상단의 '법령/자료' 메뉴를 클릭해 세부 메뉴 중 '공무원지침서/민원인안내서'로 접근해도 이용할 수 있다. / 출처 : 식품의약품안전처 홈페이지
식품의약품안전처(이하 식약처)는 누리집(홈페이지)에서 인공지능(AI)을 활용한 ‘지능형 검색 서비스’를 19일(수)부터 시범 개방했다고 밝혔다. 식약처 누리집 초기화면 상단의 ‘지능형 검색 서비스’ 배너를 통해 이용할 수 있다.
민원 안내 등 시범 적용
지능형 검색 서비스는 AI의 ‘검색증강생성(Retrieval-Augmented Generation, RAG)’ 기술과 생성형 AI 기술을 통합해 만들어졌다. RAG는 자연어 처리(NLP) 분야에서 사용되는 기술로, 질문한 내용을 분석해 더 정확하고 관련성이 높은 응답을 생성할 수 있게 해준다.
지능형 검색 서비스는 현재 시범 단계로, 이번에는 영업자와 관계 공무원들이 주로 활용하는 ‘식의약 분야별 민원인 안내서(1,231건)’와 ‘공무원 지침서(226건)’에 대해 우선 제공한다. 해당 범위 안에 존재하는 내용에 한해, 관련된 내용을 빠르게 답변할 수 있도록 하는 취지다.
현재는 민원 안내와 공무원 지침에 대해서만 시범 제공되므로, 식품 및 의약품에 관해 일반적으로 궁금해할만한 질문은 검색할 수 없다. 다만, 어떤 단어를 검색했을 때 결과가 나오지 않는다면, 우측에 ‘추천 질문’을 보여주는 형식으로 자연스러운 정보 검색을 유도해준다.
상단의 '법령/자료' 메뉴를 클릭해 세부 메뉴 중 '공무원지침서/민원인안내서'로 접근해도 이용할 수 있다. / 출처 : 식품의약품안전처 홈페이지
챗GPT 같은 대화형 검색 지원
지능형 검색 서비스는 기존까지 포털에서 널리 사용되던 ‘키워드 중심 검색’을 벗어나는 것이 핵심이다. 널리 쓰이고 있는 챗GPT와 같은 대화형 AI를 사용할 때, 사람들은 키워드 중심의 검색보다는 대화하는 것처럼 검색을 한다. 이처럼 지능형 검색 서비스 역시 사용자가 궁금한 사항을 ‘질문 형태’로 입력하면 AI가 그 의도를 이해해 답변을 찾아주는 방식이다.
예를 들어, “수입신고 절차가 궁금해요”라든가 “화장품 위해평가 어떻게 하나요?”라는 식으로 질문을 입력하면, 그와 연관성이 높은 안내서·지침서, AI 요약 정보, 검색 추천 목록 등을 한눈에 확인할 수 있도록 보여준다.
대화형으로 질문을 하면, AI 요약과 함께 관련 안내자료를 찾아준다 / 출처 : 식품의약품안전처 지능형 검색 서비스
공식 용어 몰라도 검색 가능
이 방식은 정확한 용어나 명칭을 알지 못하는 일반인들에게 특히 유용할 것으로 보인다. 업계에서 통용되는 용어나 공식적·법적 표현을 정확히 알지 못해, 검색을 하고자 해도 무엇을 검색해야 하는지 알 수 없는 경우가 많기 때문이다. 지능형 검색 서비스는 일부 단어만 사용한다거나 오탈자, 줄임말 등으로 검색해도 질문 의도를 파악해 관련 문서를 안내할 수 있다.
현재 지능형 검색 서비스는 민원인 안내 및 공무원 지침에 한하여 제공된다. 식약처는 향후 사용자들의 관심도 등을 반영해 정보 제공 범위를 단계적으로 확대한다는 계획이다. 이밖에도 일반 국민들이 식의약 정보를 손쉽게 찾아볼 수 있도록, AI 외에도 다양한 디지털 기술을 적극 활용해 정보 제공을 강화한다는 계획이다.
