기술 요약: 알코올 소비 및 흡연 감소를 위한 중재에서 인공지능의 역할

문제 정의

알코올 소비와 흡연은 고소득 국가에서 예방 가능한 이환율 및 사망률의 주요 원인으로 남아 있으며, 이에 따라 효과적인 공중 보건 중재가 필요하다. 디지털 행동 변화 중재는 확장 가능한 전달 메커니즘을 제공하지만, 인공지능(AI)을 통합하는 것이 구체적으로 어떤 효능을 갖는지에 대해서는 여전히 불분명하다. 머신러닝, 자연어 처리, 생성형 모델을 포함하는 AI는 개인화와 참여 장벽(예: 낙인, 접근성) 완화를 통해 이론적인 이점을 제공할 수 있다. 그러나 AI 기술, 특히 대규모 언어 모델(LLM)의 급격한 진화로 인해, AI 지원 구성 요소가 비(非) AI 디지털 중재 또는 통상적인 치료(usual care)에 비해 실제로 성과를 향상시키는지에 대한 최신 근거가 필요하다.

방법론

본 체계적 문헌고찰은 Cochrane Handbook for Systematic Reviews of Interventions 및 2020 PRISMA 성명(statement)을 준수하였다. 본 검토는 PROSPERO(CRD42025642317 및 CRD42025642334)에 등록되었다.

• 선정 기준: 본 검토는 2010년 1월 1일부터 2025년 1월 14일 사이에 수행된 고소득 국가(세계은행 정의 기준)에서의 무작위 대조 시험(RCT)을 포함하였다. 중재는 알코올 소비 또는 흡연을 대상으로 하는 공중 보건 맥락 내에서 AI 지원(데이터로부터 학습하여 명시적인 인간의 프로그래밍 없이 자동화된 작업을 수행하는 알고리즘으로 정의됨)을 포함해야 했다. 임상 환경은 해당 중재 자체가 통상적인 치료 외에 의료 자원을 활용하지 않는 경우를 제외하고는 제외되었다.
• 검색 전략: Medline, Embase, Web of Science, Scopus에서 포괄적인 검색을 수행하였다. 검색 전략은 다음 세 가지 요소를 포함한다:
  1. AI 및 물질 사용 용어를 사용한 RCT 직접 검색.
  2. 스크리닝을 위한 참조 문헌 추출을 위해 공중 보건 중재에 관한 체계적 문헌고찰(2023~2025) 검색.
  3. 포함된 시험들에 대한 전방향(forward) 및 후방향(backward) 인용 검색.
• 데이터 합성: 중재, 결과, 시점의 상당한 이질성으로 인해 메타 분석은 불가능했다. 결과는 서술적으로 합성되었다. 편향 위험(risk of bias)은 두 명의 검토자가 Cochrane Risk of Bias 2 (RoB2) 도구를 사용하여 독립적으로 평가하였다.
• 제외 사항: 보다 현대적인 AI 응용 분야에 집중하기 위해, 전문가 시스템이나 컴퓨터 맞춤화(computer-tailoring)가 유일한 AI 지원인 중재를 제외하는 사후 변경(post-hoc change)을 실시하였다. LLM을 사용한 연구는 식별되지 않았다.

주요 기여

• 포괄적 근거 합성: 본 검토는 총 73,377명의 무작위 참여자를 포함하는 16개 시험(알코올 4개, 흡연 12개)의 데이터를 집계하였다.
• AI 유형의 차별화: 본 검토는 규칙 기반 챗봇, 추천 시스템, AI 맞춤형 콘텐츠를 구분하였으며, 현재 문헌에서 LLM 기반 중재의 부재를 주목하였다.
• 편향 위험 특성화: 본 검토는 포함된 시험 전반에 걸쳐 누락된 결과 데이터(탈락) 및 결과 측정(맹검 없는 자기 보고)과 관련된 높은 편향 위험이 만연해 있음을 강조한다.
• 이해관계자 통합: 연구 결과는 공중 보건 실무자 및 전략 디렉터들과의 협의를 통해 맥락화되었으며, 공동 생산(co-production) 보고, 참여자 준비도, 실행 과학(implementation science)의 격차를 확인하였다.

