반부터 동시에 수행하는 방식이 타당하지 않겠는가? 이러한 병렬적 교육은 다음과 같은 이점을 가진다:

• 훈련 전이(training transfer) 강화
• 핵심 전문직 가치(core professional values) 발달 기회 증진
• 근거(evidence)에 대한 더 실용적 이해
• 복잡한 문제 해결 및 평생학습에 필요한 습관(habits) 형성¹³²⁻¹³⁶

무엇보다 중요한 점은, → 이러한 교육 접근은 **고품질 임상 실무에서 적응적 행동의 우선성(primacy of adaptive behaviour)**을 가르치고 강화하는 데 기여한다.

결론: 적응적 리더십(Adaptive Leadership)

우리는 지금, 의료 실천(medical practice)의 새로운 시대의 문턱에 서 있다. **Flexner 세기(Flexner century)**는 환원주의적 생의학(reductionist biomedicine)에 대한 **중대한 헌신(important commitment)**을 의료 실천의 핵심 원리로 제시하였다. 이러한 헌신은 의료 전문직의 도약을 이끈 본질적인 전진이었지만,  **오늘날 의사들이 직면한 현실 세계의 문제들(real-world problems)**을 해결하기에는 불충분하다.

다가오는 세기에는, 우리는 **의료의 복잡성(complexity)을 고려(accounting for complexity)**함으로써 이 중요한 도구(tool)의 영향력을 더욱 확장해야 한다. 이러한 노력은 이미 시작되었다:

• **시스템 접근법(system approaches)**을 활용한 의학 연구
• 정보 기술의 진보(new information technologies)
• 실무에 시스템 개념을 도입하는 시도들

그러나 궁극적으로, **의학교육의 리더들(leaders in medical education)**이 이 개념들을 깊이 이해하고, 교육 실천에 통합하려는 노력을 기울여야 한다. **지금이 바로, 의학교육에서 *적응적 리더십(adaptive leadership)*이 요구되는 시점이다.**²,⁸⁶

Advancing complexity science in healthcare research: the logic of logic models

📌 복잡한 중재를 위한 새로운 로직 모델: Type 4 Logic Model 이야기

“로직 모델이 복잡성을 담을 수 있을까?”

안녕하세요! 오늘은 의료현장이나 보건의료교육 등에서 자주 활용되는 **로직 모델(Logic Model)**에 대한 아주 흥미로운 논문을 소개해보려고 해요. 바로 복잡하고 변화무쌍한 환경에서 중재(intervention)를 설계하고 평가할 때, 우리가 어떤 로직 모델을 선택하고 어떻게 활용할 수 있을지를 다룬 논문이에요.

🧭 기존 로직 모델의 한계

우리가 익숙하게 써온 로직 모델들은 대체로 **선형적(linear)**이에요. 예를 들면 이런 흐름이죠:

투입(Input) → 활동(Activity) → 산출(Output) → 결과(Outcome)

이 방식은 단순하거나 복잡하긴 해도 예측 가능한(complicated) 중재에는 잘 맞아요.
하지만 요즘 우리가 다루는 중재는 어떤가요?
👉 사람, 조직, 맥락에 따라 매번 다른 형태를 취하는, 아주 복잡하고 적응적인(complex and adaptive) 형태가 많죠.

그런 중재를 기존 모델로 설명하려고 하다 보면 이런 문제가 생겨요:

• 팀원이나 촉진자의 역할이 환경마다 달라지고
• 실행 과정에서 나타나는 결과가 불규칙하게 분포하고
• 초반의 작은 변화가 후속 성과에 큰 영향을 미치기도 해요.

이런 변화무쌍한 중재를 기존 로직 모델로는 제대로 표현하기 어렵다는 게 연구진의 문제의식이었어요.

💡 그래서 나온 게 Type 4 로직 모델!

이 논문의 가장 중요한 기여는 바로 **“Type 4 Logic Model”**이라는 새로운 유형의 모델을 제안했다는 거예요.