용어가 정확하지 않은 상황에서의 검색, 검색한 내용에 대한 자료가 없는 검색 등을 시도할 경우, 우측에 '추천 질문'을 보여줘, 보다 원활한 검색을 돕는다 / 출처 : 식품의약품안전처 지능형 검색 서비스
질병과 질병 사이의 연관성을 추적해주는 인공지능(AI) 도구가 개발됐다. 이로써 하나의 질병이 어떻게 다른 질병으로 이어지는지 폭넓게 확인할 수 있을 것으로 보인다. 나아가, 하나의 질병을 치료함으로써 다른 질병을 어떻게 예방할 수 있는지도 알 수 있다.
질병 간 연관성 추적하는 AI 도구
사우디아라비아의 킹 압둘라 과학기술대학(KAUST)에서는 수많은 의학 논문 및 관련 자료와 실제 환자 데이터들을 대거 수집하고, 각 질병의 원인과 증상, 치료 전략에 따른 결과 등을 매핑하는 작업을 진행했다. 인공지능의 자연어 처리(NLP) 기술을 활용해 수많은 연구 사례를 스캔하고, 이를 바탕으로 서로 인과관계로 묶을 수 있는 질병들을 파악해냈다.
연구팀은 이를 ‘KAUST 도구’라고 임시로 명명했다. KAUST 도구는 어떤 질병이 어느 정도 확률로 또다른 어떤 질병을 유발할 수 있는지를 알려줄 수 있다. 예를 들어, 2형 당뇨는 고혈당이라는 증상으로 인해 미세 혈관에서의 질환을 유발하고, 이로 인해 ‘당뇨병성 눈 질환’을 초래할 수 있다. ‘상위 질환’ 하나를 치료함으로써 ‘하위 질환’을 예방하거나 완화하는 데 도움을 줄 수 있다.
물론 상위 질환이 발병했다고 해서 모두가 하위 질환을 함께 겪지는 않는다. KAUST 도구는 질병이 발생한 원인을 추적하고 그에 따른 결과가 나타나는지를 확인하는 방식으로 질병 간 연관성을 검증한다. 이를 통해 현재 발생한 질병의 원인을 명확하게 밝혀내고, 이 과정에서 자칫 간과될 수 있는 또다른 위험성을 발견할 수도 있다.
다유전자 위험 점수 개선 가능성
「바이오 인포매틱스(Bioinformatics)」 저널에 게재된 연구를 통해, 연구팀은 KAUST 도구가 ‘다유전자 위험 점수(Polygenic Risk Score, PRS)’를 개선하는 데 도움이 된다고 이야기했다. PRS는 개인의 유전 정보를 기반으로 특정 질병이나 증상의 발생 위험을 평가하는 데 사용하는 지표다. 여러 유전자 변이를 토대로 개인의 질병 발생 위험을 통합 계산하는 방식이다.
연구팀의 설명에 따르면 기존의 PRS 모델은 하나의 유전적 변이가 하나의 질병에만 영향을 미친다고 가정하는 경향이 있다. ‘이 질병은 이 유전자 변이로 인해 발생한다’라고 1:1로 연결하는 식이다.
하지만 특정 유전자 변이는 하나의 질병 외에 다른 질병에도 직·간접적인 원인이 될 수 있다. KAUST 도구는 질병 사이의 인과관계를 추가해 예측 정확도를 향상한 PRS를 제공한다. 이로써 다양한 원인이 모여 발생하는 질병도 추적해낼 수 있는 가능성을 제시했다.
