[태그:] 헬스케어

  • 임상 1상 2상 3상, 대체 뭐가 다르길래 신약 승인에 10년씩 걸리나

    임상 1상 2상 3상, 대체 뭐가 다르길래 신약 승인에 10년씩 걸리나

    신약 하나가 병원 처방전에 오르기까지 보통 10~15년. 개발비는 10억 달러를 훌쩍 넘는다. 이 긴 시간, 대부분 어디서 새는 걸까. 바로 ‘임상시험’이라는 검증 단계다. 몬태나주 같은 곳은 아예 이 절차를 확 줄여버렸다. 임상 1상만 마친 약도 환자에게 팔 수 있게 법을 고친 거다. 이게 뭐가 다른 건지 알려면, 먼저 임상 1상·2상·3상이 각각 뭘 검증하는 단계인지부터 짚어야 한다.

    신약이 시장에 나오기까지 오래 걸리는 이유

    실험실에서 물질 하나 발견됐다고 바로 약이 되는 게 아니다. 먼저 전임상, 그러니까 동물실험을 거치고, 그다음 사람 대상으로 세 번의 임상시험을 통과해야 비로소 약으로 인정받는다. 그런데 여기서 처음 임상시험에 들어간 후보 물질 중 실제로 승인까지 가는 건 10% 안팎뿐이다. 나머지 90%는 안전성 문제든 효과 부족이든 중간에 다 걸러진다. 이렇게 촘촘하게 거르니 시간과 비용이 눈덩이처럼 불어나는 거다.

    • 전임상 단계: 동물실험으로 독성과 기본 효과부터 확인
    • 임상 1상~3상: 사람 대상으로 안전성과 효과를 순서대로 검증
    • 허가 심사: FDA 같은 규제기관이 자료를 뜯어보고 승인 여부를 결정

    임상 1상, 사람 몸에 처음 넣어보는 단계

    임상 1상, 말 그대로 후보 약물을 사람 몸에 처음 넣어보는 단계다. 참가자는 20~100명 정도로 소규모. 대부분 건강한 지원자를 모집한다. 물론 항암제처럼 독성이 센 약은 예외라서, 처음부터 환자를 대상으로 한다. 이 단계에서 보는 건 딱 하나다. 안전한 용량 범위. 약이 몸에 들어가서 어떻게 흡수되고 어떻게 빠져나가는지, 부작용은 어느 지점부터 나타나는지 확인하는 거다. 기간은 1년 안팎이고, 여기서 삐끗하면 임상시험 자체가 그대로 중단된다.

    임상 2상, 진짜 효과가 있는지 가려내는 구간

    1상에서 안전은 확인했다. 2상부터는 진짜 환자를 대상으로 돌린다. 참가자 수도 100~300명 수준으로 늘어나고, 목표는 명확하다. 이 약이 정말 효과가 있는지 통계로 증명하는 것. 사실 신약 후보가 제일 많이 떨어져 나가는 구간이 여기다. 안전하긴 한데 기대한 만큼 효과가 안 나와서 접는 경우가 유독 이 단계에 몰려 있다. 솔직히 여기서 갈린다고 보면 된다.

    임상 3상, 돈과 시간이 제일 많이 드는 구간

    3상은 규모부터 다르다. 수백 명에서 많게는 수천 명이 참여한다. 여러 나라, 여러 병원에서 동시에 굴리는 다기관 임상이 보통이고, 위약(가짜 약)이나 기존 치료제와 나란히 놓고 효과 차이를 입증해야 한다. 이걸 통과해야 FDA 같은 규제기관에 정식 승인 신청서를 낼 자격이 생긴다. 신약 개발 비용의 절반 이상이 이 3상 구간에서 사라진다고 보면 된다.

    승인받으면 끝? 4상과 시판 후 감시

    FDA 승인, 사실 끝이 아니라 시작에 더 가깝다. 시장에 풀린 뒤에도 장기 복용했을 때 나오는 부작용이나 드문 사례를 계속 쫓는 4상(시판 후 감시)이 이어진다. 실제로 승인받고 나서 한참 뒤에 예상 못한 부작용이 발견돼 리콜되는 약도 꽤 있다. 신약 안전성 검증이란 게 결국 서류에 도장 찍는 순간에 끝나는 게 아니라, 시장에서 계속 확인되는 과정인 셈이다.

    Right to Try와 주(州)법, 예외는 어떻게 작동하나

    표준 치료법이 없는 말기 환자를 위해 미국은 연방 차원에서 Right to Try 제도를 운영한다. 임상 1상만 통과한 약이면 FDA의 개별 승인 없이도 의사 판단으로 환자에게 투여할 길을 열어준 제도다. 몬태나주는 여기서 한발 더 나갔다. 임상 1상만 마친 약을 아예 상업적으로 팔 수 있게 주법을 손본 거다. 노림수는 바이오 기업을 끌어들여 실험 의료 허브로 자리 잡는 것. 희귀질환 환자 입장에서는 선택지가 하나 더 생기니 반가운 일이지만, 효과나 장기 안전성이 충분히 검증되지 않은 채로 시장에 나온다는 위험도 같이 따라붙는다.

    묻고 싶었던 것들

    Q. 임상시험에 참여하면 참가비를 받나요?
    1상은 건강한 지원자를 모으는 거라 보상금을 주는 경우가 많다. 반면 2·3상은 환자 대상이라 교통비나 검사비 정도 지원하는 게 보통이다. 기관마다, 시험마다 조건은 제각각이니 참여 전에 꼭 확인해야 한다.

    Q. 한국 임상시험 단계도 미국과 같나요?
    1상·2상·3상이라는 큰 틀 자체는 국제 공통 기준인 ICH-GCP를 따르기 때문에 동일하다. 다만 식약처 심사 절차나 세부 요건은 FDA랑 좀 다르다.

    Q. Right to Try로 받은 약도 보험 적용이 되나요?
    제도 자체는 보험 적용을 보장하지 않는다. 제약회사가 무상으로 주거나 환자가 직접 비용을 부담하는 경우가 대부분이다. 이용하기 전에 비용 문제부터 확인해두는 게 낫다.

    출처: MIT Tech Review AI

  • 장기이식 대기 얼마나 걸릴까, 보존 기술과 등록법까지

    장기이식 대기 얼마나 걸릴까, 보존 기술과 등록법까지

    하루 17명. 미국에서 장기이식을 기다리다 세상을 떠나는 사람 숫자다. 국립장기조직혈액관리원 통계를 보면 대기자는 매년 늘어나는데, 실제 이식 건수는 그 속도를 못 따라간다. 기증자가 부족한 것도 문제지만, 어렵게 구한 장기조차 ‘시간’이라는 벽에 막혀 버려지는 일이 생각보다 흔하다. 몸 밖으로 나온 장기, 버티는 시간이 길지 않다.

    심장은 6시간, 콩팥은 하루—장기별 유통기한

    적출된 장기마다 ‘생존 시계’가 다르게 흘러간다.

    • 심장·폐: 4~6시간 넘기면 기능 손상 위험이 확 커진다
    • : 12시간 전후를 한계로 본다
    • 신장: 24~36시간까지 버티는 편, 그나마 여유 있는 쪽이다

    이 시간을 넘기면 조직이 겉보기엔 멀쩡해도 이식 후 제대로 기능하지 않을 확률이 급격히 뛴다. 공여자와 수혜자가 같은 지역에 있어야 하는 이유, 새벽에도 이식 수술이 응급으로 돌아가는 이유. 다 여기서 나온다.

    혈액이 멈추는 순간, 세포는 이미 죽어가고 있다

    혈류가 멈추면 산소 공급도 같이 끊긴다. 세포는 부족한 산소로 버티려고 무산소 대사로 갈아타는데, 이 과정에서 젖산 같은 노폐물이 쌓이고 세포막이 상하기 시작한다. 진짜 골치 아픈 건 오히려 다시 피가 도는 순간이다. 산소가 갑자기 밀려들면서 활성산소가 폭발적으로 늘고, 이게 조직을 공격하는 ‘재관류 손상’으로 이어진다. 저산소 상태로 버틴 시간이 길수록, 다시 피가 통할 때 받는 충격도 커지는 셈이다.

    얼음 박스만으론 부족하다—관류 보존 장비의 등장

    전통적인 방식은 장기를 차가운 보존액에 담가 아이스박스에 넣는 정적 냉보존이다. 대사 속도를 늦춰 손상을 최소화하는 방법인데, 시간이 흐르면 세포는 결국 서서히 죽어간다. 요즘 병원들이 도입하는 기계 관류 장비는 접근법 자체가 다르다. 펌프로 산소화된 혈액이나 특수 용액을 장기 안에 계속 돌려서 대사 활동을 유지시킨다. 보존 시간만 늘려주는 게 아니라, 이식 전에 장기가 제대로 작동하는지 미리 확인할 수 있다는 것도 장점이다. 폐나 간 이식 성공률이 최근 눈에 띄게 좋아진 배경에 이 장비가 있다.

    장기를 몇 년씩 얼려둔다고? 초저온 보존의 현주소

    연구자들이 궁극적으로 노리는 목표는 장기를 수개월, 수년 단위로 저장하는 ‘장기 은행’이다. MIT 테크놀로지 리뷰가 최근 다룬 내용을 보면, 이 분야 핵심 과제는 얼음 결정을 만들지 않고 조직을 얼리는 유리화 보존 기술이다. 물이 얼면 날카로운 결정이 생겨 세포막을 찢어버리기 때문에, 결정 생성을 막는 특수 용액과 초고속 냉각·재가온 기술이 함께 필요하다. 실험실 단계에서는 나노입자로 조직을 균일하게 재가온하는 방법 등으로 의미 있는 성과가 나오고 있다. 다만 사람 몸에 이식할 수준의 장기 전체를 안전하게 얼렸다 녹이는 기술, 상용화까지는 아직 갈 길이 남았다.