이 모델은 기존의 Type 1~3 모델과 다르게, 중재가 맥락(context)에 따라 어떻게 달라지고, 그것이 결과에 어떤 영향을 주는지를 역동적으로 표현하려고 해요.

“Type 4 logic models must convey a dynamic relationship between the facilitation of an intervention, the users/recipients of the intervention, contextual moderators and outcomes.”
→ “Type 4 로직 모델은 중재의 촉진, 수혜자, 맥락적 조절 변수(contextual moderators), 결과 간의 역동적인 관계를 전달해야 한다.”

🛠️ 어떻게 만들까? 정성적 분석이 핵심!

이 모델을 만들기 위해 연구진은 **프레임워크 분석법(framework analysis)**이라는 정성적 방법을 사용했어요.

• 각 병동을 행(row)으로,
• 중재 구성요소, 조절 변수, 결과를 열(column)로 두고,
• 엄청난 양의 데이터를 구조화하면서 반복적으로 이론을 구성하고 수정한 거죠.

그리고 이 과정에서 깨달은 건,

“Only by creating a type 2 logic model and testing and refining its contents did the full complexity of PET become apparent.”
→ “Type 2 모델을 만들고, 그 내용을 테스트하고 수정하는 과정을 거쳐서야 PET 중재의 진정한 복잡성이 드러났다.”

👥 이해관계자 합의? 꼭 필요하지 않을 수도!

전통적인 로직 모델은 종종 모든 이해관계자가 동의하는 모델을 만드는 데 사용돼요. 하지만 이 논문에서는 새로운 시선을 제안해요.

“Accommodating differences of opinion may be more suitable for complex interventions given that the potential for disagreement increases with more complex problems.”
→ “복잡한 문제일수록 의견 불일치는 더 많아지므로, 이를 있는 그대로 수용하는 것이 오히려 더 적절할 수 있다.”

실제로 연구진은 어떤 병동에서는 PET 문서를 ‘중심적’이라고 봤고, 다른 병동에서는 ‘주변적’이라고 봤던 경험을 공유해요. 그 둘 다 틀렸다기보단, 서로 다른 맥락에서는 둘 다 맞을 수 있다는 가능성을 모델이 포용해야 한다는 거죠.

🎯 Type 4 모델의 새로운 역할: 촉진자를 위한 안내서

이제 이 모델은 단순한 설계도가 아니라, 미래의 중재 사용자(future users), 특히 **촉진자(facilitators)**가 중재를 어떻게 맥락에 맞게 조정할지를 스스로 판단하고 계획할 수 있도록 돕는 도구로 바뀌었어요.

“A new role for type 4 logic models emerges: to guide how future users of complex interventions adapt them to context.”
→ “복잡한 중재의 향후 사용자가 그 중재를 맥락에 맞게 조정할 수 있도록 안내하는 것, 그것이 Type 4 로직 모델의 새로운 역할이다.”

✍️ 마무리하며…

이 논문은 단순한 이론 제안이 아니라, 실제 행동 연구(action research) 현장에서 다양한 병동에서 PET 중재를 실행하고 정교화한 과정을 통해 복잡한 중재에 맞는 모델이 어떻게 구성되어야 하는지를 실증적으로 보여준 사례예요.

기존의 로직 모델로는 담기 어려웠던 맥락 중심성(context-sensitivity), 촉진의 역동성(facilitation dynamics), 그리고 결과의 불확정성을 포착하고자 한 이 시도는, 복잡한 현실 속에서 중재를 설계하고 실행하는 우리 모두에게 중요한 통찰을 줍니다.

