Ⅰ. 서론
1. 연구의 필요성
현재 의료계는 딥러닝(Deep Learning)과 거대언어모델(LLM)의 비약적 발전에 따라 고성능 의료(High-performance Medicine) AI의 도래를 기대하고 있다. Topol[1]은 의료 AI는 의사의 데이터 처리 능력을 증강(Augment)시킴으로써 환자와의 공감을 강화하는 심층 의료(Deep Medicine)의 실현을 가능하게 할 것이라고 기대했다.
그러나 이러한 기대는 초기부터 빗나가기 시작했다. 2010년대 초반 의사를 대체하겠다는 목표로 출발한 IBM Watson for Oncology는 MD 앤더슨 암 센터, 메모리얼 슬론 케터링 암 센터 등 세계적 병원과의 제휴를 통해 암 진단 분야에 진입하였으나, 10여 년이 지난 2022년 시장에서 퇴출되었다. Watson이 채택되지 못한 원인은 AI 구현의 낮은 기술 수준, 높은 데이터 편향(Bias)과 자연어 처리 한계, 의료 임상 현장의 복잡한 맥락(Context)을 담지 못한 기술적 과신(Over-promise)으로 분석되었다[2]. 환자 기록의 약 80%를 차지하는 비정형 서술형 텍스트의 처리 실패, 의사를 가르치려 드는 태도로 인한 워크플로우 괴리도 결정적 이유로 지적되었다. 유사한 시기 태국에 출시된 Google Health 의료 AI는 당뇨망막병증 진단에 높은 기술적 완성도에도 불구하고, 실제 의료 현장의 열악한 조명 및 낮은 네트워크 환경이라는 맥락적 요인을 간과함으로써 간호사의 업무 가중이라는 역효과를 낳고 중단되었다. Beede et al.[3]는 이를 사회-환경적 요인(Socio-environmental factors)이 AI 성능과 업무 흐름에 부정적 영향을 미친 사례로 규명하였다.
이렇듯 초기 많은 기대와 가능성으로 시작한 의료 AI 시장은 가트너 하이프 사이클의 환멸의 골짜기(Valley of Death)를 넘지 못하고 바로 침체기에 빠졌다. Jiang et al.[4]은 의료 AI의 이러한 과대광고(Hype)와 실제 임상 현장의 현실(Reality) 간의 간극을 분석하며, 기술·사람·윤리를 모두 아우르는 사회, 기술적 접근(Holistic sociotechnical approach)이 필수적임을 강조하였다.
Watson이 채택되지 못하는 상황 하에서 의료 AI는 의사를 대체하려는 시도를 포기하고, Lunit, VUNO와 같이 의사의 판독을 보조하는 진단 보조(Assistant) 역할에 집중하며 2세대로 진화하였다. Kim et al.[5] 의 연구가 보여주듯, 이들은 의사를 대체하기보다 제2의 판독자(Second Reader)로서 포지셔닝함으로써 시장에 안착하기 시작하였다.
2026년 1월 미국 유타주 규제 샌드박스를 통해 등장한 Doctronic AI는 3세대의 대표적인 사례로 다시 의사의 의료 영역 일부의 대행을 시도하고 있다. 하지만, 초기 Watson처럼 고위험군인 암 진단에 도전하는 대신, 반복적이고 정형적인 만성 질환자 대상 처방 갱신(Refill) 서비스로 출발한다. Doctronic AI는 의사의 개입 없이 독자적으로 처방전을 발급하는 자율적 행위 대행(Autonomous Delegation)으로의 진화를 대표하는 사례로, 2018년 IDx-DR이 안과 전문의 없이 당뇨망막병증을 진단하는 최초의 자율 진단 AI로 FDA 승인을 받은[6] 데 이어 8년 만에 처방 영역으로까지 의료 AI가 역할을 확장한 혁신적 사건이다. Utah News[7]는 이를 AI가 의료 행위의 주체(Agent)임을 법적으로 인정받은 세계 최초의 사건으로 언급한다.
2. 연구의 목적
위의 배경을 바탕으로 본 연구는 두 가지 목적을 지향한다. 첫째는 의료 AI의 진화 과정과 도메인 선택을 어떻게 했는지를 보여주고자 한다. 이를 위하여 2010년부터 2026년에서 세대별 대표성, 실제 임상 적용 수준 등을 기준으로 대표적인 글로벌 의료 AI 사례 12건을 도출하고, 의사 개입도(Doctor Intervention)와 임상 위험도(Clinical Risk)라는 두 가지 핵심 요소를 기준으로 분석 매트릭스 매핑을 통해서 세대별로 수용되거나 수용에 장벽으로 작용된 패턴을 알아보고자 한다. 두 번째는 가장 대표적이고 대조적인 두 사례를 Rogers(2003) 혁신 확산이론(DOI)[8]의 5가지 기준으로 비교, 의료 AI가 세대별로 어떤 요인 때문에 수용되었는지를 알아본다. 동일 도메인 영역 내에서 속성별 비교를 목적으로 하는 것이 아니기 때문에 변화의 요소 중에 도메인이라는 속성도 중요한 변수이다.
IBM Watson은 세계 최초로 도입된 의료 AI이자 대표적으로 수용에 장벽이 발생한 사례로서, 그리고, Doctronic AI는 가장 최근에 도입되기 시작한 3세대의 의사 자율 대행 사례로서 상호 비교 대상이다. 두 사례의 비교 분석을 통해 향후 의료 AI가 나아갈 방향성을 제언하고자 한다.
단, Doctronic AI는 아직 파일럿 단계에 있어 최종 수용 성패는 향후 추적 연구가 필요하다는 점을 간과해서는 안 된다.
또한, 본 연구에서 의료 AI 수용 주체는 개별 의사가 아닌 다음의 세 가지 제도적 주체의 채택 결정을 의미한다. 이들은 첫째, 의료 기관인 병원의 AI 도입 계약 체결 및 유지 여부, 둘째, 규제 기관인 FDA나 CE의 승인 사항이나 규제 샌드박스 적용 여부, 셋째, 의료 시장의 보험 수가(CPT 코드) 부여와 실 청구 건수 등이며 모두 임상 현장 도입에 필수 요소이다.
3. 연구의 방법
이 연구는 두 단계로 진행된다. 첫 단계는 대표적인 글로벌 의료 AI를 도출하고, 각 사례의 특성을 비교함으로써 의료용 AI의 발전 과정을 요약한다. 그리고, 의료용 AI의 성공을 위한 조건을 탐색하기 위하여 대조적인 두 사례를 비교 분석한다.
본 연구의 형태는 공개된 학술 문헌 및 규제 산업 보고서를 활용한 사례 분석 기법인 문헌 기반 탐색적 사례연구다. 연구 설계는 Yin[9]의 복수 사례연구(Multiple Case Study)의 복수 사례 비교 및 사례 선정의 복제 논리 근거를 참조했고, 분석 프레임워크는 Rogers[8]의 혁신 확산이론을 적용하였다.
Ⅱ. 연구방법
1. 의료 AI의 분류
1) 분석 대상의 선정
본 연구는 분석 대상인 의료 AI 사례를 선정하기 위해 PRISMA Guide를 준용한 체계적 문헌 검토(Systematic Literature Review) 방식을 활용하였다[10]<Figure 1>. 특히, 사례 도출에 있어 충분한 객관성 확보를 위해 정량 지표(피 인용된 관련 논문 수) 와 규제 승인 규정을 적용한다. 검색 실행일은 2026년 6월 17일이다.
1단계 식별 과정은 대표적 데이터베이스인 PubMed 검색으로 진행하여, (“deep learning” or “artificial intelligence”) and (“detection” or “diagnosis”) and “clinical”을 검색식으로 입력, 임상 진단과 검출과 연관된 논문을 검색한다. 기간은 2010년 1월부터 2026년 6월까지로, 임상 연구 유형을 도출 대상에 맞춰 Clinical Trial, Validation Study, Comparative Study, Multi center Study만으로 한정하였으며, 총 4,990개의 논문이 검색되었다.
2단계 선별 과정은 포함과 제외 기준을 적용한 필터링을 진행한다. 포함된 논문은 첫째, 동료 심사(Peer Review) 학술지에서 찾을 수 있는 특정 AI 시스템을 대상으로 하였고, 둘째, 임상 적용되거나, 병원 도입이 되었다는 근거가 있는 문헌 등을 선정하였다. 제외한 논문은 특정 AI 시스템이 아닌 범용 LLM(ChatGPT 등) 연구나 특정 AI 시스템을 다루지 않은 논문들이다. 이렇게 하여, 추가로 1,817건을 제외시켜 3,173건을 추출하였고, 여기에 실제 임상 환경하에서 실적용(다기관 및 실제 임상 적용) 된 연구로 한정하여, 609건을 추출한다.
3단계는 적격성을 기준으로 하는 2차 필터링으로 609건 논문에서 연구된 의료 AI 시스템 등을 대상으로, 선정 기준으로 첫째, 세대 대표성(1세대 지식기반, 2세대 딥러닝과 영상, 3세대 자율 대행), 둘째, 학술적 주목도(Semantic Scholar 피인용 100회 이상). 셋째, 규제 기준으로, 2018년(IDx-DR의 미국 FDA 최초 승인) 이후 도입된 사례(이전 사례는 동료 심사 임상 검증 적용) 는 각국 규제 기관(FDA, CE, MFDS, PMDA, NMPA 등) 승인 여부를 적용한다. 동일한 의료 AI 시스템의 경우에는 피인용 수가 많은 대표적 논문을 선정하여, 4개 데이터베이스(PubMed, SCOPUS, Semantic Scholar, Web of Science)로 정량 지표와 서지정보를 기준으로 교차 검증한다. 단, Doctronic AI는 2025년 도입된 최신 사례로 피인용 기준에는 미달하나 3세대 자율 대행을 대표한 사례로 예외적으로 포함한다.
