An Analysis of Artificial Intelligence Adoption in NIH-Funded Research

1. 연구 배경 및 문제 정의 (Problem)

• 배경: 미국 국립보건원 (NIH) 은 미국 생물의학 연구의 주요 자금 지원 기관으로서, 연구 아젠다 설정에 핵심적인 역할을 합니다. 최근 대규모 언어 모델 (LLM) 의 등장으로 방대한 비정형 연구 문서에서 의미 있는 정보를 추출하는 것이 가능해졌습니다.
• 문제점:
  • NIH 포트폴리오 전체에 걸쳐 AI/ML 기술이 어떻게 도입되고 있는지, 어떤 질병 영역에 집중되어 있는지, 그리고 실제 임상 적용까지 이어지는지에 대한 포괄적인 분석이 부재합니다.
  • 기존 연구는 특정 질병 영역 (예: 암, 신경퇴행성 질환) 이나 특정 기술 (예: 딥러닝) 에 국한되어 있어, 포트폴리오 차원의 정책적 질문에 답하기에는 한계가 있었습니다.
  • 핵심 쟁점:
    1. 형평성 격차: NIH 의 핵심 미션인 '건강 형평성 (Health Equity)'과 AI 투자 패턴 간의 불일치 가능성.
    2. 이행 격차 (Translation Gap): 연구 개발 (R&D) 단계에 머무는 프로젝트와 실제 임상 현장에 배포되는 프로젝트 간의 괴리.
    3. 인프라 및 협력: AI 연구 협력 네트워크의 불균형과 특정 기관 중심의 편중 현상.

2. 방법론 (Methodology)

이 연구는 **58,746 개의 NIH 자금 지원 프로젝트 (FY2025)**를 대상으로 대규모 계산 분석을 수행했습니다. 핵심 방법론은 Human-in-the-Loop (HITL) LLM 파이프라인입니다.

• 데이터 소스: NIH RePORTER 시스템에서 추출된 프로젝트 제목, 초록, 용어, 자금 규모, 수행 기관 등 메타데이터.
• 2 단계 LLM 파이프라인:
  1. 1 단계 (AI 스크리닝): GPT-4o-mini 를 사용하여 58,746 개 프로젝트의 초록을 분석. 단순 계산/통계 지원이 아닌 '실질적인 AI/ML 역할 (개발 또는 적용)'이 있는 프로젝트를 이진 분류 (AI/비-AI) 하여 9,363 개의 AI 프로젝트를 선별 (15.9%).
  2. 2 단계 (구조화된 루브릭 코딩): 선별된 AI 프로젝트에 대해 고정된 스키마 (JSON) 를 적용하여 AI 의 역할, 사용 목적, 적용 도메인, 데이터 유형 등을 추출.
• 인간 개입 (Human-in-the-Loop): 연구자가 분석 목적과 정책 질문을 정의하고, LLM 이 실행 가능한 Python 코드를 생성하여 데이터를 처리합니다. 애매모호한 카테고리 (예: 'Other') 에 대해서는 연구자의 검토와 재코딩을 통해 정확도를 높이는 반복적 과정을 거쳤습니다.
• 네트워크 분석: 수행 기관 (대학) 간의 협력 관계를 가중치 네트워크로 모델링하고, Louvain 모듈성 최적화 알고리즘을 사용하여 커뮤니티 (클러스터) 를 탐지했습니다. 중심성 지표 (Degree, Betweenness) 를 분석하여 허브와 브리지 역할을 하는 기관을 규명했습니다.

3. 주요 기여 (Key Contributions)

• 규모 있는 포트폴리오 분석: NIH 전체 포트폴리오 (5 만 개 이상) 를 대상으로 AI 도입 현황을 체계적으로 정량화한 최초의 대규모 연구 중 하나.
• HITL LLM 방법론 정립: 비정형 연구 초록을 구조화된 데이터로 변환하기 위해 인간 전문가의 검증과 LLM 을 결합한 재현 가능한 분석 파이프라인 제시.
• 은폐된 연구 영역 발견: 기존 자동 분류에서 '기타 (Other)'로 처리되던 영역을 인간 검증 과정을 통해 재분류하여, 알코올 사용 장애, 만성 통증, 자가면역 질환 등 소외된 연구 영역을 발굴.
• 협력 네트워크 구조 규명: NIH AI 연구 협력의 불평등한 구조 (허브 - 스포크 구조) 와 소수의 기관이 네트워크의 연결 고리 (Bridge) 역할을 수행함을 네트워크 과학적으로 증명.

