미국선 못 쓰는 의료 AI, 아프리카선 '대박'

알츠하이머병은 증상이 나타나기 한참 전부터 뇌에 독성 단백질인 아밀로이드 베타가 쌓이기 시작한다. 보통 치매 진단을 받기 15년에서 길게는 20년 전부터 이러한 축적이 시작되는 것으로 알려져 있다. 이처럼 증상이 없는 단계에서 병의 진행을 억제하는 조기 치료는 병의 발병을 늦추거나 예방하는 데 결정적인 역할을 할 수 있다.

알츠하이머병 발병률은 APOE E4 유전자 보유 여부에 따라 크게 달라진다. 이 유전자를 전혀 갖고 있지 않은 사람은 85세까지 알츠하이머병에 걸릴 확률이 10~15% 수준이다. 그러나 E4 유전자를 하나만 가지고 있으면 발병 확률이 20~25%로 약 10% 증가하며, E4 유전자를 두 개 모두 가지고 있으면 발병 확률은 35~55%까지 급증한다.

기존 통계 방식은 방대한 데이터 속에서 희귀 변이의 상관관계를 파악하는 데 한계가 있었다. 이를 극복하기 위해 AI는 '윈도우 베이스 에이전트' 방식을 활용한다. 이 방식은 작은 에이전트들이 데이터를 세밀하게 탐색하며 기존 통계 방법으로는 놓칠 수 있었던 희귀 변이를 발견할 가능성을 높여준다.

생성형 AI는 이미 의료 현장에서 다양한 방식으로 활용되고 있다. 대표적인 사례가 '앰비언트 AI'로, 의사가 환자를 진료하는 상황을 녹음하여 진단 내용을 자동으로 요약하고 차트를 대신 작성해 주는 기능이다. 이를 통해 의사들은 차트 작성에 소요되는 시간을 단축하고 다음 환자를 더 빨리 진료할 수 있게 되어 업무 효율성이 크게 향상된다.

미국 의료 제도는 메디케어 수가 체계를 표준으로 삼는데, 이는 의사의 판독비와 기계 사용료 등 모든 의료 행위에 대한 세부 항목이 명시되어야 보험 청구가 가능하다. 그러나 AI 판독에 대한 별도의 수가 항목이 아직 정해지지 않아, 병원이 AI를 활용하더라도 그에 대한 비용을 환자에게 청구할 근거가 없는 실정이다. 이로 인해 AI 의료 기술의 실제 현장 도입이 매우 어렵다.

미국에서는 의사협회가 사실상 의료 수가 가격표를 결정하는 권한을 가지고 있다. 이로 인해 AI가 의사를 대체할 가능성에 대한 우려와 함께 AI 판독에 대한 책임 소재 논란이 끊이지 않고 있다. 병원 입장에서는 AI가 보조 도구로서 이윤이 남는 효율적인 시스템인 경우에만 도입을 선호하는 경향을 보인다. 이러한 이해관계와 제도적 장벽이 AI 도입을 가로막는 주요 요인으로 작용하고 있다.

나머지 70%의 의사들은 직접 판독하는 것이 여전히 더 정확하다고 판단하거나, AI 도입이 진단 속도를 충분히 높이지 못해 수가 산정의 필요성을 느끼지 못하는 것으로 분석된다. 이러한 낮은 활용률은 기술적 완성도와 별개로 실제 의료 현장의 복잡한 요인들이 작용하고 있음을 보여준다.

희귀병 진단 분야에서 AI는 인간보다 상대적으로 강점을 보인다. 벤더빌트 대학의 실험 결과, 사람의 희귀병 진단 정확도가 약 5%에 불과한 반면, AI는 10~13%로 두 배 이상의 정확도를 기록했다. 이는 AI가 방대한 의료 데이터를 기억하고 잊지 않아 특정 희귀 사례를 포착하는 데 유리하기 때문이다. 그러나 AI 역시 90% 이상 틀리는 경우가 많아, 희귀병 진단 데이터의 난이도가 매우 높다는 점을 시사한다.

AI가 예측을 내놓을 때, 동시에 자신의 판단이 틀릴 확률이 몇 퍼센트인지 다시 계산하여 알려주도록 하는 방식이다. 이를 통해 AI가 자신 없다고 답변한 케이스에 대해서만 의사가 재검토함으로써 전체 진단 정확도를 90%에서 96%까지 향상시키는 성과를 거두었다.