이런 3단계 과정을 통해, 2010년부터 2026년까지 글로벌 의료 AI 시장에서 기술적, 임상적으로 대표적인 영향을 주었다고 판단되는 12개 사례를 도출하였다. IBM Watson, Babylon Health, Ada Health, Google Health, Lunit INSIGHT, VUNO Med, Tencent Miying, Ibex Medical AI(DeepBio), Olympus AI, IDx-DR, HeartFlow, Doctronic AI 등이다<Table 1>.
<Table 1>
Academic Salience of 12 Selected Cases (Search Date: 17th Jun. 2026; Citation count based on Semantic Scholar)
| No | Case | Articles | Citations (Semantic Scholar) |
|---|---|---|---|
| 1 | IBM Watson | E. Strickland (2019), IEEE Spectrum | 246 |
| 2 | Babylon Health | A. Baker, et al. (2020) Frontier in AI | 123 |
| 3 | Ada Health | S. Gilbert, et al. (2020), BMJ Open | 134 |
| 4 | Google Health | E. Beede, et al. (2020), CHI Conference | 595 |
| 5 | Lunit INSIGHT | H.E. Kim, et al. (2020), Lancet Digital Health | 400 |
| 6 | VUNO Med | J.M. Son, et al. (2020), Ophthalmology | 205 |
| 7 | Tencent Miying | L.J. Guo, et al. (2020), Gastrointestinal Endoscopy | 180 |
| 8 | Ibex MedicalAI | L. Pantanowitz, et al. (2020), The Lancet Digital Health | 288 |
| 9 | Olympus AI | M. Misawa, et al. (2016), Gastroenterology | 160 |
| 10 | IDx-DR | M.D. Abràmoff, et al. (2018), Npj Digital Medicine | 1,385 |
| 11 | HeartFlow | P.S. Douglas, et al. (2015), European Heart Journal | 564 |
| 12 | Doctronic AI | H. Hayat, et al. (2025), ArXiv | Emerging |
2) 분석 매트릭스 구성 기준
12개 사례연구는 임상 위험도(Y축)와 의사 개입도(X축)로 만든 매트릭스에 포지셔닝을 통해 분석한다. Marcus et al.[11]는 외과적 로봇의 IDEAL Framework 연구에서, 의료 AI 및 자율주행 로봇을 평가하는 임상 연구 진행에 두 축으로 자율성 수준(Autonomy Level)과 위험도(Risk)를 필수적 기준으로 명시했다. 이 논문은 사전 임상에 대한 요건으로 위험도/자율성이라는 두 축의 매트릭스를 틀로 하여 기기 실패의 가능성과 민감도를 근거로 기기를 분류하고, 고위험/완전 자율 기기는 저위험/저 자율 기기보다 큰 범위의 임상 근거를 필요로 한다고 주장했다. 본 연구는 도출된 의료 AI 사례를 분석하기 위해 위 연구에서 제안했던 주요 변수를 준용하여 두 축, 즉 의사 개입도(Doctor Intervention)와 임상 위험도(Clinical Risk)로 분석 매트릭스를 구성한다.
매트릭스의 Y축인 임상 위험도는 미국 FDA, EU, 일본 PMDA, 한국 식약처가 채택하고 있는 IMDRF (International Medical Device Regulators Forum)에서 정의한 SaMD(Software as Medical Device) 위험분류 프레임워크인 IMDRF SaMD N12[12]를 적용하였다<Table 2>.
<Table 2>
IMDRF SaMD N12 Risk Category Decision Matrix (Category IV = Highest Risk / Category I = Lowest Risk)
Source: IMDRF/SaMD WG/N12FINAL:2014. “Software as a Medical Device: Possible Framework for Risk Categorization and Corresponding Considerations[12].
| State of Healthcare Situation or Condition | Treat or Diagnose (highest significance) | Drive Clinical Management | Inform Clinical Management (lowest significance) |
|---|---|---|---|
| Critical (life-threatening / vital functions) | Category IV-highest Risk | Category III | Category II |
| Serious (significant deterioration of health) | Category III | Category II | Category I-Lowest Risk |
| Non-serious (minor / reversible impact) | Category II | Category I | Category I |
의사 개입도 X축은 3가지 공식 규제 허가 문서로 분류하였다<Table 3>. 첫째, FDA 510(k)[13]/De Novo[14] 승인문서, 둘째, CE 기술 문서, 셋째, 규제 기관의 공식 계약서(예: Utah OAIP-Doctronic 샌드박스 계약서[15]) 등을 활용하였다. 이 공식 구제 허가 문서에 있는 Intended Use 조항을 찾아 ‘autonomous’, ‘without requiring a physician to interpret’ 등 의사 개입의 불필요하다는 내용으로 명시된 경우에는 자율 판단(Autonomous)으로 분류하고, ‘adjunct to the radiologist’, ‘for use by physician’, ‘physician review required’ 등으로 의사가 검토해야 한다는 내용으로 기재된 경우에는 필수 개입(Mandatory)으로 분류하였다. 정식 규제 허가를 받지 않은 사례인 IBM Watson for Oncology 등의 경우에는 공식적인 출시 관련 문서나 발표 자료를 근거로 활용하였다<Table 4>.
<Table 3>
X-axis (Doctor Intervention) Classification Criteria and Regulatory Evidence
Source: FDA 510(k) K211733, computer-assisted triage & notification; physician review required (Lunit INSIGHT CXR Triage)[13]; MFDS Class III (VUNO Med, 2020)[16]; NMPA Class III, digestive-endoscopy CADe (Tencent Miying, 2023)[17]; CE-IVDR & FDA 510(k) (Ibex Medical AI, 2023/2025)[18]; PMDA approval (Olympus EndoBRAIN, 2018)[19]; FDA De Novo DEN130045 (HeartFlow, 2014)[20]; FDA De Novo DEN180001 (IDx-DR, 2018)[14]; Utah OAIP-Doctronic AI Sandbox Contract (Jan. 2026)[15]; official deployment documents (IBM Watson, Babylon Health, Ada Health, Google Health).
| Classification | Decision Criteria | Primary Evidence Source | Applicable Cases |
|---|---|---|---|
| Mandatory Intervention | FDA/regulatory authorization specifies “adjunct to,” “for use by physician,” or “physician review required.” AI output reaches patient only after physician review and sign-off. | FDA 510(k) Authorization MFDS Approval Conditions CE Technical Documentation |
Lunit INSIGHT VUNO Med Tencent Miying Ibex Medical AI Olympus AI HeartFlow |
| Autonomous Decision | FDA/regulatory authorization specifies “autonomous” or “without requiring a physician to interpret.” OR AI output reaches patient directly without required physician approval. | FDA De Novo DEN180001 (IDx-DR, 2018) Utah OAIP Sandbox Contract (2026.01) IBM Official Deployment Documents |
IBM Watson Babylon Health Ada Health Google Health (Thailand) IDx-DR Doctronic AI |
<Table 4>
IMDRF N12-Based Classification Results for the 12 Medical AI Cases
IMDRF Categories: I=Lowest Risk / II=Medium Risk / III=High Risk / IV=Highest Risk. Doctor Intervention evidence: FDA 510(k)/De Novo authorization letters; CE technical documents; official regulatory contracts. In cases without formal clearance, official launch/deployment documentation applied. Source: IMDRF/SaMD WG/N12FINAL:2014[12]; FDA De Novo DEN180001 (2018)[14]; Utah OAIP (2016)[15].
| No | Case | IMDRF Information Significance | Healthcare Situation | IMDRF | Risk | Doctor Intervention |
|---|---|---|---|---|---|---|
| 1 | IBM Watson | Treat or Diagnose (replaces treatment recommendation) | Critical (cancer/life-threatening) | IV | H | Autonomous (positioned to replace MDT) |
| 2 | Babylon Health | Drive Clinical Mgmt. (symptom-based triage) | Serious (potential emergency) | II | M | Autonomous (direct-to-consumer app) |
| 3 | Ada Health | Drive Clinical Mgmt. (symptom assessment) | Serious (multiple conditions) | II | M | Autonomous (direct-to-consumer app) |
| 4 | Google Health | Drive Clinical Mgmt. (DR screening referral) | Serious (risk of vision loss) | II | M | Autonomous (primary care without ophthalmologist) |
| 5 | Lunit INSIGHT | Inform Clinical Mgmt. (2nd reader aid) | Serious (pulmonary conditions) | I | L | Mandatory (radiologist makes final decision) |
| 6 | VUNO Med | Inform Clinical Mgmt. (fundus anomaly) | Serious (retinal conditions) | I | L | Mandatory (ophthalmologist makes final decision) |
| 7 | Tencent Miying | Inform Clinical Mgmt. (real-time lesion alert) | Serious (esophageal cancer) | I | L | Mandatory (endoscopist present during procedure) |
| 8 | Ibex Medical AI | Inform Clinical Mgmt. (pathology slide aid) | Serious (cancer pathology) | I | L | Mandatory (pathologist makes final reading) |
| 9 | Olympus AI | Inform Clinical Mgmt. (colonoscopy aid) | Non-serious (colorectal polyps) | I | L | Mandatory (endoscopist present during procedure) |
| 10 | IDx-DR | Treat or Diagnose (autonomous DR diagnosis) | Serious (risk of vision loss) | III | H | Autonomous (FDA De Novo: “no physician required”) |
| 11 | HeartFlow | Drive Clinical Mgmt. (FFR-CT measurement) | Critical (coronary artery disease) | III | H | Mandatory (cardiologist makes final decision) |
| 12 | Doctronic AI | Treat or Diagnose (autonomous prescription issuance) | Serious (chronic disease) | III | H | Autonomous (Utah Sandbox Contract: autonomous Rx authorized) |
3) 유형별 사례 요약
(1) [유형 I] 고위험/자율 판단(시장 실패 사례) - 제도적 검증 미비가 원인
∙ 주요 사례: IBM Watson for Oncology, Babylon Health, Ada Health, Google Health (태국)
유형1에 해당하는 사례들은 전부 FDA 승인은 시도하지 않았으며, 의사를 대체하겠다는 의도로 자율 판단 영역으로 진입하는 것이 목적이었다. 따라서, 제도적인 지원의 부재가 수용에 어려움을 겪었던 주요 원인으로 파악된다. 의료 AI가 시작되는 초기 사례들로서, AI에 대한 기술적 우위성에 주로 의존하였으나, 실제적인 기술적 완성도나 시장과 고객의 인식 수준 모두 충분하지 않은 상황 하에서, 가장 어려운 고위험 영역의 의료행위 중 진단 영역을 완전 자율 판단으로 추진하려고 했다. 결과적으로, 의사를 대체(Replace)해야 한다는 의도만 있을 뿐, 실질적으로는 어려움이 많았다.
