Clinical Reasoning in the AI era: A focused scoping review and narrative synthesis of conceptual, pedagogical, and assessment frameworks in health professions education

큰 그림: "GPS" 문제

당신이 누군가에게 운전하는 법을 가르치고 있다고 상상해 보세요. 수년 동안 당신은 '훌륭한 운전'이 무엇인지에 대한 명확한 지도를 가지고 있었습니다. 규칙을 알고, 도로 상황을 읽고, 갑작스러운 폭풍에 대처하며, 대시보드(계기판)를 믿어야 할 때와 자신의 직감을 믿어야 할 때를 구분하는 법 말입니다.

이제 모든 자동차에 새로운 슈퍼 GPS(인공지능)가 설치되었다고 상상해 보세요. 이 GPS는 당신이 어디로 회전해야 할지 정확히 알려주고, 교통량을 예측하며, 심지어 운전 기록부까지 대신 작성해 줄 수 있습니다.

이 논문이 지적하는 문제는 이것입니다: 우리는 운전자를 평가하기 위해 GPS를 사용하고 있지만, 정작 이 GPS가 운전자에게 실제로 운전하는 법을 가르치고 있는지는 확실하지 않다는 것입니다.

저자인 나오미 캠벨 우즈(Naomi Campbell-Woods)는 의료 교육 현장에서 학생들이 의사처럼 생각하는 법(이를 **임상적 추론(Clinical Reasoning)**이라고 합니다)을 배우기 위해 이 '슈퍼 GPS'를 어떻게 활용하고 있는지 확인하기 위해 수백 편의 연구를 검토했습니다. 그녀는 기술이 매우 인상적이긴 하지만, 우리는 주로 GPS가 측정하기 쉬운 운전의 부분들만 테스트하고 있으며, 의사를 진정으로 안전하게 만드는 복잡하고 인간적인 부분들은 무시하고 있다는 사실을 발견했습니다.

---

파트 1: 혼란스러운 지도 (그 "무엇")

AI에 대해 이야기하기 전에, 이 논문은 의료 교육이 '임상적 추론'이 실제로 무엇인지에 대해 합의하는 데 어려움을 겪고 있다는 점을 지적합니다. 이는 마치 '좋은 요리'가 무엇인지 합의하지 못한 채 누군가에게 요리사가 되는 법을 가르치려는 것과 같습니다.

논문은 전문가들이 현재 '훌륭한 사고'를 설명하는 세 가지 주요 방식을 제시합니다:

1. 도서관 카드 시스템 (스크립트 이론): 의사들은 지식을 도서관처럼 정리합니다. 환자를 보면, 그 질병에 대한 '스크립트'(정신적 파일)를 꺼냅니다.
2. 빠른 뇌와 느린 뇌 (이중 프로세스): 유능한 의사는 두 가지 모드를 사용합니다. 빠른 '직감' 모드와 느리고 신중하게 '사실을 확인하는' 모드입니다.
3. 팀 스포츠 (상황 인지): 사고(Thinking)는 진공 상태에서 일어나지 않습니다. 그것은 겁에 질린 환자, 지친 간호사, 시간 압박이 존재하는 혼란스러운 병실 안에서 일어납니다. 사고를 환경으로부터 분리할 수 없습니다.

문제점: 오랫동안 의과대학들은 단 한 번의 기말 시험으로 이 사고 능력을 테스트하려고 노력해 왔습니다. 논문은 이것이 스포츠 팀의 한 시즌 전체를 단 한 번의 플레이로 판단하려는 것과 같다고 말합니다. 이는 제대로 작동하지 않습니다.

---

파트 2: AI라는 지름길 (그 "어떻게")

이제 AI가 등장합니다. 이 논문은 AI가 학생들을 가르치거나 테스트하는 데 사용된 158개의 연구를 검토했습니다.

AI가 잘하고 있는 것:
AI는 깔끔하고, 글로 쓰여 있으며, 구조화된 것들을 채점하는 데 뛰어납니다.

• 비유: AI는 매우 엄격한 사서와 같습니다. AI는 당신이 증상을 제대로 적었는지, 당신의 진단이 교과서와 일치하는지, 그리고 당신의 메모 형식이 올바른지를 즉각적으로 확인할 수 있습니다.
• 결과: 연구에 따르면 학생들은 AI를 사용할 때 이러한 특정 과업들을 수행하는 능력이 향상됩니다. 그들은 데이터를 더 빨리 수집하고 더 나은 노트를 작성합니다.