    국내에서 장기기증 등록하는 법

    생전에 기증 의사를 남기는 절차, 생각보다 간단하다.

    • 사랑의장기기증운동본부나 생명나눔실천본부 홈페이지에서 온라인으로 신청 가능하다
    • 가까운 보건소나 병원에 방문하면 등록을 도와주는 곳도 많다
    • 운전면허 갱신할 때 기증 의사를 표시하는 항목이 따로 마련돼 있다

    뇌사 판정 후 실제 기증으로 이어지는 과정은 한국장기조직기증원(KODA)이 가족 동의와 의료 절차를 조율하는 식으로 진행된다. 등록만으로 법적 강제력이 생기는 건 아니다. 그래서 가족과 미리 의사를 나눠두는 편이 실제 기증으로 이어질 확률을 높인다.

    이식이 필요하다면—대기자 등록 절차

    이식이 필요한 환자는 담당 의료기관을 통해 국립장기조직혈액관리원(KONOS)에 등록한다. 이후 혈액형과 조직적합성 검사를 거쳐 대기자 명단에 이름을 올리는데, 순번은 단순히 등록 순서로 정해지지 않는다. 조직 적합도, 응급도, 대기 기간, 거주 지역 등을 종합해서 산정한다. 그래서 같은 날 등록한 환자라도 대기 기간이 크게 갈릴 수 있다.

    핵심만 3줄 요약

    장기는 몸 밖에서 몇 시간, 길어야 하루 남짓밖에 못 버틴다. 기계 관류 장비가 도입되면서 보존 시간과 이식 성공률은 조금씩 나아지고 있고, 유리화 보존 같은 초저온 기술이 상용화되면 ‘장기 은행’이라는 개념도 더는 먼 얘기가 아니게 된다. 기증과 대기자 등록 절차, 미리 알아두면 막상 필요한 순간에 당황하지 않고 움직일 수 있다.

    출처: MIT Tech Review AI

  • 전자 타투 센서란? 피부에 그리는 웨어러블 바이오센서 원리

    전자 타투 센서란? 피부에 그리는 웨어러블 바이오센서 원리

    피부에 붓으로 잉크를 슥슥 칠했을 뿐인데, 그 자리가 심박과 근전도를 읽는 전극으로 바뀐다. 최근 해외 연구진이 공개한 전도성 잉크 기반 ‘전자 타투(e-tattoo)’ 얘기다. 스티커형 패치나 딱딱한 스마트워치 센서와는 결이 완전히 다르다. 웨어러블 헬스케어의 다음 단계로 한 번쯤 검색해볼 만하다.

    전자 타투 센서, 정확히 뭘 말하나

    전자 타투는 은 나노와이어나 PEDOT:PSS, 그래핀 잉크처럼 전기가 통하는 물질을 피부에 직접 도포해 만드는 얇은 전극이다. 에어브러시나 스텐실로 원하는 도안을 그리고 말리면, 그 자리가 그대로 회로가 된다. 신기하다. 기존 의료용 패치가 접착 젤로 피부에 붙이는 방식이었다면, 이건 잉크 자체가 피부에 밀착되는 전극 역할을 한다. 그 차이가 크다.

    작동 원리: 잉크가 전극이 되는 과정

    도포된 잉크는 마르면서 미세한 도전성 네트워크를 형성한다. 이 네트워크가 피부 표면의 미세 전위 변화를 잡아낸다. 심장 박동이나 근육 수축에서 나오는 전기 신호다. 신호는 얇은 전선이나 무선 모듈을 타고 스마트폰이나 별도 수신기로 전송된다. 여기서 알고리즘이 파형을 분석해 부정맥이나 근육 피로도 같은 지표로 바꿔준다. 실시간 신호 처리에 AI를 붙이면 노이즈 섞인 데이터에서도 이상 패턴을 빠르게 걸러낼 여지가 있다.

    스마트워치·패치형 센서와 뭐가 다른가

    스마트워치는 손목 한 곳에서 광학 센서로 혈류량 변화를 잰다. 그래서 움직임이 많으면 오차가 확 커진다. 접착 패치는 정확도는 높지만 피부 자극과 탈부착 불편이 늘 따라다닌다. 전자 타투는 이 두 단점을 동시에 노린 셈이다.

    • 피부처럼 늘어나고 구부러져 움직임에 의한 신호 왜곡이 적다
    • 원하는 신체 부위 어디든 도안을 그려 부착 위치를 자유롭게 정할 수 있다
    • 두께가 워낙 얇아 착용감이 거의 느껴지지 않는다

    측정 가능한 생체 신호 종류

    지금까지 연구 단계에서 검증된 항목은 심전도(ECG), 근전도(EMG), 뇌전도(EEG) 신호다. 여기에 땀 성분 분석까지 결합하면 젖산, 포도당, 나트륨 같은 전해질 수치도 확인 가능하다는 연구가 나온다. 스포츠 과학에서는 근피로도 추적에, 병원에서는 장기간 심장 모니터링에 이런 다중 신호가 쓰인다.

    상용화 전에 넘어야 할 조건들

    관건은 땀과 마찰을 얼마나 버티느냐다. 현재 시제품 상당수는 며칠 착용하고 나면 잉크가 벗겨지거나 전도성이 뚝 떨어진다. 세척, 샤워, 장시간 운동 같은 실사용 환경에서의 내구성 검증, 아직 부족하다. 여기에 개인 맞춤 도안을 찍어내려면 프린팅 장비와 재료 원가가 만만치 않다. 의료기기로 쓰려면 각국 규제 기관의 임상 데이터 승인 절차도 거쳐야 한다. 가격이 대중적인 수준으로 내려오려면 시간이 좀 더 필요해 보인다.

    실제로 쓰인다면 어디에 먼저 적용될까

    단기적으로는 병원 입원 환자의 장기 심전도 모니터링, 운동선수의 근육 피로 추적, 노년층 낙상·심박 이상 감지 같은 영역에서 먼저 들어올 가능성이 높다. 접착식 패치보다 착용 부담이 적고 원하는 부위에 자유롭게 붙일 수 있어서, 24시간 연속 모니터링이 필요한 환자군에 잘 맞는다. 도안을 패션 요소로 커스터마이징할 수 있다는 점도 눈여겨볼 만하다. 헬스케어 기기라는 딱딱한 인식을 낮춰주는 부가 효과가 있으니까.

    이것도 궁금할 만한 질문들

    Q. 물에 닿으면 바로 지워지나? 잉크 종류에 따라 다르지만, 현재 프로토타입은 방수 코팅을 씌워도 며칠 이상 버티기 어려운 경우가 많다. 이건 좀 아쉬운 부분.

    Q. 스마트워치를 대체할 수 있나? 아직은 아니다. 배터리, 디스플레이 같은 부가 기능이 빠져 있어서, 정밀 생체 신호 측정에 특화된 보조 기기로 자리 잡을 가능성이 크다.

    Q. 국내에서도 관련 연구가 있나? 스트레처블 전자소재 분야에서 국내 연구기관들도 비슷한 전도성 잉크·필름 기반 센서를 개발 중이다. 학회 발표 자료를 통해 진행 상황을 확인할 수 있다.

    출처: Ars Technica

  • 각막 이식 vs 안구 이식, 뭐가 다른지 확실히 정리

    각막 이식 vs 안구 이식, 뭐가 다른지 확실히 정리

    국내에서만 매년 수백 건씩 이뤄지는 각막 이식. 반면 안구를 통째로 갈아 끼우는 수술은 아직 세계 어디서도 성공한 적이 없다. 2023년 미국 뉴욕대 랭곤 병원이 처음으로 안구 전체 이식을 시도했는데, 이식받은 눈은 결국 시력을 되찾지 못했다. 겉만 보면 둘 다 ‘눈을 바꾸는 수술’처럼 들린다. 파고들면 얘기가 완전히 다르다. 검색만으로는 잘 안 잡히는 이 둘의 차이, 그리고 시력을 잃었을 때 실제로 고를 수 있는 치료법까지 정리해봤다.

    각막 이식과 안구 이식은 급 자체가 다르다

    각막은 눈 앞쪽을 덮은 투명한 막이다. 두께는 0.5mm 남짓. 여기가 혼탁해지거나 손상되면 그 부분만 떼어내고 기증받은 각막으로 바꿔치기하는데, 이게 각막 이식이다. 신경이나 혈관을 새로 연결할 필요가 거의 없어서 성공률이 높다. 국내에서도 매년 꾸준히 시행되는 수술이다.

    안구 이식은 얘기가 다르다. 각막부터 망막, 시신경까지 눈 전체를 통째로 바꾸는 개념이다. 난이도가 각막 이식과는 비교가 안 된다. 각막 이식이 부품 하나 교환이라면, 안구 이식은 카메라 전체를 뇌라는 컴퓨터에 새로 연결하는 작업에 가깝다. 이건 좀 과한 비유일 수도 있지만, 실제로 그 정도 격차다.

    안구 이식이 안 되는 진짜 이유, 시신경

    눈에서 뇌로 시각 정보를 보내는 통로가 시신경이다. 문제는 이게 한 번 끊어지면 다시 잇기가 거의 불가능하다는 점. 척수 신경처럼 중추신경계에 속해 있어서, 손이나 팔의 말초신경과 달리 재생 능력이 사실상 없다.