AI 도입에 대한 초기 우려와 달리, 실제 의료 현장에서는 AI가 의사를 대체하기보다 업무 효율을 높이는 보조적인 역할을 하는 것으로 나타났다. 고령화로 환자가 급증하고 의사 수가 부족한 상황에서 AI는 진료와 판독 부담을 덜어주어 의사들이 더 많은 환자를 돌볼 수 있게 한다. 오히려 AI 도입 후 영상의학과 교수 수요가 늘어나는 현상까지 발생하여, AI가 의료 공백을 메우고 의사의 전문성을 보완하는 역할을 하고 있음이 확인되었다.

아프리카 의료 현장은 극심한 의료진 부족과 인프라 부재로 필수 의료 서비스가 붕괴 직전이다. 일례로 정신과 의사 한 명이 20만 명에 달하는 환자를 담당하는 상황이어서 제대로 된 진료는 불가능하다. 특정 치료제(클로자핀)가 존재해도 환자의 상태를 지속적으로 추적 관찰할 수 있는 시스템이 전무한 상태다. 또한, 국립 정신병원의 수용 능력은 이미 한계를 넘어섰고, 질병에 대한 기초적인 교육조차 제대로 이루어지지 않아 심각한 의료 공백이 초래되고 있다.

나이지리아에서는 인적 자원 부족이라는 한계를 AI 기술로 극복하며 결핵 퇴치에 큰 성과를 거두었다. 이동형 X-레이 기기와 AI 판독 시스템을 활용하여, 의사가 아닌 현지 인력 20명이 9개월간 9만 4,000명의 주민을 검진했다. 그 결과, AI 판독을 통해 2,414명의 결핵 환자를 확진하는 놀라운 성과를 달성했다. 이는 의료 전문 인력이 없는 지역에서도 AI가 대규모 질병의 조기 발견을 가능하게 함을 보여주는 사례다.

새로운 의료 기술 도입 과정에서 기술 자체보다 '사람'의 행태가 더 큰 걸림돌이 되는 경우가 많다. 초기에는 진료 과정에서 의료진이 수동으로 체크하는 방식을 사용했으나, 이는 진단 오류로 이어지기 쉬웠다. 이후 진단 결과를 직관적으로 보여주는 자동 신호등(시각화) 방식을 도입하자 진단 오류가 크게 감소했다. 이는 아무리 좋은 기술이라도 사용자의 편의성과 행동 양식을 고려한 인터페이스 설계가 중요함을 시사한다.

미국 의료 현장에서는 FDA 승인을 받은 의료 장비라 할지라도 실제 수가 산정 문제로 인해 도입이 어려운 경우가 많다. 예를 들어, 당뇨 망막병증 검사 장비의 경우, 장비를 구매하고 검사를 수행해도 받을 수 있는 수가가 44불에 불과하다. 이처럼 낮은 수가로는 장비 운영 비용조차 감당하기 어려워 병원 입장에서는 수익성이 맞지 않게 되고, 결과적으로 좋은 기술임에도 불구하고 실제 현장 도입이 지연되는 문제가 발생한다.

의료 인력이 부족한 잠비아에서는 AI를 활용하여 저숙련자의 진단 능력을 획기적으로 향상시키는 실험이 성공적으로 진행되었다. 아무런 의학 훈련을 받지 않은 비전문가에게 AI 기기 사용법을 단 8시간 교육한 후, 고급 장비를 다루는 숙련된 의료진과 비교한 결과 진단 오차가 0.21에 불과했다. 이는 AI가 복잡한 진단 과정을 단순화하여 비전문가도 높은 정확도로 질병을 진단할 수 있게 함으로써, 산모 사망률을 낮추는 등 의료 서비스 접근성을 크게 개선할 수 있음을 보여준다.

AI 진단 정확도가 99.9%에 달해도 나머지 0.1%의 오류는 항상 존재하기 때문이다. 최근에는 이 0.1%의 오류를 해결하지 못할 바에는, AI가 예측 실패 확률을 스스로 분석하여 불확실한 경우를 의료진에게 알려주는 '불확실성 연구'가 진행되고 있다. 이는 AI의 한계를 인정하고 의료진이 최종 판단을 내리도록 함으로써 책임 소재 문제를 우회하는 시도이기도 하다. AI는 신속한 진단 결과를 제공하는 장점을 극대화하면서도, 오류 발생 시 누가 책임을 질 것인가에 대한 사회적 합의는 여전히 중요한 과제로 남아 있다.