Towards clinical implementation of artificial intelligence in cancer care: Concept mapping analysis of provincial workshop findings

이 연구는 2024 년 BC 암 정상회의 워크숍에서 환자 및 전문가들의 의견을 개념 매핑 기법으로 분석하여, 임상적 이점과 효율성 증대가 주요 우선순위임을 확인하고 인공지능의 책임 있는 임상 도입을 위한 체계적인 프레임워크를 제시했습니다.

핵심

1. 퍼즐 조각 모으기 (워크숍)

연구진들은 2024 년 캐나다 브리티시 컬럼비아 (BC) 주의 암 컨퍼런스에서 48 명의 다양한 사람들을 모았습니다. 여기에는 암 환자, 가족, 의사, 간호사, 컴퓨터 공학자, 행정 담당자 등이 포함되었습니다.

이들은 "AI 를 암 치료에 쓸 때 무엇이 가장 걱정되나요?, 무엇이 가장 기대되나요?, 무엇을 먼저 해야 하나요?"라는 세 가지 질문을 놓고 자유롭게 이야기를 나눴습니다. 그 결과, **265 개의 다양한 의견 (퍼즐 조각)**이 쏟아져 나왔습니다.

2. 퍼즐 조각 분류하기 (개념 매핑)

이제 265 개의 조각을 어떻게 정리할까요? 연구진은 13 명의 전문가 패널을 꾸려 이 조각들을 분류하게 했습니다.

• 분류 방법: 비슷한 생각끼리 더미 (뭉치) 를 만들고, "이게 얼마나 중요한가?", "이걸 실제로 할 수 있을까?"를 1~5 점으로 매겼습니다.
• 결과: 컴퓨터가 이 데이터를 분석하자, 의견들이 자연스럽게 두 개의 큰 섬으로 나뉘었습니다.

🏝️ 섬 1: "안전과 장벽의 섬" (Challenges and Safeguards)

이 섬에는 "AI 가 실수하면 어떡하지?", "내 정보가 유출되면?", "법적 책임은 누가 질까?", "의사들이 AI 에 의존하면 실력이 떨어지지 않을까?" 같은 걱정거리들이 모여 있습니다.

• 특징: 모두 중요하지만, 실제로 해결하기가 어렵고 시간이 많이 걸리는 문제들입니다. 마치 건물을 지을 때 '지진에 견디는 기초 공사'를 하는 것과 비슷합니다.

🏝️ 섬 2: "효율과 혜택의 섬" (Clinical Benefits and Efficiency Gains)

이 섬에는 "문서 작업 시간을 줄여줘서 환자를 더 볼 수 있게 되겠다", "진단을 더 빠르게 해준다", "환자에게 복잡한 말을 쉽게 설명해준다" 같은 기대감들이 모여 있습니다.

• 특징: 중요도도 높지만, 실제로 바로 적용하기가 훨씬 쉬운 것들입니다. 마치 건물의 '내부 인테리어'나 '편의 시설'을 갖는 것과 비슷합니다.

3. 중요한 발견 (Go-Zone 분석)

연구진은 이 두 섬을 지도 위에 그려서 **'지금 당장 해야 할 일'**과 **'나중에 해야 할 일'**을 구분했습니다.

• 🚀 지금 당장 시작할 수 있는 것 (High Importance, High Feasibility):

  • 예: "의사의 문서 작업 부담을 덜어주는 AI", "환자에게 복잡한 의학 용어를 쉬운 말로 바꿔주는 AI"
  • 비유: 이미 길이 닦여 있고, 차를 타고 바로 갈 수 있는 고속도로입니다. 여기서부터 시작하면 효과가 바로 나타납니다.

• 🏗️ 장기적인 투자와 연구가 필요한 것 (High Importance, Low Feasibility):

  • 예: "AI 의 편향성 (인종/성별 차별) 해결", "완벽한 개인정보 보호 법제화", "AI 의 투명성 확보"
  • 비유: 아직 길이 막혀있거나, 다리를 새로 놓아야 하는 공사 중인 구간입니다. 중요하지만 당장 차를 몰고 가기엔 준비가 덜 되었습니다.

4. 결론: 무엇을 먼저 해야 할까?

이 연구의 핵심 메시지는 다음과 같습니다.

