A Scoping Review of Vibe Coding in Healthcare Across Clinical, Administrative, and Research Domains

수십 년 동안 병원과 클리닉이 실제로 어떻게 작동하는지에 대해 가장 잘 아는 사람들—의사, 간호사, 행정가들—은 자신들에게 필요한 소프트웨어 도구를 구축하지 못해 왔습니다. 그들은 환자 케어 계획에서 잘못된 프로세스나 누락된 기능을 포착할 수는 있지만, 이를 해결할 코드를 작성할 기술적 능력이 부족합니다. 한편, 그 코드를 작성할 수 있는 소프트웨어 엔지니어들은 병동의 일상적인 현실을 이해하지 못하는 경우가 많습니다. 이러한 격차로 인해 의료 시스템은 외부 벤더와 느리고 비용이 많이 드는 개발 주기에 의존하게 되었습니다. 최근, 이 간극을 메울 것으로 기대되는 새로운 유형의 인공지능이 등장했습니다. 대규모 언어 모델(LLM)로 알려진 이 시스템들은 평이한 영어 지시를 이해하고 이를 작동하는 컴퓨터 코드로 변환할 수 있습니다. 사용자가 전통적인 프로그래머처럼 행동하기보다 감독자로서 자연어 프롬프트를 통해 인공지능을 유도하여 소프트웨어를 구축하고, 기계가 기술적인 작성을 처리하는 워크플로우를 설명하기 위해 "바이브 코딩(vibe coding)"이라는 새로운 용어가 만들어졌습니다.

오리건 보건 과학 대학교(Oregon Health & Science University)와 카이저 퍼머넌트 오클랜드 의료 센터(Kaiser Permanente Oakland Medical Center)의 연구팀은 의료 분야 내에서 이 기술의 초기 지형을 파악하기 위한 작업을 수행했습니다. 그들은 2023년 1월부터 2025년 12월 사이에 발표된 과학 문헌을 광범위하게 검토하여, 이러한 AI 도구가 의료 교육, 연구 또는 병원 행정을 위해 소프트웨어를 구축하는 데 사용된 사례를 검색했습니다. 그들의 목표는 소프트웨어 자체를 테스트하는 것이 아니라, 이 기술이 어디에 사용되고 있는지, 어떤 종류의 도구들이 구축되고 있는지, 그리고 이 급격한 변화 속에 어떤 위험이 숨겨져 있는지를 이해하는 것이었습니다. 그들은 이 분야가 매우 초기 단계에 있으며, 첫 번째 동료 검토 논문들이 2025년 중반에야 나타났다는 것을 발견했습니다. 그들이 수집한 증거는 임상의들이 정식 훈련 없이도 기능적인 소프트웨어를 구축할 수 있게 되었지만, 이러한 도구들을 관리하기 위한 안전 및 규제 프레임워크는 아직 준비되지 않았음을 시사합니다.

연구진은 이 새로운 접근 방식이 뿌리를 내리고 있는 네 가지 주요 영역을 식별했습니다. 첫 번째이자 가장 활발한 영역은 의학 교육입니다. 이 영역에서 의사와 교육자들은 질병 진단을 위한 시뮬레이션이나 신장 케어를 가르치기 위한 웹 기반 플랫폼과 같은 상호작용형 훈련 도구를 만들기 위해 AI를 사용하고 있습니다. 한 연구는 의사 팀이 자연어만을 사용하여 AI를 유도해 짧은 기간 내에 네 가지 서로 다른 교육용 애플리케이션을 구축한 사례를 설명했습니다. 이 도구들에는 소변 샘플 분석 가이드와 신장 문제에 대한 진단 보조 도구가 포함되었습니다. 리뷰에서 강조된 또 다른 사례는 이비인후과 의사가 외과 레지던트의 기술 향상을 돕기 위해 구축한 DebriefMD라는 웹 애플리케이션입니다. 제작자는 정식 소프트웨어 공학 훈련을 받지 않았으나 AI 도구를 사용하여 코드를 생성했으며, 그 결과 레지던트가 지도 전문의로부터 받은 피드백 음성 노트를 업로드하고 자신의 성과에 대한 자동 보고서를 받을 수 있는 시스템을 만들었습니다. 이러한 프로젝트들은 진입 장벽이 크게 낮아져 전문가들이 자신의 아이디어를 즉시 작동하는 소프트웨어로 바꿀 수 있음을 보여줍니다.

생물 의학 연구 분야에서 이 기술은 데이터 분석을 더 많은 사람에게 개방하는 촉매제 역할을 하고 있습니다. 전통적으로 복잡한 의료 데이터 세트를 분석하려면 전담 데이터 과학자와 프로그래머 팀이 필요했습니다. 이제 연구자들은 AI 어시스턴트를 사용하여 데이터를 정제하고, 통계 모델을 실행하며, 결과를 시각화하는 데 필요한 코드를 작성하고 있습니다. 리뷰는 이러한 변화가 조사자들이 구현이라는 기술적 세부 사항보다는 과학적 질문에 집중할 수 있게 해준다고 언급했습니다. 일부 연구자들은 특정 안과 수술 후의 결과를 예측하는 도구와 같이 임상 연구를 위한 맞춤형 계산기를 구축하는 데 이러한 도구를 사용하기도 했습니다. 리뷰 저자들은 이것이 생물 의학 정보학에 대한 접근을 민주화하여, 더 많은 임상의가 기술적 지원을 기다리지 않고 스스로 연구 프로젝트를 이끌 수 있게 할 것이라고 제안합니다.