하지만 Watson의 경우에는 의료 AI 시장에 기여한 점으로, 다국가 임상 일치율 연구가 의료 AI 성능을 평가하는 표준 방법론으로 정립되었다는 것에서 큰 의미를 찾을 수 있다[21].
∙ IBM Watson for Oncology
IBM은 왓슨의 자연어 처리(NLP) 능력을 의료 분야에 적용하여 AI 의사를 만들겠다는 원대한 목표를 세우고, MD 앤더슨 암 센터, 메모리얼 슬론 케터링 암 센터 등과 협력하여 암 진단 및 치료 보조 도구를 개발·적용하기 시작했다. Strickland [2]는 IBM 왓슨 헬스 부서에서 나온 제품들은 한때 구상했던 뛰어난 AI 의사가 아니라 특정 반복 업무를 수행할 수 있는 AI 비서일 뿐이며, 의료 텍스트 문서에서 AI 시스템은 모호성을 이해하지 못하고 인간 의사라면 알아챌 수 있는 미묘한 단서를 포착하지 못하는 수준이라고 비판하였다. 실제로 MD 앤더슨 암 센터는 약 6,200만 달러(USD 62M)라는 엄청난 비용을 투입했으나, 결국 Watson 도입을 중단하였다.
국내에서도 2016년 한국 가천대 길병원이 국내 최초로 Watson for Oncology를 도입하였으나, Kim et al.[22] 의 연구에 따르면 결장 직장암 환자 69명 대상 연구에서 Watson과 다학제 진료팀(MDT) 간의 치료 권고 일치율이 46.4%에 그쳤으며, 특히 2기·3C기·4기 환자에서 일치율이 현저하게 낮았다. Park et al.[23]의 비뇨기 종양 연구에서는 전체 일치율이 92.7%였으나 환자 3명에 대해서는 적절한 치료 옵션을 제시할 수 없었고, Watson이 권고한 선택지는 한국 건강보험심사평가원의 급여 기준상 실제 적용이 불가능한 경우가 있었다. 또한, 진료 워크플로우에도 거부되어 적합성이 확보되지 못하였고, 블랙박스 구조로 복합성이 높다.
∙ Babylon Health
Baker et al.[24]는 Babylon Health AI는 사용자를 실제로 알지 못하면서도 의학적 통찰력을 제공하도록 구축된 보이지 않는 조언자로서, 문화적 뉘앙스나 감정적 무게를 이해하지 못하고 단순히 시스템을 통해 결과를 제공할 뿐이라고 평가하며, AI 증상 확인 도구는 최종 해답이 아니라 첫 번째 단계의 도구에 불과하다고 언급한다. 증상 확인이라는 제한된 기능을 가진 소비자용 챗봇의 단순 수준에 머물렀고, NHS 정식 승인도 확보하지 못한 점에서 상대적 이점이 중간 수준에 그쳤고, 과도한 데이터 권한 요구와 오진 가능성으로 의료 워크플로우에 통합되지도 못하고 사용자 신뢰를 무너뜨려 결국 파산에 이르렀다. 하지만 증상 확인 결과를 즉시 챗봇으로 제공한다는 점에서 관찰 가능성은 높았다.
∙ Ada Health
Gilbert et al.[25]는 8개의 증상 평가 앱과 7명의 일반의(GP)를 비교 연구한 결과, 의사들의 Top-1 진단 정확도 평균 82.1% 대비 Ada Health가 Top-3 기준에서 70.5%로 의사 수준에 가장 근접하였음을 확인하였다. 응급처치 권고 안전성에서도 Ada가 97.0%로 의사(97.0%)와 동일한 수준을 달성하였다. Ada vs Symptoma 무작위 교차 연구[26]에서는 응급실 환자 437명 대상 연구에서 Ada가 Symptoma보다 진단 정확도(상위 5순위 이내 75% vs 64%)가 높았으나, 중증도 분류 정확도는 34%에 불과하고 두 앱 모두 생명 위협 진단 누락률이 13~14%에 달하였다. Ada Health는 진단 정확도가 의사 수준에 근접하는 성능과, CE 승인을 받은 베이지안 네트웍 기반 앱으로 증상 평가 결과를 즉시 제공해 높은 관찰 가능성을 장점으로 보유하였으나, 소비자 직접 대면(D2C) 형태로 제공됨으로써, 실제 의료 시스템에 통합되지 못하고 정상 임상 승인되지 못해 헬스케어(Wellness) 영역에 머물렀다.
∙ Google Health (태국 사례)
구글 헬스는 2008년 개인건강기록(PHR) 서비스에서 2018년 AI 기반 딥러닝 알고리즘 서비스로 전환하였다. 2차 구글 헬스는 Care Studio, 딥러닝 기반 안저 영상 판독, 유방암 검출 AI 등 고도화된 의료 AI 솔루션을 구축하였으나 2021년 중단되었다. Beede et al.[3]는 구글 헬스가 당뇨망막병증 영상 판독에서 높은 기술적 정확도를 입증하여 상대적 이점은 분명했으나, 태국 11개 클리닉에서 운영된 사례를 통해, 실제 임상 현장에서 간호사(사용자)가 겪는 사회-환경적 요인이 AI 성능과 업무 흐름에 부정적 영향을 미쳐 적합성 차원에서 큰 문제가 있었음을 지적하였다. 실제로 태국 현지에서는 정식 규제허가를 받지 못하였고, 조명 불량이나 인터넷 불안정으로 인한 이미지 판독 거부가 간호사의 추가 작업을 유발하여 부정적 인식을 키웠다.
(2) [유형 II] 저위험/필수 개입 – 시장 안착(The Safe Assistant)
∙주요 사례: Lunit INSIGHT, VUNO Med, Tencent Miying, Ibex Medical AI, Olympus AI
1세대의 실패를 반면교사 삼아, 저위험 영역으로 도메인을 변경하였다. 의사의 개입을 필수화하여 안전성을 확보한 유형이다. 현재 의료 AI의 표준(Standard)으로 자리 잡은 2세대 영상 진단 AI들이 여기에 속한다. 의사의 권위를 침해하지 않으면서 제2의 판독자로서 도메인의 변경과 함께 역할도 변경하여 도구로서의 성능을 극대화한 전략적 적합성(Compatibility) 확보가 수용 확대의 핵심이다.
∙ Lunit INSIGHT
루닛 인사이트(Lunit INSIGHT)는 단순한 병변 검출 보조(CAD) 기능뿐만 아니라, 미국 FDA로부터 흉부 X선을 이용한 응급 소견 선별 우선순위 분류(triage) 솔루션으로 510(k) 승인(K211733)을 받았고, PACS와 통합하여 영상 의학과 전문의의 진단 정확도 향상과 워크플로우 단축을 지원하는 2세대를 대표하는 영상 진단 AI로 자리 잡았다. Kim et al.[5] 은 170,230건의 유방촬영 데이터를 활용하여 14명의 영상 의학과 전문의가 AI의 보조 전후를 비교한 연구를 통해, 의료 AI가 전문의의 유방암 발견율을 높이는 동시에 불필요한 오진을 줄여주어 인간 판독자 1명을 대체하는 수준의 신뢰성 확보가 가능하다는 결과를 도출하였다. Leeuwen et al.[27]은 독립 검증 연구에서 흉부 방사선 사진 폐 결절 검출에서 Lunit(AUC-폐 결절을 정확하게 검출하는지 측정 지표, 1에 가까울수록 정확, 0.93), Annalise.AI(AUC-0.90), Milvue(AUC-0.86), Oxipit(AUC-0.88)이인간 판독자(AUC-0.81)를 능가하였음을 확인하였다. Ahn et al.[28]은 AI 보조 판독이 특이도에 부정적 영향 없이 판독 소요 시간을 약 10%(40.8초→36.9초) 단축하면서 진단 정확도를 향상시킴을 입증하였다. 비록 블랙박스 구조이지만 설명 가능 기능을 제공함으로써 복잡성 문제도 해결하였고 판독 우선순위 재배열이 화면에서 확인되어 관찰 가능성도 높았다. Lunit과 같은 기업들이 이끌었던 2세대 AI의 핵심은 의사를 대체하는 것이 아닌 의사의 실수를 줄여주는 보조적 판독 지원자로 포지셔닝한다.
∙ VUNO Med
VUNO Med는 과거 딥러닝 모델들이 지닌 블랙박스 문제를 해결하기 위해 병변 히트맵을 통해 안과의사들이 비정상 병변으로 주의를 유도할 수 있는 해석 가능한(Interpretable) 결과를 제공하였다. Son et al.[29]은 103,262장의 안저 이미지 기반 309,786건의 판독 데이터를 활용하여 12가지 주요 비정상 소견 검출에서 내부 데이터셋 AUC 96.2%~99.9%, 외부 데이터셋 94.7%~98.0%의 우수한 성능을 입증하였다. 특히 검출 정확도와 판독 시간 단축을 입증하여 상대적 이점이 분명했고 즉시 측정되어 관찰 가능성도 확보되었으며, 식약처 Class III 의료기기 허가(VUNO Med-Fundus AI)를 통해 기존 안저 검진 워크플로우에 통합되고, 병변 히트맵으로 해석 가능한 결과를 제공하여 복잡성도 관리되었다. 또한 정상인 눈의 검사 필요성을 없앰으로써 전체 작업량과 의료비를 절감하고, 안과 의사를 쉽게 만날 수 없는 지역에서의 의료 접근성을 개선하는 효과를 보였다.