"암 치료에 AI 를 도입할 때는, '완벽한 안전장치'를 다 만들 때까지 기다리지 말고, 먼저 의사들의 일을 도와주고 환자에게 도움이 되는 '실용적인 도구'부터 도입하세요. 그와 동시에 안전과 윤리 문제를 해결하기 위한 긴 호흡의 준비를 병행해야 합니다."

즉, **작은 성공 (Quick Wins)**을 먼저 경험하게 하여 신뢰를 쌓으면서, 동시에 **큰 시스템 (Governance)**을 다듬어 나가는 단계별 접근법이 가장 현명하다는 것입니다.

📝 한 줄 요약

이 논문은 **"AI 를 암 치료에 쓸 때, '어떤 게 바로 쓸 수 있고, 어떤 게 아직 준비가 안 됐는지'를 모든 이해관계자가 함께 그려낸 지도"**를 제공했습니다. 이 지도를 통해 우리는 AI 를 무작정 도입하는 게 아니라, 현실적이고 안전한 길로 나아가고 있습니다.

기술 요약

논문 요약: 암 치료에 대한 인공지능 (AI) 임상 구현을 위한 컨셉 매핑 분석

1. 연구 배경 및 문제 제기 (Problem)

• 배경: 인공지능 (AI) 은 의료 분야에서 질, 효율성, 결과 개선을 위한 유망한 도구로 급부상하고 있으나, 특히 다학제적 협력이 필수적인 암 치료 (Oncology) 분야에서의 구체적인 구현 전략은 아직 명확하지 않습니다.
• 문제점: 기존 연구들은 AI 의 일반적인 수용 태도나 장벽을 다루었으나, 환자, 임상 전문가, 연구자, IT 전문가 등 다양한 이해관계자 (Stakeholders) 의 관점을 통합하여 암 치료라는 특수한 맥락에서 증거 기반 (Evidence-Based, EB) AI의 구현 우선순위와 실행 가능성을 체계적으로 분석한 연구는 부족했습니다.
• 목표: 본 연구는 암 치료에 AI 를 도입할 때 발생할 수 있는 우려, 기대 효과, 그리고 우선순위를 파악하여 책임 있고 효과적인 구현을 위한 프레임워크를 제시하는 것을 목표로 했습니다.

2. 연구 방법론 (Methodology)

본 연구는 **2024 년 브리티시 컬럼비아 (BC) 주 암 정상회의 (BC Cancer Summit)**에서 진행된 워크숍을 기반으로 한 혼합 방법론 (Mixed-methods) 연구로, 컨셉 매핑 (Concept Mapping) 기법을 핵심 도구로 사용했습니다.

• 데이터 수집:
  • 참가자: 48 명의 워크숍 참가자 (환자 및 가족, AI/컴퓨터 과학 연구자, 임상 의사, 간호사, IT 전문가, 행정가 등) 가 참여하여 AI 구현과 관련된 265 개의 진술 (Statements) 을 생성했습니다.
  • 주제: (1) 통합에 대한 우려, (2) 기대 효과, (3) 구현 및 연구 우선순위.
• 분석 절차 (Trochim 의 6 단계 프레임워크):
  1. 생성 및 정제: 265 개 진술을 중복 제거 및 재구성하여 최종 100 개의 진술로 정리했습니다.
  2. 정렬 및 평가 (Sorting & Rating): 13 명의 전문가 패널 (임상, 비임상, AI 연구자, 환자 대표 등) 이 각 진술을 의미 있는 그룹으로 분류 (Sorting) 하고, **중요도 (Importance)**와 **실행 가능성 (Feasibility)**을 5 점 리커트 척도로 평가했습니다.
  3. 통계적 분석:
     • 다차원 척도법 (MDS): 진술 간의 개념적 유사성을 2 차원 공간 지도로 시각화.
     • 계층적 군집 분석 (Hierarchical Cluster Analysis): Ward's 방법을 사용하여 군집 (Cluster) 및 하위 군집 (Subcluster) 식별.
     • 통계적 검증: 군집 간 중요도/실행 가능성 비교 (t-test, Mann-Whitney U test), 하위 군집 간 상관관계 분석, 임상/비임상 전문가 간 차이 분석.
     • Go-Zone 분석: 중요도와 실행 가능성의 평균을 기준으로 4 개의 사분면 (High-High, Low-High, High-Low, Low-Low) 으로 분류하여 전략적 우선순위 도출.