세 번째 영역은 병원을 운영하는 복잡한 인프라, 구체적으로 서로 다른 컴퓨터 프로그램들이 서로 통신할 수 있게 하는 시스템입니다. 병원은 환자 기록, 검사 결과, 영상 정보를 위해 다양한 소프트웨어 시스템을 사용하며, 이들을 연결하는 작업은 역사적으로 전문 엔지니어를 필요로 했습니다. 리뷰에서는 숙련된 통합 아키텍트가 자연어 지시를 사용하여 수동으로 코딩할 경우 몇 주가 걸렸을 데이터 파이프라인을 구축한 사례를 찾아냈습니다. 이는 고도의 기술적 인프라 작업에서도 AI가 기존의 전문성을 증폭하여 시스템 간에 환자 데이터를 이동시키는 도구의 생성을 가속화할 수 있음을 시사합니다. 마지막으로, 리뷰는 청구 및 일정 관리와 같은 행정 업무를 살펴보았습니다. 이러한 영역은 환자 안전에 대한 직접적인 위험이 적기 때문에 이 기술의 자연스러운 시작점으로 간다. 임상의들은 이전에 정보 기술 부서 전체를 참여시켜야 했던 작업들, 즉 서류 작업을 자동화하거나, 리퍼럴(전원)을 추적하거나, 컴플라이언스(준수 사항)를 관리하기 위한 맞춤형 스크립트를 구축하기 시작했습니다.

그러나 리뷰는 소프트웨어를 빠르게 구축할 수 있는 능력이 곧 그 소프트웨어가 안전하거나 광범위한 사용을 위한 준비가 되었다는 것을 의미하지는 않는다는 점을 명확히 합니다. 연구진은 심각한 안전 및 규제 격차를 식별했습니다. 주요 우려 사항 중 하나는 코드 보안입니다. 유사한 AI 도구로 생성된 코드를 연구한 결과, 출력물의 거의 절반이 보안 취약점을 포함하고 있는 것으로 나타났으며, 이는 환자 데이터 보호가 필수적인 의료 환경에서 위험할 수 있습니다. 또한 의사들이 이러한 AI 도구에 지시 사항을 입력할 때 실수로 민감한 환자 정보를 포함할 수 있으며, 이 정보가 외부 서버로 전송될 수 있다는 위험도 있습니다. 더욱이 법적 및 규제적 환경이 불분명합니다. AI가 작성한 도구가 환자에게 해를 끼치는 실수를 했을 때 누가 책임을 질 것인지에 대해서는 아직 정의되지 않았습니다. 현재의 의료 소프트웨어 규칙은 인간 프로그래머를 위해 작성되었으며, 기계와의 대화를 통해 만들어진 도구에 이 규칙이 어떻게 적용될지는 불분명합니다.

이러한 위험에 대응하기 위해 저자들은 도구가 초래하는 위험 수준에 기반한 새로운 관리 프레임워크를 제안합니다. 그들은 교육용 시뮬레이션이나 개인 환자 데이터를 다루지 않는 일정 관리 계산기와 같이 위험도가 낮은 도구는 최소한의 감독 하에 배포될 수 있다고 제안합니다. 비식별 데이터를 다루거나 행정 워크플로우를 지원하는 도구는 보안 및 개인정보 보호법 준수를 보장하기 위해 구조화된 검토 과정을 거쳐야 합니다. 가장 높은 수준의 정밀 조사는 임상적 결정에 직접 영향을 미치거나 식별 가능한 환자 정보에 접근하는 도구에 적용될 것입니다. 이러한 고위험 애플리케이션은 다른 의료 기기와 마찬가지로 엄격한 테스트와 검증 과정을 거쳐야 합니다. 연구진은 생성 방법이 인간에 의한 것이든 AI에 의한 것이든, 최종 제품에 대한 안전 요구 사항은 변하지 않아야 한다고 강조합니다.

리뷰는 이 기술이 의료를 변화시킬 잠재력은 실재하지만, 현재의 증거는 초기 실험과 소규모 프로젝트에 국한되어 있다고 결론짓습니다. 이러한 도구들이 환자의 치료 결과를 개선한다는 것을 증명하는 대규모 연구는 없으며, 성공적인 사례의 상당수는 일반적인 사용자를 대표하지 않을 수 있는 의욕적인 선구자들에 의해 이루어졌습니다. 저자들은 다음 단계가 광범적인 도입을 서두르는 것이 아니라, 필요한 가드레일을 구축하는 것이라고 주장합니다. 여기에는 AI 생성 코드를 테스트하는 표준화된 방법의 마련, 임상의들이 이러한 도구를 안전하게 사용하는 방법을 가르치기 위한 의과대학 커리큘럼의 업데이트, 그리고 문제가 발생했을 때 누가 책임을 질 것인지에 대한 명확한 규칙 개발이 포함됩니다. "바이브 코딩"의 약속은 의료에 대해 가장 잘 아는 사람들이 자신들에게 필요한 도구를 직접 만들 수 있게 해준다는 것이지만, 그 약속을 실현하기 위해서는 훌륭한 의료 관행을 정의하는 것과 같은 엄격함, 인내, 그리고 안전에 대한 집중이 필요할 것입니다.