배경 (Background)

의료 연구에서 '과정 평가(process evaluations)'의 중요성은 2008년 영국 의학연구위원회(MRC; Medical Research Council)의 가이드라인이 발표된 이후 확고히 자리 잡았다 [1]. 이 가이드라인은 중재(intervention)의 작동 원리에 대한 이론, 즉 때로는 "프로그램 이론(programme theory)" 혹은 *"변화 이론(theory of change)"*이라고도 불리는 개념을 도출하기 위해 정성적(qualitative) 과정 평가의 활용을 적극적으로 권장하였다. 이러한 이론은 중재를 최적의 방식으로 개발하고 활용하기 위해 필수적이라고 간주되었다 [1].

그러나 최근 들어, **MRC 가이드라인이 복잡한 중재(complex interventions)**를 평가하는 데 따르는 도전 과제를 충분히 다루고 있는지에 대한 의문이 제기되고 있다 [2–6]. **복잡성 과학(complexity science)**의 영향을 받은 학자들은, MRC 가이드라인이 다양한 환경에서도 대체로 동일하게 작동하는 ‘복잡한(complicated)’ 중재에는 적절할 수 있지만, 사회적 시스템을 변화시키고자 하는 ‘복합적인(complex)’ 중재에는 부적절하다고 주장한다 [2–6].

복합적 중재는 그 자체가 목표하는 사회 시스템을 변화시키기 때문에, **기존의 맥락적 요소(contextual factors)**가 중재의 형태를 직접적으로 형성하게 된다. *피드백 루프(feedback loops)*를 통해 **중재를 수행하는 사람과 받는 사람이 맥락에 맞게 중재를 조정(adapt)**할 수 있게 되고, 이는 결국 수행할 활동의 내용과 결과물 자체를 변화시킬 가능성을 내포한다 [5].

이러한 역동성의 한 사례는 공중보건 영역, 그 중에서도 *학교 기반 영양 교육 프로그램(school-based nutrition education interventions)*에서 찾아볼 수 있다. 정성적 탐색 연구에 따르면, 영양사들의 실천은 그들의 과거 경험과 각 학교의 맥락에 따라 다양하게 달라졌으며, 학생과 교사의 요구와 목표를 직관적으로 인식하여 중재를 전략적으로 조정함으로써 참여를 유지하려는 경향을 보였다. 이처럼 중재와 맥락 사이의 경계가 모호해지는 현상은 전통적인 평가 기법으로는 포착하기 어렵다 [7].

이러한 더 복잡한 중재를 설계하고 평가하는 데 적합한 방법론에 대해서는 **활발한 논쟁(debate)**이 이어지고 있다. 특히, 중재의 개발(developmental) 단계에 보다 많은 주목이 필요하며, 중재가 실제 실행 과정에서 유연하게 적응할 수 있도록 허용하는 형성적(formative) 방법이 점점 더 많이 권장되고 있다 [4, 5]. 그러나 복잡한 중재의 **이론 기반 평가(theoretical evaluation)**의 필요성은 여전히 인정받고 있음에도 불구하고, 새로운 연구 패러다임 하에서 '로직 모델(logic models)'이 어떤 역할을 해야 하는지는 여전히 불분명하다.

**로직 모델(logic models)**은 과정 평가에서 **중재(intervention)의 기반 이론을 단순하고 도식적인 형태(diagrammatical form)**로 표현하는 역할을 맡는다(관련 핵심 용어에 대한 용어집은 Additional file 1: Appendix 1 참조). 로직 모델을 지지하는 이들에 따르면, 로직 모델은 평가자가 다음과 같은 작업을 수행하는 데 유용할 수 있다:

• 중재가 어떻게 결과를 도출하는지를 정확히 이해하도록 돕고 [1, 3],
• **경험적 자료(empirical data)**를 조직하며,
• 과정(process) 및 결과(outcome) 지표를 평가 목적에 맞게 명확히 설정하고 [8],
• 이해관계자들이 변화의 필요성과 그 실행 방법에 대해 의견을 조율할 수 있도록 의사소통의 매개체 역할을 한다 [9].

또한, 로직 모델은 **프로그램의 논리(programme logics)**를 **연구 자금 제공자(funders)**에게 보여주거나, 연구 결과를 초기 시험 장소 외부로 이전하는 지식 전이(knowledge transfer) 과정에도 기여할 수 있다 [10].