∙ Tencent Miying
Guo et al.[30]의 연구는 내시경 전문의가 전암성 병변 및 조기 식도 편평세포암(ESCC)을 실시간으로 자동 진단하는 것을 지원하기 위한 딥러닝 모델(텐센트 미잉) 개발을 목표로 하였다. 이 모델은 초기 단계 병변 감지에서 높은 민감도와 특이도를 보이며, 정기 내시경 검사 중 실시간으로 통합되어 기존 시술 흐름에 자연스럽게 부합됨으로써, 병변 누락률을 잠재적으로 낮출 수 있음을 검증하였다. 텐센트 미잉은 의료 AI가 분석 지원만 이 아니라 의사의 시술 중 용종 검출이 즉시 시각화되어 시술 단계에서도 실시간 피드백을 제공하는 역할로 진화하고 있음을 보여준다.
∙ Ibex Medical AI, Olympus AI
Topol[1]은 심층 신경망(DNN)이 폐 결절, 간 종양, 췌장암, 관상동맥 등 다양한 의료 영상 스캔에 적용되어 왔다고 언급하며, 인간으로서는 불가능한 것을 보고 수행할 수 있는 기계가 고성능 의료의 기반을 마련할 것이라는 기대를 피력하였다. Ibex Medical AI를 적용한 사례로 Pantanowitz et al.[31] 에 따르면 전립선암 탐지 AUC(성과지표, 1에 가까울수록 높은 정확도) 0.997, 외부 검증 AUC 0.991의 성능으로 상대적 이점이 분명했고, CE 인증을 확보하여 2018년 3월부터 Maccabi 병리 연구소에 2차 판독 시스템으로 실제 적용되는 등 기존 병리 검사실 워크플로우에 통합되었다. Olympus AI(EndoBRAIN)의 경우 Misawa et al.[32]는 대장 내시경 시술 중 AI가 용종의 종양성 여부를 즉시 판별하여 의사의 의사결정을 돕는 전형적인 CDSS(임상 의사결정지원시스템) 사례를 제시하였으며, 내시경 장비에 직접 통합되어 내시경 시술을 전제로 작동되므로 기존 의료 프로세스에 자연스럽게 녹아들어 의사의 저항감을 최소화하였다.
(3) [유형 III] 고위험/자율 판단 - 시장 부상(The New Wave)과 규제 장치 지원
∙주요 사례: IDx-DR, Heartflow, Doctronic AI
3세대로 분류되는 최근 새롭게 부각되고 있는 의료 AI는 1세대의 실패를 반면교사 삼고, 2세대의 성공적인 시장 안착 요인을 잘 인용하여, 저위험 영역으로 도메인 영역을 변경 설정했으며, 또한, 2세대에서 시장과 의사가 활용에 동의하고 있다는 점도 활용하고자 했다. 1세대와의 차이점은 제도적 시험가능성을 모두 확보하고 있다는 점이다. 24년 이후 AI의 기술적 성능 수준이 상당히 높아져, 의사의 개입을 최소화시킬 수 있는 사회적 분위기를 조성하는 등 자율적 판단을 통한 대행 행위를 실제로 실행하고 있어 새로운 시장을 향하여 가고 있다. 오랜 기간 시장 운영을 통해 확보한 경험을 바탕으로 하고, 의료 자원 부족에서 비롯된 번아웃같은 문제를 해결할 수 있는 대안으로 AI가 인정받고 있다.
∙ IDx-DR
Abràmoff et al.[6]의 연구는 당뇨망막병증(DR) 진단을 위한 자율형 AI 시스템이 민감도 87.2%, 특이도 90.7%를 달성하여 사전 설정된 임상적 우월성 기준(민감도 85% 이상, 특이도 82.5% 이상)을 초과 달성하였음을 확인하였다. 이를 기반으로 FDA De Novo[14]는 의학 전 분야를 통틀어 인간 전문가의 판독 없이 독자적으로 진단을 내릴 수 있는 최초의 자율형 AI 진단 시스템을 승인하였고 미국에서 CPT 수가 코드를 부여받아 1차 진료 보험 청구가 가능한데 1만 건이 넘는 CPT 청구 결과를 보이고 있다[33].
∙ HeartFlow
기존 관상동맥 CT 혈관조영술(CCTA)은 형태학적 협착을 확인할 수 있으나 실제 허혈 여부는 알 수 없다는 한계가 있었다. HeartFlow는 CT 영상에 유체역학과 딥러닝을 적용한 FFR(Fractional Flow Reserve)ct기술(ct 기반 심장혈관 협착 정도가 혈류량에 얼마나 영향을 미치는지 비침습적으로 분석하는 진단 기술) 로 비침습적으로 혈류를 계산한다.
Douglas et al.[34]의 PLATFORM 연구는 FFRct 유도 진단 전략이 기존 표준 치료 대비 폐쇄성 질환이 없는 불필요한 ICA(Invasive Coronary Angiography, 침습적 관상동맥 조형술) 시행 비율을 73%에서 12%로, 혁신적으로 감소시키며, FFRct 사용으로 인한 부작용은 단 한 건도 없었음을 입증하였다. 다만 추가 CT 촬영이 필요하고 최종 판단은 심장내과의가 내리는 구조이며, 보고서가 즉시 전달되더라도 진료 현장에서의 가시성이 낮은 상황이다.
∙ Doctronic AI
26년 미국 시장에서 비록 샌드박스 형태이지만, 최초로 처방전을 발급하는 의료 AI 사례로서 큰 주목을 받고 있다. Utah News[7]는 AI가 처방전 갱신에 대한 자율적 판단을 통해 의료 임상 결정에 참여하게 된 세계 최초의 사건으로 언급하였다. Hayat et al.[35]가 진행했던 다중 에이전트(Multi-Agent) AI 솔루션인 Doctronic AI 성과와 전문의 성과의 비교 분석한 연구 결과에서, 최우선 진단(Top-1) 일치율 81%, 치료 계획 일치율 99.2%의 높은 성과를 보였다. 더구나 진단 불일치 결과를 전문가 패널을 통해 비교 분석한 결과 Doctronic AI에 의한 성과가 전문의보다 더 정확하다는 결과가 나왔다. AI 활용에 있어 가장 우려가 되는 임상적 환각(Clinical Hallucination)은 발생하지 않았다.
(4) 분석 결과
12개 글로벌 의료 AI 사례를 의사 개입도(Doctor Intervention)와 임상 위험도(Clinical Intervention) 두 개의 축으로 매트릭스에 매핑하면 진화 흐름이 드러난다. 12개 사례는 세 가지 유형의 군집으로 나뉘며, 핵심 패턴은 1세대(고/중위험/자율 판단)→2세대(저위험/필수 개입)→3세대(고위험/필수개입, 자율판단)로 이어지는 U형 진화 곡선 형태를 보인다. 의료 AI가 초기 기술적 과신에 기반한 무모한 시도로 실패를 거쳐, 의료진과의 협력 체계를 완전하게 만들면서 시장의 신뢰를 형성하고 참여 기업들이 점차 많아지는 시장 안착 및 확대 과정을 거쳐, 축적된 성공 기반을 바탕으로 의료 AI의 진화된 기술력 기반 역량과 다양한 지원 환경 기반으로 의사와의 파트너라는 포지션을 강화하면서 자율 운영을 목표로 진화하고 있는 패턴을 입체적으로 보여주고 있다.
특히, 1세대 시도에서 얻은 Lesson Learned를 기반으로, 2세대에서는 의료진과의 협력 체계가 가능한 Low Risk에 해당하는 도메인인 Chest X-ray나 Colonoscopy 같은 주로 영상의학 도메인으로 변경함으로써 신뢰 형성과 확대가 가능하게 되었다. 하지만 3세대는 여기에 안주하지 않고 다시 고위험/자율 판단 영역으로의 재진입을 시도하고 있다는 점에 주목한다. 3세대가 다시 고위험/자율 판단 영역으로 돌아갈 수 있었던 것은, 2세대가 축적한 신뢰 기반과 그 위에 구축된 제도적 장치(FDA 경로·샌드박스) 가 결합하여, 고위험/필수 개입 영역에서도, 1세대와 다르게 시장 제도(샌드박스나 보험 수가) 가 관찰 가능성을 확보하였으므로, 시장 수용을 가능하게 했다. 특히, 3세대에 해당하는 Heartflow는 필수개입(Mandatory Intervention) 영역에 포지셔닝되는데, 이는 HeartFlow의 ICA(침습적 관상동맥 조영술) 61% 감소라는 임상 이점을 통해 보험 수가 적용이 가능했고, 그것이 청구 건수라는 제도로 연결되어 관찰 가능성이 확보된 케이스이다. 3세대가 AI 채택에 있어 결정 요인은 기술이 아니라 제도라는 것을 알게 한다<Figure 2>.