3. 주요 결과 (Key Results)

• 군집 구조 (Cluster Structure):
  • Cluster 1 (62 개 진술): "AI 구현의 도전 과제 및 안전장치 (Challenges and Safeguards)"로 명명됨. (데이터 거버넌스, 윤리, 규제, 프라이버시 등 시스템 수준의 이슈 포함)
  • Cluster 2 (38 개 진술): "임상적 이점 및 효율성 향상 (Clinical Benefits and Efficiency Gains)"으로 명명됨. (업무 흐름 개선, 진단 정확도 향상, 문서 작업 자동화 등)
• 평가 점수 비교:
  • Cluster 2가 Cluster 1 에 비해 **중요도 (Mean 3.50 vs 3.14, p < .001)**와 실행 가능성 (Mean 3.62 vs 2.99, p < .001) 모두에서 통계적으로 유의미하게 높은 점수를 받았습니다.
  • 임상 전문가와 비임상 전문가 간의 평가 차이는 Cluster 1 에서는 유의미하지 않았으나, Cluster 2 의 실행 가능성 평가에서 임상 전문가가 비임상 전문가보다 유의미하게 높게 평가했습니다 (p = .029).
• 하위 군집 (Subclusters) 및 Go-Zone 분석:
  • 8 개의 하위 군집으로 세분화되었으며, **Cluster 2 의 하위 군집 (2.2, 2.4 등)**은 업무 흐름에 직접 통합되는 도구 (문서 자동화, 환자 소통 도구 등) 로 높은 실행 가능성을 보였습니다.
  • 반면, **Cluster 1 의 하위 군집 (1.2, 1.3 등)**은 규제, 투명성, 데이터 거버넌스 등 장기적인 투자가 필요한 영역으로 평가되어 실행 가능성 점수가 낮았습니다.
  • Go-Zone 분석 결과:
    • 우선순위 (High-High): 업무 효율성 및 임상 품질 향상 관련 진술 (즉각적인 구현 기회).
    • 전략적 투자 (High-Low): 공정성, 검증, 규제 준비 등 중요도는 높으나 실행이 어려운 영역 (장기적 R&D 및 정책 개발 필요).

4. 주요 기여 (Key Contributions)

• 방법론적 혁신: 암 치료 분야 AI 구현에 대해 환자, 전문가, 개발자 등 다양한 이해관계자의 관점을 통합한 최초의 컨셉 매핑 연구를 수행했습니다.
• 구체적 프레임워크 제공: 단순한 정성적 주제를 넘어, 정량적 데이터 (중요도/실행 가능성) 와 시각적 지도 (Cluster Map, Go-Zone) 를 결합하여 구현 우선순위를 시각화했습니다.
• 이중적 접근 전략 제시:
  1. 단기 전략: 기존 임상 업무 흐름 (Workflow) 에 통합되어 즉각적인 효율성을 제공하는 AI 도구 (예: 문서 자동화, triage 지원) 의 조기 도입.
  2. 장기 전략: 데이터 거버넌스, 알고리즘 투명성, 규제 체계 등 시스템 수준의 인프라 구축을 위한 장기적 투자 및 정책 개발의 병행 필요성 강조.

5. 의의 및 시사점 (Significance)

• 실용적 로드맵: 의료 기관, 정책 입안자, 구현 과학자들이 AI 도입을 계획할 때, "무엇을 먼저 할지"에 대한 데이터 기반의 의사결정 도구 (Blueprint) 를 제공합니다.
• 현실적 기대치 관리: AI 구현이 일괄적인 과정이 아니라, 업무 수준 (Workflow-level) 과 시스템 수준 (System-level) 에서 다른 속도와 전략이 필요함을 보여줍니다.
• 지속 가능한 도입: 즉각적인 임상적 가치 (효율성) 를 창출하는 도구와 장기적인 신뢰와 안전을 확보하기 위한 거버넌스를 동시에 추진함으로써, 암 치료 분야에서의 AI 수용성을 높이고 윤리적 리스크를 줄이는 데 기여합니다.

결론적으로, 본 연구는 암 치료에 AI 를 도입할 때 기술적 가능성뿐만 아니라 이해관계자들의 인식과 조직적 준비도를 종합적으로 고려한 단계적 (Phased) 구현 전략의 필요성을 입증했습니다.