하지만, 현재 보건의료 분야에서 사용되는 로직 모델에 대한 기존 지침들은 ‘중재와 맥락 간의 상호작용(interaction between interventions and context)’을 거의 고려하지 않고 있다 [2–6]. 이러한 한계로 인해, 일부 학자들은 로직 모델이 그 유용성의 한계에 도달했다고 주장하기도 한다 [4, 8, 10–16]. 실제로 로직 모델의 유용성은 BMC Medical Research Methodology 학술지에서도 자주 다뤄져 온 주제이다 [8, 11, 17, 18]. 이와 관련된 논의에 대응하여, *Greenwood et al.*은 다음과 같은 의문을 제기하였다: "로직 모델이 맥락에 따라 적응하는 복잡한 중재의 역동성을 표현할 수 있는가?" 그들은 다음과 같이 주장한다:

"아무리 정교하더라도, 로직 모델 단독으로는 충분하지 않다. 복잡성(complexity)은 순수한 정성적 서술만으로는 이해될 수 없기 때문이다" [11].

이러한 주장은 **정성적 로직 모델(qualitative logic models)**에 대한 성급한 배척으로 보인다. 현재 의료 연구에서 지배적인 형태의 로직 모델은 복잡하고 적응적인 중재를 설명하기에 부족할 수 있지만, 보다 유연하고 역동적인(dynamic) 형태의 로직 모델이 가능하다.

이를 뒷받침하기 위해, 저자들은 환자 경험 도구(Patient Experience Toolkit) 중재를 개발하고 평가한 자신의 경험을 예시로 들어 설명한다. 아울러, 저자들은 문헌에 대한 **스코핑 리뷰(scoping review)**를 통해 **로직 모델 유형에 대한 일종의 유형 분류(typology)**를 제안하며, ‘유형 4(type 4)’ 로직 모델이라고 명명된 **역동적 모델(dynamic models)**을 개발하기 위한 **공식적인 방법론(methodology)**도 함께 제시한다.

저자들은 이러한 접근을 통해 연구자들이
a) 중재를 평가할 때 어떤 유형의 로직 모델을 사용해야 할지 선택하는 데 도움을 주고,
b) 복잡한 중재를 모델링하는 데 따르는 도전 과제를 극복하는 데 기여하길 기대한다.

본론 (Main)

환자 경험 향상 도구(Patient Experience Toolkit, PET) 중재의 모델링

**환자 경험 향상 도구(PET: Patient Experience Toolkit)**는 **보건의료 전문가들이 환자 경험 자료(patient experience data)를 되돌아보고 이를 바탕으로 실질적인 변화를 이끌어내도록 유도하는 촉진 기반의 과정(facilitated process)**을 안내하기 위해 개발된 중재이다. 이 중재의 평가 연구의 일환으로 **다양한 유형의 로직 모델(logic models)**이 시험되었다.

이 과정은 다음과 같은 단계로 구성되어 있다:

• 다학제 팀(multi-disciplinary team) 구성,
• 환자 피드백에 대한 반성적 검토(reflection),
• 질 향상(QI: Quality Improvement) 기법을 활용한 변화 실천.

이 연구는 영국 북부의 3개 NHS 트러스트(NHS Trust) 소속의 **6개 병동(wards)**에서 수행되었으며, PET 중재가 매우 상이한 맥락에서 작동하는 방식을 비교할 수 있도록 병동을 의도적으로 다양하게 선정하였다. 병동 팀과 환자 대표는 연구자들과 함께 행동 연구(action research) 프로젝트에 참여하여, **1년간 PET 중재를 실행하고 정교화(refinement)**하였다.

이 평가 연구의 주요 목표는 **PET 중재가 어떻게 작동하는지에 대한 일반화 가능한 이론(generalisable theory)**을 로직 모델 접근법을 활용하여 도출하는 것이었다.