4. 주요 결과 (Key Results)

A. 포트폴리오 구성 및 자금 동향

• 비중 및 프리미엄: NIH 포트폴리오의 **15.9%**가 AI 관련 연구이며, 비-AI 프로젝트 대비 **13.4% 더 높은 자금 지원 (평균 $675,129 vs $595,135)**을 받았습니다.
• 주요 응용 분야: 발견 (Discovery, 44.1%), 예측 및 위험 평가 (Prediction, 36.7%), 데이터 통합 (Data Integration, 26.2%) 이 주류를 이룹니다. 특히 데이터 통합 연구가 가장 높은 자금 강도를 보입니다.
• 질병 영역 편중: 암 (19.4%), 노화 및 신경퇴행성 질환 (16.8%), 정신건강 (14.9%) 에 집중되어 있으며, 이 세 영역이 전체 AI 자금의 **50.1%**를 차지합니다.

B. 형평성 및 이행 격차

• 건강 형평성 연구의 저조: NIH 의 핵심 미션인 건강 형평성 연구는 AI 자금의 **5.7%**만 차지하여 심각한 과소 대표 상태입니다.
• 방법론적 격차: 암 연구에서는 영상 (Imaging) 기술이 37% 를 차지하지만, 형평성 관련 연구에서는 **0.9%**에 불과합니다. 이는 고도화된 AI 도구가 형평성 연구에는 적용되지 못하고 있음을 시사합니다.
• 연구 - 임상 이행 격차: AI 프로젝트의 **79.0%**는 연구/개발 단계에 머물러 있으며, 실제 임상 배포 또는 구현 단계에 진입한 프로젝트는 **14.7%**에 불과합니다.

C. 협력 네트워크 분석

• 클러스터 구조: 48 개의 주요 대학으로 구성된 연결된 네트워크에서 6 개의 커뮤니티가 발견되었습니다. (예: Cluster 1 은 Albert Einstein, UCSF, Northwestern 등; Cluster 2 는 Minnesota, Johns Hopkins 등)
• 허브 vs 브리지:
  • 허브 (Hubs): Johns Hopkins, Minnesota, Wake Forest 등은 협력 규모 (Degree Centrality) 가 큽니다.
  • 브리지 (Bridges): University of Washington, Emory, Washington University 등은 네트워크 내 다른 커뮤니티를 연결하는 핵심 연결고리 (Betweenness Centrality) 역할을 합니다.
• 불평등한 구조: 협력 네트워크는 멱법칙 (Power-law) 분포를 보이며, 소수의 기관이 대부분의 연결성을 독점하고 있어 외부 기관의 참여에 구조적 장벽이 존재합니다.

D. 숨겨진 연구 영역 발굴

• 자동 분류 시 41.5% 였던 'Other' 카테고리를 인간 - LLM 협업 과정을 통해 17.7% 로 줄였습니다. 이를 통해 알코올 사용 장애 (25 건), 만성 통증 (23 건), 자폐 스펙트럼 장애 (21 건) 등 중요한 공중보건 이슈가 포함된 연구들이 재발견되었습니다.

5. 의의 및 결론 (Significance)

• 정책적 시사점: NIH 는 AI 투자 패턴이 건강 형평성 목표와 일치하지 않음을 인정해야 합니다. 형평성 연구에 대한 인프라 지원과 임상 배포를 위한 전략적 자금이 필요합니다.
• 이행 전략: 연구 개발 단계에 머무는 AI 기술을 실제 임상 현장으로 전환하기 위한 '이행 과학 (Implementation Science)' 프레임워크와 자금 지원 메커니즘이 시급합니다.
• 방법론적 혁신: 대규모 비정형 텍스트를 분석할 때 LLM 을 단순 도구가 아닌, 인간의 전문성과 결합된 '자동 코더'로 활용하는 HITL 접근법의 유효성을 입증했습니다. 이는 향후 연구 포트폴리오 분석의 표준이 될 수 있습니다.
• 결론: 이 연구는 NIH 의 AI 포트폴리오가 기술적 성숙도는 높지만, 형평성과 임상 적용 측면에서는 구조적인 불일치를 겪고 있음을 데이터 기반으로 규명했습니다. 이를 통해 증거 기반의 정책 개입을 통해 연구 자금을 건강 형평성 목표에 정렬할 수 있는 기반을 마련했습니다.