분당서울대병원 재활의학과 양은주 연구자와 국립암센터 재활의학과 정승현 연구자가 의료 인공지능(AI)이 환자의 현재 상태뿐 아니라 그 상태에 이른 원인과 시간에 따른 변화까지 학습할 수 있도록 하는 데이터 설계 틀을 제안했다. 두 연구자는 2026년 8월 25일 국제학술지 Frontiers in Digital Health에 관점 논문을 발표하고 이를 ‘임상 현실 번역-구성(Clinical Reality Translation-Construction, CRTC)’이라고 명명했다. CRTC는 성능이 검증된 새 AI 모델이나 임상시험 결과가 아니라, 모델 개발 전에 무엇을 데이터로 표현할지 정하는 개념적 틀이다.
기존 의료 AI는 기능평가 점수나 진단코드, 임상기록처럼 특정 시점의 결과를 주로 학습한다. 이런 지표는 환자의 상태를 빠르게 파악하고 의료진끼리 정보를 공유하는 데 유용하지만, 환자가 현재 상태에 도달한 원인과 변화 경로를 충분히 담기 어렵다. 논문은 암 생존자 재활에서 치료 뒤 감각 손상, 균형 저하, 낙상 불안, 활동 감소가 연쇄적으로 이어질 수 있지만 단일 결과값만으로는 그 경로를 구분하기 어렵다는 사례를 들었다.
연구팀이 제안한 CRTC는 임상 현실을 포착하고, 필요한 현상을 선택·분절한 뒤 변화 경로를 모델링해 AI가 읽을 수 있는 임상 개체로 표현하는 접근이다. 연구진은 이 과정을 포착, 선택, 분절, 경로 모델링, 표현, 의미 매핑으로 설명했다. 이는 새로운 센서나 모델 아키텍처를 제시하는 기술이 아니라, 같은 센서 데이터나 전자의무기록을 쓰더라도 어떤 임상 현상을 어떤 시간·공간 단위로 구성할지 먼저 결정하자는 설계 원칙이다.
이번 논문은 의료 AI 연구의 질문을 모델 정확도만이 아니라 ‘AI가 무엇을 학습할 수 있게 만들 것인가’로 넓혔다. 다만 연구진은 CRTC가 실증 결과가 아닌 관점 틀이며, 기존 점수 기반 표현보다 예측력이나 설명력, 임상 의사결정이 실제로 나아진다고 주장하지 않는다고 명시했다. 향후 연구에서는 기존 지표를 기준선으로 두고 판별력, 보정, 시간적 일반화, 하위집단 안정성과 실제 의사결정 효과를 비교해야 한다.
논문은 뇌졸중 환자의 보상 동작, 낙상 위험, 암 생존자의 증상과 기능 변화 등을 검증 대상으로 제시했다. 동시에 영상·웨어러블·주변 음성처럼 더 풍부한 데이터를 모으면 개인정보 노출과 편향 위험도 커지고, ‘보상형 표현형’ 같은 계산 결과가 검증된 자연적 사실처럼 굳어질 수 있다고 경고했다. 따라서 CRTC의 가치는 개념의 새로움보다 실제 임상 데이터에서 추가 설명력과 실행 가능성을 입증하고, 표준화·감사·버전 관리 체계를 갖추는지에 달려 있다.
저작권자 © STORIUM 무단전재 및 재배포 금지