**[Figure 1]**은 PET 중재에 대한 로직 모델을 제시하고 있다. 이 모델은 프로젝트 기간 동안 수집된 대규모 정성적 데이터셋을 프레임워크 기법(framework method) [19]을 사용해 분석함으로써 **점진적(iterative)**으로 개발되었다.
로직 모델의 범주(중재 자원과 활동, 조절 변수, 결과)는 프레임워크 매트릭스의 **세로축(column)**을 구성하였으며, **각 병동은 별도의 행(row)**으로 설정되어 방대한 데이터를 로직 모델과 관련된 방식으로 구성, 요약, 분석할 수 있도록 했다.

초기 로직 모델 구조는 **이론 개발을 위한 체계적 조직 틀(organising framework)**로서 유용하게 작용했지만, 프로젝트 중반 이후로 TM 연구자는 이 모델이 중재의 내재된 논리(underlying logics)를 정확히 반영하지 못하고 있다는 우려를 점차 갖게 되었다.

프레임워크 매트릭스의 병동별 열(column)에 대한 분석 결과, 행동 연구자의 촉진 방식(facilitation)에 따라 중재의 형태가 병동마다 상당히 달라지고 있다는 점이 드러났다. 전체 병동을 아우르는 하나의 로직 모델은 다음 네 가지 주요 측면에서 **PET 중재의 역동성(dynamics)**을 포착하지 못하고 있었다:

1. 역할(Roles)
병동 팀 구성원의 역할과 책임은 ‘참여 의지와 역량(willingness and capacity to engage)’에 따라 달랐으며, 행동 연구자는 각 팀의 상황에 맞게 자신의 역할을 **유연하게 조정(adapt)**하였다. 예컨대, 어떤 팀에서는 **병동 관리자(ward manager)**나 **환자 대표(patient representative)**가 수행한 촉진 업무를, 다른 팀에서는 행동 연구자가 직접 수행하였다.

2. 촉진과 조절 변수 간의 상호작용(Interaction between the facilitation and moderators)
행동 연구자들은 **각 병동의 고유한 조절 변수(moderators)**에 적극적으로 반응하였다. 예를 들어, 개선 활동을 지지하지 않는 병동 문화(즉, 낮은 직원 참여도, 낮은 웰빙, 낮은 자기 효능감)가 존재할 경우, **코칭(coaching)**이 특히 중요하게 작동하였다. 또한, 조직적 지원 부족이나 의사결정 상부 전달 경로의 부재 역시 행동 연구자가 경영진과의 관계를 구축함으로써 극복할 수 있었다. 그러나 초기 로직 모델은 촉진과 조절 변수 간의 이러한 역동성을 반영하지 못하고, 마치 **조절 변수가 단순한 방해 요인이나 촉진 요인(enablers or barriers)**으로만 작용한 것처럼 암시하였다.

3. 근접 결과(proximal outcomes)의 불규칙한 패턴
로직 모델에서 식별된 일부 근접 결과(예: 공유된 아젠다의 형성, 행동 계획 수립 및 실행, 환자 대표의 의미 있는 참여)는 모든 병동에서 관찰되었고, 따라서 **PET의 핵심 매개 변수(core mediators)**로 간주될 수 있다. 그러나 다른 근접 결과들은 병동마다 상이한 조절 변수 극복 노력과 관련되었으며, 예컨대 병동 문화 개선이나 행위자 간의 연결성 향상 등이 그러하였다.

4. 근접 결과가 후속 성공에 미치는 영향
마지막으로, 초기 로직 모델은 근접 결과의 출현이 프로젝트의 향후 성과를 강화하는 방식을 설명하지 못했다. 초기의 개선 효과와 근접 결과의 출현은 중재에 보다 수용적인 맥락을 형성하여, 이후의 개선 활동이 보다 쉽게 실행될 수 있는 기반을 마련해 줄 수 있음에도 불구하고, 이는 로직 모델에 반영되지 않았다.