    • 각막: 신경 연결 없이도 이식 가능, 성공률 높음
    • 망막: 이식보다는 세포 이식이나 유전자 치료 쪽 연구가 활발
    • 안구 전체: 시신경 재연결이 최대 난제, 성공 사례 아직 없음

    2023년 사례를 봐도 그렇다. 이식한 눈 자체는 혈류가 돌고 겉보기엔 멀쩡했다. 하지만 시신경이 끊긴 상태라 시각 정보는 뇌까지 가지 못했다. 눈을 옮겨 붙이는 것과 실제로 ‘보이게’ 만드는 것 사이엔 생각보다 큰 간극이 있다.

    안구를 살려서 보관하는 기술이 왜 중요한가

    눈은 몸에서 떨어져 나오는 순간부터 산소와 영양 공급이 끊긴다. 조직 손상은 그때부터 빠르게 진행된다. 각막은 관류액에 담가 며칠 정도 버틸 수 있지만, 망막 세포와 시신경은 훨씬 예민하다. 시간이 지날수록 회복 가능성이 뚝뚝 떨어진다. 그래서 요즘 연구는 적출한 안구에 혈액과 비슷한 관류액을 계속 흘려보내 손상을 최소화하는 관류 장치 쪽에 몰려 있다. 심장이나 간을 관류 장치로 보존해서 이식 성공률을 끌어올린 방식과 같은 접근이다. 이 기술이 실용화되면 이식까지 남은 시간을 벌어주는 동시에, 시신경 재생 치료를 병행할 여지도 생긴다.

    실명 진단받으면 실제로 뭘 받을 수 있나

    안구 이식이 아직 먼 얘기라면, 지금 임상에서 쓰이거나 검토 중인 대안은 이렇다.

    • 인공 각막 이식: 기증 각막을 구하기 어렵거나 거부반응이 반복될 때 쓰는 합성 각막. 보스턴 인공각막(K-Pro)이 대표적이다.
    • 망막 임플란트(바이오닉 아이): 망막색소변성증 환자 등을 대상으로 한 아거스 II 같은 장치가 있었지만, 지금은 상업 판매가 중단된 상태다.
    • 유전자 치료: 특정 유전성 망막 질환에 한해 이미 승인된 치료제가 나와 있다. 적용 범위는 조금씩 넓어지는 중.
    • 줄기세포 기반 망막세포 이식: 아직 임상시험 단계지만, 황반변성 등에서 의미 있는 결과가 보고되고 있다.

    결국 시신경이 멀쩡한 경우, 즉 각막이나 망막 표면 문제라면 지금도 치료 선택지가 꽤 많다. 시신경 자체가 끊어진 실명, 이게 가장 답이 안 나오는 영역으로 남아 있다.

    각막 기증, 절차는 어떻게 되나

    각막 기증은 사후 기증 형태다. 사망 후 비교적 짧은 시간 안에 적출해서 안은행에 보관한다. 국내에서는 한국안구은행협회 등을 통해 등록할 수 있고, 각막 하나로 최대 2명까지 시력을 되찾을 수 있다. 장기기증 중에서도 접근성이 높은 편에 속한다. 안구 전체 기증과 각막 기증은 등록 절차상 큰 차이는 없다. 다만 실제로 쓰이는 부위와 이식 방식이 다르다는 점, 알아둘 필요는 있다.

    짧게 묻고 답하기

    Q. 안구 이식은 왜 아직 상용화가 안 됐나?
    A. 시신경을 다시 연결하는 기술이 없어서다. 눈 자체는 옮겨 붙여도 뇌로 정보를 보낼 통로가 막혀 있으면 시력은 돌아오지 않는다.

    Q. 각막 이식 후 시력은 얼마나 회복되나?
    A. 원인 질환마다 다르다. 다만 각막 자체 문제로 시력이 떨어진 경우라면 회복률이 꽤 높은 편이다.

    Q. 바이오닉 아이는 지금도 구할 수 있나?
    A. 아거스 II처럼 판매가 끊긴 제품도 있다. 반면 후속 연구는 여러 기관에서 계속 진행 중이라, 완전히 사라진 분야는 아니다.

    MIT 테크놀로지 리뷰가 전한 바에 따르면, 관련 원문은 여기서 확인할 수 있다.

  • Claude Science란? AI 연구 보조 도구, 제대로 파헤쳐봤다

    Claude Science란? AI 연구 보조 도구, 제대로 파헤쳐봤다

    제약회사 임원, 바이오텍 창업자, 현장 연구자들이 한 자리에 모였다. 그 자리에서 앤트로픽이 카드 한 장을 꺼냈다. 이름은 클로드 사이언스(Claude Science). 논문 검색부터 실험 설계, 데이터 해석까지 과학 연구 전 과정을 붙잡아주겠다는 전용 AI 제품이다. 이런 발표가 나올 때마다 ‘연구용 AI 도구’, ‘AI로 논문 쓰는 법’ 같은 검색어가 몰리곤 하는데, 오늘은 그 궁금증을 한 번에 정리해본다.

    클로드 사이언스, 정확히 뭘 하는 도구인가

    AI 리서치 어시스턴트라는 말 자체는 거창하지만, 풀어보면 단순하다. 연구자 옆에 붙어서 논문 읽기, 데이터 정리, 가설 세우기 같은 반복 작업을 대신 처리해주는 소프트웨어. 그게 전부다. 챗봇처럼 질문에 답만 던지는 수준이 아니다. 방대한 논문 데이터베이스를 뒤져 관련 문헌을 추리고, 실험 결과를 통계적으로 해석하고, 다음 실험 방향까지 제안한다. 클로드 사이언스는 여기에 제약·바이오 분야 특화 기능을 더 얹었다는 점이 다르다.

    빅테크가 나란히 실험실로 달려가는 이유

    구글 딥마인드가 단백질 구조 예측 모델 알파폴드로 노벨상 수상자를 배출한 뒤, 연구 분야는 AI 업계에서 가장 확실한 다음 격전지로 꼽힌다. 이유는 뻔하다. 신약 개발 하나에 평균 10년 넘게, 수조 원이 들어가는데 그 상당 부분이 논문 조사와 실험 설계 같은 반복 작업에 그대로 새어나간다. 이 과정을 몇 주만 당겨도 제약회사 입장에선 어마어마한 비용 절감이다. 오픈AI, 구글, 앤트로픽이 앞다퉈 과학 연구용 제품을 내놓는 배경이 여기 있다.

    실제로 붙여보면 뭐가 달라지나

    실무에서 체감되는 변화는 생각보다 구체적이다.

    • 문헌 리뷰 자동화: 수백 편의 논문을 요약하고, 서로 어긋나는 결과를 찾아 정리해준다
    • 실험 설계 초안 작성: 가설 하나 던지면 대조군 설정, 표본 크기 계산까지 초안이 나온다
    • 데이터 해석 보조: 통계 결과를 풀어 설명하고 시각화 방법도 추천한다
    • 코드·분석 파이프라인 생성: R이나 파이썬으로 짜야 할 분석 스크립트를 곧바로 뽑아준다

    연구자가 자료 뒤지는 데 쓰던 시간을 아껴서, 그만큼 실험 자체에 더 쏟을 수 있게 되는 구조다.

    도구 고를 때 따져봐야 할 것들

    비슷비슷한 서비스가 쏟아지는 만큼, 고를 때 기준 하나쯤은 세워두는 게 낫다.

    • 최신 논문까지 학습·검색 범위에 들어가는지
    • 인용 출처를 명확히 표시해서 검증이 가능한지
    • 소속 기관 데이터가 외부로 새지 않는 보안 정책이 있는지
    • 화학식, 유전자 서열 같은 전문 표기법을 정확히 처리하는지
    • 기존에 쓰던 연구 관리 툴이나 실험 노트와 연동되는지

    믿고 쓰기 전에 짚어야 할 함정

    AI가 뽑아낸 요약이나 가설, 그대로 논문에 옮겨 붙이면 곤란해진다. 근거 없는 문장을 그럴듯하게 지어내는 환각 현상, 과학 데이터를 다룰 땐 훨씬 치명적이다. 존재하지도 않는 논문을 인용하거나 실험 수치를 잘못 계산하는 사례, 종종 보고된다. 이건 좀 무서운 부분이다. 그래서 AI가 내놓은 결과는 실제 문헌과 대조하고, 통계는 따로 검증하는 습관이 필요하다. 임상 데이터처럼 민감한 정보를 다룰 때는 기관의 데이터 반출 규정부터 확인해야 한다. 당연한 얘기 같지만, 막상 급하면 건너뛰기 쉬운 단계다.

    결국 연구자에게 필요한 건 이거다

    연구용 AI는 실험을 대신 해주는 도구가 아니다. 조사와 정리에 드는 시간을 줄여주는 조수에 가깝다. 논문 리뷰나 데이터 정리에 시간을 많이 뺏긴다면 이런 도구부터 시범 삼아 도입해보고, 그다음에 실험 설계 보조 기능으로 범위를 넓히는 순서가 안전하다. 처음부터 전부 맡기기보다 검증 가능한 영역에서 시작해 신뢰를 쌓아가는 쪽, 결국 시간을 더 아끼는 길이다.