질병 사이 연관성 탐색 강화
KAUST 도구는 연구 커뮤니티를 통해 무료로 이용할 수 있도록 할 예정이다. 이를 활용해 특정한 질병을 앓고 있는 사람들이 유의해야 할 합병증이나 연관 질환을 총체적으로 살펴볼 수 있을 것으로 기대된다. 기존 약물이나 치료법을 어떻게 응용할 수 있을지도 제안하는 것은 물론, 특정 질병의 위험요소를 가지고 있는 사람에 대한 예방 전략을 개선하는 데도 활용할 수 있을 것이다.
연구팀은 향후 질병의 발생 경로를 추가로 조사하고 KAUST 도구를 더욱 강화시켜갈 예정이다. 이를 통해 각종 질병을 비롯한 건강 문제들 사이에 어떤 연관성이 있는지, 얼마나 관련이 있는지를 보다 정확히 알 수 있게 될 것이다.
쉬는 시간. 인터넷이나 유튜브, SNS 등에서 무엇을 검색하는가? 특별히 검색을 자주 하지 않거나, 딱히 무엇을 검색했는지 기억이 나지 않는가? 그렇다면 당신에게 주로 보이는 콘텐츠를 살펴보면 된다. AI 알고리즘은 당신의 ‘관심사’를 잘 보여주는 통로와 같으니까.
만약 온라인 상에서 부정적인 내용의 콘텐츠를 주로 보고 있다면, 그것은 정신건강의 좋지 않은 신호일 수 있다. 「Nature Human Behaviour」에 발표된 연구 결과에 따르면, 정신건강 상태와 온라인 검색 사이에는 명확한 인과관계가 존재하며 양방향성을 띠고 있다. 즉, 정신건강이 좋지 않으면 부정적인 내용을 검색할 가능성이 높고, 그럴수록 정신적으로 더 악영향을 미친다는 의미다.
부정적 콘텐츠 보면 기분 나빠져
영국 런던 대학(UCL)의 연구팀은 검색 내용과 정신건강 사이의 상관관계를 알아보기 위한 실험을 준비했다. 그들은 웹페이지의 코드에 ‘콘텐츠 라벨(Contents Label)’을 추가하는 플러그인 도구를 개발했다. 웹페이지에 담긴 콘텐츠가 감정적으로 어떤 성향을 띠고 있는지, 실용적인 정보를 담고 있는지 등을 구분할 수 있도록 라벨을 붙이는 방법이다.
런던 대학 심리학 및 언어과학 교수인 탈리 샤롯은 “우리 연구 결과에 따르면 ‘부정적으로 평가된 콘텐츠’를 검색하고 열람하는 것은 그 사람의 기분상태를 반영하는 행위이며, 실제로 기분을 나쁘게 만들 수 있다”라고 이야기했다. 샤롯 교수는 “이는 시간이 지나며 정신건강 문제를 심화시키는 악순환을 만든다”라고 설명했다.
연구에는 1,000여 명의 사람들이 참가했다. 그들은 정신건강과 관련된 설문에 응답하고, 자신들의 인터넷 검색 기록을 연구팀에 공유했다. 연구팀은 자연어 처리(Natural Language Processing, NLP) 기술을 활용해 참가자들이 찾아본 웹페이지 및 콘텐츠가 어떤 ‘감정적 톤’을 나타내고 있는지를 분석했다.
연구 결과, 설문에 기분이 나쁘다고 응답한 참가자, 혹은 응답 결과 분석상 정신건강 문제가 보이는 참가자들의 경우는 부정적인 톤이 드러난 콘텐츠를 더 많이 찾아보는 경향이 나타났다. 또한, 그런 콘텐츠를 본 뒤에는 더욱 기분이 나빠졌다는 것을 확인했다.
부정적 뉴스가 정신건강에 악영향을 미친다는 것은 이는 실제로 지난 9월 호주 플린더스 대학 연구팀이 진행한 연구 결과에서도 나타난다. 당시 플린더스 대학 연구팀은 부정적인 내용의 콘텐츠를 열람하는 데 과도한 시간을 쏟는 행위인 ‘둠 스크롤링’으로 인해 사람에 대한 의심과 불신이 확산되며, 나아가 우울감이나 절망감을 불러올 수도 있다고 보고한 바 있다.