2. 의료 AI의 발전 과정
의료용 AI는 초기 모델이 등장한 이후 몇 세대에 걸쳐서 발전해 왔다. Jiang et al.[4]은 고전적 기술인 머신 러닝(이하 ML로 표기) 기술이 딥러닝(Deep Learning) 기술로 전환되어 영상 분석에 많이 활용되는 것을 새로운 세대로 정의했다. 그리고 Thirunavukarasu et al.[36]은 대형언어모델(Large Language Model)이 등장한 이후 기존 딥러닝이 지도 학습되는 형식과는 달리 자기 지도 학습(Self-supervised learning)을 통해 방대한 비레이블 데이터로 사전 훈련된 생성형 모델이라는 차별적인 특징을 지니는 것으로 보아 새로운 세대가 등장한 것으로 규정했다. 이를 종합하면 의료용 AI 모델은 크게 3세대로 발전해 온 것으로 볼 수 있다. 1세대는 2010년부터 2018년까지로, 이 시기는 특정한 규칙을 기반으로 하고 지식을 추론하는 형태의 AI(Knowledge-based Machine Learning)라는 특징을 지닌다. 2세대는 2018년~2024년 사이에 등장한 모델로 딥러닝과 영상 보조가 가능한 AI 세대이며, 마지막 3세대는 2024~현재까지로, Multi-agent 및 자율 대행이 가능한 AI 시대로 특징지을 수 있다. 본 연구에서 AI 세대를 3가지로 분류하는 근거는 기존 문헌[27][36]등에서 제시했던 AI의 발전단계를 의료 AI 수용 관점에서 재구성했다.
(1) 1세대: 지식기반 ML (Knowledge-based Machine Learning, 2010~2018)
규칙 기반 알고리즘을 위주로 하는 지식기반 머신러닝 기술은 의료 AI 개발을 가능하게 했다. 이 방식의 대표 사례는 IBM Watson for Oncology다. Watson은 많은 의학 논문과 자료들을 학습하여 축적된 내용을 의료인들에게 추천하는 방식으로 작동했다. 하지만 1세대 의료 AI의 여러 한계점들, 통계 패턴인식으로 임상적 판단 진행이 어려운 점, 자연어 이해의 근본적 한계, ERP의 복잡성과 비정형 데이터 혼재로 인한 데이터 확보 수준의 한계 발생, 기존 의학의 표준에 일치시키기가 어려운 점 그리고 실제 환자 임상 결과가 향상되었다는 결과 확보가 어려운 점 등을 극복하지 못한 장벽을 인식한 세대이다[2].
(2) 2세대: 딥러닝 및 영상 보조(Deep Learning / Vision Support, 2018~2024)
딥러닝 기술이 의료 AI에 적용되기 시작한 것은 Lunit INSIGHT, VUNO Med 등과 같은 영상 판독 분야에 의료 AI가 집중적으로 도입되던 2018년 이후였으며, Leeuwen et al.[27]은 2세대 의료 AI의 가장 큰 기술적 차별점으로 들고 있는 딥러닝(Deep Learning), 특히 합성곱 신경망(이미지나 영상 등 그리드 형태의 시각적 데이터를 분석하는데 특화된 딥러닝 알고리즘) 이 인간 판독자를 뛰어넘는 수준임을 검증(루닛은 흉부 방사선 사진의 폐 결절 검출에서 7개 딥러닝 알고리즘 중 최고 AUC(악성 암 여부를 판별하는 수준, 1에 가까울수록 정확도가 높음) 0.93으로 인간판독자(AUC-0.81)을 통계적으로 유의하게 초과) 하였다. 이로 인해, 방사선과 분야의 인공지능 소프트웨어 시장은 빠르게 성장(EU 200개 이상 딥러닝 의료 영상 AI 제품이 출시) 하고 특히 AI 성능이 급여 제공이나 구매 기준이 될 수도 있다는 주장의 근거를 제공하기도 하였다. 이는 딥러닝 기술 기반 의료 영상 분석 AI가 2세대 의료 AI의 핵심으로서 임상 단계까지 성공적으로 진입했다는 것을 확인해 주는 내용이다.
(3) 3세대: 다중 에이전트 및 자율 대행(Multi-Agent / Autonomous, 2024~현재)
2024년 즈음에 등장한 거대언어모델(Large Language Model)과 Agentic AI 기술은 의료산업뿐만 아니라 전 산업에 큰 혁신을 가져다준다. Thirunavukarasu et al.[36] 은 LLM은 자연어 처리 분야에 혁명을 일으켰고, 현재 의료 분야 AI 혁신의 최전선에서 핵심적인 위치를 차지한다는 내용으로 실제 신규 기술이 의료의 임상, 교육, 연구 전반에 걸친 무한한 기회를 제공하고 있다고 주장하고 있다. Doctronic AI가 현재 가장 최신 발표된 대표적인 사례로서 다중 에이전트 시스템(Multi-Agent System)은 마치 의사들이 협진하는 형태로 전문가의 추가적인 크로스 체크까지 하는 역할을 수행하고, 그리고 실제 임상 현장에서 처방전을 발급하는 작업까지 자율적으로 진행함으로써, 실질적 의료 행위를 대행하는 자율대행이 가능한 수준으로까지 진화시켰다고 평가받는다. Topol[1]은 미래 의학은 단순히 기술의 발전이 아니라 인간의 지능과 인공지능이 시너지를 내는 고성능 의학으로 나아가야 한다는 주장을 했다. 3세대의 LLM의 높은 수준으로 인해 인간 대 AI 협업 관계를 초월한 자율적 위임을 기대할 수 있다고 할 수 있다.
Ⅲ. 연구결과
1. 의료 AI의 대표 사례 비교 분석
본 연구에서는 IBM Watson for Oncology라는 종양학 치료 상담 AI와 Doctronic AI라는 만성질환을 대상으로 한 갱신 처방용 AI를 이질적인 도메인과 의료 임상적 기능이 다른 대상임에도 불구하고, 의료 AI 수용이라는 공통의 맥락하에서 고위험/자율판단이라는 동일한 영역에의 포지셔닝을 지향하고 있다는 점에서 비교 대상으로 선정하였다.
1세대 Watson은 수용에 장벽이 발생했다는 결과와 3세대 Doctronic AI는 초기 단계이긴 하지만 현재 상황에서는 수용 가능성을 높이는 요인을 갖추고 있다는 대조적인 결과가 도출되었다. 본 연구에서는 이 두 가지 사례의 비교 분석에 활용한 프레임워크인 Rogers[8]의 DOI의 5개 속성이 각각 어떻게 작용하였는지를 파악하여, 혁신의 수용과 확산을 연구하려는 것이다.
또한, 실제 2세대부터 가장 큰 변화를 보이는 부분은 적용되는 도메인이 달라지고 있다는 점이기 때문에 이것도 연구의 핵심 발견에 해당한다. DOI 차원에서 이런 수용 가능성이 높은 도메인의 선택으로 관찰가능성이 높아지고, 복잡성이 낮아지며 특히 규제 샌드박스 같은 제도의 틀을 활용하는 가운데 유리한 입지를 가져갈 수도 있다는 것을 알게 된다. 다시 말하면, 3세대 의료 AI가 보다 높은 수용과 확산의 가능성이 있는 주요 원인 중 하나가 단순 기술적 혁신에서 오는 것이 아니라 DOI 속성이 유리하게 작용할 수 있는 도메인을 의도적으로 선택한 전략적 우회의 결과라고 볼 수 있는 것이다.
분석 방법으로는 항목별로 핵심 문헌에 해당하는 원문 발췌 내용을 대상으로 정성적 비교분석(Qualitative Comparative Analysis) 방식을 활용했다.
1) 비교 분석 프레임워크 - Rogers의 혁신 확산 이론(DOI)
본 연구에서는 Rogers[8]가 제시한 혁신확산이론(Diffusion of Innovations Theory, DOI)을 분석 프레임워크로 활용한다. 기존 신기술의 수용 분석에는 Davis[37]의 기술 수용 모델(Technology Acceptance Model, TAM)이 흔히 적용되며, 이 이론은 개인이 인지된 유용성(Perceived Usefulness)과 인지된 사용 용이성(Perceived Ease of Use)을 핵심 변수로 삼는데 이는 개인이 특정 시점에 기술을 수용할 의도가 있는지를 측정하는 데보다 초점이 맞춰져 있다.
본 연구가 DOI를 분석에 선택한 이유는 의료 AI에 적용된 혁신의 분석에 필요한 것은 조직과 사회 시스템에 확산되는 과정(Process)을 통시적으로 설명할 수 있어야 하기 때문이다. 구체적으로 본 연구는 첫째, 분석 대상을 병원, 규제 기관, 의료 시장 등 조직과 제도가 어떻게 수용하는지에 대한 분석을 다루고 있고, 둘째, 2010년~2026년 사이에 발생한 주요 사례를 3단계의 통시적인 흐름으로 분석되어야 하고, 셋째, Watson이 수용에 장애가 발생한 내용과 Doctronic AI 비교에서도 사회와 제도에 수용이 거부되거나 수용에 성공되는 것을 규명하려고 하기 때문에 DOI가 보다 적합하다.
또, 혁신확산이론은 5가지 속성인 상대적 이점, 적합성, 복잡성, 시험가능성, 관찰가능성을 활용하여보다 다각적으로 분석이 가능하다는 장점이 있다고 볼 수 있다. 이를 각 속성별 특성을 정리하면 아래와 같다.
상대적 이점(Relative Advantage)이란 혁신이 기존의 아이디어보다 더 나은 것으로 지각되는 정도로, 혁신의 수용률과 정(+)의 상관관계를 가진다. 적합성(Compatibility)이란 혁신이 잠재적 수용자의 기존 가치관, 과거 경험, 현재의 필요와 일치하는 것으로 지각되는 정도를 의미한다. 의료 AI에서는 병원정보시스템(HIS)이나 의사의 진료 워크플로우(Workflow)에 자연스럽게 통합될 수 있는지가 적합성을 판단하는 핵심이다[2]. 복잡성(Complexity)이란 혁신을 이해하거나 사용하기 어렵다고 느끼는 정도로, 수용률과 부(-)의 상관관계에 있다. 딥러닝 모델의 블랙박스(Black-box) 현상은 설명 가능성(Explainability)을 저해함으로써 의료진의 수용을 어렵게 하는 주요 원인이 된다[2]. 시험가능성(Trialability)이란 혁신을 제한된 범위 내에서 실험할 수 있는 정도로, 수용 수준과 정(+)의 상관관계에 있다. 인간의 생명을 다루는 의료 분야에서는 단계적 도입을 위한 제도적 장치(예: 규제 샌드박스)가 시험가능성을 높이는 핵심 변수가 된다[2]. 관찰 가능성(Observability)이란 혁신의 결과를 제3자가 관찰할 수 있는 정도로, 수용 정도와 정(+)의 상관관계에 있다. 암 환자의 5년 생존율과 같이 결과 확인에 오랜 시간이 걸리는 사례는 관찰 가능성이 낮아 수용이 지연된다[2].