    출처: MIT Tech Review AI

  • 노화를 거꾸로 돌린다는 ‘세포 리프로그래밍’, 어디까지 왔나

    노화를 거꾸로 돌린다는 ‘세포 리프로그래밍’, 어디까지 왔나

    베조스가 노화를 멈추는 데 돈을 걸었다. 알트먼도 마찬가지다. 실리콘밸리 거물들이 수십억 달러를 쏟아붓는 분야, 공통분모를 따라가 보면 결국 하나의 기술로 모인다. 세포 리프로그래밍(cellular reprogramming)이다. 늙은 세포를 어렸을 때 상태로 되돌려서 노화 자체를 거꾸로 돌린다는 이야기, 한때는 SF 영화 소재였다. 지금은 실험실 단계까지 와 있다. 원리가 뭔지, 실제로 어디까지 진행됐는지 차근차근 정리해본다.

    세포 리프로그래밍, 정확히 뭘 하는 기술인가

    DNA 서열을 건드리는 게 아니다. 유전자는 그대로 두고, 그 위에 쌓인 화학적 표지(에피지넘)만 초기화하는 작업이다. 비유하자면 하드디스크 파일은 안 건드리고 설정값만 공장 초기화하는 셈. 세포는 나이가 들수록 어떤 유전자는 켜지고 어떤 유전자는 꺼지는 패턴이 쌓인다. 이 패턴을 다시 어린 세포 상태로 맞춰주면 세포의 ‘생물학적 나이’가 젊어진다는 게 핵심 가설이다.

    야마나카 인자, 노화를 되돌리는 단백질 4개

    출발점은 2006년, 일본 과학자 신야 야마나카의 연구다. 4가지 단백질 — Oct4, Sox2, Klf4, c-Myc — 을 피부세포에 주입했더니, 그 세포가 배아줄기세포처럼 뭐든 될 수 있는 상태로 돌아갔다. 이 4가지를 묶어서 야마나카 인자라 부른다. 이 발견으로 2012년 노벨 생리의학상도 받았다. 원래는 줄기세포를 만들기 위한 기술이었는데, 최근 연구는 방향이 좀 다르다. 인자들을 아주 짧게만 적용해서 세포 정체성은 유지하면서 나이만 되돌리는 쪽으로 옮겨갔다.

    부분 리프로그래밍 vs 완전 리프로그래밍

    여기서 길이 둘로 갈린다.

    • 완전 리프로그래밍: 세포를 끝까지 초기화해서 줄기세포로 만든다. 피부세포가 정체성을 잃고 무엇이든 될 수 있는 세포로 바뀐다. iPS세포를 만들 때 쓰는 방식인데, 몸속에서 직접 했다간 종양으로 이어질 위험이 크다.
    • 부분 리프로그래밍: 야마나카 인자를 짧게, 또는 약하게만 노출시킨다. 세포 정체성은 그대로 두고 노화 시계만 되돌리는 식이다. 피부세포는 여전히 피부세포다. 다만 더 어릴 때의 유전자 발현 패턴을 갖게 된다.

    요즘 투자가 몰리는 쪽은 거의 다 부분 리프로그래밍이다. 안전성 관리가 그나마 수월해서다.

    동물실험, 어디까지 와 있나

    동물실험 데이터는 생각보다 인상적이다.

    • 하버드 데이비드 싱클레어 연구팀은 2020년, 시신경이 손상된 늙은 쥐에게 부분 리프로그래밍을 적용해 시력을 일부 되살렸다.
    • 근육과 신장 조직에서 노화 관련 손상이 줄어들었다는 보고도 나왔다.
    • 일부 연구에서는 쥐의 평균 수명 자체가 늘어나기도 했다.

    전부 쥐 얘기다. 사람 몸에서도 똑같이 작동할지는 아직 아무도 증명 못 했다.

    발목 잡는 건 결국 암

    걸림돌은 c-Myc이다. 이 단백질, 대표적인 암 유발 유전자(종양유전자)로 꼽힌다. 야마나카 인자를 너무 오래, 너무 세게 쓰면 세포가 통제 안 되고 증식하면서 기형종 같은 종양이 생길 위험이 커진다. 실제로 일부 쥐 실험에서 리프로그래밍을 과하게 적용한 그룹에서 종양이 나온 사례도 보고됐다. 그래서 연구자들은 c-Myc을 빼거나 노출 시간을 정밀하게 조절하는 쪽으로 안전성을 확보하려 매달리는 중이다. 이 기술이 임상까지 가려면 ‘얼마나 효과적인가’보다 ‘얼마나 안전하게 끌 수 있는가’가 더 큰 숙제인 셈이다.

    돈은 이미 몰렸다, 누가 들어와 있나

    속도가 가파르다.

    • 알토스랩(Altos Labs): 제프 베조스 등이 초기에 30억 달러 규모로 투자해 출범시킨 회사. 부분 리프로그래밍 기반 치료제 개발에 집중한다.
    • 레트로 바이오사이언스(Retro Biosciences): 샘 알트먼이 투자한 곳. 세포 리프로그래밍과 자가포식(autophagy) 연구를 같이 진행한다.
    • 뉴림(NewLimit), 라이프 바이오사이언스(Life Biosciences) 등도 비슷한 방향으로 연구비를 끌어모으는 중이다.

    대부분 아직 동물실험이나 초기 세포 단계다. 사람 대상 정식 임상시험에 들어간 곳은 거의 없다.

    그래서, 내 몸에 적용되려면 뭐가 더 필요한가

    전문가들 시각은 대체로 비슷하다. 사람 대상 정식 치료제가 나오려면 최소 10년은 더 걸릴 거라는 쪽. 넘어야 할 장벽도 명확하다. 암 위험을 통제할 정밀한 투여 방식, 특정 조직에만 정확히 전달하는 기술, 장기간 안전성을 입증할 대규모 임상 데이터. 이 세 가지가 다 갖춰져야 한다. 그 사이에 ‘세포 리프로그래밍’이나 ‘에피지넘 역전’을 내세운 고가 건강관리 서비스나 보충제가 마케팅 용어로 먼저 등장할 가능성, 솔직히 꽤 높다. 사람 몸에서 검증된 효과가 아직 없는 만큼, 이런 상품을 만나면 학술 논문에 실린 임상 데이터가 있는지부터 확인하는 게 합리적이다.

    출처: MIT Tech Review AI

  • 감기 백신이 수십 년째 없는 이유, AI 신약 개발은 뭘 바꾸나

    감기 백신이 수십 년째 없는 이유, AI 신약 개발은 뭘 바꾸나

    코로나19 백신은 1년 만에 나왔다. 그런데 감기 백신은 없다. 수십 년 동안. 이 이상한 격차가 생긴 이유가 있고, 지금 AI와 빅테크 자본이 여기 뛰어들면서 판이 바뀌고 있다.

    160종 이상의 바이러스와 싸워야 하는 구조

    라이노바이러스(Rhinovirus)만 160종 이상의 혈청형이 존재한다. 독감 백신은 WHO가 매년 유행 예측 변종 3~4가지를 골라 만든다. 그게 가능한 이유는 독감 바이러스가 어느 정도 예측 가능하기 때문이다. 감기는 다르다. 종류가 너무 많고, 돌연변이 속도도 빠르다. 단일 백신 하나로 커버하는 게 구조적으로 불가능하다.

    더 근본적인 문제가 있다. 면역 기억의 지속성이다. 독감이나 코로나 바이러스에 감염되면 몸이 중화 항체를 만들어 다음 감염에 대비한다. 반면 라이노바이러스 감염 후 생기는 면역은 수 주 안에 약해진다. 백신으로 형성한 면역도 마찬가지다. 오래가지 않는다.

    여기에 복병이 하나 더 있다. 감기를 일으키는 코로나바이러스 계열이 따로 4종이나 존재한다. SARS-CoV-2와 다른 계열이지만 비슷한 내성 문제를 안고 있다. 쉽게 말하면, ‘감기’라는 단어 하나 뒤에 수백 개의 적이 숨어 있는 셈이다.

    코 점막과 에어로졸 — 호흡기 감염이 막기 어려운 진짜 이유

    주사 백신은 혈중 항체(IgG)를 높이는 데 효과적이다. 문제는 호흡기 바이러스의 주 침투 경로가 비강(코 점막)이라는 것. 코 점막에서 작동하는 건 분비형 면역글로불린(IgA)인데, 이건 혈중 항체와 기전이 다르다. 그래서 최근 비강 내 투여 방식 백신 연구가 급증하고 있다. 콧속에 뿌리는 형태로 IgA를 직접 자극하는 방식이다.

    에어로졸 전파 문제도 있다. 바이러스 입자 크기가 0.1~0.3마이크론 수준이다. KF94 필터로도 100% 차단은 불가능하다. 마스크가 전파를 줄이지만 완전히 막지 못하는 이유가 여기 있다. 구조 자체가 그렇다.

    AI가 신약 개발에 끌려온 진짜 이유

    신약 하나 개발에 평균 10~15년, 비용은 1조 원 이상. 성공률은 10% 미만이다. 이 구조가 감기 치료제 개발을 막아왔다. 치명률이 낮고 환자 1인당 지불 의향도 높지 않다. 제약사 입장에서 투자 회수가 어렵다는 계산이 나온다.

    AI는 이 방정식에서 시간과 비용을 건드린다. 단백질 구조 예측, 분자 도킹 시뮬레이션, 임상시험 환자 매칭에서 기존 실험 기반 방식보다 수십 배 빠른 속도가 나온다. 구글 딥마인드의 AlphaFold는 2억 개 이상의 단백질 구조를 예측해 공개 데이터베이스를 구축했다. 이 데이터베이스가 감기·호흡기 바이러스 연구에도 직접 쓰인다.

    빅테크가 바이오에 돈을 쏟아붓는 이유

    테크 기업들의 헬스케어·바이오 투자를 사회공헌으로 보면 오해다. 구조적 계산이 있다.