기분 나쁘면 다시 부정적 콘텐츠
런던 대학 연구팀은 후속 연구로서 부정적 콘텐츠로 인한 효과를 재차 확인하고자 했다. 참가자들을 두 그룹으로 나누고, 한 그룹은 부정적인 콘텐츠에 의도적으로 노출시키고, 다른 한 그룹은 중립적인 콘텐츠에 노출시켰다. 예상한대로, 부정적 콘텐츠를 열람한 그룹은 이후에 기분이 더 나빠졌다고 응답하는 경향을 보였다.
문제는 그 다음이다. 참가자들에게 다시 인터넷을 자유롭게 사용하라고 하고, 그 사용기록이 공유될 것임을 알린 뒤 그 결과를 분석했다. 그러자 이전에 부정적인 콘텐츠를 열람하고 기분이 나빠졌다고 응답한 사람들은 부정적인 내용을 더 찾아보았다. 감정과 콘텐츠 열람 사이에 양방향성이 성립한다는 의미이며, 악순환이 될 수 있음을 시사하는 대목이다.
기본적으로도 인간은 부정적인 메시지에 민감하는 반응하는 경향을 보인다. 한 예로, 2021년 뉴욕 대학 연구팀이 270만 개 이상의 SNS 게시물을 분석한 결과가 있다. 공격적이고 적대적인 메시지가 그렇지 않은 메시지에 비해 2배 이상 더 자주 공유된다는 내용이다. 이는 위험요소나 사건사고에 더 민감하게 반응하는 ‘인간의 본능’에 기인한 성향이다.
그렇기 때문에 이 연구 내용은 더욱 무겁게 받아들일 필요가 있다. 기본적으로 부정적인 내용에 더 관심을 갖게끔 돼 있는데, 그것을 보고 나면 정신적으로 좋지 않은 영향을 받게 된다. 그러고 나면 다시 부정적인 내용에 더 손이 가게 된다. 어떤 면에서 보면 ‘중독’과도 비슷한 패턴이다.
‘미리 알면’ 결과가 달라질 수 있다
인터넷 검색과 정신건강 사이의 관계를 조명한 연구는 매우 많다. 여기서 중요하게 볼 것은, 해당 연구에서 ‘대상으로 하는 행위가 구체적으로 무엇인지’를 살펴봐야 한다는 것이다. ‘사용 시간’에 중점을 둔 연구도 있고, ‘SNS 사용’에만 포커스를 맞춘 연구도 있다. 구체적으로 무엇을 중심에 두었는지에 따라 결과가 엇갈릴 수 있기 때문에, 단지 ‘인터넷 사용’이라고 포괄적으로 접근할 경우 판단에 혼란이 생기기 쉽다.
런던 대학 연구팀은 자신들의 연구에 대해 ‘탐색한 콘텐츠 유형’에 초점을 맞추었다는 점을 강조했다. 이는 사실상 인터넷이라는 매체를 벗어나도 동일하게 적용될 수 있음을 시사한다. 예를 들면 큰 도서관에 머문다고 했을 때, 감정적 톤이 비슷한 자료를 계속 찾아볼 가능성이 높다고 볼 수도 있는 것이다.
연구팀은 인위적 개입으로 참가자들의 기분을 되돌릴 수 있는지를 확인하기 위해 추가 연구를 수행했다. 그들은 구글 검색 결과에 콘텐츠 라벨을 추가해, 해당 콘텐츠가 어떤 감정적 톤을 담고 있는지를 미리 볼 수 있도록 했다.
그러자 기분이 나빴다고 응답했던 참가자들도 ‘기분을 개선할 가능성이 높은’ 콘텐츠를 더 많이 선택하는 모습을 보였다. 이후 다시 설문을 진행했을 때 그들은 다른 참가자에 비해 기분이 나아졌다고 응답했다.