보건의료 연구에서 사용되는 로직 모델의 유형 분류
(A typology of logic models used in healthcare research)

초기 로직 모델이 PET 중재(Patient Experience Toolkit intervention)를 정확히 설명하지 못한 결과, TM 연구자는 다른 로직 모델 접근법이 존재하는지 탐색하기 위해 이 분야 전체를 검토하게 되었다. 이 과정에서 **스코핑 리뷰(scoping review)**를 수행하였고, 이는 기존의 지침들에서 유래한 기법들을 바탕으로 진행되었다 [20].

문헌 검색은 Medline/PubMed, ASSIA, 그리고 Google Scholar를 활용하였으며, **회색 문헌(grey literature)**과 정식 출판 문헌(published literature) 모두에서 관련 논문을 찾아보았다. 로직 모델링의 특정 접근법을 지지하거나, 이 분야를 개관(review)한 논문을 선정 기준에 포함시켰으며, **건강(health)**을 중심 주제로 다룬 경우만 포함되었다.

각 논문은 다음 기준에 따라 평가되었다:

• 로직 모델의 핵심 특성(core characteristics),
• **복잡성(complexity)**을 어떻게 모델링하는지 (복잡성을 중재 자체의 속성으로 보는지, 혹은 맥락의 속성으로 보는지 여부).

이러한 차이를 반영하기 위해 **유형 분류 체계(typology)**가 개발되었으며, 이는 검색 및 분석 과정 중 반복적으로 정교화되었다(refined). 이 과정에서, 새로운 통찰을 제공하지 않는 논문은 배제되었다. 결과적으로, 총 9편의 핵심 논문이 다음 기준으로 선정되었다:

• 독자적인 로직 모델 접근을 제시한 논문 [3, 21–24],
• 로직 모델링 분야의 다양성을 드러낸 리뷰 논문 [3, 25–28].

이 논문들에 대한 추가 분석을 통해 **네 가지 축으로 구성된 유형 분류 체계(four-pronged typology)**가 도출되었으며 (Figure 2 참조), 이후 TM은 각 유형이 PET 중재를 설명할 수 있는지 평가하였다.

1형 및 2형 로직 모델 (Type 1 and Type 2 Logic Models)

회고적으로 보았을 때, PET 중재의 초기 로직 모델은 2형(type 2) 로직 모델이었다. 1형 로직 모델은 이보다 더 단순하며, **중재 구성요소(intervention components)**와 **결과(outcomes)**의 단순 나열로 이루어진다. 대표적인 사례는 W.K. Kellogg Foundation의 모델이 있다 [21]. 이러한 모델은 **중재의 계획 단계(planning stage)**에서는 적절할 수 있고, 가장 적은 자원을 소모하는 장점이 있지만, **중재와 관련된 맥락 요소(contextual aspects)**를 설명하지 못한다.

따라서, PET 중재를 위해 1형이 아닌 2형 로직 모델을 선택한 것은 적절한 판단이었다. 왜냐하면 이 평가의 핵심 목적 중 하나는 **PET의 실행을 가능하게 하거나 제약하는 맥락적 요소(contextual factors)**를 이해하는 것이었기 때문이다.

하지만 앞서 언급한 바와 같이, 2형 로직 모델은 PET 중재의 복잡성을 모델링할 수 없었다. 선형적 구조(linear structure)—즉, 투입(inputs) → 산출/결과(outputs/outcomes) 순으로 흐르는 구조—는 행동 연구자(action researchers)의 촉진을 통해 중재가 어떻게 변화하는지를 전혀 담아내지 못했다.

이는 "시스템 기반(system-based)" 로직 모델에서도 마찬가지이다 [22, 25]. 이들 모델은 중재와 맥락을 분리된 항목으로 기술하며, 고급형 2형 모델로 분류된다 (Figure 3 참조).