    • 데이터 잠금 효과: 헬스케어 데이터는 수십 년치 바이오 자산이다. AI 학습에 쓸 수 있는 최고 품질 원자재다.
    • 시장 규모: 글로벌 의약품 시장이 연간 1,800조 원 규모다. 소프트웨어·광고가 포화된 빅테크에겐 확장 가능한 다음 판이다.
    • 규제 선점: 의료 AI 규제는 아직 초기다. 지금 들어오는 기업이 표준을 만든다.
    • 인재 유치: 바이오·의약 AI 연구는 기초과학을 다루기 때문에 최상위 AI 연구자들에게 매력적이다.

    결제 인프라를 가진 핀테크 기업이 바이오 연구를 후원하는 건 단기적으로 이상해 보일 수 있다. 하지만 헬스케어 구독 결제, 원격 진료 인프라, 의약품 전자상거래로 확장할 때 연구 투자에서 확보한 데이터와 네트워크가 진입 장벽이 된다. MIT Tech Review 보도를 보면 Stripe, Anthropic, OpenAI가 호흡기 감염 억제 프로젝트를 후원하는 흐름도 같은 맥락으로 읽힌다.

    AI 신약 개발, 지금 어디까지 왔나

    임상 진입 사례가 쌓이기 시작했다. 숫자가 말해준다.

    • Insilico Medicine: AI가 설계한 특발성 폐섬유화증(IPF) 치료 후보 물질이 임상 2상 진행 중. 후보 물질 발굴부터 임상 진입까지 18개월 만에 달성했다. 전통 방식이라면 5~7년 걸리는 구간이다.
    • Recursion Pharmaceuticals: 고처리량 실험과 AI를 결합해 200개 이상의 프로그램을 동시에 돌리고 있다.
    • Isomorphic Labs (딥마인드 분사): 일라이 릴리, 노바티스와 수천억 원 규모의 AI 신약 개발 계약을 맺었다.

    호흡기 분야에선 RSV(호흡기세포융합바이러스) 백신이 2023년 처음 허가를 받았다. AI 기반 면역원 설계 연구가 이 과정에 병행됐고, 이후 관련 파이프라인이 빠르게 늘고 있다.

    감기보다 먼저 나올 것들

    솔직히 말하면, 감기 백신은 당장 나오지 않는다. 하지만 인접 영역에서 눈에 띄는 진전이 이미 진행 중이다.

    • 범용 코로나 백신: 여러 코로나바이러스 변종을 동시에 막는 광역 백신 연구가 미국 NIH 주도로 진행 중. AI가 항원 설계의 핵심 역할을 맡는다.
    • 비강 전달 백신: IgA 항체를 직접 유도해 바이러스 침입 초기에 차단. 주사 없이 콧속에 뿌리는 형태다.
    • 광범위 항바이러스제: 바이러스 복제의 공통 기전을 막는 약물. 감기·독감·코로나를 하나의 약으로 막는 개념이다. 이게 현실이 되면 게임이 달라진다.
    • mRNA 치료제 응용: 코로나 백신에서 검증된 mRNA 플랫폼을 호흡기 바이러스 전반으로 확장하는 연구가 활발하게 이어지고 있다.

    5~10년 뒤, 감기 치료의 현실적 그림

    ‘정복’이라는 단어 자체가 감기에는 어울리지 않는다. 200종 이상의 바이러스가 끊임없이 돌연변이를 일으키기 때문에, 완전한 예방보다 빠른 치료와 중증화 방지가 현실적 목표다.

    AI가 신약 개발 속도를 높이면 증상 발현 후 24~48시간 내 복용하는 항바이러스제 개발 여지가 생긴다. 타미플루가 독감에 하는 역할을 감기에 하는 약을 AI가 설계하는 시나리오다. 상용화까지 여전히 5~10년은 필요하다. 그래도 투자 규모, 연구 속도, 기술 성숙도를 보면 과거와는 차원이 다르다. 분명히 가까이 오고 있다.

    출처: MIT Tech Review AI

  • 생각만으로 문장을 쓴다 — 뇌-컴퓨터 인터페이스(BCI) 원리와 현재

    생각만으로 문장을 쓴다 — 뇌-컴퓨터 인터페이스(BCI) 원리와 현재

    ALS 환자가 분당 80단어를 뇌 신호만으로 입력한다. 타이핑이 아니다. 손가락 하나 안 쓴다. 스탠퍼드와 UCSF 연구팀이 실제로 해낸 일이다.

    뇌-컴퓨터 인터페이스(BCI, Brain-Computer Interface)는 뇌와 컴퓨터를 직접 연결하는 기술이다. ALS(루게릭병), 척수손상, 뇌졸중 환자에게 신체를 대신할 소통 수단을 주는 게 현재 가장 앞선 활용 사례고, 신경과학·머신러닝·반도체 기술이 한데 뭉친 분야다. 임상 데이터가 빠르게 쌓이면서 투자와 연구가 동시에 속도를 올리는 중이다.

    왜 하필 지금인가

    BCI 개념 자체는 1970년대부터 있었다. 그런데 최근 들어 갑자기 뜨고 있는 데는 세 가지가 한꺼번에 맞아떨어진 덕분이다.

    • 전극 소형화: 뇌에 삽입하는 전극 배열이 수십 개에서 수천 개 수준으로 늘었다. 뉴럴링크(Neuralink)가 개발한 N1 칩은 1,024개의 전극을 탑재한다.
    • AI 신호 해석: 뇌파 패턴을 문자나 명령으로 바꾸는 과정이 과거엔 느리고 엉망이었다. 딥러닝 기반 디코더가 이 병목을 뚫었다.
    • FDA 패스트트랙: 미국 FDA가 혁신 의료기기에 대한 패스트트랙 승인을 확대하면서 임상시험 속도가 붙었다.

    하드웨어, 소프트웨어, 규제 환경이 동시에 무르익은 타이밍. 이게 지금이다.

    뇌파를 어떻게 읽나 — 4단계 흐름

    BCI의 작동 흐름은 4단계다.

    1. 신호 수집: 전극이 뉴런 활동 전위(스파이크)를 감지한다.
    2. 증폭·필터링: 마이크로볼트 수준의 미약한 신호를 노이즈 없이 증폭한다.
    3. 디코딩: 머신러닝 모델이 신호 패턴을 동작이나 언어로 변환한다.
    4. 출력: 커서 이동, 텍스트 입력, 로봇 팔 제어 등 외부 장치로 명령이 전달된다.

    핵심은 3번, 디코딩이다. 같은 전극 배열을 쓰더라도 어떤 알고리즘이냐에 따라 정확도와 속도가 완전히 갈린다. MIT, 스탠퍼드, UC샌프란시스코 연구팀이 이 디코더 경쟁을 주도하고 있는데, 솔직히 여기서 승부가 갈린다고 봐야 한다.

    뇌를 여느냐 마느냐 — 침습식 vs 비침습식

    BCI는 크게 두 종류로 나뉜다. 침습식(Invasive)비침습식(Non-invasive)이다.

    • 침습식: 두개골을 열고 뇌 표면이나 피질 내부에 전극을 이식한다. 신호 품질은 압도적이다. 다만 수술 위험, 염증, 전극 수명 문제가 따라온다. 뉴럴링크, Synchron, BrainGate가 여기에 속한다.
    • 비침습식: 두피에 전극 캡을 씌우거나(EEG), 두개골 밖에서 자기장을 쓰는(TMS) 방식이다. 수술이 없어 안전하지만 해상도가 낮고 속도도 느리다.

    치료 목적 임상은 거의 침습식으로 간다. 신호 품질이 떨어지면 마비 환자에게 실질적 도움을 주기 어렵거든. 반면 게임이나 집중도 측정 같은 소비자 앱은 비침습식이 시장을 넓혀가고 있다.

    생각으로 말하고, 뇌로 걷다 — 실제 임상 사례

    스탠퍼드·UCSF 연구팀이 ALS·뇌졸중 환자를 대상으로 진행한 연구에서 뇌 신호만으로 분당 80단어 이상을 텍스트로 변환하는 데 성공했다. 건강한 성인의 평균 타이핑 속도에 거의 닿은 수치다.

    운동 쪽은 더 극적이다. 척수손상 환자에게 뇌 임플란트와 척수 전기자극을 동시에 적용해 다리 근육을 다시 움직이게 한 사례가 국제 학술지 네이처(Nature)에 실렸다. 이건 좀 과한 얘기처럼 들리는데, 실제로 나온 결과다.

    장기 사용 사례도 나왔다. ALS 환자 중 수년에 걸쳐 BCI를 일상적으로 쓰면서 가족과 소통하고, 조명과 TV까지 제어하는 단계에 이른 이들이 등장했다. ‘파워 유저’라고 불러도 무방할 것 같다. 이런 사례들이 BCI의 실용성 논쟁에 가장 구체적인 답을 내놓는다.

    치료를 넘어 — 인간 증강의 가능성과 현실

    BCI 논의에서 치료 이상의 영역, 즉 인간 증강(Human Augmentation)이 점점 자주 등장한다.

    이론적으로 BCI가 충분히 발전하면 기억 보조, 감각 확장, 심지어 뇌 간 직접 통신도 그려볼 수 있다. 일부 연구자들은 이미 시각피질을 자극해 시각장애인에게 빛의 패턴을 인식시키는 실험을 진행 중이다.

    다만 이 방향은 규제, 윤리, 사회적 합의가 기술보다 훨씬 뒤처져 있다. ‘치료’와 ‘증강’의 경계를 어디에 그을 것인지는 기술 문제가 아니라 사회적 결정이다. 대부분의 기업이 치료 목적에만 집중하는 것도 규제 경로가 상대적으로 명확하기 때문이다. 증강 쪽은 아직 그 경로 자체가 없다.