이는 콘텐츠의 감정적 톤을 미리 알 수 있는 것이 분명한 도움이 된다는 점을 보여준다. 이에 연구팀은 구글 검색 결과에 해당 콘텐츠의 내용을 미리 판단해 보여주는 라벨을 추가할 수 있도록 무료 플러그인을 개발했다. 이를 통해 해당 콘텐츠의 실용성, 정보성, 기분에 미치는 영향을 확인할 수 있다.
샤롯 교수는 “우리는 식료품을 살 때 영양 정보를 제공하는 콘텐츠 라벨을 미리 볼 수 있으며, 이를 통해 먹는 것에 대해 충분한 정보를 기반으로 결정할 수 있다”라며 “이런 방식을 온라인 콘텐츠에서 적용해, 사람들로 하여금 온라인에서 ‘더 건강한’ 선택을 할 수 있도록 할 수 있다”라고 이야기했다.
※ 상기 이미지는 기사 내용과 직접적 연관이 없음 / Designed by Freepik (https://www.freepik.com/)
수술 전 위험을 보다 빠르고 정확하게 예측할 수 있는 길이 열렸다. 서울대병원은 수술 전 중증도를 분류할 수 있는 인공지능 기반 모델을 자체 개발하고, 그 성능을 검증한 결과를 28일(월) 발표했다. 이를 통해 향후 보다 객관적인 수술 위험 평가가 가능할 것으로 기대된다.
ASA-PS 등급에 따라 수술 계획 달라져
수술 전 마취 위험을 평가하는 과정은 환자의 안전을 위해 매우 중요하다. 국내 의료 현장에서는 환자의 전반적인 건강상태를 1등급(건강한 환자)부터 6등급(뇌사 상태)으로 구분한다. 이는 ‘미국마취과학회 신체상태 분류(American Society of Anesthesiologists Physical Status, 이하 ASA-PS)’에 따른 것으로, 이를 통해 마취 위험을 비롯한 전반적인 수술 위험을 예측하고 있다.
그러나 ASA-PS 체계는 ‘중증도’를 분류하는 기준이 주관적이다. 이 때문에 ASA-PS 등급을 분류하는 데 있어 의료진 간 의견이 일치하지 않는 문제가 종종 발생했다. 예를 들어, 만성 천식이 있는 환자에 대해 등급을 분류할 때, 한 의사는 천식이 잘 조절되고 있으며 일상에 큰 지장이 없다고 판단해 ASA-PS 2로 분류할 수 있다. 반면, 다른 의사는 천식이 언제든 발작할 수 있다는 가능성을 고려해 ASA-PS 3으로 분류할 수 있다.
ASA-PS 등급은 마취 방법부터 수술 중 환자 상태 모니터링, 수술 참여 인원 구성, 수술 시간 등 전체적인 의사결정에 영향을 미친다. 따라서 등급 분류에서 의료진 간 의견이 일치하지 않으면 수술 계획 단계부터 문제가 생긴다. 즉, 효율적인 의료 서비스 제공을 위해 중증도 마취 위험을 객관적이고 일관되게 파악할 수 있는 수술 전 평가 도구가 필요한 상황이었다.
ASA-PS 등급 분류 기준 / 출처 : 서울대병원 홈페이지
ASA-PS 등급 자동 분류 모델 개발
서울대병원 마취통증의학과 이형철·윤수빈 교수는 국가전략기술 특화연구소 이현훈 교수와의 공동연구팀을 구성하여 수술 전 마취 위험을 예측하는 인공지능 모델을 개발했다. 공동연구팀은 2004년부터 2023년까지 서울대병원에서 수술을 받았던 환자 71만여 명의 수술 데이터를 학습시켜, ASA-PS 등급을 자동으로 분류하는 ‘거대 언어모델(LLM)’을 자체 개발했다.