2) DOI 조작적 정의와 평가 기준
Rogers[8] DOI 5개 속성을 사례 분석에 일관되게 적용하기 위하여, 각 속성의 조작적 정의와 H/M/L 평가 기준을 다음과 같이 설정하였다 <Table 5>. 또한 분석에 활용한 자료는 신뢰도에 따라 4개의 근거 수준으로 구분하여 분석에 반영하였다<Table 6>.
본 연구는 12개 사례들을 대상으로 공개된 동료 심사 학술지(Level A) 및 공식 규제 문서(Level C)를 근거로 하여, 각 속성별로 High[H]/Mid[M]/Low[L]로 평가하였다<Table 7>. 각 속성은 상대적 이점(진단 정확도, AUC), 적합성(워크플로우 통합, 수가 연계), 복잡성(설명 가능성), 시험가능성(규제 허가, 샌드박스), 관찰 가능성(임상 적용 가시성) 등으로 조작적 정의되어 평가되었다. 이런 질적 평가 방식은 기존 Rogers[8] DOI 활용 연구가 개인 설문을 기반으로 측정됨으로써, 통계적 메타분석의 동질성 요건을 충족하지 못했기 때문에, 사례별 속성을 공식 공개 자료를 근거로 체계적으로 비교할 수 있게 조작적 정의를 활용한 질적 비교분석(Qualitative Comparative Analysis) 방식으로 진행한다.
<Table 5>
Operational Definitions and Evaluation Criteria for the Five Rogers DOI Attributes
Note: For Complexity, a lower value (higher explainability) is favorable for adoption. Thus, L is the positive rating.
| DOI Attribute | Operational Definition | H/M/L Criteria | Primary Source |
|---|---|---|---|
| Relative Advantage | Performance superiority over existing diagnostic / treatment methods | H: at or above human expert level / M: partial advantage / L: unproven or disputed | Peer-reviewed (Level A) |
| Compatibility | Degree of integration with existing clinical workflow and institutions | H: workflow & reimbursement linked / M: partial / L: not integrated | Regulatory doc (Level C) |
| Complexity | Difficulty for adopters to understand and use (explainability) | L: explainable, simple (favorable) / M: partial / H: black-box (unfavorable) | Peer-reviewed (Level A) |
| Trialability | Potential for phased trial and validation before adoption | H: regulatory approval or sandbox / M: limited to some countries / L: not secured | Regulatory doc (Level C) |
| Observability | Visibility of adoption results and effects | H: claims volume, immediate effect / M: partial / L: long-term, not visible | Claims data (Level A) |
<Table 6>
Classification of Evidence Levels of Analytical Sources
Note: Attribute evaluation prioritized Level A and C sources wherever possible; Level B and D were reflected only supplementarily.
| Evidence Level | Data Type | Principle of Application |
|---|---|---|
| Level A | Peer-reviewed journal articles (SCI/SSCI, etc.) | Highest evidence. Used as the primary basis for attribute evaluation |
| Level B | Non-peer-reviewed preprints (e.g. arXiv) | Supplementary. Cited only when peer-reviewed sources are absent (e.g. Doctronic) |
| Level C | Official government/regulatory documents (FDA, IMDRF, MFDS, etc.) | Primary basis for regulatory and classification criteria |
| Level D | Corporate releases and news reports | Minimal supplementary use; only for factual confirmation |
<Table 7>
Comparative Analysis of 12 Cases Based on the Five Rogers DOI Attributes
Note: [H]=High (positive/strong), [M]=Medium, [L]=Low (negative/absent). For Complexity, [L] (low complexity, high explainability) is favorable for adoption. Babylon/Ada: Trialability [L]=no formal clinical regulatory clearance. Tencent Miying: Based on prior studies in the same technical domain.
| Case | Relative Advantage | Compatibility | Complexity | Trialability | Observability |
|---|---|---|---|---|---|
| IBM Watson for Oncology | [L] Strickland (2019)[2] IEEE: MD Anderson $62M termination; concordance limitations | [L] HIRA[22] reimbursement not linked; workflow rejected by clinicians | [L] Black-box NLP; reasoning unexplainable to physicians | [L] No FDA clearance; deployed to 21 hospitals without prior validation | [L] Cancer long-term survival: 5+ years of observation required |
| Babylon Health | [M] Baker (2020)[24]: NHS-unapproved; symptom check functionality provided | [L] Not integrated into NHS workflow; no regulatory clearance | [M] Consumer app; simple chatbot interface | [L] No formal FDA/CE regulatory clearance | [H] Immediate symptom check results provided |
| Ada Health | [M] Gilbert (2020) BMJ Open[25]: Ada top-3 70.5% vs. GP top-1 82.1% | [L] Not integrated into healthcare system; direct-to-consumer | [M] CE-certified app; Bayesian network-based[25] | [L] CE-certified but no formal clinical approval | [H] Immediate symptom assessment results |
| Google Health | [H] Beede (2020)[3] CHI: superior technical accuracy confirmed | [L] Beede (2020)[3]: social context ignored; real-world failure | [M] Automated DR image screening | [L] No formal regulatory clearance in Thailand | [M] Image reading results; screening clinic-centered |
| Lunit INSIGHT | [H] van Leeuwen (2024) Radiology[27]: AUC 0.93 vs. human radiologist 0.81 | [H] FDA 510(k) K211733[13]: computer-assisted triage / prioritization, physician makes final reading; integrated into PACS | [M] Black-box but XAI features provided | [H] FDA 510(k) K211733 (Nov 2021) formal clearance | [H] Immediate work list prioritization visually confirmed |
| VUNO Med | [H] Son (2020) Ophthalmology[29]: 12 abnormal findings, internal AUC 0.962-0.999 | [H] MFDS Class III clinical approval[16]; integrates into existing fundus-screening workflow | [M] Image reading assistant; explainable output | [H] MFDS Class III approval (VUNO Med-Fundus AI, 2020)[16]; designated Korea’s first Innovative Medical Device | [H] Reading time reduction and detection improvement immediately measurable |
| Tencent Miying | [H] Guo (2020) Gastrointest Endosc[30]: real-time ESCC detection, high sensitivity / specificity | [H] Real-time integration during endoscopy; fits existing procedure workflow | [L] Real-time alert; simple lesion / normal binary output (low complexity) | [M] NMPA (China)[17] approved; no FDA/CE clearance | [H] Immediate lesion detection visualization during live endoscopy |
| Ibex Medical Analytics | [H] Pantanowitz (2020)[31] Lancet Digital Health: AUC 0.991, sensitivity 98.46% | [H] CE IVDR[19]: integrated into existing pathology lab workflow | [M] Pathology slide analysis; pathologist makes final reading | [H] First standalone CE IVDR clearance + FDA 510(k) | [M] Results confirmed after reading; immediate but externally processed |
| Olympus AI (EndoBRAIN) | [H] Misawa (2016)[32] Gastroenterology: colonoscopy AI detection validated | [H] Directly integrated into endoscope; endoscopist presence mandatory | [L] Real-time alert; simple binary output (low complexity) | [H] CE marked; Japan PMDA approved[19] | [H] Immediate polyp detection during live colonoscopy |
| IDx-DR | [H] Abràmoff (2018)[6] npj Digital Medicine: sensitivity 87.2% / specificity 90.7%; autonomous diagnosis | [H] CPT code assigned; insurance reimbursable; primary care integration | [M] Autonomous decision; simple positive/negative output | [H] FDA De Novo DEN180001 (Apr 2018)[14]; first autonomous AI clearance | [H] Wu (2023) NEJM AI[33]: 10,000+ CPT billing claims confirmed |
| HeartFlow FFRCT | [H] Douglas (2015)[34] Eur Heart J: 61% reduction in unnecessary invasive procedures | [M] FDA De Novo (2014)[20]; additional CT required; final decision by cardiologist | [M] Complex computation but simple color-coded map output | [H] FDA De Novo (Dec 2014)[20]; NICE evaluation passed (2017) | [M] Report delivered immediately; low bedside visual visibility |
| Doctronic AI | [H] Hayat (2025)[35] arXiv: diagnostic concordance 81%, treatment plan consistency 99.2% (Level B) | [H] Utah OAIP (2026)[15]: chronic disease prescriptions; reduces physician burnout | [L] Grand Round algorithm; clinical reasoning fully explainable | [H] Utah regulatory sandbox + First 250 Rule (OAIP Agreement, Jan 2026)[15] | [H] OAIP (2026)[15]: $4 cost, 0-minute wait; prescription issued instantly |
2. 사례 1: 왓슨 포 온콜로지
IBM은 2013년 당시 최고의 기술로 각광받던 자연어 처리(NLP) 역량을 기반으로 Watson for Oncology라는 최초의 의료 AI를 미국 MD 앤더슨 암 센터(MD Anderson Cancer Center), 메모리얼 슬론 캐터링 암 센터(Memorial Sloan Kettering Cancer Center) 등 세계적인 병원과 공동 개발하고 암 진단 및 치료 보조 도구로서 임상 적용을 시작하였다. IBM Newsroom[38]에 따르면 Watson for Oncology는 2016년 한국 가천대 길병원을 포함하여 태국, 인도, 중국 등 전 세계 21개 병원에서 운영되었다.