    상용화 앞을 막는 4개의 벽

    BCI가 일반인 삶에 닿기까지 넘어야 할 과제가 뚜렷하게 네 가지 있다.

    • 내구성: 뇌에 삽입된 전극은 시간이 지나면 신호 품질이 떨어진다. 면역 반응으로 전극 주변에 섬유화가 진행되기 때문이다. 10년 이상 안정적으로 작동하는 전극은 아직 없다.
    • 무선 전력·데이터: 두개골을 관통하는 케이블 없이 전력을 공급하고 데이터를 송수신하는 기술이 필요하다. 발열과 보안 문제도 함께 풀어야 한다.
    • 데이터 프라이버시: 뇌 신호는 건강 정보 중 가장 민감한 데이터다. 누구의 소유인지, 어떻게 보호되는지에 대한 법제도가 아직 제대로 없다.
    • 접근성: 현재 BCI 수술 비용은 수억 원 수준이다. 보험 적용 기준이 마련되지 않으면 고소득층 전유물로 남는다.

    다음 수순은

    단기적으로 BCI는 의료 기기로 자리 잡을 것이다. ALS, 척수손상, 뇌졸중 후유증 환자를 위한 보조 장치 시장은 이미 열리는 중이다. 뉴럴링크가 인간 대상 임상 1상을 진행하고 있고, Synchron은 FDA 혁신 의료기기 지정을 받은 상태다.

    소비자 시장은 비침습식이 먼저 치고 나온다. 헤드셋 형태의 뇌파 측정 기기가 이미 게임, 명상, 집중력 훈련 앱과 연동되어 팔리고 있다. 정확도는 침습식에 비할 바가 아니지만, 수술 없이 쓸 수 있다는 게 진입장벽을 낮춘다.

    MIT Tech Review 보도를 보면, 전신 마비 환자가 뇌 신호로 수년째 가족과 대화한다는 사실이 BCI가 단순한 연구 프로젝트를 벗어났다는 가장 직접적인 증거다. 기술 성숙보다 윤리·규제·비용 장벽을 낮추는 데 더 긴 시간이 걸릴 공산이 크다. 그게 앞으로의 핵심 변수다.

    출처: MIT Tech Review AI

  • 핏빗 앱 사라진다? 구글 헬스 전환에 사용자 ‘혼란’

    핏빗 앱 사라진다? 구글 헬스 전환에 사용자 ‘혼란’

    핏빗 앱이 사라졌다. 지난 10년 가까이 수면 패턴, 심박수, 걸음 수를 꼬박꼬박 기록해온 그 앱이. 구글이 핏빗을 인수할 때부터 예고된 수순이긴 했지만, 막상 닥치니 당혹스럽다는 반응이 쏟아진다. 더버지(The Verge)가 전한 바에 따르면 핏빗 에어(Fitbit Air) 출시와 동시에 앱 전환이 공식화됐고, 커뮤니티마다 불만 글이 넘치고 있다.

    앱 이름만 바뀐 게 아니다

    구글 헬스(Google Health) 앱으로 넘어가려면 구글 계정 로그인이 필수다. 기존 핏빗 계정만 쓰던 사람은 새로 가입해야 한다. 단순한 아이콘 교체가 아니라는 말이다. 인터페이스, 데이터 구조, 메뉴 배치까지 전부 바뀐다.

    • UI 적응 장벽: 핏빗 앱 특유의 대시보드 레이아웃과 메뉴 흐름이 사라졌다. 새 UI에서 기본 기능 위치를 찾는 데도 헤매는 사례가 속출하고 있다.
    • 데이터 이전 오류: 계정 간 마이그레이션 중 수치 누락이나 동기화 오류가 보고된다. 커뮤니티에는 몇 년치 수면 기록이 날아갔다는 글도 올라왔다.
    • 개인정보 불신: 심박 변이, 수면 단계, 생리 주기 같은 민감 데이터가 구글 계정으로 통합되는 구조다. 구글이 이 데이터를 광고 타기팅에 어떻게 쓸지 의심하는 목소리가 작지 않다.

    솔직히 이건 예상된 반발이다. 오래 쓴 앱일수록 데이터가 많고, 데이터가 많을수록 마이그레이션 리스크가 커진다. 5년치 심박 기록을 다시 쌓을 수 없다는 걸 사용자들도 잘 안다. 그래서 더 화가 난다.

    구글의 헬스케어 야망, 시작부터 삐걱

    구글이 핏빗을 인수한 건 2021년이다. 약 21억 달러. 그 이후 건강 데이터를 자사 AI 인프라와 연결하는 작업을 꾸준히 진행해 왔다. 구글 헬스 앱의 목표는 단순 피트니스 기록을 넘어 AI 기반 맞춤 건강 관리 플랫폼이다. 큰 그림 자체는 나쁘지 않다.

    문제는 이게 사용자 입장에서 ‘좋아진 경험’으로 느껴지느냐다. 구글 플러스, 스태디아, 핏빗—구글은 인수한 서비스들을 자사 생태계에 합치는 과정에서 사용자 반발을 산 전례가 있다. 전략적 통합이 먼저, 사용자 경험은 나중인 패턴. 이번도 다르지 않다는 시각이 많다.

    건강 데이터는 쇼핑 이력과 차원이 다르다. 구글이 AI 추천 기능으로 뭘 보여줄 수 있는지, 그 답을 보여주기 전에 앱부터 교체한 게 이번 반발의 핵심이다. 신뢰를 쌓기 전에 강제로 문을 바꿔달았다.

    삼성 헬스로 갈아탈 이유가 생겼다

    국내 핏빗 사용자들도 예외가 없다. 핏빗은 수면 분석 정확도와 심박 모니터링 신뢰도로 갤럭시 워치와 다른 사용자층을 유지해 왔다. 그 층이 지금 흔들리고 있다.

    • 국내 초기 혼란: 한국어 UI 완성도나 카카오헬스케어, 네이버 헬스 등 국내 앱과의 연동 지원이 초기에 미흡할 가능성이 높다. 해외와 달리 국내 사용자들은 선택지가 제법 있다.
    • 삼성 헬스 반사이익: 갤럭시 워치를 쓰는 사용자라면 구글 헬스를 고집할 이유가 없다. 삼성 헬스(Samsung Health)와의 연동이 자연스럽고 앱 완성도도 수년째 다듬었다. 이번 전환을 계기로 핏빗 기기 자체를 갤럭시 워치로 교체하는 수요가 나올 수도 있다.
    • 국내 스타트업 빈틈: 역설적으로 이 혼란은 국내 헬스케어 스타트업에 기회다. 이탈하는 핏빗 사용자를 흡수할 대안 웨어러블이나 앱이 있다면 시장 점유율 확대 여지가 생긴다.

    결국 이번 전환은 앱 이름 하나가 바뀐 문제가 아니다. 건강 데이터를 누가 소유하고 어떻게 관리하느냐는 질문을 다시 꺼낸 것이다. 구글이 사용자 신뢰를 빠르게 회복하지 못하면, 헬스케어 플랫폼 경쟁에서 뒤처진다. 삼성과 애플은 이미 그 틈을 노리고 있다.

    출처: The Verge

  • 구글 AI, 질병 정복 꿈꿀까…헬스케어 혁명 어디까지?

    구글 AI, 질병 정복 꿈꿀까…헬스케어 혁명 어디까지?

    구글 I/O에서 나온 말 중 가장 센 건 이거였다. “AI로 모든 질병을 해결하겠다.” 의례적인 구호처럼 들릴 수 있지만, 더버지(The Verge)가 짚어낸 발표 내용을 보면 단순한 슬로건이 아니다. 알파폴드, 알파게놈, 제미니 포 사이언스—세 개의 도구가 의료·생명과학 연구 판을 실제로 바꾸고 있거나, 바꾸려 한다.

    알파폴드에서 알파게놈까지—구글이 쌓아온 것들

    알파폴드(AlphaFold)는 이미 검증된 사례다. 단백질 3D 구조 예측이라는, 수십 년간 생화학자들을 괴롭히던 문제를 AI로 사실상 풀어냈다. 덕분에 신약 후보 물질 탐색 속도가 극적으로 빨라졌고, 현재 수백 개 연구에 활용 중이다. 다음 타자가 알파게놈(AlphaGenome)이다.

    이름 그대로 유전체(게놈) 분석에 특화된 AI다. 인간 게놈에는 약 30억 개의 염기쌍이 있고, 그 안에 질병의 원인과 치료 단서가 묻혀 있다. 문제는 어디를 봐야 하는지조차 모른다는 것. 알파게놈은 이 방대한 데이터 속에서 패턴을 찾아내는 역할을 한다. 아직 공개된 성과가 제한적이라 섣불리 평가하긴 어렵지만, 알파폴드의 전례를 보면 기대감이 생기는 건 사실이다.

    제미니 포 사이언스(Gemini for Science)는 결이 좀 다르다. 구글 최신 AI 모델인 제미니의 멀티모달 능력—텍스트, 이미지, 실험 데이터를 동시에 읽고 추론하는 능력—을 과학 연구에 직접 붙인 것이다. 논문 분석, 실험 설계 보조, 가설 생성까지 연구자 옆에서 돌아가는 조교 역할을 목표로 한다. 솔직히 이 부분이 실제로 얼마나 작동하느냐가 핵심이다. “AI가 가설을 세운다”는 말은 멋있지만, 실제 연구 현장에서 노이즈와 신호를 구분하는 일은 훨씬 복잡하기 때문이다.