결과

알코올 소비 중재

4개의 시험(참여자 4,718명)이 포함되었다:

• 챗봇 앱: 세 개의 시험이 챗봇이 포함된 앱을 평가하였다(두 개는 규칙 기반, 하나는 미지정). 근거는 혼재되어 있었다(두 시험은 대조군과 알코올 소비량 차이가 없었으나, 학생을 대상으로 한 한 시험에서는 소비 감소를 보였다).
• AI 맞춤형 웹사이트: 한 개의 시험이 웹사이트 콘텐츠를 맞춤화하는 규칙 기반 AI를 평가하였다. 이 중재는 통상적인 치료에 비해 알코올 소비를 줄이는 데 효과적임을 입증하였다.
• 편향: 4개 시험 모두 탈락 및 자기 보고 결과로 인해 전반적으로 높은 편향 위험을 가진 것으로 평가되었다.

금연 중재

12개의 시험(참여자 68,659명)이 포함되었다:

• 챗봇/메신저 앱: 8개의 시험이 챗봇(대부분 규칙 기반)을 평가하였다. 근거는 혼재되어 있었다:
  • 챗봇이 없는 앱과의 비교에서는 결과가 엇갈렸다(일부는 1개월 시점에 금연을 증가시켰으나, 다른 일부는 3개월 시점에 변화가 없었다).
  • 통상적인 관행과의 비교에서는 결과가 혼재되어 있었다(일부 시험은 6~12개월 시점에 금연 증가를 보였으나, 다른 일부는 유의미한 차이를 보이지 않았다).
  • 형평성 분석(연령, 성별, 교육 수준에 따른 조절 효과)은 시험 간에 일관되지 않았다.
• 추천 시스템: 4개의 시험이 추천 시스템을 평가하였다.
  • 추천 시스템을 규칙 기반 시스템과 비교한 세 개의 시험은 1개월 또는 6개월 시점에서 금연 결과에 차이가 없음을 발견했다.
  • 추천 시스템을 통상적인 관행과 비교한 한 개의 시험은 12개월 시점에 해당 앱이 상당히 더 효과적임을 발견했다.
• 편향: 12개 중 10개의 흡연 관련 시험이 높은 편향 위험을 가진 것으로 평가되었으며, 2개는 "일부 우려(some concerns)"가 있는 것으로 평가되었다.

전반적 효능

본 검토는 AI 지원이 알코올 소비나 흡연을 줄이기 위해 비(非) AI 디지털 중재 또는 통상적인 치료보다 유익한 효과를 제공한다는 강력하고 일관된 근거를 발견하지 못했다. 일부 개별 시험은 긍정적인 효과를 보고했으나, 이는 종종 무효한 결과를 보이는 시험들에 의해 상쇄되었으며, 전체 근거에 걸친 높은 편향 위험은 결과에 대한 신뢰도를 낮춘다.

의의 및 주장

본 논문은 고소득 국가의 알코oli 소비 또는 흡연을 위한 공중 보건 중재에서 AI 지원의 유익한 효과에 대한 강력한 근거가 없다고 결론짓는다.

• 완곡한 주장: 저자들은 근거의 부족이 AI가 효과가 없음을 증명하는 것이 아니라, 현재의 근거가 이익이나 안전성을 가정하기에는 불충분함을 명시적으로 밝힌다. 중재의 이질성과 높은 편향 위험은 결정적인 양적 결론을 내리는 것을 방해한다.
• LLM의 부재: 본 검토는 대규모 언어 모델(LLM)을 활용한 시험이 전혀 없음을 언급하며, 이러한 새로운 기술의 잠재력이 이 특정 공중 보건 영역에서는 아직 테스트되지 않았음을 시사한다.
• 형평성 및 안전성: 본 논문은 AI 지원 중재가 기존의 건강 불평등을 악화시키거나 취약 계층에게 해를 끼치지 않도록, 향후 연구 설계 및 분석에 형평성 고려 사항을 반드시 포함해야 한다고 강조한다.
• 보고 표준: 저자들은 투명성과 재현성을 높이기 위해 AI 관련 보고 지침(예: CONSORT-AI, SPIRIT-AI) 채택을 제안하며, 공중 보건 중재 내 AI 구성 요소에 대한 더 나은 설명을 촉구한다.

요약하자면, AI는 행동 변화를 개인화하는 데 이론적인 가능성을 지니고 있으나, 현재의 경험적 토대는 혼재된 결과와 방법론적 한계로 특징지어지며, 엄격한 평가 없이 AI 지원 중재를 광범위하게 도입하는 것에 대해 주의를 요한다.