IBM Watson for Oncology 핵심 기술은 당시로서는 획기적인 기술이라고 평가받았지만, 초기 AI 기술인 자연어 처리 엔진을 기반으로 환자 데이터를 분석하고 치료 방안을 권고하는 지식기반 머신 러닝(Knowledge-based Machine Learning) 기술에 해당한다.
Strickland[2]는 이것이 Watson AI 기술의 한계로서 비정형적 문장 처리가 안 되고, 구조상 지식기반 규칙을 일방적으로 적용하는 방식으로 의사와의 협력적 워크플로우 확보가 어려웠기 때문에 결정적으로 의사들도 Watson AI의 권고를 신뢰하지 않았다고 주장한다.
실제 국내외 여러 병원에서 사용된 다양한 실 임상 사례가 있으며, 이 중 2016년 한국 가천대 길병원에서 도입 운영된 내용을 중심으로 임상 성능을 검증한다. Kim et al.[22] 에 의하면 결장암 환자 69명을 대상으로 한 연구에서 치료 권고 일치율이 46.4%에 불과하였고, 특히 중기~말기 중증으로 진행될수록 치료 계획 불 일치율이 현저하게 떨어지는 결과를 확인할 수 있다.
단, Watson for Oncology가 기여한 바에 대한 재 해석도 필요하다. 첫째, 초기 21개 병원이 일시에 도입되어 사용되었기 때문에 관련 임상 연구가 활발하였다. 따라서, 당시 진행되었던 많은 임상 일치율 연구는 현재까지도 의료 AI 성능 평가의 표준 방법론으로 활용되고 있다. 둘째, Watson의 문제점인 워크플로우 부적합성, 설명 가능성이 부족한 부분, 보험수가와 연계되지 못한 점 등은 2세대 의료 AI 설계 시 중점적으로 반영이 되어, 현재와 같은 활성화에 도움이 되었다는 점을 참조할 때 Watson 사례는 1세대 의료 AI의 채택 한계에 대한 실증적 사례로 재정의되어야 할 것이다.
3. 사례 2: Doctronic AI
Doctronic AI는 혈관 의사 출신 Dr. Adam Oskowitz와 창업가 Matt Pavelle가 공동 창업한 업체에서 개발한 의료 AI이다. 단순한 처방전 갱신을 위해서 몇 주씩 기다리고, 의사들은 비효율적인 행정 업무와 단순 반복 업무에 전체 시간의 50% 이상을 소비하는 문제의식에서 시작되었다.
유타주 AI 정책국[15]의 자료에 의하면, Doctronic AI 창업자들은 다중 에이전트(Multi-Agent) 협업 구조가 제공하는 기술적 구현 수준을 확보했고, 임상 적용 결과가 만족스러웠기 때문에 사업을 진행했다고 한다. Doctronic AI 핵심 기술은 단일 LLM이 아니라 100개 이상의 AI Agent가 협업하는 구조로 운영되는 다중 에이전트 시스템(Multi-Agent System)이다. 이 기술은 기존 병원에서 각 전문의들이 모여서 토론을 통해서 진단, 치료 등 임상 결론을 도출하는 그랜드 라운드(Grand Round)를 알고리즘화했다. Doctronic AI 임상 성능은 Hayat et al.[35]의 연구에서 치료 계획 일치율은 500건 긴급 자료 비교(AI와 의사 비교) 를 통해 99.2%로 환자 임상과 Triage 도구로서의 안정성을 입증하고, Top-1 진단 일치율(AI 1순위 진단명이 의사 1순위와 일치)은 81%로 진단 정확성을 보여주고 있다. 또한 비교상 불일치 시 전문가 패널에 의해 AI가 우월한 수치 36.1% 대비 인간의사의 우월성이 9.3%로 AI가 인간의사의 인지 편향을 보완하고 있다는 것을 증명하고 있다. AI의 단점인 임상적 환각(Clinical Hallucination)은 모든 임상 노트 검증에서 0건 발생으로 Guardian AI 및 그랜드 라운드 안정망이 효과적인 방안이라는 것을 이야기하고 있다.
26년 1월, 유타주 상무부(Utah Department of Commerce)[7]는 Doctronic 사와 계약을 체결하고, 샌드박스로 파일럿 프로그램을 시작했다. 이는 미국 최초의 의사 개입 없는 AI 처방전 갱신 발급 사례이다. 안전장치로는 유타주에 한정하는 한시적 샌드박스 제도로 시행했다는 것과 각 약물 클래스별 최초 250건은 사전 인간 의사가 검토한 후 이후 AI가 단독 진행하는 방식 First 250 Rule 도입 그리고 자동 에스컬레이션 프로토콜을 활용하는 것으로 유타주 AI 정책국(OAIP)[15]은 대기 시간 0분, 4불에 불과한 지급 비용(일반적으로, 원격의료 활용 시, 1회 39불~50불 대비 저렴), 즉시 발급된 처방전이라는 형태로 즉각적인 관찰 가능한 성과를 보였다고 보고하였다.
단, 이 사례는 도입된 시간이 짧아 아직 임상 결과를 검증하기에 한계가 있다는 점을 고려해야 한다. 첫째, 26년 3월 기준으로 Doctronic AI는 유타주 한 군데에서만 한시적 규제 샌드박스로 진행되고 있는 사례로 아직 FDA 승인을 확보하지 못하였다. 둘째, First 250 Rule의 성격이 의사가 250 건의 약물 투입에 대한 의사결정을 하는 조건이 있기 때문에 완전 자율적 사용은 아니라는 점도 전제되어야 한다. 셋째, Hayat et al.[35] 가 언급하고 있는 99.2% 일치율은 arXiv 프리프린트에 근거가 있는 자료이므로, 정식 동료 심사가 완료된 자료는 없다. 네 번째는 처방전의 대상이 일부 만성질환 190종에 한정되고 있어 현재로서는 고위험 약물은 제외되어 있다는 점 등의 한계를 고려한다면, 현재 Doctronic AI는 제도적 시험가능성이 확보된 규제 기반의 파일럿 단계에 있는 것으로 규정하는 것이 바람직하다. 향후 지속적인 검증이 과제로 남는다
4. 사례 비교 연구 결과
Rogers[8]의 5개 혁신 속성 상대적 이점, 적합성, 복잡성, 시험가능성, 관찰 가능성을 항목으로 두 가지 사례를 비교한 결과, 채택 거부 요인과 촉진 원인이 명확하게 파악된다. 두 사례는 Rogers[8] DOI 5 속성을 기준으로 비교되었다. 본 연구는 앞서 도출된 12개 사례 전체를 대상으로 각 속성을 근거 자료를 통해 확보한 내용을 바탕으로 조작적 정의를 통해 검증하고, 이를 기반으로 H/M/L로 평가를 하였다.
연구 결과로써, 상대적 이점에서는 IBM Watson은 낮은 권고 일치율 대비 높은 비용이 발생하고 추가적인 효익 기대도 없었던 반면, Doctronic AI는 높은 치료 계획 일치율(99.2%)과 건당 $4의 파괴적 저비용을 제공할뿐만 아니라 전문의와의 진단 일치율 비교에서 낫다는 결과를 보이고 있어 의사의 파트너로서 가치적 포지션 확보가 가능하다. 적합성 관점에서 Watson은 의사를 대체하려는 의도만으로 시작하였던 반면, Doctronic AI는 의사 번아웃 해결하는 파트너로 접근하였으므로 이에 대한 평가는 우호적이다. 복잡성 부분에서 Watson은 대표적인 블랙박스 모델이므로 진단 근거를 제시하지 못했으나, Doctronic AI는 멀티 에이전트가 그랜드 라운드 방식으로 협진을 진행하는 방식으로 진행하는 구조이므로, 불확실성이 개선된 형태다. 시험 가능성과 관찰 가능성 관점에서 Doctronic AI는 규제 샌드박스, First 250 Rule 등의 규제, 제도를 최대한 활용하고, 처방전을 즉시 발급하는 워크 프로세스 개선 효과와 $4의 비용이라는 파괴적인 비용 이점 등을 활용한 홍보를 극대화하여 수용을 촉진시키고 있다.
<Table 8>
Comparative Analysis of Rogers' Five DOI Attributes: IBM Watson vs. Doctronic
| Innovation Attribute | Evaluation Criteria | IBM Watson (1st Gen - Failure Case) | Doctronic AI (3rd Gen - Success Case) |
|---|---|---|---|
| Relative Advantage | Diagnostic accuracy; cost reduction; time savings | [L] Concordance rate of 46.4% (Gachon study[22]); cost of $200-$1,000 per patient; no additional benefit demonstrated | [H] 99.2% treatment plan concordance[35]; $4 per case; Top-1 diagnostic accuracy 81%; AI superior in 36.1% of discordant cases |
| Compatibility | Integration with existing clinical workflows; alignment w/physician values | [L] Direct conflict with existing workflows; physicians required to re-enter all data (Strickland 2019[2]); insurance coverage gaps | [H] Positioned as burnout-relief partner by handling routine prescription renewal; evaluated favorably by Hayat (2025)[35] |
| Complexity | Black-box nature; explainability | [H] Black-box model; failed to provide diagnostic rationale; eroded trust[6] | [L] 100+ LLM-based agents operate via Grand Round methodology; explainability secured[35] |
| Trialability | Phased validation feasibility; institutional mechanisms | [L] Deployed in 21 hospitals without phased validation; rapid expansion exacerbated negative outcomes[2] | [H] Utah regulatory sandbox + First 250 Rule enabling phased, per-drug-class validation before autonomous operation[15] |
| Observability | Visibility of outcomes; third-party observability | [L] Disadvantaged by long-term nature of oncology outcomes; ROI difficult to demonstrate[2] | [H] Zero wait time; instant prescription delivery; $4 cost as immediately observable economic benefit[15] |
Ⅳ. 고찰
[개발/공급자 관점] 첫째, 기획 단계에서 설명가능성(explainability)에 기반한 적합성을 핵심 요소로 기획해야 한다. Watson은 블랙박스 구조로 설계되어 사용자인 의사로부터 신뢰를 얻지 못했던 반면, Doctronic AI는 의사들의 협진과 동일한 개념인 그랜드 라운드(Grand Round)를 알고리즘화함으로써, 임상적 추론 과정을 의사가 확인할 수도 있고 또한 내용을 추적 확인할 수도 있다는 점이 수용을 촉진하였다는 분석 결과가 근거가 된다. 둘째, 특히 의료 시장에서는 진입하기 어려운 도메인인 고위험 영역을 처음부터 접근하기보다는 저위험 영역으로의 안정적인 진입을 통해 신뢰를 축적한 후 이를 기반으로 인접 영역으로 순차적으로 확장하는 진입 전략이 효과적이다.