    • 알파폴드(AlphaFold): 단백질 3D 구조 예측. 신약 후보 탐색 속도 대폭 향상. 이미 수백 개 연구에 적용 중.
    • 알파게놈(AlphaGenome): 30억 개 염기쌍 데이터 속 질병 원인 탐색. 유전체 분석 특화.
    • 제미니 포 사이언스(Gemini for Science): 멀티모달 추론으로 논문·실험 데이터 통합 분석. 연구자 보조 도구로 설계됨.

    세 도구가 함께 작동한다면, 생명과학자들이 이전엔 수년 걸리던 탐색 과정을 수개월로 압축하는 게 이론상 가능해진다. 이론상.

    ‘모든 질병 해결’—과장인가, 로드맵인가

    “모든 질병을 해결하겠다”는 말은 분명 과장이다. 암, 알츠하이머, 희귀 유전질환—각각의 메커니즘이 다르고, AI가 만능 해결사가 될 수는 없다. 그런데도 이 비전이 의미 있는 이유는, 방향이 맞기 때문이다.

    정밀 의료 관점에서 보면, 개인의 유전체 데이터와 의료 기록을 종합해 맞춤 치료를 설계하는 것 자체가 AI 없이는 연산량 문제로 불가능한 영역이다. 신약 개발도 마찬가지다. 기존 방식으로 신약 하나를 출시하는 데 평균 10~15년, 비용은 수조 원이 든다. AI가 후보 물질 탐색 단계만 줄여도 이 숫자가 절반 이하로 내려간다. 조기 진단 분야는 이미 성과가 나오고 있다. 영상 데이터 분석에서 AI는 방사선과 전문의 수준의 정확도를 보이고 있고, 일부 암 조기 발견에서는 인간을 앞서기 시작했다는 연구 결과도 나왔다.

    전부 해결은 못 해도, 전선 자체를 몇 년 앞당기는 건 충분한 근거가 있다. 그게 구글의 실제 목표일 것이다.

    국내 시장, 기회인가 압력인가

    한국 입장에서 이 움직임은 복잡하다. 바이오·제약 산업이 성장 중이고, 삼성바이오로직스·셀트리온 같은 기업들이 글로벌 무대에서 입지를 굳혀가고 있다. 그런데 구글이 AI 헬스케어 플랫폼으로 들어오면 판이 달라진다.

    기술 격차부터 냉정하게 봐야 한다. 구글이 보유한 컴퓨팅 인프라와 학습 데이터 규모는 국내 기업이 단기간에 추격하기 어렵다. 자체 AI 신약 개발 플랫폼을 만들겠다는 국내 스타트업들이 여럿 있지만, 자본과 데이터 양에서 열세다. 구글 플랫폼을 활용할지, 독자 AI 역량을 쌓을지—전략적 선택이 빠르게 이뤄져야 하는 시점이다.

    의료 데이터 이슈도 걸린다. 구글 AI가 국내 환자 데이터를 학습하거나 활용하려면 개인정보보호법, 의료법 등 법적 장벽을 넘어야 한다. 데이터 주권 논쟁은 피할 수 없다. 유럽에서 구글이 의료 데이터 관련 규제로 상당한 마찰을 겪은 전례가 있다.

    • 기술 격차: 구글의 컴퓨팅 인프라·데이터 규모, 국내 기업이 단기 추격하기 어려운 구조.
    • 협력 vs 독자 개발: 구글 플랫폼 편승이냐, 독자 AI 역량 구축이냐—전략적 선택 시점이 빠르게 다가오고 있다.
    • 데이터 주권: 의료 데이터 활용 관련 법적·윤리적 정비가 선행 조건.
    • 인력 구조: AI와 생명과학을 모두 아는 융합 인재 부족이 가장 현실적인 병목이다.

    위기와 기회가 같은 문에 달려 있다. 구글의 AI 헬스케어 비전이 현실화될수록 국내 기업의 선택지는 좁아진다. 지금 전략을 짜지 않으면, 5년 후엔 플랫폼 의존 구조를 피하기 어렵다.

    출처: The Verge

  • AI 헬스케어, 글로벌 건강 목표 달성 핵심 전략

    AI 헬스케어, 글로벌 건강 목표 달성 핵심 전략

    팬데믹이 끝나고도 세계 의료 시스템은 완전히 회복되지 않았다. 인력 부족, 의료비 폭등, 지역 간 의료 격차. 기존 방식만으로는 이 세 가지를 동시에 해결하기가 어렵다는 게 이미 드러났다. 그 빈자리를 AI가 채우기 시작했다.

    AI 헬스케어, 기존 의료와 뭐가 다른가

    AI 헬스케어는 빅데이터 분석, 머신러닝, 딥러닝 같은 인공지능 기술을 질병 진단·치료·병원 운영 전반에 적용하는 분야다. 정의는 단순한데, 기존 의료와의 차이는 크다. 의사 개인의 경험과 직관에 의존하던 시대에서, 수천만 건의 의료 데이터를 학습한 알고리즘이 패턴을 찾아내는 시대로 바뀌는 것이다.

    인간 의사는 하루에 볼 수 있는 환자 수가 한정되어 있고, 피로와 집중력의 한계가 있다. AI에는 그런 제약이 없다. 데이터 기반의 초개인화되고 효율적인 의료 서비스를 가능하게 하는 기술 혁명이라는 표현이 과장처럼 들릴 수 있는데, 실제 사례들을 보면 생각보다 현실에 가깝다.

    • 정밀 진단: X-레이, MRI 영상에서 미세한 병변을 AI가 먼저 포착해 의료진의 판단을 보조하거나 교차 검증하는 방식.
    • 신약 개발: 후보 물질 탐색부터 임상 설계, 약물 재창출까지 — 10년 걸리던 과정을 단축.
    • 맞춤형 치료: 같은 암이라도 환자 유전자, 생활 습관에 따라 최적 항암제를 달리 추천.
    • 의료 운영 효율화: 병원 스케줄, 자원 배분, 의료 기록 분류 등 행정 업무 자동화.

    진단 정확도: 숫자가 말하는 것

    질병 진단에서 AI의 역할은 생각보다 구체적이다. 폐암 조기 발견을 예로 들면, AI가 CT 영상에서 0.3cm 미만의 결절을 포착하는 사례가 이미 임상 현장에 적용 중이다. 피부과에서는 피부암 이미지 분류에서 AI가 피부과 전문의와 유사하거나 더 높은 정확도를 보인다는 연구 결과도 나왔다. 이건 단순히 ‘더 빠르다’의 문제가 아니라, 의료진이 놓칠 수 있는 케이스를 잡아낸다는 뜻이다.

    예측 의학도 눈에 띄게 발전하고 있다. 웨어러블 기기에서 수집한 심박수·혈당·수면 데이터와 유전체 분석을 결합하면, 당뇨병이나 심혈관 질환의 발병 가능성을 수년 전에 예측하는 게 이론이 아니라 현실로 다가왔다. 질병을 치료하는 게 아니라 아예 발병 자체를 막는 방향으로 의료의 축이 옮겨가는 것이다. 의료비 부담 감소는 덤이고.

    신약 개발, 10년이 2년으로 줄어들 수 있을까

    신약 하나 만드는 데 보통 10년 이상, 비용은 수조 원이 든다. 이게 과장이 아니라 업계 평균이다. 그 과정의 대부분은 유망하지 않은 물질을 걸러내는 데 소비된다. AI는 수백만 개의 화학 물질 데이터를 빠르게 분석해 가능성 높은 후보를 추려낸다. 약물 작용 메커니즘 예측, 부작용 시뮬레이션도 실험실 단계 이전에 처리한다.

    치료 단계에서의 맞춤형 접근도 중요하다. 같은 유방암 진단을 받았더라도, 유전자 변이 패턴이 다르면 최적 항암제가 달라진다. AI는 환자의 유전체 정보와 종양 세포 특성, 기존 약물 반응 데이터를 한꺼번에 분석해 개인에게 최적화된 맞춤형 치료 프로토콜을 제시한다. 불필요한 부작용을 줄이고 치료 성공률을 높이는 것, 이게 핵심이다.

    공중 보건과 의료 접근성 — 격차를 좁힐 수 있을까

    AI가 개인 진료만 바꾸는 게 아니다. 코로나19 당시 감염 확산 예측 모델이 방역 정책 수립에 실제로 활용됐던 것처럼, AI는 이동량 데이터, 기후 변화, 과거 전염병 패턴을 종합해 질병의 확산 시점과 경로를 예측한다. 정부와 의료 기관이 자원을 어디에 얼마나 배분할지 미리 결정하는 데 결정적인 정보를 제공하는 것이다.

    의료 접근성 문제도 빼놓을 수 없다. 병원이 없거나 의사가 부족한 지역에서 원격 의료(Telemedicine)와 AI가 결합하면, 기본 건강 상담부터 간단한 진단까지 스마트폰으로 해결 가능하다. AI 챗봇이 증상을 분류해 적절한 의료 기관으로 연결하는 방식은 이미 여러 나라에서 시범 운영 중이다. 의료 자원의 불균형을 단번에 해결하진 못하더라도, 격차를 좁히는 데는 분명히 기여하고 있다.

    데이터 보안과 윤리 — 이게 해결 안 되면 나머지가 의미 없다

    환자의 유전자 정보, 병력, 실시간 생체 데이터. 의료 데이터는 그 어떤 개인정보보다 민감하다. 유출되면 보험 가입 거절, 취업 차별, 심지어 신체적 위협으로 이어질 수 있다. 민감한 의료 데이터의 보안이 AI 헬스케어의 전제 조건인 이유가 여기에 있다. 기술이 아무리 뛰어나도, 데이터 관리 체계가 허술하면 전체가 흔들린다.