AI가 놓치고 있는 것:
AI는 복잡하고, 인간적이며, "순간적인" 사고의 부분을 측정하는 데 서툽니다.

• 비유: 사서는 당신의 철자는 확인할 수 있지만, 당신이 환자에게 어려운 질문을 던질 만큼 용기 있었는지, 혹은 도로가 침수되었을 때 GPS를 무시해야 한다는 것을 알았는지는 알 수 없습니다.
• 공백: 논문은 AI 연구들이 다음의 요소들을 거의 측정하지 않는다는 것을 발견했습니다:
  • 학생이 불확실성(답이 명확하지 않을 때)을 어떻게 다루는지.
  • 상황이 변할 때 어떻게 적응하는지.
  • 단순히 AI를 맹목적으로 믿고 있는지, 아니면 실제로 스스로 생각하고 있는지.

---

파트 3: "기술 퇴보(De-skilling)"의 위험

논문은 **"기술 퇴보(De-skilling)"**라고 불리는 특정한 위험을 경고합니다.

• 비유: 만약 당신이 매일 GPS가 대신 운전하게 내버려 둔다면, 당신은 지도를 읽거나 눈길에서 핸들을 조작하는 법을 잊어버릴 수도 있습니다.
• 위험 요소: 만약 학생들이 너무 일찍 AI에 의존하여 어려운 사고(예: 진단 내리기)를 하게 된다면, 그들은 스스로 그 일을 하는 법을 결코 배우지 못할 수도 있습니다. 그들은 '결코 숙련되지 못하거나(never-skilled, 기술을 배우지 못함)' 또는 '잘못 숙련되거나(mis-skilled, AI를 그대로 베끼느라 잘못된 방식으로 배움)' 될 수 있습니다.

논문은 학생들이 (AI의 도움을 받았던) 컴퓨터 시뮬레이션에서 실제 환자로 넘어갔을 때, AI의 도움은 종종 사라진다는 점에 주목합니다. 학생들의 실력이 실제 현장에서 더 나아지지 않았다는 것은, AI가 스승이 아니라 단순히 '지팡이(crutch)' 역할을 했을 뿐임을 시사합니다.

---

파트 4: 제안된 해결책 (새로운 프레임워크)

저자는 우리가 새로운 '규칙'이 필요하다고 주장합니다. 단순히 새로운 도구를 가지고 옛날 방식의 테스트를 계속해서는 안 됩니다.

그녀는 AI 시대에 추론을 가르치고 테스트하기 위한 **'6층 케이크'**를 제안합니다:

1. 지식 조직 (Knowledge Organization): 그들의 정신적 도서관 파일들이 잘 정리되어 있는가?
2. 과정 실행 (Process Enactment): 단서로부터 결론에 도달하는 방법을 알고 있는가?
3. 불확실성 처리 (Uncertainty Handling): 답이 명확하지 않을 때 침착함을 유지할 수 있는가?
4. 맥락적 수행 (Contextual Performance): 조용한 테스트 룸이 아닌, 소란스럽고 바쁜 병원에서도 잘 생각할 수 있는가?
5. 사회 기술적 판단 (Sociotechnical Judgment): 이것은 새로운 항목입니다. AI가 자신을 지배하게 두지 않고 하나의 도구로서 사용할 수 있는가? "AI는 X라고 말하지만, 나는 ~때문에 Y라고 생각한다"라고 말할 수 있는가?
6. 프로그램적 구조 (Programmatic Architecture): 단 한 번의 큰 시험 대신, 학생을 공정하게 평가하기 위해 많은 작은 증거들을 모으는 장기적인 시스템(예: 포트폴리오)이 필요합니다.

결론

이 논문은 AI가 의학 교육을 망가뜨린 것이 아니라, 기초의 균열을 드러냈다고 결론짓습니다.

우리는 사고의 "쉬운" 부분(노트를 쓰거나 진단을 선택하는 것 등)을 측정하는 훌륭한 도구들을 가지고 있지만, "어려운" 부분(불확실성을 다루거나 컴퓨터를 무시해야 할 때를 아는 것 등)을 측정하는 데는 실패하고 있습니다.

핵데이지(Takeaway): 우리는 단순히 더 많은 AI 실험을 구축해서는 안 됩니다. 우리는 학생들이 AI를 단순한 보조 항해사가 아닌, 배의 선장으로서 사용하는 법을 가르치는 새로운 프레임워크를 구축해야 합니다. 그렇지 않으면, 우리는 컴퓨터는 잘 다루지만 스스로 생각하는 능력은 형편없는 의사들을 갖게 될지도 모릅니다.