[의료 기관/수용자 관점] 셋째, 의료 기관 등 의료 시장에서는 가시적인 성과를 요구하여 관찰가능성을 확보하는 것이 필요하다. HeartFlow가 진입한 영역은 심질환이라는 고위험 도메인임에도 불구하고 FDA 승인과 의료보험수가 적용 이후, 임상 결과를 잘 활용한 보험 청구 데이터 숫자 마케팅으로 수용 장벽을 넘었다. Doctronic AI도 대기 시간 0분과 건당 $4에 불과한 저비용이라는 시간과 비용의 극단적 효과를 마케팅에 활용한 사례로서, 이는 관찰 가능성이 도입 의사결정에 미치는 영향을 잘 보여준다.
[규제/정책 관점] 넷째, 의료 AI가 시장 진입을 위해서는 규제기관과의 긴밀한 협력을 통한 제도적 시험가능성 확보가 필수적이다. FDA De Novo 인허가나 유타주 규제 샌드박스같은 규제는 제한적이거나 단계적 도입 조건이더라도 당연히 수용해야 하는 중요한 사항이다.
[학술적 시사점] 의료 AI에 적용되지 않았던 로저스의 DOI 이론을 의료 분야의 수용 분석에 본격 적용한 사례로서, 후속 의료 AI 수용 연구에 재현 가능한 분석 틀을 제공한다.
본 연구가 제공한 가장 큰 이론적 기여 부분은 지금까지 의료 AI 수용 연구에 널리 사용되고 있는 이론인 기술 수용 모델(TAM)이 아닌 Rogers[8]의 혁신확산이론(DOI)을 적용함으로써, 개별 의사에 한정된 수용 의도 관점만이 아닌 조직과 제도 차원으로까지 관점을 확대 적용했다는 것이다. 즉 수용 주체의 범주에 단일 의사가 아니라 수용을 시작하고 유지하는 주체인 의료 기관, 승인 허가 기관인 규제 기구(FDA, CE 등), 그리고 의료보험수가(CPT 코드) 적용 결정과 실 청구의 확대에 영향력을 미치는 기구와 보험사 등 세가지 주체를 모두 포함시켰다. Yea & Jang[39]는 TAM을 활용한 AI 수용 연구에서 AI는 의료 서비스 분야에서 확산되고 있어 일반인들의 기대가 높은 것으로 확인되었고, 따라서, 의료기관들은 AI 도입이 선택이 아닌 필수가 되었다고 언급한다. 수용 주체로서 일반인과 의사, 간호사만을 대상으로 진행한 결과라고 판단된다. 이와 같이 본 연구에서도 TAM의 활용만이었다면 Watson과 Doctronic AI 비교에서 의사의 수용 의도는 수용과 거부를 결정하는 요인이 아니었기 때문에 비교 분석이 어렵다. Doctronic AI는 의사의 수용 의사결정이 결정적이었다면 거부되었을 상황에서, 규제 샌드박스와 First 250 Rule 등의 제도적 지원으로 한시적 수용이 가능하게 되었다.
또한, Topol[1]의 Deep Medicine 이론을 계승하되, 기존의 인간과 AI 협업 개념을 자율적 위임(Autonomous Delegation)의 관점으로 확장하여, AI가 단순한 보조 도구를 넘어 특정 조건 하에서 대리인(Agent) 역할수행을 할 수 있다는 가능성을 Doctronic AI 사례 분석을 통해 확인한다.
둘째, Rogers[8]의 5개 핵심 요소간 상호작용을 하고 있다는 점을 규명했다. 2가지 사례의 비교 연구를 통해서 5개 속성(상대적 이점, 적합성, 복잡성, 실험 가능성 관찰 가능성)이 각각 독립적으로 수용 여부에 영향을 미치는 것이 아니라. 속성 간 상호 위계 작용을 통해 상호 영향을 미친다는 것을 보여준다. IBM Watson은 자연어 처리 기반의 앞선 기술이었고, 선진 의료기술을 차별화 요소로 우선 도입하려는 한국 시장 등이 존재하였으므로, 기술 자체에 대한 상대적 이점과 실험가능성 차원에서는 많은 우위점이 있었다. 하지만 블랙박스 문제가 두드러짐으로써, 도입 주체인 의사의 신뢰를 얻지 못하였고, 이로 인해 의료보험수가라는 기존 의료 워크플로우 적용에 부정적 영향을 미치게 됨으로써 수용이 결정적으로 거부되었다. 그럼으로써, 나머지 속성의 우위성이 존재했음에도 불구하고 수용 결정이 부정적이었던 반면, Doctronic AI는 라운드 그랜드 방식의 협진을 활용, 충분한 설명가능성(적합성)을 확보함으로써, 충분한 신뢰를 형성시켰다. 또한, 이 부분이 나머지 4가지 속성의 적용에도 절대적으로 우호적인 영향을 미치고 수용 결정에 큰 요인으로 작용한다.
셋째, 5개 요소 중 제도적 시험가능성이 의료 AI 도입에 있어 결정적 요소라는 점을 도출함으로써, DOI[8]의 적용이 합리적이었음을 검증하고 있다. 앞서 언급되었지만 규제 샌드박스는 DOI[8]의 시험가능성(Trialability)의 제도적인 형태로서, IBM Watson은 비록 21개 병원에 쉽게 확장되었지만 사전 임상이 없이 진행되었기 때문에 시험가능성을 확보하지 못한 반면, Doctronic AI의 경우, 샌드박스의 First 250 Rule(약물 클래스별 최초 250 건에 한해 인간 의사가 검토한 후 AI가 단독 진행) 은 시험가능성 차원에서 리스크를 최소화한 사례로서 이는 적용 범위를 인간이 통제할 수 있는 수준으로 한정한 후 실험, 검증 후 확장하는 순서로 가져감으로써, 제도적 시험가능성을 단순 샌드박스가 아닌 샌드박스에 실질적 의료 메커니즘 기반 제도적 보완 장치까지 마련, 사례의 선정에 결정적 영향을 미쳤다.
넷째, Doctronic AI 사례 분석 결과는 관찰 가능성을 중요한 요소로 부각시켰다.
Rogers[8]는 관찰 가능성이 높을수록 혁신 확산이 빨라진다고 주장한다. IBM Watson은 암 환자의 장기 생존율 측정이라는 한계로 단기 성과를 가시화하기 어려웠던 반면, Doctronic AI 사례는 처방전을 받는 순간 환자가 직접 경험할 수 있기 때문에 혁신의 성과가 즉각적으로 가시화됨으로써 도입 의사결정에 결정적인 요인이 되고 있다.
Ⅴ. 결론
본 연구 결과를 한국 시장에 적용할 때 고려할 사항을 다음과 같다. 국내 의료법 제17조에 따르면 의사 등에게만 처방을 허용하므로 Doctronic AI 자율 처방은 현행법상 제약이 있으며, AI 오진 발생 시 책임 소재(의료 기관 vs. 공급 업체)가 불명확하다는 문제에 주목해야 한다. 또한 국내에서는 의료 데이터가 민감정보 규제(PIPA) 대상으로서, NLP 형 AI의 학습 데이터 확보는 극히 제한되고 있고, 건강보험심사평가원(HIRA)은 AI 활용 진단 수가 적용에도 제한적인 상황이므로 적용이 불분명하다. 현재는 환자에게 사전 고지하여 운영해야 하는 절차가 정립되어 있지 못하고 특히, 국내 의료인에 대한 전문직 자율성 침해 우려가 큰 문제로 대두될 가능성이 커 도입 장벽으로 작용할 것으로 예상된다.
연구의 한계 및 향후과제는 다음과 같다. 첫째, 본 연구는 12개 사례를 Rogers[8]의 DOI 5개 속성을 공식 자료를 근거로 활용한 H/M/L 분석으로 진행한 질적 연구로서, 선정 편향의 가능성이 있고, Doctronic AI의 99.2% 일치율 등은 arXiv 프리프린트[35] 자료이나 이것은 Doctronic AI의 분석 자료가 부족한 이유로 동료 심사를 거치지 않은 논문이므로, 정식 논문과 장기적인 추적 연구 검증이 요구된다.
둘째, 두 개의 이질적 도메인 비교는 개별 DOI 속성을 분석하는데 한계가 있다. 본 연구는 종양학 진단 도메인의 Watson과 만성질환 처방 도메인의 Doctronic AI를 DOI 5개 속성을 이용하여 비교함으로써 속성의 효과를 동일시 하는데 조작적 정의가 필요했다. 향후 동일 도메인 내 비교 분석 관련한 후속 연구가 요구된다.
셋째, Watson은 약 10년간의 임상 데이터를 확보하였으나, Doctronic AI는 수개월 동안의 파일럿 임상 데이터만 확보할 수 있어, 동일한 비교 분석이 어려운 비교 대상이다.
넷째, 일부 자료는 공개 데이터 확보가 어려워 규제 문서와 공식 보도 자료로 대체 활용하였으므로, 후속 연구를 통해 병원 행정, 청구 데이터에 대한 확보 후 정밀 분석이 요구된다.