이 모델은 챗GPT와 마찬가지로 ‘자연어 처리(NLP)’ 기술을 기반으로 한다. 또한, 매우 민감한 개인 정보에 해당하는 의료 기록을 다루는 모델이므로, 암호화와 접근 제한, 데이터 익명화 등의 기술을 적용해 보안에도 만전을 기했다.
이 거대 언어모델은 환자의 건강상태와 기저질환 등을 서술한 ‘마취 전 평가 요약문’을 토대로 ASA-PS 등급을 신속하고 객관적으로 부여한다. 인공지능 모델에 의한 평가 결과를 기준으로 한다면, 의료진 간 의견 불일치를 예방할 수 있으며 임상 현장에서의 의사소통 효율성을 높일 수 있다. 이는 결국 환자의 안전을 높이는 데 도움이 된다.
전문의 등급 분류보다 우수한 성능
공동연구팀은 환자 460명의 데이터를 바탕으로 ASA-PS 등급 분류 성능을 평가했다. 그 결과, 이 모델의 평균 예측 정확도(AUROC)는 0.915로 매우 높은 수준을 기록했다. AUROC는 모델의 전반적인 성능을 평가하기 위한 도구로, 수치가 1에 가까울수록 완벽에 가까운 예측을 했음을 의미한다.
단, AUROC 값이 높다고 해서 그 성능이 항상 좋다는 것을 의미하지는 않는다. 실제 상황에서는 여러 지표들을 함께 고려해야 하기 때문이다. 특히 정밀도(모델 양성 예측 → 실제 양성)와 재현율(실제 양성 → 모델 양성 예측)이 중요하다. 이에 연구팀은 특이도, 정밀도, F1-점수에 대해서도 평가를 진행했다. F1-점수는 정밀도 및 재현율의 조화평균을 나타낸 값이다.
거대 언어모델의 등급 분류와 마취과 전문의에 의한 등급 분류를 비교한 결과, 특이도는 0.901 vs 0.897, 정밀도는 0.732 vs 0.715, F1-점수는 0.716 vs 0.713으로 나타났다. 세 가지 지표 모두 거대 언어모델이 조금씩 더 높게 나타났다.
한편, ASA-PS 1~2등급과 3등급을 분류하는 것은 임상적 의사결정에 있어 특히 중요하다. 1~2등급은 건강하거나 상대적으로 경미한 수준을 나타내며, 3등급은 비교적 심각한 상황일 때 부여되는 등급이기 때문이다. 1~2등급의 환자가 특정 상황이나 질병에 따라 3등급으로 분류될 수도 있고, 1~2등급으로 평가되는 질환과 3등급으로 평가되는 질환이 동시에 존재할 수도 있다.
이에 대한 오류율을 평가한 결과, 거대 언어모델 11.74%, 마취과 전문의 13.48%로 나타났다. 이 역시 거대 언어모델이 보다 낮은 오류율을 보임으로써 신뢰성이 높다는 점을 입증했다.
환자 안전 및 의료 질 향상에 기여
마취통증의학과 이형철, 윤수빈 교수는 “인공지능 기술이 임상 현장에서 실질적으로 활용될 수 있다는 것을 보여주는 성과”라며 “환자의 안전 및 의료 질 향상에 기여할 수 있도록 후속 연구 및 기술 개발에 노력하겠다”라고 이야기했다. 국가전략기술 특화연구소 이현훈 교수는 “인공지능을 통한 수술 전 평가 모델이 세계적으로 활용될 수 있도록 글로벌 기술사업화를 추진해나가겠다”라는 계획을 밝혔다.
이번 연구는 「네이처」의 디지털 헬스케어 분야 파트너 저널인 「디지털 메디신(NPJ Digital Medicine, IF=12.4)」에 게재됐다.
왼쪽부터 서울대병원 마취통증의학과 이형철·윤수빈 교수 및 국가전략기술 특화연구소 이현훈 교수 / 출처 : 서울대병원 홈페이지
