Transforming Public Health Practice With Generative Artificial Intelligence

팬데믹이 앞당긴 공공보건의 디지털 혁신

미국의 의료 학술지 헬스어페어스(Health Affairs)에 실린 리포트에 따르면, 코로나19 팬데믹을 겪으며 드러난 공공보건 시스템의 한계를 극복하기 위해 생성형 인공지능(Generative AI)의 도입이 시급한 것으로 나타났다. 공공보건 3.0(Public Health 3.0) 프레임워크는 전통적인 공공보건 기관 프로그램을 확장하여 더 큰 규모의 부문 간 협력과 지역사회 전반의 접근 방식을 제도화하는 것을 목표로 하고 있다. 이는 실시간으로 지리적으로 세분화된 데이터를 더 폭넓게 활용할 수 있게 하는 것을 핵심으로 한다.

AI 기술이 가져올 공공보건의 혁신적 변화

생성형 AI는 이미지, 영상, 음성, 텍스트 등 다양한 형태의 디지털 콘텐츠를 생성할 수 있는 새로운 AI 모델이다. 공공보건 분야에서는 대규모 언어모델(Large Language Models)을 활용해 언어 기반 작업을 수행하고, 텍스트를 생성하며, 질의응답 서비스를 제공할 수 있다. 실제로 레지오넬라병 발병 조사를 위해 AI 컴퓨터 비전 모델이 냉각탑을 식별하는데 활용되고 있으며, 인플루엔자 감시 시스템에서는 트위터 게시물 분석을 통해 전통적인 감시 시스템과 높은 상관관계를 보이는 결과를 얻었다.



의료계와 공공보건의 AI 도입 현황 비교

의료 분야는 1950년대부터 AI를 도입해왔으며, 현재는 전자의무기록 검색과 요약 기능 등에 생성형 AI를 적극적으로 활용하고 있다. 반면 공공보건 분야의 AI 활용은 아직 초기 단계이다. 이는 인구 수준의 건강을 다루는 공공보건의 특성상 의료 시스템에서 사용되는 AI 혁신을 직접 적용하기 어렵기 때문이다. 특히 제한된 자원과 AI 기술을 다룰 수 있는 전문 인력 확보의 어려움이 주요 과제로 지적되고 있다.

공공보건 핵심 기능 강화를 위한 세 가지 혁신 영역

생성형 AI는 세 가지 핵심 영역에서 혁신을 가져올 것으로 기대된다. 첫째, 다양한 언어와 문해력 수준에 맞춘 맞춤형 공공보건 커뮤니케이션이 가능해진다. 텍스트, 오디오, 이미지 등 다양한 미디어 형식으로 콘텐츠를 제작하고 공유할 수 있으며, 이미지 생성기를 통해 시각적 자료를 신속하게 제작할 수 있다.

둘째, 행정적 부담을 줄이고 조직의 성과를 향상시킬 수 있다. 예를 들어, 정책 분석가가 수백 페이지의 규정과 공개 의견을 검토하는 데 소요되는 시간을 대폭 줄일 수 있으며, 보조금 신청서 작성과 정책 보고서 작성도 효율화할 수 있다.

셋째, 의료 검시관의 사례 보고서, 소셜 미디어 활동, 뉴스 보고서 등 다양한 비정형 데이터를 분석하여 새로운 통찰을 얻을 수 있다. 더 나아가 이미징, 유전체, 환경, 지리 데이터를 통합 분석하는 새로운 다중모드 모델도 등장하고 있다.

도전 과제와 극복 방안

생성형 AI 도입의 주요 과제는 설명 가능성, 부정확한 결과("환각"), 윤리, 불평등 심화, 인력 혼란, 규제 위험 등이다. 특히 코로나19 팬데믹 동안 정부에 대한 높은 신뢰도가 건강 증진 행동의 채택과 유의미한 관련이 있었던 것으로 나타나, 새로운 AI 모델이 공공 신뢰를 저해하지 않도록 하는 것이 중요하다. 이를 위해 AI 훈련 데이터의 투명성 확보, 편향성 체크를 위한 전문가 자문, 인력 교육 프로그램 개발이 필요하다. 또한 규제 프레임워크가 발전하는 가운데, 공공보건 담당자들은 생성형 AI의 위험과 이점을 이해하고 공공 보건을 최대화하는 규칙을 지지할 수 있어야 한다.

공공보건 분야에서 생성형 AI의 성공적인 도입을 위해서는 학계, 정부, 지역사회, 기술 기업 간의 파트너십이 필수적이며, 이를 통해 혁신적인 솔루션을 개발하고 채택할 수 있을 것으로 전망된다. 건강 형평성과 윤리 문제 해결을 위해서는 모델 개발과 생산의 모든 단계에서 형평성이 우선시되어야 한다. 역사적으로 소외된 집단에 대한 데이터셋 확보가 중요하며, 다양한 배경을 가진 전문가들로 구성된 품질 및 안전 심사 시스템이 필요하다. 파일럿 테스트 단계에서부터 편향성을 평가하고, 실제 구현 과정에서도 지속적인 모니터링이 이루어져야 한다.

해당 리포트의 원문은 링크에서 확인할 수 있다.

기사는 클로드 3.5 Sonnet과 챗GPT-4o를 활용해 작성되었습니다.