    윤리 문제는 더 까다롭다. AI가 오진을 냈을 때 책임은 누가 지는가. 특정 인종이나 성별 데이터가 편향되게 학습됐을 때 발생하는 알고리즘 차별은 어떻게 막을 것인가. 이 질문들에 대한 사회적 합의와 법적 제도가 기술 발전 속도를 따라가지 못하고 있는 게 현실이다. AI 헬스케어가 기술 도입을 넘어, 기술과 사회와 인간의 가치가 같이 가야 하는 이유다.

    다음 수순은 뭔가

    AI 헬스케어는 아직 초기 단계다. 그런데 발전 속도를 보면 ‘초기’라는 말이 맞는지 싶을 정도다. 웨어러블 기기가 24시간 실시간 데이터를 수집하고, AI가 이상 징후를 먼저 감지해 의료진에게 알리는 시스템. 로봇 수술과 AI 정밀 치료가 결합된 수술실. 개인 유전체 기반으로 설계된 예방 프로그램. 이것들이 모두 현재 개발 중이거나 일부 현장에 적용되기 시작했다.

    결국 방향은 하나다. 질병을 치료하는 의료에서, 질병 자체가 생기지 않도록 막는 예방 중심의 의료로. 인류 전체의 삶의 질을 향상하고 건강 수명을 연장하는 데 핵심적인 동력이 AI가 될 것이라는 건, 지금의 흐름만 봐도 꽤 분명하다. 물론 데이터 보안 체계, 윤리 기준, 의료 전문가와의 협력 구조가 함께 갖춰질 때 이야기지만.

    MIT Tech Review AI가 전한 바에 따르면, 세계는 현재 주요 건강 목표 달성 궤도에서 이탈 중이다. 원문 보기

  • 의료 AI, 병원 혁신을 위한 핵심 기술 총정리

    의료 AI, 병원 혁신을 위한 핵심 기술 총정리

    폐결절 하나를 찾겠다고 방사선 전문의가 수백 장의 엑스레이를 들여다보던 시대가 달라지고 있다. AI가 수 초 만에 이상 징후를 집어내고, 의료진은 최종 판단에만 집중하는 구조. 고령화에 만성 질환 증가까지 겹친 의료 현장이 인공지능에 기대는 건 이제 선택보다 필요에 가깝다.

    왜 하필 지금부터인가

    의료 데이터는 오래전부터 쌓여왔다. 문제는 그 데이터를 실제로 써먹을 기술이 없었다는 거다. 딥러닝이 성숙하고 연산 비용이 뚝 떨어지면서 상황이 바뀌었다. 수천만 건의 영상 데이터를 학습한 모델이 MRI 한 장에서 미세한 패턴을 집어내는 게 이제 현실이 됐거든요.

    의료 인력 부족도 빠뜨릴 수 없다. 전문의 한 명이 하루에 볼 수 있는 환자 수는 정해져 있는데 환자는 계속 늘어난다. AI가 단순 반복 판독을 대신 맡아주면 의료진이 더 중요한 곳에 시간을 쓰는 구조가 된다. 의료 자원이 부족한 지역에서는 이 효과가 더 두드러지고, 전문의가 드문 분야라면 더욱 그렇다.

    AI 헬스케어가 실제로 쓰이는 네 가지 영역

    크게 네 갈래로 정리된다.

    • 영상 진단 보조: 딥러닝 알고리즘이 엑스레이, CT, MRI 영상에서 미세한 병변을 잡아낸다. 암 조기 진단, 뇌졸중 예측처럼 사람 눈으로 놓치기 쉬운 신호를 탐지하는 데 강하다. 환자의 유전체 정보와 생활 습관, 병력 데이터를 묶어 특정 질병 발병 위험도를 수치로 예측하는 것도 이 범주에 들어간다.
    • 신약 개발 단축: 전통 방식으로는 후보 물질 하나 걸러내는 데만 수년이 걸린다. AI는 수만 개 화합물 데이터를 돌려 유효 후보를 추려내고, 약물 부작용을 사전에 시뮬레이션하며, 임상 시험에 맞는 환자군을 선별한다. 개발 기간이 짧아지고 실패 비용이 줄어드는 구조다. 신약 개발의 병목을 줄이는 핵심 열쇠라는 평가가 나오는 이유기도 하다.
    • 개인 맞춤 정밀 의료: 같은 암이라도 환자마다 반응하는 항암제가 다르다. AI는 유전체 데이터, 약물 반응 기록, 생활 패턴을 분석해 각 환자에 맞는 치료 계획을 제안한다. 당뇨 환자 혈당 관리도 비슷한 방식으로 개인화된 식단·운동 가이드를 만들어주는데, 모든 환자에게 똑같은 치료를 적용하던 방식에서 벗어나는 거다.
    • 병원 운영 자동화: 챗봇 상담·예약, 의료 장비 고장 예측, 보험 청구 자동화. 행정에서 낭비되는 시간을 줄여 의료진이 환자 치료에 더 집중하게 만드는 게 목표다.

    현장에서 실제로 일어나고 있는 일들

    이미 돌아가고 있는 사례들을 보면 추상적인 얘기가 아니라는 걸 알 수 있다.

    • 국내 대학병원 엑스레이 판독: 일부 대형 병원은 AI 기반 흉부 엑스레이 판독 보조 시스템을 운영 중이다. 폐결절, 기흉 같은 주요 폐 질환 탐지에서 방사선 전문의의 판독 시간을 단축하면서 오진율도 낮추는 효과가 보고되고 있다. 단순해 보이지만, 현장에서 체감은 꽤 크다는 평이다.
    • 알츠하이머 신약 후보 발굴: 글로벌 제약사들 가운데 AI 플랫폼으로 수만 개 화합물을 분석해 알츠하이머 치료제 후보 물질을 단기간에 걸러낸 곳들이 나오고 있다. 기존 방식이라면 훨씬 더 오래 걸릴 과정이었다.
    • 만성 질환 관리 앱: 해외 디지털 헬스 스타트업들은 AI 기반 모바일 앱으로 사용자의 식단, 활동량, 수면 패턴을 분석해 만성 질환 관리를 돕는다. 개인 건강 데이터를 기반으로 AI 코칭이 이루어지는 방식인데, 병원 바깥에서도 건강 관리가 이어진다는 점에서 눈여겨볼 만한 모델이다.

    도입 전에 반드시 짚고 넘어가야 할 것들

    장점만 있는 기술은 없다. 의료 AI도 마찬가지다.

    • 환자 데이터 보안: 민감한 의료 정보가 AI 학습의 핵심 연료인 만큼, 데이터 보안은 타협 없이 다뤄야 할 영역이다. 유출 사고 하나로 환자 신뢰 전체가 흔들린다. 철저한 보안 체계와 사용 규제가 선행돼야 한다.
    • 블랙박스 문제: AI가 ‘이 환자는 암일 가능성이 높다’고 말하면, 의료진은 왜 그런 결론이 나왔는지 알아야 한다. 근거를 설명하지 못하면 임상 현장에서 신뢰받기 어렵다. 이른바 ‘설명 가능한 AI(XAI)’ 기술 개발이 중요한 이유가 여기 있다.
    • 법적 책임 소재: AI 추천을 따랐다가 의료 사고가 나면 누가 책임지나. 아직 명확한 기준이 없다. 기술 도입 속도에 법규와 가이드라인이 따라오지 못하고 있는 게 현실이다.
    • 의료진 교육: AI는 의료진을 대체하는 게 아니라 보조하는 도구다. 최종 판단은 사람이 해야 하고, 그러려면 의료진이 AI의 작동 방식을 이해하고 제대로 활용하는 훈련이 필요하다. 도구만 들여오고 교육이 빠지면 역효과로 이어진다.

    아직 풀리지 않은 숙제들

    기술 자체보다 더 어려운 문제들이 여기 있다.

    • 데이터 편향: AI 모델의 성능은 학습 데이터에 달려 있다. 특정 인종, 연령대, 지역 데이터에 편중된 모델은 다른 집단에서 성능이 급격히 떨어진다. 다양하고 균형 잡힌 데이터 수집이 선결 과제다.
    • 기술 접근 불평등: 선진 의료 시스템을 갖춘 기관에서만 AI 혜택이 몰리면 의료 격차는 오히려 벌어진다. 저개발국가나 의료 취약 계층까지 기술 접근성을 높이는 방안을 함께 고민해야 한다.
    • 사람 중심 설계: 기술이 아무리 정교해도 환자와 의료진 모두가 납득하지 못하면 현장에서 외면받는다. 윤리 기준을 지키면서 사람의 존엄성을 훼손하지 않는 방향으로 AI를 설계하는 게 결국 기술의 지속성을 결정한다.

    MIT Tech Review가 전한 바에 따르면, 의료 AI의 실질적인 성과는 기술 수준만큼이나 도입 맥락과 운영 방식에 따라 크게 갈린다. 진단 정확도를 끌어올리고 신약 개발을 앞당기며 개인 맞춤 의료를 현실로 만드는 잠재력은 분명하다. 다만 데이터 윤리, 책임 구조, 접근성 문제를 제대로 해결하지 못하면 기술의 이점이 일부에게만 쏠린다. 의료 AI가 제 기능을 하려면 기술 개발과 제도 정비가 함께 가야 한다는 얘기다.

    출처: MIT Tech Review AI