2형 로직 모델을 사용하는 연구자들 중 상당수는, 자신의 모델이 중재의 역동성을 잘 표현하지 못한다는 점을 인지하고 있다. 이 때문에 **로직 모델 해석에 대한 주석(caveats)**을 **모델 본문에 덧붙이는 서술(narrative)**에 포함시키는 것이 일반적이다 (추가 용어집: Additional file 1: Appendix 1 참조).

예컨대, PET 중재의 경우, 모델의 내용을 설명하는 것뿐만 아니라, 이를 선형적이고 고정적인 방식으로 해석하지 않도록 주의시키는 내용이 서술에 포함되어야 할 것이다.

그러나 이런 방식은 다음과 같은 근본적인 질문을 제기한다:

PET 중재의 역동성(dynamics)을 더 잘 설명할 수 있는 대안적 로직 모델 유형이 존재하는가?

만약 존재한다면, 이는 모델 외 서술(narrative)에 대한 의존도를 줄이고, 그 대신 모델 자체에 포착된 중재의 핵심적 요소들을 더 효과적으로 설명하는 데 집중할 수 있도록 도와줄 것이다.

3형 로직 모델 (Type 3 Logic Models)

3형 로직 모델은 모델의 각 요소(factor)들 사이의 연결 관계를 명확히 제시함으로써, 중재의 논리(logics)를 보다 완전하게 표현한다. 이는 중재가 결과를 어떻게 도출하는지를 정확히 보여주는 구조를 가지고 있다. 이 유형에 해당하는 대표적인 하위 형태가 바로 **"드라이버 다이어그램(driver diagrams)"**으로, 이는 **임프루브먼트 사이언스(improvement science)**에서 흔히 사용된다 [24].

이러한 모델들은 다음과 같은 특징을 가진다:

• **중재 구성 요소(intervention components)**를 명확하게 나열하고,
• **입력(input)**이 어떻게 결과(outcome)로 이어지는지에 대한 선형적 흐름을 화살표로 시각화한다 (Figure 4 참조).

3형 로직 모델은 중재 구성 요소와 결과 간의 정확한 관계를 가설로 정립하고 이를 검증하는 데 유용하다. 또한, 이 모델은 실천 지향적(practitioner-oriented) 성격이 강해, 변화의 필요성과 실행 방식에 대한 합의(consensus)를 구축하는 과정에서도 자주 사용된다 [24]. 그러나 이 모델은 중재(intervention) 자체에 초점을 맞추며, 중재가 이루어지는 맥락(intervention settings)에 대한 고려는 부족하다. 따라서, **맥락에 따라 중재의 형태가 달라지는 경우(adaptive interventions)**를 포괄하기 어렵다.

일부 3형 로직 모델은 **“대안적 인과 경로(alternative causal strands)”**를 포함하여, 다양한 환경에서 중재가 작동하는 방식을 전달하려는 노력을 보여주기도 한다 [3, 12, 13]. 그러나 이 경우에도 포용할 수 있는 변이 수준은 포함된 경로(strands)의 수에 따라 제한된다.

따라서 여전히 다음과 같은 질문은 남는다:

"중재가 실행될 때마다 전혀 다른 형태를 취할 가능성이 있는 경우, 이를 로직 모델이 과연 설명할 수 있는가?"

4형 로직 모델? (Type 4 Logic Models?)

중재의 성공이 맥락(context)에 따른 적응(adaptation)에 달려 있음을 잘 보여주는 모델의 대표적인 예는 바로 Promoting Action on Research Implementation in Health Services (PARIHS) 모델이다 (Figure 5 참조).

비록 PARIHS 모델은 전통적인 의미의 로직 모델은 아니지만, ‘촉진(facilitation)’과 ‘맥락(context)’을 중심에 두고 있다는 점에서, PET와 같은 복잡한 중재(complex interventions)—특히 **피드백 루프(feedback loops)**를 통해 수행 과정에서 적응하는 형태의 중재—에 매우 적절하다 [5].